Está en la página 1de 17

El objetivo de esta séptima edición de Estadística para administración y

economía es crear un libro que resulte amigable para los estudiantes de


estadística y donde los profesores que imparten la cátedra encuentren
material suficiente para adaptar el curso de acuerdo a sus necesidades.
El libro sigue una metodología que parte de lo que los estudiantes ya
conocen para explicar los nuevos conceptos. A partir de sus experiencias
y mediante un proceso intuitivo, va desarrollando los conceptos; y los
complementa con ideas del mundo real, ejemplos y explicaciones
pacientes: una técnica que facilita la enseñanza y el aprendizaje. Todo
esto en un marco que describe situaciones administrativas reales a las
cuales deberán enfrentarse los estudiantes.
Entre las características nuevas de esta séptima edición para facilitar
la enseñanza y el aprendizaje se encuentran las siguientes:
Sugerencias y suposiciones con comentarios breves. Estos bloques
revisan las suposiciones importantes y explican por qué se hicieron;
proporcionan al estudiante sugerencias útiles para trabajar en los
ejercicios que siguen y les advierten sobre peligros potenciales al
encontrar e interpretar las soluciones.
Más de 1,500 notas al margen resaltan el material importante para
los estudiantes.
Cada capítulo comienza con un problema del mundo real, en el que
un administrador debe tomar una decisión. Ya dentro del capítulo
se analiza y resuelve este problema como parte del proceso de
enseñanza.
Un capítulo nuevo con temas para aprender a resolver problemas de
estadística utilizando Microsoft Excel.

Visítenos en:
www.pearsoneducacion.net
ESTADÍSTICA PARA
ADMINISTRACIÓN
Y ECONOMÍA
Séptima edición
ESTADÍSTICA PARA
ADMINISTRACIÓN
Y ECONOMÍA
Séptima edición
Richard I. Levin
The University of North Carolina at Chapel Hill

David S. Rubin
The University of North Carolina at Chapel Hill

CON LA COLABORACIÓN Y REVISIÓN TÉCNICA DE


Miguel Balderas Lozada
Juan Carlos del Valle Sotelo
Raúl Gómez Castillo
Departamento de Matemáticas
Instituto Tecnológico y de Estudios Superiores de Monterrey
Campus Estado de México

TRADUCCIÓN
Marcia González Osuna
Maestría en Ingeniería Industrial
University of Arizona

REVISIÓN TÉCNICA
Roberto H. Valadez Soto
Mario Alberto Naranjo González
Departamento de Métodos Cuantitativos
Centro Universitario de Ciencias Económico-Administrativas
Universidad de Guadalajara
Jesús Rodríguez Franco
Departamento de Matemáticas
Facultad de Contaduría y Administración
Universidad Nacional Autómoma de México
Alberto I. Pierdant Rodríguez
División de Ciencias Sociales y Humanidades
Área de Matemáticas
Universidad Autónoma Metropolitana, Unidad Xochimilco
Authorized translation from the English languaje edition, entitled Statistics for Management, Seventh Edition, by Richard I. Levin &
David S. Rubin, published by Pearson Education, Inc., publishing as PRENTICE HALL, Copyright © 1998. All rights reserved.

ISBN 0-13-476292-4

Traducción autorizada de la edición en idioma inglés titulada Statistics for Management, Seventh Edition, por Richard I. Levin &
David S. Rubin, publicada por Pearson Education, Inc., publicada como PRENTICE HALL, Copyright © 1998. Todos los derechos
reservados.

Esta edición en español es la única autorizada.

EDICIÓN EN ESPAÑOL EDICIÓN EN INGLÉS


Editor: Guillermo Trujano Mendoza Acquisitions Editor: Tom Tucker
e-mail: guillermo.trujano@pearsoned.com Assistant Editor: Audrey Regan
Associate Editor: Diane Peirano
Editor de desarrollo: Miguel B. Gutiérrez Hernández Marketing Manager: Patrick Lynch
Supervisor de producción: Enrique Trejo Hernández Editorial/Production Supervision: Kelli Rahlf, Carlisle
Publishers Services
Managing Editor: Katherine Evancie
Senior Manufacturing Supervisor: Paul Smolenski
Manufacturing Manager: Vincent Scelta
Senior Designer: Suzanne Behnke
Design Director: Patricia Wosczyk
Interior Design: Lisa Jones
Cover Design: Suzanne Behnke
Composition: Carlisle Communications, Ltd.
Cover Photo: Richard Megna/Fundamental Photographs,
NYC
SÉPTIMA EDICIÓN, 2004

D.R. © 2004 por Pearson Educación de México, S.A. de C.V.


