1.

Se pide a seis economistas que trabajan para la administracin del estado

que pronostiquen el ndice del ao prximo. A ocho economistas de la
administracin dan ndices del 4.2, 5.1, 3.9, 4.7, 4.9, 5.8%. Los ocho
economistas del sector privado pronostican ndices del 5.7, 6.1, 5.2, 4.9,
4.6, 4.5, 5.2 y 5.5%. Cul es su estimacin de la diferencia de pronsticos
medios de los grupos de economistas?
Analizar con un nivel de significancia del 10% y suponer varianzas iguales.
Planteamiento

Ho: 1= 2
Ha: 12
Prueba T e IC de dos muestras: Administracin, Sec. Privado
T de dos muestras para Administracin vs. Sec. Privado

Administracin
Sec. Privado

Error
estndar
de la
N Media Desv.Est media
6 4.767
0.674
0.28
8 5.213
0.546
0.19

Diferencia = mu (Administracin) - mu (Sec. Privado)

Estimado de la diferencia: -0.446
IC de 90% para la diferencia: (-1.026, 0.135)
Prueba T de diferencia = 0 (vs. no =): Valor T = -1.37 Valor P = 0.196 GL = 12
Ambos utilizan Desv.Est. agrupada = 0.6029

CONDICIONES:
VP>N.S ACEPTAMOS HO
VP<N.S RECHAZAMOS HO

Con una confianza del 90% aceptamos Ho y podemos decir que la diferencia de
pronsticos medios de los dos grupos de economistas son iguales.

2. Blanca nieves compra a sus siete enanos picos nuevos por navidad. A
continuacin se indican las cantidades que cada enano tiene que cavar en
una mina con los picos viejos y nuevos. Contrastar la hiptesis adecuada
con un nivel de significancia del 10% Mejoro la produccin el regalo de
Blanca nieves a sus sietes camaradas?
Planteamiento

Ho: 1= 2
Ha: 12
IC y Prueba T pareada: Picos viejos, Picos nuevos
T pareada para Picos viejos - Picos nuevos
Error
estndar
de la
N Media Desv.Est. media
Picos viejos 7 1.800 0.316
0.120
Picos nuevos 7 1.871 0.293
0.111
Diferencia 7 -0.0714 0.0951
0.0360

Lmite superior 90% para la diferencia de la media: -0.0197

Prueba t de diferencia media = 0 (vs. < 0): Valor T = -1.99 Valor P = 0.047

CONDICIONES:
VP>N.S ACEPTAMOS HO
VP<N.S RECHAZAMOS HO

Con una confianza del 90% rechazamos Ho y podemos decir que el regalo de
Blanca Nieves s mejor la produccin de los siete enanos.

3. Un banco realizo un estudio sobres su tarjeta de crdito, los directivos

argumentan que el uso de la tarjeta no difiere, encontrando que el 131 de
468 mujeres pagaron sus compras al por menor con su tarjeta mientras que
de 237 hombres 57 utilizaron la misma tarjeta de tal suerte que podemos
asumir que tiene igualdad de proporciones; Hay datos que indican de una
diferencia mayor en la proporcin de mujeres con respecto a los hombres
que utilizan esta tarjeta?
Analizar con un nivel de significancia del 5%
Planteamiento

Ho: 12
Ha: 1>2
Prueba e IC para dos proporciones
Muestra X N Muestra p
1
131 468 0.279915
2
57 237 0.240506

Diferencia = p (1) - p (2)

Estimado de la diferencia: 0.0394082
Lmite inferior 95% de la diferencia: -0.0176049
Prueba para la diferencia = 0 vs. > 0: Z = 1.12 Valor P = 0.132

CONDICIONES:
VP>N.S ACEPTAMOS HO
VP<N.S RECHAZAMOS HO

Con una confianza del 95% aceptamos Ho y podemos decir que no existe una
diferencia mayor en la proporcin de mujeres con respecto a los hombres que
utilizan esta tarjeta.

ANOVA
(Anlisis de Varianza Unidireccional: Complemente al azar)
Muchas decisiones empresariales exigen comprobar ms de dos poblaciones. Es aqu
donde el anlisis de varianza de muestra su utilidad.
En concreto para contestar si dos o ms poblaciones tienen la misma varianza aunque la
finalidad es contrastar la diferencia entre das poblacionales.
El empleo de ANOVA surgi en el campo de la agricultura, donde se utilizaba el termino
tratamiento al tratar varias parcelas de tierra con diferentes fertilizantes y se recopilaban
datos de las discrepancias en el rendimiento medio de las cosechas.
En la actualidad, el termino se emplea en sentido amplio, referirse (tratamiento) a clientes
con distintas presentaciones publicitarias y detectar las diferencias posteriores des sus
compras medias, al tratamiento de tres grupos de empleados a los cuales se les dqa tres
tipos de programas de formacin.
Consideramos, que se desea medir los efectos respectivos de los tres programas de
formacin diferentes sobre la productividad de los empleos, podra ser:

Auto enseanza
Formacin con ayuda de ordenador
Transformacin impartida por un supervisor.

