Conceptos PDF

Prueba de conceptos
de los capítulos 2 al 17
PC-1
Prueba de conceptos
del capítulo 2
Imprima este texto y marque con un círculo la respuesta correcta o llene los espacios en blanco. Las
respuestas correctas se encuentran en el archivo correspondiente en este mismo CD.
V F 1. En comparación con un arreglo (u ordenamiento) de datos, la distribución de frecuencias tiene
la ventaja de representar los datos de una manera comprimida.
V F 2. Una ojiva “más que” tiene forma de S y su inclinación es hacia abajo y a la derecha.
V F 3. Un histograma es una serie de rectángulos, cada uno proporcional en ancho al número de ele-
mentos que caen dentro de una clase específica de datos.
V F 4. Una sola observación se conoce como datos puntuales, mientras que una colección de datos se
conoce como tabular.
V F 5. Las clases de cualquier distribución de frecuencias relativas son completamente incluyentes y
mutuamente excluyentes.
V F 6. Cuando una muestra contiene las características importantes de cierta población en las mismas
proporciones en que se encuentran en ésta, se dice que se trata de una muestra representativa.
V F 7. Una población es una colección de todos los elementos que se están estudiando.
V F 8. Si uniéramos los puntos medios de las barras consecutivas de un histograma de frecuencias con
una serie de rectas, estaríamos graficando un polígono de frecuencias.
V F 9. Antes de organizar la información y analizarla mediante métodos estadísticos, se le conoce co-
mo datos preprocesados.
V F 10. Una desventaja del ordenamiento de datos es que no nos permite hallar fácilmente los valores
mayor y menor del conjunto de datos.
V F 11. Los datos discretos sólo se pueden expresar con números enteros.
V F 12. Como regla general, los estadísticos consideran que una distribución de frecuencias está incom-
pleta si tiene menos de 20 clases.
V F 13. Siempre es posible construir un histograma a partir de un polígono de frecuencias.
V F 14. La escala vertical de la ojiva para una distribución de frecuencias relativas indica la fracción del
número total de observaciones que entran en cada clase.
V F 15. Un ordenamiento de datos se forma clasificando los datos sin procesar con respecto al tiempo
de observación.
V F 16. Una ojiva “menor que” tiene forma de S y su inclinación es hacia abajo y a la derecha.
V F 17. Una ventaja de los histogramas, en comparación con un polígono de frecuencias, es que mues-
tra con más claridad cada clase de la distribución.
V F 18. El promedio de bateo de un jugador de béisbol se calcula utilizando una muestra.
V F 19. Una distribución de frecuencias organiza los datos en grupos de valores que describen una o más
características de esos datos.
V F 20. A una serie de rectángulos cuyo ancho es proporcional al alcance de los valores dentro de la cla-
se y cuya altura es proporcional al número de elementos que caen dentro de la clase, se le cono-
ce como polígono de frecuencias.
V F 21. Los anchos de clase de una distribución de frecuencias son de igual tamaño.
PC-3
A B C D 22. ¿Cuál de los siguientes representa el esquema más preciso para clasificar datos?
a) Métodos cuantitativos.
b) Métodos cualitativos.
c) Una combinación de ambos métodos.
d) Un esquema puede ser determinado sólo con información específica acerca de la situación.
A B C D 23. ¿Cuál de los siguientes NO es un ejemplo de datos comprimidos?
a) Distribución de frecuencias.
b) Arreglo de datos.
c) Histograma.
d) Ojiva.
A B C D E 24. ¿Cuál de las afirmaciones siguientes acerca de los rectángulos de un histograma es correcta?
a) Los rectángulos tienen una altura proporcional al número de elementos que entran en las
clases.
b) Por lo general existen cinco rectángulos en cada histograma.
c) El área de un rectángulo depende sólo del número de elementos de la clase en comparación
con el número de elementos de todas las demás clases.
d) Todos los anteriores.
e) Los incisos a) y c), pero no b).
A B C D E 25. ¿Por qué resulta cierto que las clases de una distribución de frecuencias son completamente in-
cluyentes?
a) Ningún dato puntual entra en más de una clase.
b) Hay siempre más clases que datos puntuales.
c) Todos los datos entran en una clase o en otra.
d) Todos los incisos anteriores.
e) Los incisos a) y c), pero no b).
A B C D 26. Cuando se construye una distribución de frecuencias, el primer paso consiste en
a) dividir los datos en al menos cinco clases.
b) clasificar los datos puntuales en clases y contar el número de puntos de cada clase.
c) decidir acerca del tipo y número de clases en que se dividirán los datos.
d) ninguno de los anteriores.
A B C D 27. Conforme aumenta el número de observaciones y clases, la forma de un polígono de frecuen-
cias:
a) Tiende a hacerse cada vez más lisa.
b) Tiende a tomar forma de sierra.
c) Permanece igual.
d) Varía sólo si los datos son más confiables.
A B C D 28. ¿Cuál de las siguientes afirmaciones acerca de las ojivas de frecuencias acumuladas para un con-
junto de datos en particular es verdadera?
a) Tanto la curva “mayor que” como la “menor que” tienen la misma pendiente.
b) Las curvas “mayor que” tienden a irse hacia arriba y a la derecha.
c) Las curvas “menor que” tienden a irse hacia abajo y a la derecha.
d) Las curvas “menor que” tienden a irse hacia arriba y a la derecha.
A B C D E 29. A partir de una ojiva construida para un conjunto particular de datos:
a) Los datos originales pueden reconstruirse siempre de manera exacta.
b) Los datos originales siempre se pueden aproximar.
c) Los datos originales nunca se pueden aproximar ni reconstruir, pero se pueden obtener con-
clusiones válidas con respecto a los datos.
d) Ninguno de los anteriores.
e) Los incisos a) y b), pero no c).
PC-4 Prueba de conceptos del capítulo 2