Atlacomulco 500, 5° piso
Col. Industrial Atoto
53519, Naucalpan de Juárez, Edo. de México
E-mail: editorial.universidades@pearsoned.com

Cámara Nacional de la Industria Editorial Mexicana Reg. Núm. 1031.

Prentice Hall es una marca registrada de Pearson Educación de México, S.A. de C.V.

Reservados todos los derechos. Ni la totalidad ni parte de esta publicación pueden reproducirse, registrarse o transmitirse, por un
sistema de recuperación de información, en ninguna forma ni por ningún medio, sea electrónico, mecánico, fotoquímico, magnético
o electroóptico, por fotocopia, grabación o cualquier otro, sin permiso previo por escrito del editor.

El préstamo, alquiler o cualquier otra forma de cesión de uso de este ejemplar requerirá también la autorización del editor o de sus
representantes.

ISBN 970-26-0497-4

Impreso en México. Printed in Mexico.

1 2 3 4 5 6 7 8 9 0 - 07 06 05 04
Contenido

Prefacio xiii

Capítulo 1 Introducción 1
1.1 ¿Por qué hay que tomar este curso y quién utiliza la estadística? 2
1.2 Historia 3
1.3 Subdivisiones de la estadística 4
1.4 Un enfoque simple y fácil de entender 4
1.5 Características que facilitan el aprendizaje y cómo usarlas 5

Capítulo 2 Agrupación y presentación de datos para


expresar significados: Tablas y gráficas 7
2.1 ¿Cómo podemos ordenar los datos? 8
2.2 Ejemplos de datos sin procesar 11
2.3 Ordenamiento de datos en arreglos de datos y distribuciones de frecuencias 12
2.4 Construcción de una distribución de frecuencias 20
2.5 Representación gráfica de distribuciones de frecuencias 29
Estadística en el trabajo 42
Ejercicio de base de datos computacional 43
Términos introducidos en el capítulo 2 45
Ecuaciones introducidas en el capítulo 2 46
Ejercicios de repaso 46

Capítulo 3 Medidas de tendencia central y dispersión


en distribuciones de frecuencias 57
3.1 Estadística sumaria 58
3.2 Una medida de tendencia central: la media aritmética 60
3.3 Una segunda medida de tendencia central: la media ponderada 69
3.4 Una tercera medida de tendencia central: la media geométrica 74
3.5 Una cuarta medida de tendencia central: la mediana 77
3.6 Una medida final de tendencia central: la moda 84

v
3.7 Dispersión: por qué es importante 89
3.8 Rangos: medidas de dispersión útiles 91
3.9 Dispersión: medidas de desviación promedio 96
3.10 Dispersión relativa: el coeficiente de variación 107
3.11 Análisis exploratorio de datos (AED) 112
Estadística en el trabajo 116
Ejercicio de base de datos computacional 117
Términos introducidos en el capítulo 3 118
Ecuaciones introducidas en el capítulo 3 119
Ejercicios de repaso 121

Capítulo 4 Probabilidad I: Ideas introductorias 127


4.1 Historia y relevancia de la teoría de la probabilidad 128
4.2 Terminología básica en probabilidad 129
4.3 Tres tipos de probabilidad 131
4.4 Reglas de probabilidad 137
4.5 Probabilidades bajo condiciones de independencia estadística 143
4.6 Probabilidades bajo condiciones de dependencia estadística 151
4.7 Revisión de las estimaciones anteriores de probabilidades: teorema de Bayes 158
Estadística en el trabajo 165
Ejercicio de base de datos computacional 166
Términos introducidos en el capítulo 4 168
Ecuaciones introducidas en el capítulo 4 169
Ejercicios de repaso 170