En un anlisis de varianza las unidades experimentales son los objetos que reciben el
tratamiento, para el caso del ejemplo anterior son los empleados, el factor es la variable
cuyo efecto en estas unidades experimentales queremos medir en este caso, la formacin
es el factor de inters. Por ltimo los tres tipos de formacin constituyen los tratamientos.
Quiz la aplicacin ms corriente del ANOVA sea el diseo completamente al azar se dice
que es completamente al azar por que las observaciones mustrales son elegidos al azar
sometidas a tratamientos diferentes.
Para aplicar ANOVA son importantes las premisas siguientes:

Todas las poblaciones implicadas son normales.

Todas las poblaciones tienen varianzas iguales.
Ms muestras se eligen de manera independiente.

El nmero de tratamientos se designa por (C) el sistema de hiptesis a contrastar ser:

Ho: 1= 2=3.=c

Ha: 123.c

La letra C representa el nmero de tratamientos.

1. La directora gerente de una empresa industrial quiere determinar si tres

programas de formacin diferentes ejercen efectos distintos sobre la productividad
de los empleados. Estos programas son los tratamientos que el ANOVA analiza.
Se evalan a 14 empleados los cuales son elegidos y asignados al azar a uno de
los tres programas, una vez terminada la capacitacin, cada empleado realizara
un examen para determinar su competencia. A cuatro empleados se les impartir
el primer programa y a los otros cinco empleados cada uno de los otros dos. Los
grupos sern tratados como muestras separadas y utilizadas para extraer
inferencias sobre las poblaciones de empleados que pudieran pasar por los
programas de capacitacin. Las puntuaciones de los empleados despus de los
exmenes se presentan en la tabla siguiente.
Analizar con un nivel de significancia del 5%
Planteamiento
Ho: 1= 2=3
Ha: 123

Programa 1
85
72
83
80

Tratamientos
Programa 2
80
84
81
78
82

Programa 3
82
80
85
90
88

ANOVA unidireccional: PRODUCTIVIDAD vs. PROGRAMA FISHER

Fuente
GL SC MC F
P
PROGRAMA 2 65.7 32.9 1.94 0.189
Error 11 186.0 16.9
Total 13 251.7
S = 4.112 R-cuad. = 26.11% R-cuad.(ajustado) = 12.67%
ICs de 95% individuales para la media
basados en Desv.Est. agrupada
Nivel N Media Desv.Est. ----+---------+---------+---------+----1
4 80.000
5.715 (------------*------------)
2
5 81.000
2.236
(----------*-----------)
3
5 85.000
4.123
(-----------*----------)
----+---------+---------+---------+----77.0
80.5
84.0
87.5
Desv.Est. agrupada = 4.112

CONDICIONES:
VP>N.S ACEPTAMOS HO
VP<N.S RECHAZAMOS HO

Con un nivel de confianza del 95% aceptamos Ho, por lo que podemos decir que
los 3 programas de formacin ejercen efectos iguales sobre la productividad de
los empleados.

2. Un ingeniero est interesado en maximizar la resistencia a la tensin de

una nueva fibra sinttica que se empleara en la manufactura de telas para
camisas de hombre. El ingeniero sabe por experiencia que la resistencia es
influida por el porcentaje de algodn presente en la fibra. Adems, l
sospecha que elevar el contenido de algodn incrementa la resistencia, al
menos inicialmente. El ingeniero decide probar muestras de cinco niveles
de porcentaje de algodn 15, 20, 25,30 y 35%. As mismo decide ensayar
cinco muestras a cada nivel de contenido de algodn analizar con un nivel
de confianza del 5%

Planteamiento

Ho: 1= 2=3= 4= 5
Ha: 12345
% de
Algodn
15
20
25
30
35

Resistencia a la tensin obtenida Lb/pul

1
2
3
4
5
7
7
15
11
9
12
17
12
18
18
14
18
18
19
19
19
25
22
19
23
7
10
11
15
11

ANOVA unidireccional: Resistencia vs. % de Algodn Tukey

Fuente
GL
SC
MC
F
P
% de Algodon 4 475.76 118.94 14.76 0.000
Error
20 161.20 8.06
Total
24 636.96
S = 2.839 R-cuad. = 74.69% R-cuad.(ajustado) = 69.63%
ICs de 95% individuales para la media
basados en Desv.Est. agrupada
Nivel N Media Desv.Est. ------+---------+---------+---------+--15 5 9.800
3.347 (-----*----)
20 5 15.400
3.130
(----*----)
25 5 17.600
2.074
(----*----)
30 5 21.600
2.608
(----*----)
35 5 10.800
2.864 (-----*----)
------+---------+---------+---------+--10.0
15.0
20.0
25.0
Desv.Est. agrupada = 2.839

