En otras pocas los procesos de cambios en las organizaciones llevaban un ritmo ms lento e incluso resultaban casi imperceptibles en el tiempo

y podemos decir que se poda administrar una empresa eficientemente con pocos datos estadsticos. Hoy en un mundo de profundos y veloces cambios en todos los rdenes ya no es posible actuar con displicencia. Hoy un empresario necesita predecir a tiempo los niveles de demanda de sus productos, necesita reconocer cuales son los cambios de tendencia, debe no slo saber en qu se gasto, sino como se gasto en el tiempo y en que conceptos. Para negociar, para tomar decisiones, para corregir problemas de calidad, para aumentar la productividad, para fijar precios, para que exista un orden en el mantenimiento y disponibilidad de las instalaciones, para mejorar la concesin y cobranza de los crditos se requiere s o s contar con datos estadsticos. Toda decisin, todo anlisis, todo presupuesto, est prcticamente en el aire si no se cuenta con cifras estadsticas de carcter suficientes y fiables, es por ello que en esta investigacin hemos seleccionado la empresa J & M Security Systems C.A para conocer ms a fondo la importancia que tiene la estad stica en materia empresarial. J & M Security Systems C.A est ubicada en el Edificio MIMU, piso 4, oficina 4A (Alta Vista-Puerto Ordaz) tiene como misin y visin: Misin:

Lograr establecer una relacin estratgica y de confianza mutua con clientes que requieran de nuestros productos, de manera que podamos crecer permanentemente en el tiempo y reafirmar la estancia de nuestra empresa en el mercado, generando un adecuado retorno de la inversin, ofreciendo adems un servicio altamente profesional. Visin:

Triunfar como una empresa reconocida en el mercado y de continua expansin, consolidarnos como una empresa comercializadora de alto nivel, logrando la plena satisfaccin del cliente ofreciendo productos de alta calidad y utilizando tecnologa de punta para un mejor servicio. Resea Histrica:

J & M Security Systems C.A es una empresa venezolana fundada en septiembre de 2008 en sus inicios se dedico a la compra y venta, al mayor y detal de equipos

electrnicos y de computacin, posteriormente empez a ofrecer equipos de seguridad y telecomunicaciones. Actualmente, adems de los productos antes mencionados presta servicos de diseo e implementacin de sistemas de seguridad, abarcando todos los mbitos de orden residencial, comercial e industrial, ya que cuenta con profesionales competentes que se encargan de instalar los diferentes cercos elctricos, CCTV, cmaras, concertinas, controles de acceso, entre otros. Objetivo de la empresa:

La empresa tiene como objetivo principal la comercializacin de equipos de computacin, equipos electrnicos, de seguridad y de telecomunicaciones, adems presta servicios de instalacin de sistemas de seguridad en diferentes residencias, comerciales e industrias de la ciudad. Poltica de la empresa:

J & M Security Systems C.A mantiene como poltica de la empresa esos principios o reglas claras que de alguna u otra manera permiten mantener una secuencia o estrecha relacin en los procesos, orientados hacia el futuro, es decir manteniendo siempre presente lo que se planteado como visin de la organizacin, hasta acabar con el mero alcance de los objetivos, alguna de estas polticas son: El trabajo no solo te ayuda a obtener ganancias, tambin hace posible que aprendas cosas nuevas da a da, exgete mucho a ti mismo y recibirs recompensa. La puntualidad se construye por el esfuerzo de est ar a tiempo en el lugar adecuado, cada empleado ser puntual para desarrollar su labor en su puesto de trabajo. Se establecern sistemas adecuados para promover la constante capacitacin de manera que se logre gestionar los recursos (tecnolgicos, materiales u otros activos) de forma eficiente. La calidad de nuestro trabajo estar enfocada en la satisfaccin del cliente, procure mantener un comportamiento tico de alto profesionalismo. La sumisin es un asunto de actitud, mientras que la obediencia e s un asunto de conducta, nuestra conducta en el sitio de trabajo estar alineada hacia el alcance de los objetivos.

En otras palabras la empresa tiene como poltica dar incentivos monetarios como recompensa de un trabajo bien hecho, valora muchsimo la puntualidad, se ocupa en ofrecer una capacitacin constante a sus empleados ya que estos desarrollan labores que van de la mano con la muy cambiante tecnologa, la organizacin J & M Security Systems C.A procura mantener un ambiente de respeto a la autorid ad y entre los empleados en el sitio de trabajo, as como tambin un adecuado trato al cliente.

Historia, evolucin y propsitos de la estadstica:

Lo que seguramente impuls al hombre en un momento de su desarrollo a tomar en cuenta los datos con sentido y propsitos estadsticos, quizs lo comprendamos, si pensamos lo difcil que es imaginarnos un organismo social cualquiera que sea su poca, sin registrar en un documento escrito aquellos hechos que aparecen como actos esenciales de la vida. En estas condiciones, al situarnos en una poca cualquiera del desarrollo de la estadstica, podemos pensar que sta se convirti en una aritmtica estatal, para auxiliar al estado en su empeo de conocer la riqueza, el nmero de sus gobernados y cualquier otra informacin relativa a su regin y su poblacin. A medida que se va definiendo el estado, la necesidad de la estadstica se acenta ms y ms, como algo orgnico, y es precisamente de la palabra estado, de donde parece derivarse el nombre de sta disciplina. Existen evidencias del uso de la estadstica a un nivel rudimentario por organizaciones sociales antiguas y se volvera muy extenso relacionar la gran cantidad de hechos y testimonios que desde la ms remota antigedad se han registrado como informacin estadstica. As por ejemplo, podramos destacar, que en los monumentos Egipcios hay testimonios de que los movimientos de poblaciones eran seguidos por medio de censos y en este sentido la Biblia cita que Moiss hizo un censo de los Israelitas en el desierto. En China, Confucio narra cmo un rey llamado Yao, unos 3000 aos antes de Cristo, hizo levantar un recuento agrcola, industrial y comercial del pas. Tambin entre los ms antiguos pobladores de Amrica, los Chichimecas, que llegaron al valle de Mxico, practicaron un censo mediante las piedras que todos los pobladores fueron depositando en un lugar llamado Nepohualco o Contadero. Los aztecas que formaron un estado guerrero y comercial, hacan permanentemente minuciosas estadsticas que servan de base a su organizacin y a sus tributos, segn lo demuestra el libro de los tributos de Moctezuma. En la otra gran civilizacin del nuevo mundo, la del antiguo Per que era un estado colectivista con economa dirigida, trabajo obligatorio y equilibrio entre los habitantes y la produccin, la razn de ser de ese orden social era los nmeros, es decir la estadstica. Cuando en Europa floreci la cultura Griega, debe haberse producido un gran progreso estadstico en relacin con el reparto de los terrenos, el servicio militar, la enseanza y todo lo referente, en suma a complejas actividades sociales. En Roma la organizacin del estado se perfecciona en todos los rdenes y ello influye en la estadstica, cuya base queda establecida en el CENSUS, que era una doble investigacin practicada regularmente sobre los ciudadanos y sus bienes.

La declaracin de los nacimientos se establece como obligacin legal en tiempo de los Antoninos y haba que hacerla en el templo de Saturno en un lapso no mayor de 30 das. Las operaciones censales se practicaban en todos los dominios de Roma, entre ellos Siria. La civilizacin rabe fue la heredera de las prcticas estadsticas, que posteriormente prosperaron bajo Carlomagno, utilizadas con fines administrativos y financieros. Un nuevo concepto sobre la estadstica empieza a precisarse a mediados del siglo XVII, segn el cual le corresponde una funcin descriptiva del estado. Surgen como innovadores el Alemn Horman Conring, conocido como el maestro, elaborador de un sistema del cual arranca la orientacin que se conoci como estadstica universitaria, haciendo evolucionar la estadstica mediante sus ctedras de filosofa, medicina y poltica, relacionadas con la investigacin de los hechos sociales. En Inglaterra, los aritmticos polticos orientaban la estadstica, no hacia la descripcin sino hacia la investigacin. Graunt sienta las bases de la estadstica investigadora, realizando interesantes observaciones que dio a conocer a la Sociedad Real de Londres, sobre la mortalidad en sta ciudad, segn las estaciones, las profesiones, etc. as como muchos otros fenmenos sociales. El clculo de las probabilidades, nace con Blas Pascal y Pedro de Fermat al tratar de dar soluciones a problemas relacionados con los juegos de azar. La estadstica moderna se debe al sabio Adolfo Quetelet (1796 1874), quien le dio a la estadstica un doble sentido terico y prctico. Fue el organizador de la estadstica de su pas y el iniciador de los congresos internacionales de la estadstica. Quetelet y Cournot fueron los grandes representantes de la tendencia enciclopdica- matemtica y la despojaron de los defectos que presentaba. Quetelet por una parte bas la investigacin numrica en el clculo de las probabilidades, mientras que Agustin Cournot, matemtico y filsofo, se vali de la estadstica en el campo de la economa, auxiliado por la matemtica. Entre los contemporneos de Quetelet y Gauss, se destacan Florence Nightingale y Francis Galton. Este ltimo y Darwin se dedicaron al estudio de la herencia, aplicando mtodos estadsticos. Quizs el aporte ms importante de Galton se relaciona con el desarrollo de mtodos bsicos sobre regresin y correlacin. Los investigadores y los tratadistas en el rea de la estadstica siguen siendo ms y ms numerosos y ha habido abundante produccin de obras sobre metodologa estadstica, as como monografas metodolgicas y en cuanto a las aplicaciones, se siguen produciendo otras en creciente nmero.

Por ltimo, como resultado de tal evolucin, se llega a una completa separacin entre la estadstica metodolgica y la aplicada y sobre sta ltima se desarrollan importantes disciplinas como la antropologa, la biometra, la econometra y la psicometra entre otras. Hoy en da podemos decir que la estadstica, hace presencia en la mayora de las reas del conocimiento, constituyndose en herramienta vital para la comprensin y desarrollo de cada una de las mismas. Estadstica descriptiva e inferencial