A B C D E 30. Al construir una distribución de frecuencias para una muestra, el número de clases depende de:
a) El número de datos puntuales.
b) El alcance de los datos recolectados.
c) El tamaño de la población.
e) Los incisos a) y b), pero no c).
A B C D E 31. ¿Cuál de las siguientes afirmaciones es verdadera?
a) El tamaño de una muestra nunca puede ser igual al tamaño de la población de la que se toma.
b) Las clases describen sólo una característica de los datos que serán organizados.
c) En general, como regla, los especialistas en estadística utilizan entre 6 y 15 clases.
e) Los incisos b) y c), pero no a).
A B C D E 32. Como regla general, ¿qué cantidad de clases tienden a utilizar los especialistas en estadística
cuando organizan datos?
a) Menos de cinco.
b) Entre una y cinco.
c) Más de 30.
d) Entre 20 y 25.
e) Ninguno de los incisos anteriores.
A B C D E 33. ¿Cuál de las siguientes NO es una prueba acerca de la utilidad de los datos?
a) La fuente de los datos.
b) La contradicción con respecto a otra evidencia.
c) La falta de evidencia.
d) El número de observaciones.
e) Ninguno de los anteriores.
A B C D E 34. Una distribución de frecuencias relativas presenta las frecuencias en términos de:
a) Fracciones.
b) Números enteros.
c) Porcentajes.
d) Todos los incisos anteriores.
e) Los incisos a) y c).
A B C D E 35. Las gráficas de distribuciones de frecuencias se utilizan debido a que:
a) Tienen una larga historia en aplicaciones prácticas.
b) Atraen la atención sobre los patrones que siguen los datos.
c) Toman en cuenta los datos sesgados o incompletos.
d) Permiten estimar con facilidad los valores.
e) Incisos b) y d).
A B C D 36. Los datos continuos se diferencian de los datos discretos en que:
a) Las clases de datos discretos están representadas por fracciones.
b) Las clases de datos continuos pueden representarse por fracciones.
c) Los datos continuos sólo toman valores enteros.
d) Los datos discretos pueden tomar cualquier valor real.
37. El conteo doble es resultado de tener datos o .
38. Se encontró que 50 de 1,000 clientes en un estudio tienen las características de todos los clien-
tes. Los 50 clientes son una muestra .
39. El y la son dos métodos de arreglo de
datos.
40. Una es una colección de todos los elementos de un grupo. Una
colección de algunos elementos, pero no de todos, se conoce como .
Prueba de conceptos del capítulo 2 PC-5