Intervalos de confianza simultneos de Tukey del 95%

Todas las comparaciones de dos a dos entre los niveles de % de Algodon

Nivel de confianza individual = 99.28%
% de Algodon = 15 restado de:
% de
Algodon Inferior Centro Superior ------+---------+---------+---------+--20
0.229 5.600 10.971
(-----*----)
25
2.429 7.800 13.171
(-----*----)
30
6.429 11.800 17.171
(-----*----)
35
-4.371 1.000 6.371
(----*----)
------+---------+---------+---------+---10
0
10
20
% de Algodon = 20 restado de:
% de
Algodon Inferior Centro Superior ------+---------+---------+---------+--25
-3.171 2.200 7.571
(----*-----)
30
0.829 6.200 11.571
(----*-----)
35
-9.971 -4.600 0.771
(----*-----)
------+---------+---------+---------+---10
0
10
20
% de Algodon = 25 restado de:
% de
Algodon Inferior Centro Superior ------+---------+---------+---------+--30
-1.371 4.000 9.371
(----*----)
35
-12.171 -6.800 -1.429
(----*-----)
------+---------+---------+---------+---10
0
10
20
% de Algodon = 30 restado de:
% de
Algodon Inferior Centro Superior ------+---------+---------+---------+--35
-16.171 -10.800 -5.429 (----*-----)
------+---------+---------+---------+---10
0
10
20

ANOVA unidireccional: Resistencia vs. % de Algodn Fisher

Fuente
GL
SC
MC
F
P
% de Algodon 4 475.76 118.94 14.76 0.000
Error
20 161.20 8.06
Total
24 636.96
S = 2.839 R-cuad. = 74.69% R-cuad.(ajustado) = 69.63%
ICs de 95% individuales para la media
basados en Desv.Est. agrupada
Nivel N Media Desv.Est. ------+---------+---------+---------+--15 5 9.800
3.347 (-----*----)
20 5 15.400
3.130
(----*----)
25 5 17.600
2.074
(----*----)
30 5 21.600
2.608
(----*----)
35 5 10.800
2.864 (-----*----)
------+---------+---------+---------+--10.0
15.0
20.0
25.0
Desv.Est. agrupada = 2.839
Intervalos de confianza individuales de Fisher del 95%
Todas las comparaciones de dos a dos entre los niveles de % de Algodon
Nivel de confianza simultnea = 73.57%
% de Algodon = 15 restado de:
% de
Algodon Inferior Centro Superior --------+---------+---------+---------+20
1.855 5.600 9.345
(----*----)
25
4.055 7.800 11.545
(----*---)
30
8.055 11.800 15.545
(----*---)
35
-2.745 1.000 4.745
(---*----)
--------+---------+---------+---------+-8.0
0.0
8.0
16.0
% de Algodon = 20 restado de:
% de
Algodon Inferior Centro Superior --------+---------+---------+---------+25
-1.545 2.200 5.945
(----*---)
30
2.455 6.200 9.945
(----*---)
35
-8.345 -4.600 -0.855
(---*----)
--------+---------+---------+---------+-8.0
0.0
8.0
16.0
% de Algodon = 25 restado de:

% de
Algodon Inferior Centro Superior --------+---------+---------+---------+30
0.255 4.000 7.745
(----*----)
35
-10.545 -6.800 -3.055
(----*---)
--------+---------+---------+---------+-8.0
0.0
8.0
16.0
% de Algodon = 30 restado de:
% de
Algodon Inferior Centro Superior --------+---------+---------+---------+35
-14.545 -10.800 -7.055 (----*---)
--------+---------+---------+---------+-8.0
0.0
8.0
16.0

CONDICIONES:
VP>N.S ACEPTAMOS HO
VP<N.S RECHAZAMOS HO

Con un nivel de confianza del 95% rechazamos Ho y podemos decir que la

resistencia es diferente.