En general, las tcnicas estadsticas se suelen dividir en dos categoras formando las dos ramas tradicionales y bsicas de la Estadstica: Tcnicas descriptivas -> Estadstica descriptiva Tcnicas inferenciales -> Estadstica inferencial La estadstica descriptiva o deductiva trata del recuento, ordenacin y clasificacin de los datos obtenidos por las observaciones. Por lo general, cuando hay un gran nmero de datos antes de que la mente humana pueda interpretarlos, deben resumirse o reducirse. La mente humana no tiene la capacidad de extraer conclusiones de una serie de datos en bruto; la estadstica descriptiva sirve de herramienta o instrumento para describir, resumir o reducir las propiedades de un conjunto de datos para que se puedan manejar. En definitiva, comprende aquellas tcnicas que se usan para resumir la informacin (largas listas de valores) para proporcionar ndices simples y comprensibles y, por lo tanto, para facilitar descripciones y comparaciones, hacindolo de la forma ms exacta posible. Para reducir la informacin se construyen tablas, se representan grficos y se calculan parmetros estadsticos que caracterizan la distribucin, de esta forma se simplifica la complejidad de todos los datos que intervienen en la distribucin. Por lo tanto, la estadstica descriptiva hace referencia, o se utiliza en las etapas 3, 4 y 5 del mtodo cientfico (observacin, clasificacin y descripcin), y nicamente se limita a realizar deducciones directamente a partir de los datos y parmetros obtenidos. Por su parte, la estadstica inferencial o inductiva trata de llegar a conclusiones que sobrepasan el alcance de los datos analizados, es decir, se trata de tcnicas que se emplean para inferir o deducir caractersticas desconocidas a partir de un conjunto de datos conocidos, apoyndose fundamentalmente en el clculo de probabilidades. Esto es as porque es imposible en la mayora de los casos utilizar como datos para comprobar las hiptesis la totalidad de los fenmenos que componen la poblacin objeto de estudio. (Por ejemplo, es imposible medir el dimetro de todos los cantos en una terraza fluvial, o encuestar a todos los

agricultores de una determinada zonas...). Como resulta imposible examinar la poblacin entera de los fenmenos que estudiamos, la construccin de leyes y teoras se tiene que apoyar en datos muestrales. A partir de unos pocos datos conocidos (los de la muestra), se trata de obtener informacin de la poblacin total, y esto lo hace apoyndose en el clculo de probabilidades. Uno de los principales objetivos de la estadstica inferencial es estimar las propiedades de una poblacin a partir del conocimiento de slo una muestra de ella. La estadstica inferencial se basa por lo tanto en la estadstica descriptiva, ya que la inferencia o deduccin de las propiedades de la poblacin entera se deriva de las caractersticas de la muestra que es analizada con las tcnicas de la estadstica descriptiva. En realidad su campo de accin es ms amplio. Poblacin y muestra: La poblacin de un estudio estadstico es el conjunto de elementos objeto de estudio. Cada elemento se denomina individuo. Cuando el nmero de individuos de la poblacin es muy grande, tomamos una parte de sta, denominada muestra. La muestra es un subconjunto de la poblacin y tiene que ser representativa de la misma. Parmetros vs estadgrafos

Parmetro: Un ndice estadstico calculado a base de los datos de una poblacin y que cuantifica una caracterstica de esa poblacin. Generalmente son datos comprobados mediante registros. Ejemplo: La tasa de desempleo se ha mantenido en 18%. Es un ndice estadstico que va dirigido a describir a la poblacin. Muchos de estos ndices se obtienen mediante registros oficiales de agencias del Gobierno, tales como la tasa de mortalidad, de divorcios, entre otras. Estadgrafos: los datos estadsticos obtenidos de la muestra. Ejemplo: De los 100 entrevistados, el 70% apoya la resolucin. Cuando se llevan a cabo investigaciones y sus resultados son comprobados como ciertos y los mismos se generalizan o se aplican a la poblacin, se da entonces la inferencia estadstica como un procedimiento mediante el cul se estiman los parmetros. O sea que un dato estadstico de una muestra (estadgrafo), si el mismo es comprobado como cierto para toda la poblacin, entonces se le considera como un parmetro. Debe entenderse que el parmetro y el estadgrafo son conceptos muy similares. Su diferencia radica realmente en que el estadgrafo

se calcula sobre una muestra y el parmetro se calcula con relacin a una poblacin. El estadgrafo se calcula a partir de una muestra y las encuestas polticas se realizan basndose en entrevistas que se llevan a cabo con una muestra de electores. Durante las ltimas encuestas han figurado cerca de 15% a 20% que se consideran indecisos y este mimo por ciento coincide con el por ciento de electores que no votan en las elecciones. A nivel poblacional el dato de 15% - 20% se considera como un parmetro y a nivel muestral en las encuestas es un estadgrafo. Por tanto, el estadgrafo de la muestra sirve como un estimador del parmetro. Las variables

En toda investigacin se observan fenmenos o propiedades para tal o cual propsito. En las investigaciones cuantitativas, esta observacin generalmente se traduce en mediciones, es decir, la recoleccin de datos acerca de un objeto o fenmeno particular. Los datos medidos u observados en una investigacin cuantitativa reciben generalmente el nombre de variables. Una variable discreta solo puede adquirir un conjunto generalmente bajo de valores (de 2 a 5 posibles valores, por ejemplo). Muchas veces, estas variables corresponden a rasgos binarios (como el sexo), en cuyo caso se las denomina variables dicotmicas. Las variables continuas, en cambio pueden adoptar una amplia gama de valores, incluyendo los intervalos que hay entre nmeros enteros. Por ejemplo, en un curso puede haber promedios que oscilen entre el 1 y el 7, con una gran cantidad de intervalos posibles entre los valores enteros (los intervalos aumentan si consideramos dos decimales). Las variables discretas (llamadas a veces categoriales), pueden ser ordinales o nominales. Una variable ordinal refleja una jerarqua entre los elementos, mientras que una nominal no refleja ninguna jerarqua. Las variables continuas son las ms utilizadas en los diseos experimentales cuantitativos. Se trata de variables que reflejan magnitudes reales de carcter jerrquico. A veces se distingue entre variables intervalares o de razn, pero esta distincin no es muy importante. En investigaciones lingsticas es posible obtener variables continuas a partir de rasgos como cantidad de palabras, ndices de ocurrencia, promedio de aparicin,