41. Al dividir los datos puntuales en clases parecidas y contar el número de observaciones de cada
clase tendremos una .
42. Si los datos sólo pueden tomar un número limitado de valores, las clases de esos datos se cono-
cen como . En cualquier otro caso, las clases son .
43. Una distribución de frecuencias relativas presenta las frecuencias en términos de
o de
44. Una gráfica de una distribución de frecuencias acumuladas se conoce como
.
45. Si una colección de datos se conoce como conjunto de datos, una sola observación se conoce
como .

● Diagrama de flujo: Ordenamiento de datos para que tengan
un significado
INICIAR
Recolección de datos
sin procesar
Organización de los
datos sin procesar en
un ordenamiento
¿Deberán
condensarse y No
simplificarse los
datos?
Sí
Preparación de distribución
de frecuencias agrupando
los datos en clases
¿Desea una
representación No
gráfica?
Sí
Preparación de una representación

gráfica de una distribución
de frecuencias:
histograma
polígono
ojiva
TERMINAR

Prueba de conceptos
del capítulo 3
V F 1. El valor de cada observación del conjunto de datos se toma en cuenta cuando calculamos su me-
diana.
V F 2. Cuando la población está sesgada positiva o negativamente, a menudo es preferible utilizar la
mediana como mejor medida de posición, debido a que siempre cae entre la media y la moda.
V F 3. Las medidas de tendencia central de un conjunto de datos se refieren al grado en que las obser-
vaciones están dispersas.
V F 4. Una medida de lo puntiagudo de una curva de distribución es el sesgo.
V F 5. Con un conjunto de datos no agrupados, la moda se utiliza con más frecuencia como medida de
tendencia central.
V F 6. Si organizamos las observaciones de un conjunto de datos en orden descendente, el dato pun-
tual que se encuentra en medio es la mediana del conjunto de datos.
V F 7. Cuando se trabaja con datos agrupados, podemos calcular una media aproximada si suponemos
que cada valor de una clase dada es igual a su punto medio.
V F 8. El valor que más se repite en un conjunto de datos se conoce como media aritmética.
V F 9. Si la curva de cierta distribución tiene el extremo más largo hacia la izquierda de la escala de
medición del eje horizontal, se dice que la distribución está negativamente sesgada.
V F 10. Después de agrupar un conjunto de datos en cierto número de clases, podemos identificar la cla-
se mediana como la que tiene el mayor número de observaciones.
V F 11. Una media calculada a partir de un conjunto de datos agrupados siempre da una buena estima-
ción del valor real, aunque rara vez es exacto.
V F 12. Podemos calcular una media para cualquier conjunto de datos, si tenemos su distribución de fre-
cuencias.
V F 13. La moda siempre se encuentra en el punto más alto de la gráfica de una distribución de datos.
V F 14. El número de elementos de una población se denota por n.
V F 15. Para un arreglo de datos con 50 observaciones, la mediana será el valor de la observación nú-
mero 25 del arreglo.
V F 16. Los valores extremos de un conjunto de datos tienen un fuerte efecto sobre la mediana.
V F 17. La diferencia entre las observaciones más alta y más baja de un conjunto de datos se conoce co-
mo media geométrica.
V F 18. La dispersión de un conjunto de datos da una idea de la confiabilidad de la medida de tenden-