3. A medida que las personas huyen de las presiones urbanas, se observa un

marcado incremento de la carga de los parques, producto de las personas
que desean acampar los fines de semana, una revista publicada hace poco
que el parque Nacional de Yosemite, que se encuentra en las altas sierras
de California, contrato a un asesor econmico para estudiar la situacin
financiera del parque. Parte del trabajo consista en comparar los ingresos
del parque los cuales proceden de varias fuentes, como la cuota por
acampar, venta de licencias de pescas y el alquiler de canoas. Los datos se
presentan en la siguiente tabla: analizar con un nivel de significancia del
5%
Planteamiento
Ho: 1= 2=3
Ha: 123

Visitantes
1
2
3
4
5
6

Acampada $
47
32
35
25
38
35

Pesca $
30
18
27
35

Alquiler de canoas
19
25
20
22
25

ANOVA unidireccional: Ingresos vs. Servicios

Fuente
GL SC
Tratamientos 2 480.6 240.3 6.48 0.012
Error
12 445.1 37.1
Total
14 925.7

MC

S = 6.091 R-cuad. = 51.92% R-cuad.(ajustado) = 43.90%

ICs de 95% individuales para la media
basados en Desv.Est. agrupada
Nivel N Media Desv.Est. -------+---------+---------+---------+-1
6 35.333
7.230
(------*-------)
2
4 27.500
7.141
(--------*---------)
3
5 22.200
2.775 (--------*-------)
-------+---------+---------+---------+-21.0
28.0
35.0
42.0
Desv.Est. agrupada = 6.091

CONDICIONES:
VP>N.S ACEPTAMOS HO
VP<N.S RECHAZAMOS HO

Con un nivel de confianza del 95% rechazamos Ho y podemos decir que los
ingresos del parque en la cuota por acampar, venta de licencias de pescas y el
alquiler de canoas son diferentes.

3) El presidente de mercado de un banco. En la compaa de promocin para atraer

nuevo s depositantes se incluyen determinados sorteos en las 4 sucursales del banco. El
est convencido de que diferentes clases de premios promocionales atraer a personas
de ingresos distintos. Las personas de un determinado nivel de ingresos prefieren regalos,
mientras que a otro grupo de personas con otros ingresos le interesaran mas los viajes
gratis a lugares de vacaciones. El director decide valerse de las cantidades depositadas
en el banco como medida aproximada de los ingresos. Quiere determinar si hay diferencia
en el nivel medio de depsitos entre las 4 sucursales. Si se encuentra alguna diferencia,
el director ofrecer diferentes premios promocionales. Analizar con un n.s del 5%, se
eligen 7 depsitos de cada sucursal redondeados a los 100 dlares ms prximos, los
datos se muestran en la siguiente tabla.
Planteamiento

Ho: 1= 2=3= 4
Ha: 1234
DEPOSITO
1

SUCURSAL
1
1.3

SUCURSAL
2
1.9

SUCURSAL
3
3.6

1.5

1.9

4.2

0.9

2.1

4.5

5.6

2.4

4.8

4.8

1.9

2.1

3.9

3.8

1.5

3.1

4.1

5.1

2.1

2.5

5.1

4.8

1.4571

2.2857

SUCURSAL
4
5.1
4.9

=4.3

142

4.8714

SST
Totales =
61.0012

3.7249

1.7689

0.1369

3.4969

2.9929

1.7689

0.9409

2.7889

5.4289

1.2769

1.6129

5.6169

4.9729

0.6889

2.4649

2.4649

1.7689

1.2769

0.4489

0.3249

2.9929

0.0169

0.7569

3.4969

1.2769

0.5329

3.4969

2.4649

SSTR
= 55.11
1.4571
2.2857
4.3142
4.8714

7(1.4571-3.23)=
7(2.2857-3.23)=
7(4.3142-3.23)=
7(4.8714-3.23)=

21.93
6.19
8.16
18.83

SSTOTALES= SSTRATAMIENTOS SSERROR

SSERROR = SSTOTALES SSTRATAMIENTOS
SSERROR = 61.0012 55.11
SSERROR = 5.8912

TABLA DE ANOVA
FUENTES

SUMA DE
CUADRADOS

G.L

C.M

F.C

F.T

Tratamient
o
Error

55.11

18.37

74.83

3.01

5.8912

24

0.2454

Totales

61.0012

27

CONDICIONES:

FC<FT Aceptamos Ho
FC>FT Rechazamos Ho

ANOVA unidireccional: DEPOSITOS vs. SUCURSALES

Fuente
SUCURSALES
Error
Total
S = 0.4860

GL
3
24
27

Nivel
1
2
3
4

SC
55.332
5.669
61.001

MC
18.444
0.236

N
7
7
7
7

R-cuad. = 90.71%

Media
1.4571
2.2857
4.3143
4.8714

Desv.Est.
0.4392
0.4259
0.5210
0.5469

F
78.09

P
0.000

R-cuad.(ajustado) = 89.55%
ICs de 95% individuales para la media
basados en Desv.Est. agrupada
-+---------+---------+---------+-------(--*--)
(--*--)
(--*--)
(---*--)
-+---------+---------+---------+-------1.2
2.4
3.6
4.8