Capítulo 5 Distribuciones de probabilidad 177


5.1 ¿Qué es una distribución de probabilidad? 178
5.2 Variables aleatorias 181
5.3 Uso del valor esperado en la toma de decisiones 187
5.4 La distribución binomial 191
5.5 La distribución de Poisson 202
5.6 La distribución normal: distribución de una variable aleatoria continua 209
5.7 Selección de la distribución de probabilidad correcta 222
Estadística en el trabajo 223
Ejercicio de base de datos computacional 224
Términos introducidos en el capítulo 5 225
Ecuaciones introducidas en el capítulo 5 226
Ejercicios de repaso 227

vi Contenido
Capítulo 6 Muestreo y distribuciones de muestreo 235
6.1 Introducción al muestreo 236
6.2 Muestreo aleatorio 238
6.3 Diseño de experimentos 244
6.4 Introducción a las distribuciones de muestreo 247
6.5 Distribuciones de muestreo a detalle 251
6.6 Una consideración operacional en el muestreo: la relación entre
el tamaño de muestra y el error estándar 261
Estadística en el trabajo 265
Ejercicio de base de datos computacional 266
Términos introducidos en el capítulo 6 267
Ecuaciones introducidas en el capítulo 6 268
Ejercicios de repaso 268

Capítulo 7 Estimación 273


7.1 Introducción 274
7.2 Estimaciones puntuales 277
7.3 Estimaciones de intervalo: conceptos básicos 281
7.4 Estimaciones de intervalo e intervalos de confianza 285
7.5 Cálculo de estimaciones de intervalo de la media a partir
de muestras grandes 288
7.6 Cálculo de estimaciones de intervalo de la proporción a partir
de muestras grandes 293
7.7 Estimaciones de intervalos con la distribución t 297
7.8 Determinación del tamaño de muestra en estimación 303
Estadística en el trabajo 309
Ejercicio de base de datos computacional 309
Del libro de texto al mundo real 311
Términos introducidos en el capítulo 7 312
Ecuaciones introducidas en el capítulo 7 313
Ejercicios de repaso 313

Capítulo 8 Prueba de hipótesis: Prueba de una


sola muestra 319
8.1 Introducción 320
8.2 Conceptos básicos en el procedimiento de prueba de hipótesis 321
8.3 Prueba de hipótesis 324
8.4 Pruebas de hipótesis de medias cuando se conoce la desviación estándar
de la población 331
8.5 Medición de la potencia de una prueba de hipótesis 338

Contenido vii
8.6 Prueba de hipótesis para proporciones: muestras grandes 341
8.7 Pruebas de hipótesis de medias cuando no se conoce la desviación
estándar de la población 347
Estadística en el trabajo 351
Ejercicio de base de datos computacional 351
Del libro de texto al mundo real 352
Términos introducidos en el capítulo 8 353
Ejercicios de repaso 353

Capítulo 9 Prueba de hipótesis:


Pruebas de dos muestras 359
9.1 Prueba de hipótesis para diferencias entre medias y proporciones 360
9.2 Pruebas para diferencias entre medias: muestras grandes 362
9.3 Pruebas para diferencias entre medias: muestras pequeñas 366
9.4 Prueba de diferencias entre medias con muestras dependientes 372
9.5 Pruebas para diferencias entre proporciones: muestras grandes 378
9.6 Valor P: otra manera de ver las pruebas de hipótesis 386
9.7 Uso de computadoras para las pruebas de hipótesis 390
Estadística en el trabajo 392
Ejercicio de base de datos computacional 392
Del libro de texto al mundo real 394
Términos introducidos en el capítulo 9 395
Ecuaciones introducidas en el capítulo 9 395
Ejercicios de repaso 396