cia central.
V F 19. La desviación estándar es igual a la raíz cuadrada de la varianza.
V F 20. La diferencia entre las observaciones más alta y más baja de un conjunto de datos se conoce co-
mo el rango cuartil.
V F 21. El rango intercuartil se basa sólo en dos valores tomados del conjunto de datos.
PC-9
V F 22. La desviación estándar se mide en las mismas unidades que las observaciones del conjunto de
datos.
V F 23. Un fractil es una posición en una distribución de frecuencias en la que una proporción (o frac-
ción) de los datos se encuentra en ella o arriba de ella.
V F 24. La varianza, al igual que la desviación estándar, toma en cuenta todas las observaciones del con-
junto de datos.
V F 25. El coeficiente de variación es una medida absoluta de la dispersión.
V F 26. La medida de dispersión que con más frecuencia utilizan los especialistas en estadística es la
desviación estándar.
V F 27. Una de las ventajas de las medidas de dispersión es que cualquier estadístico que mide varia-
ción absoluta, también mide variación relativa.
V F 28. Una desventaja al utilizar el rango para medir la dispersión es que no toma en cuenta la natura-
leza de las variaciones entre la mayoría de las observaciones.
V F 29. La varianza indica la distancia promedio a la media de cualquier observación del conjunto de
datos.
V F 30. Cada población tiene una varianza que se simboliza con s2.
V F 31. De acuerdo con el teorema de Chebyshev, no más del 11% de las observaciones de una pobla-
ción puede tener resultados estándar de la población mayores que 3 o menores que 23.
V F 32. El rango intercuartil es un ejemplo específico de un rango interfractil.
V F 33. Es posible medir el rango de una distribución de extremo abierto.
V F 34. El rango intercuartil mide el rango promedio de la cuarta parte más baja de una distribución.
A B C D 35. Cuando se calcula la tasa promedio de expansión de la deuda de una compañía, la media correc-
ta a utilizar es la:
a) Media aritmética.
b) Media ponderada.
c) Media geométrica.
d) Cualquiera de los dos: a) o c).
A B C D 36. La moda tiene todas las ventajas siguientes excepto:
a) Un conjunto de datos puede no tener valor modal.
b) Cada valor de un conjunto de datos puede ser una moda.
c) Es difícil analizar un conjunto de datos multimodal.
d) La moda se ve excesivamente afectada por los valores extremos.
A B C D 37. ¿Cuál es la principal suposición que hacemos cuando calculamos la media de datos agrupados?
a) Todos los valores son discretos.
b) Cada valor de una clase es igual a su punto medio.
c) Ningún valor se presenta más de una vez.
d) Cada clase contiene exactamente el mismo número de valores.
A B C D 38. ¿Cuál de las afirmaciones siguientes NO es correcta?
a) Algunos conjuntos de datos no tienen media.
b) El cálculo de una media se ve afectado por los valores extremos del conjunto de datos.
c) Una media ponderada se debe utilizar cuando es necesario tomar en consideración la impor-
tancia de cada valor.
d) Todos estas afirmaciones son correctas.
A B C D 39. ¿Cuál de los siguientes es el primer paso para calcular la mediana de un conjunto de datos?
a) Promedie los dos valores centrales del conjunto de datos.
b) Ordene los datos.
c) Determine los pesos relativos de los valores de los datos en términos de su importancia.