TUCKEY

Desv.Est. agrupada = 0.4860

Intervalos de confianza simultneos de Tukey del 95%
Todas las comparaciones de dos a dos entre los niveles de SUCURSALES
Nivel de confianza individual = 98.90%
SUCURSALES = 1 restado de:
SUCURSALES
2
3
4

Inferior
0.1122
2.1408
2.6979

Centro
0.8286
2.8571
3.4143

Superior
1.5450
3.5735
4.1307

SUCURSALES
2
3
4

-------+---------+---------+---------+-(--*---)
(--*---)
(---*---)
-------+---------+---------+---------+--2.0
0.0
2.0
4.0

SUCURSALES = 2 restado de:

SUCURSALES
3
4

Inferior
1.3122
1.8693

Centro
2.0286
2.5857

Superior
2.7450
3.3021

SUCURSALES
3
4

-------+---------+---------+---------+-(--*---)
(---*---)
-------+---------+---------+---------+--2.0
0.0
2.0
4.0

SUCURSALES = 3 restado de:

SUCURSALES
4

Inferior
-0.1592

Centro
0.5571

Superior
1.2735

SUCURSALES
4

-------+---------+---------+---------+-(---*--)
-------+---------+---------+---------+--2.0
0.0
2.0
4.0

CONDICIONES:
VP>N.S ACEPTAMOS
VP<N.S RECHAZAMOS

Con un nivel de confianza del 95% rechazamos Ho y podemos decir que si hay
diferencia en el nivel medio de depsitos entre las 4 sucursales, por lo que el
director ofrecer diferentes premios promocionales.

PRUEBA DE BONDAD DE AJUSTE

Las decisiones econmicas exigen a menudo que probemos alguna hiptesis
sobre la distribucin poblacional desconocida. Ya que no podemos suponer
automticamente que la distribucin se ajusta a una estructura concreta. Nos
vemos obligados a contrastar cualquier hiptesis que podemos formular en
relacin con la distribucin. Podemos suponer que la distribucin poblacional es
uniforme y que todos los valores tienen la misma probabilidad, de aparecer. Las
hiptesis que contrastamos son:
Ho: La distribucin poblacional es uniforme.
Ha: La distribucin poblacional no es uniforme.
Despus se aplica la prueba de bondad de ajuste para determinar si la distribucin
de valor en la poblacin se acomoda a una forma hipottica en particular.
(Distribucin uniforme). Al igual que en todas las pruebas estadsticas de esta
naturaleza, se toman datos mustrales de la poblacin y estos constituyen el
fundamento de nuestros hallazgos. Determina si las observaciones mustrales se
ajustan a nuestras expectativas. La prueba toma la siguiente forma.
x = ( 0iEi )

Donde:
0i=Es la frecuencia de los sucesos observados en los datosmuestrales .

Ei=Es la frecuencia de los sucesos esperados si la hipotesis nula es correcta .

k =Es el numero de categorias o clases .

La prueba lleva consigo k-m=1 grados de libertad, donde (m) es el numero de

parmetros a estimar.
La expresin mide la diferencia de las frecuencias observadas.
Cuando estas diferencias son grandes y hacen que aumente Ji cuadrada la
hiptesis nula debe ser rechazada.

PRUEBA DE AJUSTE UNIFORME

El director de marcado de una compaa de veleros tiene la responsabilidad de
controlar el nivel de existencias de los 4 tipos de veleros. Tiene que evitar la
posibilidad por la falta de existencias. Antes encargaba veleros nuevos pensando
que los 4 gozaban de la misma popularidad y demanda de todos ellos era la
misma. Pero desde hace poco tiempo las existencias son ms difciles de
controlar. El gerente piensa que debe contrastar su hiptesis de demanda
uniforme.
Ho: La demanda es uniforme para los 4 tipos de veleros.
Ha: La demanda no es uniforme para los 4 tipos de veleros.
El director elige una muestra n= 48 veleros vendidos en los ltimos meses. Si la
demanda es uniforme que puede esperar en los veleros de cada tipo. Los datos se
muestran en la siguiente tabla, analizar con un n.s del 5%.
TIPO DE VELERO
P.R
J.R
D.T
A.Q

VENTAS OBSERVADAS
15
11
10
12
= 48

x 2=k m1 6 g . l =0.5, 4
2

x =4o1=3 6 g . l =0.5, 4

VENTAS ESPERADAS
12
12
12
12
=48

x c =

(1512) (1112) (1012) ( 1212)