Capítulo 10 Calidad y control de la calidad 403


10.1 Introducción 404
10.2 Control estadístico de procesos 406
10.3 Gráficas x: gráficas de control para medias de procesos 407
10.4 Gráficas R: gráficas de control para variabilidad de procesos 417
10.5 Gráficas p: diagramas de control para atributos 422
10.6 Administración con vistas a la calidad total 428
10.7 Muestreo de aceptación 433
Estadística en el trabajo 438
Ejercicio de base de datos computacional 438
Del libro de texto al mundo real 440
Términos introducidos en el capítulo 10 441
Ecuaciones introducidas en el capítulo 10 442
Ejercicios de repaso 443

viii Contenido
Capítulo 11 Ji-cuadrada y análisis de varianza 447
11.1 Introducción 448
11.2 Ji-cuadrada como prueba de independencia 449
11.3 Ji-cuadrada como prueba de bondad de ajuste: prueba de lo apropiado
de una distribución 462
11.4 Análisis de varianza 468
11.5 Inferencias acerca de una varianza de población 484
11.6 Inferencias acerca de las varianzas de dos poblaciones 489
Estadística en el trabajo 496
Ejercicio de base de datos computacional 496
Del libro de texto al mundo real 498
Términos introducidos en el capítulo 11 498
Ecuaciones introducidas en el capítulo 11 499
Ejercicios de repaso 501

Capítulo 12 Regresión simple y correlación 509


12.1 Introducción 510
12.2 Estimación mediante la recta de regresión 516
12.3 Análisis de correlación 535
12.4 Inferencias sobre parámetros de población 545
12.5 Uso del análisis de regresión y correlación: limitaciones, errores
y advertencias 551
Estadística en el trabajo 553
Ejercicio de base de datos computacional 553
Del libro de texto al mundo real 554
Términos introducidos en el capítulo 12 555
Ecuaciones introducidas en el capítulo 12 555
Ejercicios de repaso 557

Capítulo 13 Regresión múltiple y modelado 565


13.1 Análisis de regresión múltiple y correlación 566
13.2 Deducción de la ecuación de regresión múltiple 567
13.3 La computadora y la regresión múltiple 574
13.4 Inferencias sobre parámetros de población 582
13.5 Técnicas de modelado 595
Estadística en el trabajo 608
Ejercicio de base de datos computacional 609
Del libro de texto al mundo real 609
Términos introducidos en el capítulo 13 610
Ecuaciones introducidas en el capítulo 13 611
Ejercicios de repaso 612

Contenido ix
Capítulo 14 Métodos no paramétricos 621
14.1 Introducción a la estadística no paramétrica 622
14.2 Prueba de signo para datos por pares 624
14.3 Pruebas de suma de rangos: prueba U de Mann-Whitney y prueba
de Kruskal-Wallis 630
14.4 Prueba de corridas de una sola muestra 640
14.5 Correlación de rango 646
14.6 Prueba de Kolmogorov-Smirnov 655
Estadística en el trabajo 659
Ejercicio de base de datos computacional 660
Del libro de texto al mundo real 661
Términos introducidos en el capítulo 14 662
Ecuaciones introducidas en el capítulo 14 662
Ejercicios de repaso 663

Capítulo 15 Series de tiempo y pronósticos 673


15.1 Introducción 674
15.2 Variación en las series de tiempo 675
15.3 Análisis de tendencia 676
15.4 Variación cíclica 686
15.5 Variación estacional 691
15.6 Variación irregular 699
15.7 Problema que incluye a las cuatro componentes de una serie de tiempo 699
15.8 Análisis de series de tiempo en pronósticos 707
Estadística en el trabajo 708
Ejercicio de base de datos computacional 709
Del libro de texto al mundo real 709
Términos introducidos en el capítulo 15 710
Ecuaciones introducidas en el capítulo 15 711
Ejercicios de repaso 712

Capítulo 16 Números índice 719


16.1 Definición de número índice 720
16.2 Índice de agregados no ponderados 723
16.3 Índice de agregados ponderados 727
16.4 Métodos de promedio de relativos 735
16.5 Índices de cantidad y de valor 740
16.6 Problemas en la construcción y el uso de números índice 744
Estadística en el trabajo 745
Ejercicio de base de datos computacional 746

x Contenido
Del libro de texto al mundo real 747
Términos introducidos en el capítulo 16 747
Ecuaciones introducidas en el capítulo 16 748
Ejercicios de repaso 749