A B C D E 40. ¿Cuál de las siguientes NO es una ventaja del uso de la mediana?
a) Los valores extremos afectan a la mediana con menos intensidad que a la media.
b) Una mediana se puede calcular para descripciones cualitativas.
c) La mediana puede calcularse para cada conjunto de datos, incluso para todos los conjuntos
que presentan clases de extremo abierto.
d) La mediana es fácil de entender.
e) Todas las anteriores son ventajas de utilizar la mediana.
A B C D 41. ¿Por qué, normalmente, es mejor calcular una moda de un conjunto agrupado de datos, en lugar
de hacerlo con un conjunto no agrupado de datos?
a) Los datos no agrupados tienden a ser bimodales.
b) La moda para los datos agrupados será la misma, independientemente del sesgo de la distri-
bución.
c) Los valores extremos tienen menos efecto sobre los datos agrupados.
d) La posibilidad de escoger como moda un valor que no sea representativo es reducida.
A B C D 42. ¿En cuál de estos casos sería la moda más útil como indicador de la tendencia central?
a) Cada valor de un conjunto de datos ocurre exactamente una vez.
b) Todos los valores de un conjunto de datos, excepto tres, ocurren sólo una vez. Tres valores
se presentan 100 veces cada uno.
c) Todos los valores de un conjunto de datos ocurren 100 veces cada uno.
d) Todas las observaciones de un conjunto de datos tienen el mismo valor.
A B C D E 43. ¿Cuál de los siguientes es un ejemplo de parámetro?
a) xw.
b) n.
c) m.
e) b) y c), pero no a).
A B C D E 44. ¿Cuál de las siguientes NO es una medida de tendencia central?
a) Media geométrica.
b) Mediana.
c) Moda.
d) Media aritmética.
e) Todos los incisos anteriores son medidas de tendencia central.
A B C D E F 45. Cuando una distribución es simétrica y tienen sólo una moda, el punto más alto de la curva de
distribución se conoce como:
a) Rango.
b) Moda.
c) Mediana.
d) Media.
e) Todos los anteriores.
f) b), c) y d), pero no a).
A B C D E 46. Cuando nos referimos a una curva que tiene una cola hacia el extremo izquierdo, podemos de-
cir que es:
a) Simétrica.
b) Sesgada a la derecha.
c) Positivamente sesgada.

A B C D 47. Las desventajas de utilizar el rango como medida de dispersión incluyen las siguientes, excepto que:
a) Se ve altamente afectado por los valores extremos.
b) Puede cambiar drásticamente de una muestra a otra.
c) Es difícil de calcular.
d) Está determinado solamente por dos puntos del conjunto de datos.
A B C D 48. ¿Por qué es necesario elevar al cuadrado las diferencias respecto a la media cuando calculamos
la varianza de la población?
a) Para que los valores extremos no afecten el cálculo.
b) Porque es posible que N sea muy pequeña.
c) Algunas de las diferencias serán positivas y otras negativas.
d) Ninguna de las anteriores.
A B C D 49. Suponga que una población tiene m 5 100 y s 5 10. Si una observación particular tiene un
resultado estándar de 1, se puede concluir que:
a) Su valor es 110.
b) Se encuentra entre 90 y 110, pero su valor exacto no se puede determinar.
c) Su valor es mayor que 110.
d) No se puede determinar nada sin conocer el valor de N.
A B C D E 50. Suponga que una población tiene m 5 100, s 5 10 y N 5 1,000. De acuerdo con el teorema de
Chebyshev, ¿cuál de las siguientes situaciones NO es posible?
a) 150 valores son mayores que 130.
b) 930 valores están entre 100 y 108.
c) 22 valores están entre 120 y 125.
d) 70 valores son menores que 90.
e) Todas las situaciones anteriores son posibles.
A B C D E 51. ¿Cuál de los siguientes es un ejemplo de una medida relativa de dispersión?
a) La desviación estándar.
b) La varianza.
c) El coeficiente de variación.
e) a) y b), pero no c).
A B C D 52. ¿Cuál de las afirmaciones siguientes es verdadera?
a) La varianza puede calcularse para datos agrupados o no agrupados.
b) La desviación estándar puede calcularse para datos agrupados o no agrupados.
c) La desviación estándar puede calcularse para datos agrupados o no agrupados, pero la va-
rianza sólo se puede calcular para datos no agrupados.
d) a) y b), pero no c).
A B C D E 53. Si dividimos la desviación estándar de una población entre la media de la misma población y
multiplicamos el resultado por 100, estaríamos calculando:
a) El resultado estándar de la población.
b) La varianza de la población.
c) La desviación estándar de la población.
d) El coeficiente de variación de la población.
A B C D E 54. ¿En qué se diferencia el cálculo de la varianza de la muestra del cálculo de la varianza de la po-
blación?
a) m se sustituye por xw.
b) N se sustituye por n 2 1.
c) N se sustituye por n.
d) a) y c), pero no b).