valores en Hz. En general, cada vez que tengamos una escala amplia de puntajes que pueden variar entre un sujeto (o texto) y otro, estamos en presencia de una variable continua. La verdadera diferencia entre las variables discretas y continuas es la interpretabilidad del promedio. En el caso de las variables discretas, el promedio no es interpretable coherentemente, mientras que en el caso de las variables continuas el promedio s es interpretable coherentemente. Fases para el diseo de la distribucin de frecuencia Definicin de la poblacin: en esta fase se formulan hiptesis, objetivos y se delimita el mbito de aplicacin. Seleccin de la muestra: a partir de la poblacin que es el objeto de estudio, se elige una pequea porcin sobre lo que se extraern los datos. Recogida de datos: en este momento se elabora la herramienta para la recoleccin de los datos que se necesita para el estudio. Generalmente se trata de un cuestionario, aunque hay otros mtodos. Organizacin y representacin grafica: en esta fase suele usar el ordenador para el clculo de frecuencias, porcentajes totales, etc. La elaboracin de tablas resumen toda la informacin recogida y la representacin de la informacin de modo ms atractivo. Anlisis de datos: es el proceso de inspeccionar, limpiar datos con el objetivo de resaltar informacin til lo que sugiere conclusiones y apoyo a la toma de decisiones. Obtencin de conclusiones: respuestas o resultados de estudio. Representacin grafica de la distribucin de frecuencia

La forma de la distribucin de frecuencias se percibe ms rpidamente si la representamos grficamente. Se resume la informacin de la muestra de forma grafica con fines clarificadores o para enfatizar y descubrir determinadas caractersticas que de otra manera seria muy difcil de apreciar. Un grafico siempre es mas inmediato de comprender que un conjunto de datos estadsticos. Las representaciones graficas varan segn el tipo de variable: 1. Diagrama de barras: Es la representacin grfica usual para variables cuantitativas discretas o para variables cualitativas. En el eje de ordenadas representamos los diferentes valores de la variable (xi). Sobre cada valor levantamos una barra de altura igual a la frecuencia (absoluta o relativa).

Ejemplo:

2. Polgono de frecuencias El polgono de frecuencia se construye a partir de los datos de la tabla de frecuencias. Un histograma puede transformarse en un polgono de frecuencias uniendo mediante segmentos los puntos medios (marca de clase mi) ubicados en la parte superior de los rectngulos, los rectngulos no son parte del polgono, pero se emplean como ayuda visual. El polgono que se forma comienza en el punto medio de la clase que se encuentra inmediatamente antes de la clase ms baja y termina en el punto medio de la clase inmediata posterior a la clase ms alta. Tanto el histograma como el polgono de frecuencias nos permiten obtener una imagen rpida de las principales caractersticas de los datos, tales como; tendencias, concentracin de puntos, mximos y mnimos.

3. Diagrama de sectores o de pastel es el ms usual en variables cualitativas. Se representan mediante crculos. A cada valor de la variable se le asocia el sector circular proporcional a su frecuencia.

Ejemplo: Los siguientes datos corresponden a una encuesta referente a elecciones locales de un partido poltico:

Para construir el diagrama de sectores partimos del hecho de que un crculo encierra un total de 360 grados. Luego, mediante una regla de tres simple, se reparten los 360 grados en distintos sectores, de acuerdo con cada porcentaje; tenemos as que para determinar el sector correspondiente al 50%, se resuelve la ecuacin: X=50*360=180 100 Esto es, el 50% corresponde a un sector circular de medida 180 grados. A continuacin, con ayuda de un transportador, sealaremos el sector circular de medida 180 grados. Igualmente, para el 40% se tiene 144 grados y para el 10% se tiene 36 grados. La siguiente figura muestra la representacin grafica.

Histogramas: Es la representacin grfica de las frecuencias agrupadas de una variable continua sobre intervalos. A diferencia de los diagramas de barras, los histogramas dibujan rectngulos unidos entre si, lo que significa que existe continuidad en la variable cuyos valores se representan en el eje horizontal que se haya dividido en intervalos de igual amplitud. Las reas de los rectngulos son proporcionales a las frecuencias que representan.

Ejemplo: Histograma correspondiente a las horas extras laboradas por un grupo de obreros petroleros.

El histograma o diagrama de barras proporcionan mucha informacin respecto a la estructura de los datos, nos permite evidenciar fundamentalmente tres caractersticas: 1. Forma de la distribucin. 2. Acumulacin o tendencia posicional (valor central de la distribucin). 3. Dispersin o variabilidad. Cuando nos encontramos en distribuciones donde los intervalos no tienen la misma amplitud, las barras del histograma tienen que tener un rea proporcional a la frecuencia que queramos representar El pictograma: es una variacin grfica de los diagramas de barras. Pueden resultar ms atractivos en la presentacin de resultados, aunque tambin ms ambiguos en su lectura e interpretacin.