Capítulo 17 Teoría de decisiones 755


17.1 El entorno de la decisión 756
17.2 Ganancia esperada en condiciones de incertidumbre:
asignación de valores de probabilidad 757
17.3 Uso de distribuciones continuas: análisis marginal 765
17.4 Utilidad como criterio de decisión 773
17.5 Ayuda para que los tomadores de decisiones proporcionen
las probabilidades correctas 776
17.6 Análisis de árboles de decisiones 780
Estadística en el trabajo 790
Del libro de texto al mundo real 791
Términos introducidos en el capítulo 17 793
Ecuaciones introducidas en el capítulo 17 793
Ejercicios de repaso 794

Estadística con Excel 801


1 Introducción 801
2 Elaboración de tablas de frecuencia, histogramas y gráficos
(diagramas de barras o circulares) 807
3 Medidas de tendencia central y dispersión para datos
no agrupados 814
4 Análisis de varianza de un factor 816
5 Análisis de regresión lineal múltiple mediante el uso de Excel 818

Anexos 827
A Conjuntos y técnicas de conteo 1
A.1 Definiciones 1
A.2 Operaciones con conjuntos 4
A.3 Fórmulas de cardinalidad 8
A.4 Algunos conjuntos de uso frecuente 9
A.5 Principio fundamental del conteo 9
A.6 Permutaciones 10
A.7 Combinaciones 12
A.8 Teorema del binomio 14

Contenido xi
B Habilidad del proceso 15
B.1 Gráficas de control y parámetros de población 15
B.2 Resumen de fórmulas útiles para diagramas de control
y parámetros de población 18
B.3 Límites de variabilidad natural del proceso 19
B.4 Límites de especificación 19
B.5 Cambio en el tamaño de la muestra para una gráfica de control 20
B.6 Habilidad del proceso 21
B.7 Estimación de la habilidad de un proceso para variables con dos límites
de especificación 22
B.7.1 Habilidad potencial 22
B.7.2 Habilidad real 25
B.8 Estimación de la habilidad real mediante la curva normal
(para dos límites de especificación) 27
B.9 Estimación de la habilidad de un proceso para variables con un límite
de especificación 29
B.10 Estimación de la habilidad real para el caso de un solo límite
de especificación empleando la tabla de la normal estándar 31
B.11 Habilidad del proceso a partir de gráficos p o np 32

Respuestas a ejercicios pares seleccionados R-1

Índice I-1

xii Contenido
EA 5-6
10!
 
a) n  10, p  0.30, P(r  4)   (0.30)4(0.70)6  0.2001
4!6!

 
10!
b) n  10, p  0.55, P(r  0)   (0.55)0(0.45)10  0.0003
0!10!

n  10, p  0.15, P(r  2)  (0.15) (0.85)


10!
c) 2 8
 0.2759
2!8!
d) n  10, p  0.30, P(r  8)  P(r  8)
P(r  9)
P(r  10)

 
10!
8!2!
10!
 
9!1!
10!
 
n   (0.30)8(0.70)2
 (0.30)9(0.70)1
 (0.30)10(0.70)0
10!0!
n  0.00145
0.00014
0.00001  0.0016

5.5 La distribución de Poisson


Existen muchas distribuciones de probabilidad discretas, pero nuestro análisis se centrará sólo en
dos: la distribución binomial, que acabamos de concluir, y la distribución de Poisson, que es el tema
de esta sección. La distribución de Poisson debe su nombre a Siméon Denis Poisson (1781-1840),
un francés que desarrolló la distribución a partir de los estudios que realizó durante la última parte
de su vida.
Ejemplos de distribu- La distribución de Poisson se utiliza para describir ciertos tipos de procesos, entre los que se en-
ciones de Poisson cuentran la distribución de llamadas telefónicas que llegan a un conmutador, las solicitudes de
pacientes que requieren servicio en una institución de salud, las llegadas de camiones y automóvi-
les a una caseta de cobro, y el número de accidentes registrados en cierta intersección. Estos ejem-
plos tienen en común un elemento: pueden ser descritos mediante una variable aleatoria discreta que
toma valores enteros (0, 1, 2, 3, 4, 5, etc). El número de pacientes que llegan al consultorio de un mé-
dico en un cierto intervalo será de 0, 1, 2, 3, 4, 5 o algún otro número entero. De manera parecida, si
usted cuenta el número de automóviles que llegan a una caseta de cobro de alguna carretera duran-
te un periodo de 10 minutos, el número será de 0, 1, 2, 3, 4, 5 y así consecutivamente.