A B C D E F 55. El cuadrado de la varianza de una distribución es:
a) La desviación estándar.
b) La media.
c) El rango.
d) La desviación absoluta.
e) a) y d).
f) Ninguno de los anteriores.
A B C D E 56. El teorema de Chebyshev dice que 99% de los valores estarán dentro de 63 desviaciones están-
dar de la media, para:
a) Distribuciones con forma de campana.
b) Distribuciones positivamente sesgadas.
c) Distribuciones con cola a la izquierda.
d) Todas las distribuciones.
e) Ninguna distribución.
57. Si una curva se puede dividir en dos partes iguales que son imágenes de espejo una de la otra, la
curva es . Si no puede dividirse de esta manera, es .
58. El símbolo wx denota la media de una . m representa la media de una
.
59. La asignación de enteros consecutivos de bajo valor a los puntos medios durante el cálculo de
la media se conoce como .
60. Cuando trabajamos con cantidades que cambian en un periodo, es mejor calcular una media
que una media .
61. Si dos valores de un grupo de datos ocurren con más frecuencia que los demás, se dice que la
distribución de los datos es .
62. El grado en que los valores de una distribución están agrupados es una medida de
.
63. En una distribución de frecuencias, la mediana se encuentra en 0.5 de
debido a que la mitad de los valores son menores o iguales a este valor.
64. La diferencia entre los valores del primer y tercer cuartiles es el rango .
65. La medida del cuadrado de la distancia promedio entre la media y cada observación de la po-
blación es . La raíz cuadrada positiva de este valor es .
66. La expresión de la desviación estándar como porcentaje de la media es .
67. El número de unidades de desviación estándar que una observación está arriba o abajo de la me-
dia se llama .
68. Los fractiles que dividen a los datos en 100 partes iguales se llaman .

PC-14
● Diagrama de flujo: Medidas de tendencia central y dispersión
INICIO
¿Desea ¿Desea
saber el ¿Están saber el
No promedio Sí agrupados No promedio No
Prueba de conceptos del capítulo 3

de los los de los
datos? datos? datos?
Sí Sí
¿Desea ¿Los
simplificar elementos
Sí Sí diferentes tienen
el cálculo
de la niveles de importancia
media? diferentes?
No No
Calcule la media
Use codificación de Calcule la media aritmética de población:
Calcule la media aritmética marcas de clase y ponderada de la muestra m = (x
de la muestra: calcule la ((w 3 x ) N
media aritmética: xw =
(w o de la muestra:
((f 3 x )
x= n ((u 3 f ) (x
x = x0 1 w n x=
n
Calcule la tasa ¿Las
promedio de cambio usando cantidades
la media geométrica: Sí
cambian
en un
n Producto de todos
M.G. = periodo?
= los valores de x
No
¿Desea ¿Desea
Calcule la mediana: Calcule la mediana:
conocer la Sí th
Sí conocer la
observación ( n 1 1) / 2 2 (F 1 1) el elemento n + 1
( ) w 1 Lm ( )2 observación
central de los fm central de los
del arreglo de datos
datos? datos?
No No
¿Desea ¿Desea
conocer el valor conocer el
Sí Calcule la moda: Sí
que se repite Uso limitado de la moda valor que se repite con
d1
con más frecuencia LMo 1 ( ) w de datos no agrupados más frecuencia
en el conjunto d1 1 d2 en el conjunto de
de datos? datos?
No No