Medidas de tendencia central

El comportamiento de una variable observada en una poblacin o de una muestra, puede resumirse mediante una serie de valores representativos llamados parmetros o estadsticos, segn sea el caso de una poblacin o de una muestra.

Se denominan medidas de tendencia central o de centralizacin, a aquellos valores numricos en torno a los cuales se agrupan, en mayor o menor medida, los valores de una variable estadstica. Las tres medidas ms usuales de tendencia central son: La Media aritmtica La Mediana La Moda

Media aritmtica: es la medida de posicin utilizada con ms frecuencia. Si se tienen (n) valores de observaciones, la media aritmtica es la suma de todos y cada uno de los valores. Lo que indica que puede ser afectado por los valores extremos, por lo que puede dar imagen distorsionada de la informacin de los datos. Mediana: es el valor que ocupa la posicin central en un conjunto de datis que pueden estar ordenados, de esta manera la mitad de las observaciones es menor que la mediana y la otra mitad es mayor que la mediana. La moda: es el valor de un conjunto de datos que aparece con mayor frecuencia. Calculo de las medidas de la tendencia central: Paso 1: agrupar los datos de menor a mayor Paso 2: calculo de la moda. Tomar en cuenta el dato que mas se repite. Un grupo de datos que ms se repite. Un grupo de datos puede tener una moda, dos o tres. O simplemente no tener moda. Paso 3: calculo de la mediana, tener en cuenta el numero de datos. Si los datos son impares, simplemente dividir el nmero entre dos, sumar al cociente 1, el resultado ser el valor del dato que ocupa la mediana, pero si el nmero de datos es par, sumar los dos datos centrales y dividir entre 2. Paso 4: calculo de media, sumar todos los datos y dividir entre el numero total de observaciones.

Medidas de dispersin: son las que indican la intensidad con la que se dispersan o concentran las observaciones respecto de una medida de tendencia central. La desviacin estndar o desviacin tpica () es una medida de centralizacin o dispersin para variables de razn (ratio o cociente) y de intervalo, de gran utilidad en la estadstica descriptiva. Se define como la raz cuadrada de la varianza. Junto con este valor, la desviacin tpica es una medida (cuadrtica) que informa de la media de distancias que

tienen los datos respecto de su media aritmtica, expresada en las mismas unidades que la variable. Se caracteriza por ser el estadgrafo de mayor uso en la actualidad. Se obtiene mediante la aplicacin de la siguiente frmula:

Varianza: La varianza se define como el promedio aritmtico de las diferencias entre cada uno de los valores del conjunto de datos y la media aritmtica del conjunto elevadas al cuadrado.

Probabilidad: Es un valor comprendido entre 0 y 1, incluidos estos dos valores, que describe la posibilidad de ocurrencia de un evento. Si da cerca de cero es improbable que ocurra, si va cerca de uno es casi seguro que ocurra Propiedades de la probabilidad: 1) 0 P(A) 1 2) Si A es un suceso que ocurre seguro, P(A) = 1 3) Si A es un suceso que no puede ocurrir, P(A) = 0 4) P (no A) = P(A) = 1 P(A) 5) Si A y B son dos sucesos que no tienen nada en comn, P(A o B) = P(A) + P (B) 6) Si A y B son dos sucesos INDEPENDIENTES (la aparicin de uno no afecta a la aparicin del otro), P(A y B) = P(A; B) = P(A) P (B) El espacio muestral o probabilstico: es el conjunto de los posibles resultados de un experimento aleatorio. Un evento es un subconjunto del espacio muestral de un experimento aleatorio

Calculo de la probabilidad de la ocurrencia de un evento La probabilidad de la ocurrencia de un evento que resulta de tal experimento estadstico se evala por medio de un conjunto de nmeros reales denominados pesos o probabilidades que van de 0 a 1. Para todo punto en el EM asignamos una probabilidad tal que la suma de todas las probabilidades es 1. Si tenemos razn para creer que es bastante probable que ocurra cierto punto muestral, cuando se lleva a cabo el experimento, la probabilidad que se le asigne debe ser cercana a 1. Por otro lado, una probabilidad cercana a 0 se asigna a un punto muestral que no es probable que ocurra. En muchos experimentos, como lanzar una moneda o un dado, todos los puntos muestrales tiene la misma probabilidad de ocurrencia y se les asignan probabilidades iguales. Para puntos fuera del EM, es decir, para eventos simples que no es probable que ocurran, asignamos una probabilidad de 0. Para encontrar la probabilidad de un evento A, sumamos todas las probabilidades que se asignan a los puntos muestrales en A. Esta suma se denomina probabilidad de A y se denota con P(A). La probabilidad de un evento A es la suma de los pesos de todos los puntos muestrales en A. Por lo tanto:

Ejemplo 1: Se lanza una moneda dos veces. Cul es la probabilidad de que ocurra al menos una cara? El EM para este experimento es {CC,CS,SC,SS}. Si la moneda est balanceada, cada uno de estos resultados tendr la misma probabilidad de ocurrencia. Si A es el evento de que ocurra al menos una cara, entonces A={CC,CS,SC} y P(A)=1/4+1/4+1/4=3/4. Reglas de Bayes El procedimiento que se utiliza para encontrar probabilidades posteriores, a partir de probabilidades previas, se llama regla Bayesiana. Las probabilidades a priori o previas se conocen antes de obtener informacin alguna del experimento en

cuestin. Las probabilidades a posteriori se determinan despus de conocer los resultados del experimento. El teorema de Bayes consiste en un mtodo para encontrar la probabilidad de una causa especfica cuando se observa un efecto particular. Esto es, si el evento B ha ocurrido, Cul es la probabilidad de que fue generado por el evento A1 (que es una causa posible) o por el A2 (otra causa posible)? Si suponemos que los eventos A1, A2, A3,...., An, forman una particin de un espacio muestral S; esto es, que los eventos A1 son mutuamente excluyentes y su unin es S. Ahora, sea B otro evento

Donde Ai B son eventos mutuamente excluyentes, en consecuencia:

Luego por regla de multiplicacin.

Si A1, A2, A3,, An es una particin de S y B es cualquier otro evento, entonces para cualquier i

Es decir

La expresin anterior puede interpretarse de la manera siguiente: Si un evento puede ocurrir en ms de una forma, entonces la probabilidad de que ocurra en una forma particular ser igual a la razn de la probabilidad de que se presente la forma respecto a la probabilidad de que ocurra.

Permutacin Una permutacin es un arreglo u ordenacin de los n elementos que conforman un conjunto tomados todos a la vez o tomados parte a la vez; de tal manera que el orden interesa. Es decir, aunque varios arreglos u ordenaciones contengan los mismos elementos, por el solo hecho de tener un orden diferente, tales arreglos u ordenaciones se consideran diferentes. En stas condiciones cada arreglo u ordenacin se denomina una permutacin. Simbolizamos Pn,n, a las permutaciones de n elementos disponibles tomados todos a la vez. Simbolizamos Pn,r, las permutaciones de n elementos disponibles tomados parte a la vez. Aqu: n>r Combinacin Una combinacin es un arreglo u ordenacin de n objetos disponibles tomados todos a la vez o parte a la vez, sin que el orden interese. Es decir, si considero que el arreglo ABC es idntico a los arreglos ACB, CBA, BAC, CAB, etc., por el hecho de contener los mismos elementos y aunque el orden sea diferente, entonces cada una de las anteriores ordenaciones se considera una combinacin. La distribucin de probabilidad, funcin de probabilidad o funcin de cuanta de una variable aleatoria discreta X, la notaremos por P(x), y es una funcin que asigna las probabilidades con que la variable aleatoria toma los posibles valores, de tal manera que las probabilidades verifiquen las dos condiciones siguientes: Funcin de Probabilidad La Funcin de Probabilidad es la probabilidad de que la variable aleatoria tome un valor particular:

Ejemplo Podemos obtener las frecuencias relativas de las calificaciones de un curso y disponerlas en una tabla:

Asignando un nmero a cada calificacin, y sustituyendo el smbolo de frecuencia relativa por el de probabilidad:

Finalmente tenemos la distribucin de probabilidad de la variable "calificacin acadmica en la asignatura X". La distribucin de probabilidad de una variable aleatoria se define como el conjunto de valores de la variable acompaados de sus probabilidades. Funcin de Distribucin La Funcin de Distribucin es la probabilidad de que la variable tome valores iguales o inferiores a x:

Si aadimos una nueva columna con las probabilidades acumuladas, tenemos la funcin de distribucin de la v.a. Ejemplo:

Tanto la Funcin de Probabilidad como la de distribucin pueden ser representadas grficamente con el diagrama de barras:

Funcin de probabilidad:

Funcin de distribucin:

Valor esperado El valor esperado es un concepto fundamental en el estudio de las distribuciones de probabilidad. Desde hace muchos aos este concepto ha sido aplicado ampliamente en el negocio de seguros y en los ltimos veinte aos ha sido aplicado por otros profesionales que casi siempre toman decisiones en condiciones de incertidumbre. Para obtener el valor esperado de una variable aleatoria discreta, multiplicamos cada valor que sta puede asumir por la probabilidad de ocurrencia de ese valor y luego sumamos los productos. Es un promedio ponderado de los resultados que se esperan en el futuro. Sea X una Variable Aleatoria que toma valores en un conjunto discreto (en un conjunto finito de nmeros en uno infinito como: los naturales, los enteros o los racionales), por ejemplo si la variable aleatoria X toma los siguientes valores: X = 0, 1, 2, 3, decimos que es discreta

La probabilidad de que X tome cada uno de sus valores viene dada por la funcin de probabilidad: P(X = i), para i = 0, 1, 2, 3, ... ; Sea P(X = i) = pi para i = 0, 1, 2, 3, ... Se tiene que p1 + p2 + p3 +...+ pn +... = 1 Se define el Valor Esperado de una Variable Aleatoria con distribucin discreta como:

Y para una variable aleatoria con distribucin continua como

Varianza Se podra usar un argumento parecido para justificar las frmulas para la varianza de la poblacin 2 y la desviacin estndar de la poblacin . Estas medidas numricas describen la dispersin o variabilidad de la variable aleatoria mediante el promedio o valor esperado de las desviaciones cua drticas de los valores de x a partir de su media Sea x variable aleatoria discreta con distribucin de probabilidad f(x) y media .

Sea x variable aleatoria continua con distribucin de probabilidad f(x) y media .