Características de los procesos que producen una distribución


de probabilidad de Poisson
Condiciones que El número de vehículos que pasan por una sola caja de una caseta de cobro en una hora pico sirve
conducen a una para ilustrar las características de la distribución de probabilidad de Poisson:
distribución de pro-
babilidad de Poisson 1. El promedio (la media) del número de vehículos que llegan por hora pico puede estimarse a
partir de datos sobre tráfico que se tengan disponibles.
2. Si dividimos la hora pico en periodos (intervalos) de un segundo cada uno, encontraremos que
las siguientes afirmaciones son verdaderas:
a) La probabilidad de que exactamente un vehículo llegue a una caja por segundo es muy pe-
queña y es constante para cada intervalo de un segundo.
b) La probabilidad de que dos o más vehículos lleguen en un intervalo de un segundo es tan
pequeña que le podemos asignar un valor de cero.
c) El número de vehículos que llegan en un intervalo dado de un segundo es independiente del
momento en que dicho intervalo se presente en la hora pico.
d) El número de llegadas en cualquier intervalo de un segundo no depende del número de lle-
gadas en cualquier otro intervalo de un segundo.
Ahora estamos en disposición de generalizar a partir del ejemplo de la caseta de cobro y aplicar es-
tas características a otros procesos. Si estos nuevos procesos cumplen con las mismas cuatro condi-
ciones, entonces podemos utilizar la distribución de probabilidad de Poisson para describirlos.

202 Capítulo 5 Distribuciones de probabilidad


Cálculo de la probabilidad de Poisson
utilizando la tabla 4a del apéndice
La distribución de probabilidad de Poisson, como hemos mostrado, tiene que ver con ciertos proce-
sos que pueden ser descritos por una variable aleatoria discreta. Generalmente, la letra X representa
a esta variable discreta y puede tomar valores enteros (0, 1, 2, 3, 4, 5, etc). Utilizamos la mayúscula
X para representar a la variable aleatoria y la minúscula x para señalar un valor específico que dicha
variable pueda tomar. La probabilidad de tener exactamente x ocurrencias en una distribución de
Poisson se calcula con la fórmula:

Fórmula de Poisson
Fórmula de la distri-
x  e
bución de Poisson P(x)   [5-4]
x!

Miremos más de cerca cada una de las partes de la fórmula:


Lambda (el número medio de presentaciones por inter- e, o 2.71828 (base de los logaritmos
valos de tiempo) elevada a la x potencia neperianos o naturales), elevada a la
lambda potencia negativa
x e
P(x)   ←
x! x factorial

Probabilidad de tener exactamente x ocurrencias

Un ejemplo en el que Suponga que estamos investigando la seguridad de una peligrosa intersección. Los registros po-
se utiliza la fórmula liciacos indican una media de cinco accidentes mensuales en esta intersección. El número de acci-
de Poisson dentes está distribuido de acuerdo con una distribución de Poisson, y el Departamento de Seguridad
de Tránsito desea que calculemos la probabilidad de que en cualquier mes ocurran exactamente 0, 1,
2, 3 o 4 accidentes. Podemos utilizar la tabla 4a del apéndice para evitar el tener que calcular e ele-
vadas a potencias negativas. Aplicando la fórmula
x  e
P(x)   [5-4]
x!
podemos calcular la probabilidad de que no ocurran accidentes:
(5)0(e5)
P(0)  
0!
(1)(0.00674)
 
1
 0.00674
De que ocurra exactamente un accidente:
(5)1(e5)
P(1)  
1!
(5)(0.00674)
 
1
 0.03370
De que ocurran exactamente dos accidentes:
(5)2(e5)
P(2)  
2!
(25)(0.00674)
 
21
 0.08425

5.5 La distribución de Poisson 203


De que ocurran exactamente tres accidentes:
(5)3(e5)
P(3)  
3!
(125)(0.00674)
 