+
+
+
12
12
12
12
x 2t

= 1.16

= 7.815

CONDICIONES:

x 2C > x 2t = RECHAZAMOS HO
2

x C < x t = ACEPTAMOS HO
Prueba chi-cuadrada de bondad de ajuste para conteos observados en variable: OI
Uso de nombres de categoras en TIPO DE VELERO
Proporcin
Contribucin
Categora Observado de prueba Esperado a Chi-cuad.
P.R
15
0.25
12
0.750000
J.R
11
0.25
12
0.083333
D.T
10
0.25
12
0.333333
A.Q
12
0.25
12
0.000000
N GL Chi-cuad. Valor P
48 3

1.16667

0.761

Grfica de valores observados y esperados

16

Esperado
Observado

14
12

Valor

10
8
6
4
2
0
Categora

P.R

J .R

D.T

CONDICIONES:
VP>N.S ACEPTAMOS HO
VP<N.S RECHAZAMOS HO

A.Q

Con un nivel de confianza del 95% aceptamos Ho y podemos decir que la

demanda es uniforme para los 4 tipos de velero.

DISTRIBUCIN POISSON
La distribucin de Poisson se utiliza para describir cierto tipo de procesos, entre
los que se encuentran la distribucin de llamadas telefnicas que llegan a un
conmutador, la demanda (necesidades) de los pacientes que requieren servicio en
una institucin de salud, las llegadas de camiones a una caseta de cobro y el
nmero de accidentes registrados en una cierta interseccin de calles. Estos
ejemplos tienen en comn un elemento: pueden ser descritos mediante una
variable aleatoria discreta que toma valores enteros (0, 1, 2).
Caractersticas de los procesos que producen una distribucin de
probabilidad de Poisson.
El promedio (la media) del nmero de eventos que se producen por hora, puede
estimarse a partir de datos que se tengan disponibles.
Si dividimos la hora pico en periodos (intervalos) de un segundo cada uno,
encontraremos que las siguientes afirmaciones son verdaderas:
La probabilidad de que exactamente un evento ocurra por segundo es muy
pequea y es constante para cada intervalo de un segundo.
La probabilidad de que dos o ms eventos ocurran en un intervalo de un segundo
es tan pequea que le podemos asignar un valor cero.
El nmero de eventos que ocurren en un intervalo de un segundo es
independiente del tiempo en que dicho intervalo se presente en la hora pico.
El nmero de eventos en un intervalo de un segundo no depende del nmero de
ocurrencias en cualquier otro intervalo de un segundo.
Clculo de la probabilidad de Poisson.
La letra X por lo general representa a una variable discreta y puede tomar valores
enteros. Utilizamos la letra X para representar a la variable aleatoria y la letra x
para sealar un valor especfico que esta variable pueda tomar. La probabilidad de
tener exactamente x presentaciones en una distribucin de Poisson se calcula con
la frmula:

La distribucin de Poisson como una aproximacin a la distribucin binomial.

La distribucin de Poisson puede ser un razonable aproximacin a la binomial,
pero slo bajo ciertas condiciones. Tales condiciones se presentan cuando n es
grande y p es pequea, esto es, cuando el nmero de ensayos es grande y la

probabilidad binomial de tener xito es pequea. La regla que utilizan con ms

frecuencia los estadsticos es que la distribucin de Poisson es una buena
aproximacin de la distribucin binomial cuando n es igual o mayor que 20 y p es
igual o menor que 0,05. En los casos en que se cumplen estas condiciones,
podemos sustituir la media de la distribucin binomial (np) en lugar de la media de
la distribucin de Poisson (l ).

SUGERENCIA:
El uso de una distribucin para aproximar a otra es una prctica bastante comn
en probabilidad y estadstica. La idea consiste en buscar situaciones en las que
una distribucin (como la de Poisson), cuyas probabilidades son relativamente
fciles de calcular, tiene valores que se encuentran razonablemente cercanos a
las de otra distribucin (como la binomial) cuyas probabilidades implican clculos
ms complicados.

DISTRIBUCIN NORMAL
La Distribucin Normal: una distribucin de una variable aleatoria continua.
Una muy importante distribucin continua de probabilidad es la distribucin
normal. Varios matemticos intervinieron en su desarrollo entre ellos figura el
astrnomo del siglo XVIII Karl Gauss, a veces es llamada en su honor la
distribucin de Gauss.
Caractersticas de la distribucin normal de la probabilidad.
1. La curva tiene un solo pico, por consiguiente es unimodal. Presenta una forma
de campana.
2. La media de una poblacin distribuida normalmente se encuentra en el centro
de su curva normal.
3. A causa de la simetra de la distribucin normal de probabilidad, la mediana y la
moda de la distribucin tambin se hallan en el centro, por tanto en una curva
normal, la media, la mediana y la moda poseen el mismo valor.

4. Las dos colas (extremos) de una distribucin normal de probabilidad se

extienden de manera indefinida y nunca tocan el eje horizontal.
El rea total bajo la curva normal ser de 1.00 por lo cual podemos considerar que las
reas bajo la curva son probabilidades.