Distribucin Binomial (n,p) La distribucin binomial es una distribucin discreta muy importante que surge en muchas aplicaciones bioestadsticas. Esta distribucin aparece de forma natural al realizar repeticiones independientes de un experimento que tenga respuesta binaria, generalmente clasificada como xito o fracaso.

Por ejemplo, esa respuesta puede ser el hbito de fumar (s/no), si un paciente hospitalizado desarrolla o no una infeccin, o si un artculo de un lote es o no defectuoso. La variable discreta que cuenta el nmero de xitos en n pruebas independientes de ese experimento, cada una de ellas con la misma probabilidad de xito igual a p, sigue una distribucin binomial de parmetros n y p. Este modelo se aplica a poblaciones finitas de las que se toma elementos al azar con remplazo, y tambin a poblaciones conceptualmente infinitas, como por ejemplo las piezas que produce una mquina, siempre que el proceso de produccin sea estable (la proporcin de piezas defectuosas se mantiene constante a largo plazo) y sin memoria (el resultado de cada pieza no depende de las anteriores). Un ejemplo de variable binomial puede ser el nmero de pacientes ingresados en una unidad hospitalaria que desarrollan una infeccin nosocomial. Un caso particular se tiene cuando n=1, que da lugar a la distribucin de Bernoulli. Valores: x: 0, 1, 2, ..., n Parmetros: n: nmero de pruebas, n > 0 entero p: probabilidad de xito, 0 < p < 1 La distribucin hipergeomtrica suele aparecer en procesos mustrales sin remplazo, en los que se investiga la presencia o ausencia de cierta caracterstica. Pinsese, por ejemplo, en un procedimiento de control de calidad en una empresa farmacutica, durante el cual se extraen muestras de las cpsulas fabricadas y se someten a anlisis para determinar su composicin. Durante las pruebas, las cpsulas son destruidas y no pueden ser devueltas al lote del que provienen. En esta situacin, la variable que cuenta el nmero de cpsulas que no cumplen los criterios de calidad establecidos sigue una distribucin hipergeomtrica. Por tanto, esta distribucin es la equivalente a la binomial, pero cuando el muestreo se hace sin remplazo. Esta distribucin se puede ilustrar del modo siguiente: se tiene una poblacin finita con N elementos, de los cuales R tienen una determinada caracterstica que se llama xito (diabetes, obesidad, hbito de fumar, etc.). El nmero de xitos en una muestra aleatoria de tamao n, extrada sin remplazo de la poblacin, es una variable aleatoria con distribucin hipergeomtrica de parmetros N, R y n.

Cuando el tamao de la poblacin es grande, los muestreos con y sin remplazo son equivalentes, por lo que la distribucin hipergeomtrica se aproxima en tal caso a la binomial. Valores: X: max{0,n-(N-R)}, ..., min{R,n}, donde max{0,n-(N-R)} indica el valor mximo entre 0 y n(N-R) y min {R,n} indica el valor mnimo entre R y n. Parmetros: N: tamao de la poblacin, N>0 entero R: nmero de xitos en la poblacin, R0 entero n: nmero de pruebas, n>0 entero Distribucion de Poisson Es distribucin discreta de probabilidad, llamada as en memoria de Simeon Denis Poisson(1781-1840), quien la descubri. Se usa en muchas situaciones que se refieren a fenmenos que ocurren en un intervalo continuo de espacio o de tiempo, aunque dicha continuidad puede dividirse en intervalos ms pequeos. Mientras que la distribucin Binomial est orientada a resolver problemas relacionados con los xitos esperados en n ensayos, la distribucin de Poisson busca dar respuesta a problemas relacionados con los xitos esperados en un intervalo de tiempo o de espacio. La distribucin de Poisson es semejante a la distribucin binomial, puesto que sigue el proceso de Bernoulli, descrito en la pgina 122, excepto que los eventos no ocurren mediante ensayos u observaciones fijas como lanzar la moneda 3 veces al aire, sino que los eventos ocurren en un intervalo o espectro de tiempo o de espacio. La semejanza de la distribucin de Poisson con la distribucin Binomial, radica en lo siguiente: a) Puede efectuarse un nmero infinito de ensayos en el experimento. b) Existen dos resultados opuestos en cada ensayo (xito y fracaso), los cuales son complementarios. c) Los diferentes ensayos son independientes entre si, es decir la probabilidad de xito en un ensayo no afecta la probabilidad de xito en los dems ensayos, o sea, que la probabilidad de xito es constante de ensayo a ensayo,

La distribucin de Poisson se simboliza como: P(X,), que se lee como la probabilidad de que ocurran X xitos en un intervalo de tiempo o de espacio dado, sabiendo que el promedio de xitos por idntico intervalo, es . La distribucin de Poisson se puede considerar como el lmite de una distribucin binomial cuando n es muy grande y p es muy pequea. Cuando n es grande (n30) y crece indefinidamente y p es pequea con tendencia a cero, de tal manera que la media (n.p<5), entonces las probabilidades binomiales se aproximan a la frmula de Poisson. La frmula de Poisson la podemos escribir como se describe a continuacin:

Son ejemplos tpicos de la distribucin de Poisson los siguientes: a) La distribucin del nmero de llamadas a un conmutador en un intervalo de tiempo dado. b) La distribucin del nmero de clientes que entran a un almacn de cadena en un intervalo de tiempo determinado. c) La distribucin de bacterias en una placa de microscopio en un milmetro cuadrado. d) La distribucin de accidentes por semana en una carretera, etc. Propiedades de la distribucin de Poisson

Regresin lineal: se encarga de estimar los valores de una variable con base en los valores conocidos de la otra o explicar los valores de una variable en trminos de otra. Comprende el intento de desarrollar una lnea recta o ecuacin matemtica lineal que describa la relacin entre dos variables. Se emplea en situaciones en las que las dos variables miden aproximadamente la misma pero en las que una variable es relativamente costosa.