321
0.08425
 
6
 0.14042
Por último, la probabilidad de que ocurran exactamente cuatro accidentes:
(5)4(e5)
P(4)  
4!
(625)(0.00674)
 
4321
4.2125
 
24
 0.17552
Uso de estos Nuestros cálculos responderán a varias preguntas. Quizá deseemos conocer la probabilidad de te-
resultados ner 0, 1 o 2 accidentes mensuales. Podemos averiguar esto sumando la probabilidad de tener exac-
tamente 0, 1 y 2 accidentes, de la siguiente forma:
P(0)  0.00674
P(1)  0.03370
P(2)  0.08425
P(0 o 1 o 2)  0.12469
Tomaremos medidas para mejorar la seguridad de la intersección si la probabilidad de que ocurran
más de tres accidentes mensuales excede 0.65. ¿Debemos tomar medidas? Para resolver este pro-
blema, necesitamos calcular la probabilidad de tener 0, 1, 2 o 3 accidentes y luego restar el resulta-
do de 1.0 para obtener la probabilidad de más de tres accidentes. Empezamos así:
P(0)  0.00674
P(1)  0.03370
P(2)  0.08425
P(3)  0.14042
P(3 o menos)  0.26511
Como la probabilidad de Poisson de que ocurran tres o menos accidentes es de 0.26511, la probabi-
lidad de tener más de tres accidentes debe ser 0.73489 (1.00000  0.26511). Debido a que 0.73489
es mayor que 0.65, es necesario tomar medidas para mejorar la seguridad de la intersección.
Construcción de Podríamos continuar calculando las probabilidades para más de cuatro accidentes y al final construir
una distribución de una distribución de probabilidad de Poisson del número de accidentes mensuales en esta intersección.
probabilidad La tabla 5-12 ilustra dicha distribución. Para producir esta tabla, hemos utilizado la ecuación 5-4. Trate
de Poisson
de hacer usted mismo los cálculos para las probabilidades más allá de exactamente cuatro accidentes.
La figura 5-7 ilustra la distribución de probabilidad de Poisson para la cantidad de accidentes.

Búsqueda de probabilidades de Poisson


utilizando la tabla 4b del apéndice
Afortunadamente, realizar a mano los cálculos de las probabilidades de Poisson no es necesario. El em-
pleo de la tabla 4b del apéndice permite obtener los mismos resultados que si hiciéramos los cálcu-
los, pero ahorrándonos el trabajo tedioso.

204 Capítulo 5 Distribuciones de probabilidad


Tabla 5-12 x  Número de P(x)  Probabilidad de tener
accidentes exactamente ese número de accidentes
Distribución de proba-
bilidad de Poisson del 0 0.00674
número de accidentes 1 0.03370
por mes 2 0.08425
3 0.14042
4 0.17552
5 0.17552
6 0.14627
7 0.10448
8 0.06530
9 0.03628
10 0.01814
11 0.00824
0.99486 ← Probabilidad de tener de 0 a 11 accidentes
12 o más 0.00514 ← Probabilidad de tener 12 o más (1.0  0.99486)
1.00000

0.18
0.16
0.14
Probabilidad

0.12
0.10
0.08
0.06
FIGURA 5-7 0.04
Distribución de 0.02
probabilidad de
Poisson del núme- 0 1 2 3 4 5 6 7 8 9 10 11 ≥ 12
ro de accidentes Número de accidentes

Revisemos nuevamente el problema de la intersección presentado anteriormente. En éste calcu-


lamos, de la siguiente manera, la probabilidad de que hubiera cuatro accidentes:
x  e
P(x)   [5-4]
x!
(5)4(e5)
P(4)  
4!
(625)(0.00674)
 