El valor de Z.
Z= Nmero de desviaciones estndar de x respecto a la media de esta distribucin.
Z= x-m / s
X=valor de la variable aleatoria que nos interesa.
m= media de la distribucin de esta variable aleatoria.
s = desviacin estndar de esta distribucin.
Las variables aleatorias distribuidas en forma normal asumen muchas unidades diferentes
de medicin, por lo que hablaremos de forma estndar y les daremos el smbolo de Z.3

4. Un asesor econmico es contratado por un aeropuerto para estudiar la

estructura del trfico, los registros de vuelo de los ltimos aos que lleva el
aeropuerto indican una media de 3.2 aterrizajes por minuto, el asesor
quiere contrastar la hiptesis de que los aterrizajes siguen una distribucin
de Poisson:
Ho: Los aterrizajes siguen una distribucin de Poisson.
Ha: Los aterrizajes no siguen una distribucin de Poisson.
Los datos se presentan en la siguiente tabla:
NUMERO DE
ATERRIZAJES
(Xi)
0

FRECUENCIAS
OBSERVADAS
(Oi)
10

POISSON
P(Xi)
0.040762
2

FRECUENCIAS
ESPERADAS
(Ei)
8.15

1
2
3
4
5 o mas

23
45
49
32
41
= 200

0.130439
0.208702
0.2226
0.1781
0.2195
=1

26.08
41.74
44.52
35.62
43.9
= 200

Prueba chi-cuadrada de bondad de ajuste para conteos observados en variable: OI

Uso de nombres de categoras en N.DE APREN
Categora
0
1
2
3
4
5

Proporcin
Contribucin
Observado de prueba Esperado a Chi-cuad.
10
0.0408
8.16
0.414902
23
0.1304 26.08
0.363742
45
0.2087 41.74
0.254614
49
0.2226 44.52
0.450818
32
0.1781 35.62
0.367894
41
0.2194 43.88
0.189025

N GL Chi-cuad. Valor P
200 5 2.04100 0.843

Grfica de valores observados y esperados

Esperado
Observado

50

Valor

40

30

20

10

0
Categora

CONDICIONES:
VP>N.S ACEPTAMOS HO
VP<N.S RECHAZAMOS HO

Con un nivel de confianza del 90% aceptamos Ho y podemos decir que los
aterrizajes siguen una distribucin de Poisson.

PRUEBA DE NORMALIDAD

Si se tiene en cuenta la importancia que posee la distribucin normal en anlisis

estadstico, es importante que se considere este tipo de prueba.
Las especificaciones de produccin de los tanques de aire que se emplean en
inmersin exigen que se llenen hasta una presin media de 600 psi. Admitiendo
una desviacin tpica de 10 psi. Las tolerancias de las normas de seguridad
permiten una distribucin normal en los niveles de llenado.
1. Suponga que le acaba de contratar un fabricante de estos equipos y su
primera tarea consiste en determinar si los niveles de llenado cumplen una
distribucin normal. El director est seguro de que el llenado medio es de
600 psi y la desviacin tpica de 10 psi. Solo queda por probar la naturaleza
de la distribucin. Para ello se decide medir n=1000 botellas, cuyos datos
se muestran en la siguiente tabla.
La hiptesis que se plantea es la siguiente:
Ho: Los niveles de llenado siguen una distribucin normal.
Ha: Los niveles de llenado no siguen una distribucin normal.
Analizar con un nivel de significancia del 5%.
Psi
0 y menos de 580
580 y menos de
590

Frecuencia real
20
142

P(DN)
0.0228
0.1359

590 y menos de
600
600 y menos de
610
610 y menos de
620
620 0 mas

310

0.1587

370

0.3413

128

0.1359

30

0.2054
=1

Prueba chi-cuadrada de bondad de ajuste para conteos observados en variable: FR

Uso de nombres de categoras en PSI

Proporcin
Contribucin
Categora
Observado de prueba
0 y menos de 580
20
0.0228
580 y menos de 590
142
0.1359
590 y menos de 600
310
0.3413
600 y menos de 610
370
0.3413
610 y menos de 620
128
0.1359
620 0 mas
30
0.0228

Esperado a Chi-cuad.
22.8
0.34386
135.9
0.27380
341.3
2.87047
341.3
2.41339
135.9
0.45923
22.8
2.27368

N GL Chi-cuad. Valor P
1000 5 8.63444 0.125

Grfica de valores observados y esperados

Grfica de valores observados y esperados

400

Esperado
Observado

Valor

300

200

100

Categora

CONDICIONES:
VP>N.S ACEPTAMOS HO
VP<N.S RECHAZAMOS HO

Con un nivel de confianza de confianza del 95% aceptamos Ho, con esto decimos
que los niveles de llenado siguen una distribucin normal.