Tabulacin de variable cuantitativa (Tabulacin de variable discreta (que toma un conjunto pequeo de datos distintos)

1. La empresa en determinada rea tiene 50 trabajadores, y se propone restructurar las remuneraciones, se estudia los aos de servicio de los trabajadores determinndose los siguientes resultados:

4546797758 8767746889 6895654796 7654446887 8955467954

N= 50 (tamao de la poblacin)

a. Tabulado de la informacin. b. Qu cantidad de trabajadores tiene 8 aos de servicio? c. Qu porcentaje de trabajadores tiene 6 aos de servicio? d. Si aquellos trabajadores que tengan a lo menos siete aos de servicio reciben un aumento del 8% Qu porcentaje de los trabajadores recibi dicho aumento? e. Si todos los trabajadores que tengan a lo ms cinco aos de servicio reciben una bonificacin De 20.000 Bs. Qu cantidad de trabajadores recibi dicha bonificacin? f. Si la empresa decide otorgar una bonificacin especial de Bs.13.200 por cada ao de servicio. Cunto ser el dinero necesario para cumplir dicha bonificacin?

a. Aos de servicio 4 5 6 7 8 9 Total fi 9 8 9 hi 0,18 Fi 9 Hi 0,18

0,16 17 0,34 0,18 26 0,52

10 0,20 36 0,72 8 6 0,16 44 0,88 0,12 50 1,00

50 1,00

b. Ocho trabajadores tienen 8 aos de servicio c. El 18% de los trabajadores tienen 6 aos de servicio d. El 48% de los trabajadores recibi el aumento de sueldo e. 17 trabajadores recibieron la bonificacin. f. 4.197.600 Bs. se necesitan para la bonificacin por ao de servicio.

Aplicaciones de probabilidad

2. Van a cambiar al jefe del rea de embalaje y se barajan diversos candidatos:

Carlos, con una probabilidad del 60% Juan, con una probabilidad del 30% Luis, con una probabilidad del 10%

En funcin de quien sea el prximo jefe de rea, la probabilidad de que suban el sueldo es la siguiente:

Si sale Carlos: la probabilidad de que suban el sueldo es del 5%. Si sale Juan: la probabilidad de que suban el sueldo es del 20%. Si sale Luis: la probabilidad de que suban el sueldo es del 60%.

En definitiva, cual es la probabilidad de que suban el sueldo?

Aplicacin del Teorema de bayes

A un consultor en Administracin se le pide su opinin acerca de la razn por la cual la secretaria de un ejecutivo, insatisfecha, renunci a su trabajo. Sin poder obtener ninguna informacin directa acerca de la secretaria, toma los siguientes datos de un estudio de motivacin corporativos a gran escala: entre todas las secretarias insatisfechas, el 20% lo estn porque les desagrada su trabajo, el 50% porque sienten que estn mal pagadas y el 30% porque les desagrada su jefe. Adems, las probabilidades correspondientes d que renuncien son 0.60, 0.40 y 0.90. Con base en estas cifras, cules son las probabilidades de que la

secretaria haya renunciado debido al trabajo, al sueldo o al jefe?

0.60 0.20 0.50 0.30 0.60 0.90 B 0.10 0.40 0.40

B A1= Le desagrada su trabajo = 0.20 A2= Est mal pagada = 0.50 A3= Le desagrada el jefe = 0 .30 Sea B= Renuncia al trabajo

Las probabilidades asociadas con las tres ramas del rbol son:

(0.20) (0.60) = 0.12 (0.50) (0.40) = 0.20 y (0.30) (0.90) = 0.27 y su suma: total) ( ) 0.12 + 0.20 + 0.27 = 0.59 (Probabilidad

En consecuencia, las probabilidades de que la secretaria insatisfecha haya renunciado debido al trabajo es:

( )

) ( ( )

) ( )(

( ) (

)( )(

) ) ( )( )

Debido al sueldo es: ( ) ( ) ( ( ) ) ( )( ) ( ( )( )( ) )

)(

Debido al desagrado por su jefe ( )

( ) ( ( ) ) ( )( ( ) ( )( )( ) ) ( )( )

3. En un rea de la empresa el 6% de los empleados varones y el 4% de los empleados mujeres tienen salarios mayores de Bs 3.000. Adems el 60% de los empleados son hombres. Se despide a un empleado al azar que gana ms de Bs. 3000.

a. Cul es la probabilidad que sea varn? b. Cul es la probabilidad que sea mujer?

4. La distribucin de los salarios semanales de x trabajadores de la directiva es normal y tiene una media de Bs. 110 y varianza de Bs. 64 (en miles). Cuntos trabajadores tienen salarios:

a) Iguales o inferiores a Bs. 110? b) Entre Bs. 100 y Bs. 125 inclusive? c) Iguales o superiores a Bs. 90?