4321
 0.17552
Uso de la tabla 4b Para utilizar la tabla 4b del apéndice todo lo que necesitamos saber son los valores de x y (lambda),
para buscar probabi- en este ejemplo, 4 y 5, respectivamente. Después busque en la tabla. Primero encuentre la columna
lidades de Poisson cuyo encabezado es 5; luego recórrala hacia abajo hasta que esté a la altura del 4 y lea la respuesta
directamente, 0.1755. Eso es mucho menos trabajo, ¿verdad?
Un ejemplo más nos asegurará de que ya dominamos el método. En la página anterior, calcula-
mos la probabilidad de Poisson de tener 0, 1 o 2 accidentes como 0.12469. Para encontrar este mismo
resultado mediante la tabla 4b del apéndice es necesario que busquemos de nuevo la columna cuyo
encabezado es 5, luego hay que recorrerla hacia abajo y sumar los valores correspondientes a 0, 1 y
2, de esta manera:
0.0067 (Probabilidad de tener 0 accidentes)
0.0337 (Probabilidad detener 1 accidente)

5.5 La distribución de Poisson 205


0.0842 (Probabilidad de tener 2 accidentes)
0.1246 (Probabilidad de tener 0, 1 o 2 accidentes)
Otra vez, las pequeñas diferencias en los dos resultados se deben al redondeo.

La distribución de Poisson como una aproximación


de la distribución binomial
Uso de la fórmula de En algunas ocasiones, si deseamos ahorrarnos la tediosa tarea de calcular distribuciones binomiales
Poisson modificada de probabilidad, podemos utilizar la distribución de Poisson. La distribución de Poisson puede ser
para aproximar las una razonable aproximación de la binomial, pero sólo bajo ciertas condiciones. Tales condiciones se
probabilidades
binomiales
presentan cuando n es grande y p es pequeña, esto es, cuando el número de ensayos es grande y la
probabilidad binomial de tener éxito es pequeña. La regla que utilizan con más frecuencia los es-
tadísticos es que la distribución de Poisson es una buena aproximación de la distribución bino-
mial cuando n es igual o mayor que 20 y p es igual o menor a 0.05. En los casos en que se cum-
plen estas condiciones, podemos sustituir la media de la distribución binomial (np) en lugar de la
media de la distribución de Poisson ( ), de modo que la fórmula queda:

Distribución de Poisson como una aproximación de la distribución binomial


(np)x  enp
P(x)   [5-5]
x!

Comparación de las Utilicemos la fórmula para la probabilidad binomial, [5-1], y la fórmula de la aproximación de
fórmulas de Poisson Poisson, [5-5], en el mismo problema para determinar el grado en el que la distribución de Poisson
y binomial es una buena aproximación de la binomial. Digamos que tenemos un hospital con 20 aparatos para
diálisis y que la probabilidad de que cualquiera de ellos no funcione bien durante un día cualquiera
es de 0.02. ¿Cuál es la probabilidad de que exactamente tres máquinas estén fuera de servicio en el
mismo día? En la tabla 5-13 mostramos ambas respuestas a esta pregunta. Como podemos darnos
cuenta, la diferencia entre las dos distribuciones de probabilidad es pequeña (de sólo el 10% de error,
aproximadamente, en este ejemplo).

Tabla 5-13 Planteamiento de Poisson Planteamiento binomial

(np)x  enp n!
Comparación P(x)   [5-5] P(r )   p rq nr [5-1]
de los plantea- x! r!(n  r )!
mientos de la
probabilidad de (20  0.023 e(20  0.02) 20!
Poisson con la P(3)   P(3)   (0.02)3(0.98)17
3! 3!(20  3)!
probabilidad
binomial en el (0.4)3e0.4
problema de    0.0065
321
las máquinas
de diálisis (0.064)(0.67032)
 
6
 0.00715

SUGERENCIAS Las personas dedicadas a la estadística tiempo que se gana vale la pena. En este caso, se supone
Y buscan situaciones en las que una dis- que la distribución de Poisson es una buena aproximación
SUPOSICIONES tribución (binomial), que tiene probabi- de la distribución binomial, pero esta suposición es válida
lidades con cálculos complicados, se sólo que n sea mayor o igual que 20 y p menor o igual que
pueda sustituir con otra (de Poisson, por ejemplo), cuyas 0.05. Los supuestos basados en tales valores estadísticos
probabilidades es bastante sencillo calcular. Aun cuando al probados no causarán problemas.
hacerlo, con frecuencia se pierde un poco de exactitud, el

206 Capítulo 5 Distribuciones de probabilidad

También podría gustarte