PRUEBAS DE CONTINGENCIA. PRUEBAS DE

INDEPENDENCIA
Ji cuadrada nos permite comparar dos atributos para determinar si hay
alguna relacin entre los dos o bien se prueba la suposicin de que las dos
variables son estadsticamente independientes.
Ejemplo:
5. Una agencia de autos se esmera en determinar si existe una relacin entre
el ingreso de los clientes y la importancia del precio de los autos de lujo, por
lo que se quiere contrastar la siguiente hiptesis.
Ho: El ingreso y la importancia del precio son independientes.
Ha: El ingreso y la importancia del precio no son independientes.

Nota: los datos se agrupan en tres niveles de ingreso y se les pide que
asignen un nivel de importancia en sus decisiones de compra.
Analizar con un nivel de significancia del 1%.
Atributo A
Nivel de importancia
Grande
Mediano
Pequeo
Total

Bajo
Oi= 83
Ei= 66.98
Oi=52
Ei=63.30
Oi= 63
Ei= 67.72
198

Atributo B
Mediano
Oi= 62
Ei=64.61
Oi= 71
Ei=61.06
Oi= 58
Ei=65.32
191

Total
Alto
Oi= 3
Ei= 50.41
Oi= 49
Ei= 47.64
Oi=63
Ei=50.96
149

Chi-cuadrada calculada = 15.170

Chi-cuadrada de tabla = 13.27

CONDICIONES:
XC < Xt ACEPTAMOS HO
XC> Xt RECHAZAMOS HO

Prueba chi-cuadrada: C2, C3, C4

Los conteos esperados se imprimen debajo de los conteos observados

Las contribuciones chi-cuadradas se imprimen debajo de los conteos esperados
1

C2 C3
83 62
66.98 64.61
3.831 0.106

C4 Total
37 182
50.41
3.565

52 71 49 172
63.30 61.06 47.64
2.018 1.617 0.039

63 58 63 184
67.72 65.32 50.96
0.329 0.821 2.845

Total

198

191

149

538

182
0.338
172
0.320
184
0.342
538

Chi-cuadrada = 15.170, GL = 4, Valor P = 0.004

CONDICIONES:
VP>N.S ACEPTAMOS HO
VP<N.S RECHAZAMOS HO

Con un nivel de confianza del 99% rechazamos Ho y podemos decir que el

ingreso y la importancia del precio no son independientes.

6. La directora de investigacin de productos de la compaa fulminante exige

analizar la eficiencia de un nuevo insecticida. A ella le interesa en particular si la
inclusin de diclorovinilo un ingrediente mortfero en la formula qumica del
producto produce resultados ms favorables, su prueba ms reciente consista en
elegir al azar 100 clientes y pedir a 75 de ellos que prueben con diclorovinilo y el
resto sin l, tambin a las 100 personas se les pidi que definieran el producto con
la calificacin de: mayor que la media, como la media y peor que la media. Los
datos se presentan en la siguiente tabla. Analizar con un nivel de significancia del
10%.
Planteamiento
Ho: La calificacin y el uso de diclorovinilo son independientes
Ha: La calificacin y el uso de diclorovinilo no son independientes

Atributo a
Nivel de importancia
Mejor que la media
Igual que la media
Peor que la media

Atributo b
Con diclorovinilo
Sin diclorovinilo
Oi
20
Oi
11
Ei
6.2
Ei
3.41
Oi
40
Oi
8
Ei
19.2
Ei
3.84
Oi
15
Oi
6

Total
Total
31
.31
48
.48
21

Ei

3.15

Ei

1.26

.21

Prueba chi-cuadrada: CON DICLOROVINILO, SIN DICLOROVINILO

Los conteos esperados se imprimen debajo de los conteos observados
Las contribuciones chi-cuadradas se imprimen debajo de los conteos esperados
CON
DICLOROVINILO
1
20
23.25
0.454

SIN
DICLOROVINILO Total
11
31
7.75
1.363

40
36.00
0.444

8
12.00
1.333

48

15
15.75
0.036

6
5.25
0.107

21

Total

75

25

100

Chi-cuadrada = 3.738, GL = 2, Valor P = 0.154

CONDICIONES:
VP>N.S ACEPTAMOS HO
VP<N.S RECHAZAMOS HO

Con un nivel de confianza del 90% aceptamos Ho y podemos decir que la

calificacin y el uso de diclorovinilo son independientes.

ESTADISTICA
INFERENCIAL 1

V UNIDAD
Adriana Fernndez Torres

10610652

Reyna Romero Flores

10610345

PROFE: Ramn Cortes Castillo

IGE 4A

Entre los individuos como en las naciones

el respeto al derecho ajeno es la paz