TERMINAR
PC-15
PC-16
● Diagrama de flujo: Medidas de tendencia central y dispersión
INICIAR
¿Desea
medir la Calcule el valor
dispersión de la observación
Sí
dentro más alta menor el valor
de los de la más baja

datos?
¿Desea
conocer más
acerca de
Calcule el
otras observaciones Sí
rango intercuartil
de los datos mientras
Q3 2 Q 1
evita los valores
extremos?
No
¿Desea Calcule la varianza

una medida de la población:
mejor de la Sí 2 ((x 2 m)2
dispersión que tome en s =
N
cuenta todas las
o de la muestra
observaciones?
((x 2 x- )2
s2 =
n21
No
Calcule la desviación estándar
¿Desea de la población:
medir la Sí
dispersión en s 5 =s 2
unidades más o de la muestra:
convenientes?
s 5 =s 2
No
¿Desea Calcule el resultado estándar

saber a cuántas de la población:
desviaciones estándar Sí x2m
está una observación s
arriba o abajo o de la muestra:
de la media? x2 x
s
No
¿Desea
conocer una
medida relativa de la Calcule el coeficiente
magnitud de la desviación estándar de variación:
Sí
respecto a la magnitud de la media para s
usarla en la comparación (100)
m
de dos distribuciones?
No
TERMINAR

PC-17
Prueba de conceptos
del capítulo 4
V F 1. En la teoría de la probabilidad, el resultado de algún experimento se conoce como actividad.
V F 2. La probabilidad de que dos o más eventos estadísticamente independientes se presenten de ma-
nera simultánea o consecutivamente es igual a la suma de sus probabilidades marginales.
V F 3. Utilizando el teorema de Bayes podemos desarrollar las probabilidades, basándonos en nueva
información; a estas probabilidades se les conoce también como probabilidades posteriores.
V F 4. En probabilidad clásica, podemos determinar a priori las probabilidades basadas en un razona-
miento lógico antes de que cualquier experimento se lleve a cabo.
V F 5. El conjunto de todos los resultados posibles de un experimento se conoce como espacio mues-
tral del experimento.
V F 6. En condiciones de dependencia estadística, una probabilidad marginal puede calcularse para al-
gún evento simple si se toma el producto de las probabilidades de los eventos conjuntos en los
que se presenta el evento simple.
V F 7. Cuando una lista de eventos que resulta de algún experimento incluye todos los resultados po-
sibles, se dice que la lista es colectivamente excluyente.
V F 8. La probabilidad incondicional se conoce también como probabilidad marginal.
V F 9. Una probabilidad subjetiva no es otra cosa que un pronóstico empírico.
V F 10. Cuando la presentación de algún evento no tiene efecto sobre la probabilidad de presentación
de algún otro, se dice que los dos eventos son estadísticamente independientes.
V F 11. Cuando se usa el planteamiento de frecuencia relativa, los cálculos de probabilidad se hacen me-
nos precisos para grandes cantidades de observaciones.
V F 12. Simbólicamente, una probabilidad marginal se expresa como P(AB).
V F 13. Si A y B son dos eventos estadísticamente dependientes, la probabilidad de que se presenten A
y B es P(A) 1 P(B).
V F 14. La probabilidad clásica supone que cada uno de los resultados posibles de un experimento es
igualmente probable.
V F 15. Una razón por la cual los tomadores de decisiones de alto nivel utilizan la probabilidad subjeti-
va es que deben enfrentarse a situaciones únicas.
V F 16. Al hacer la estimación de la probabilidad de algún evento, el planteamiento de frecuencia rela-
tiva de presentación proporciona la mayor flexibilidad.
V F 17. El teorema de Bayes es la fórmula para calcular la probabilidad condicional en condiciones de
dependencia estadística.
V F 18. Una desventaja del planteamiento subjetivo de la probabilidad es que presupone eventos diferentes.
V F 19. El planteamiento de frecuencia relativa de la probabilidad proporcionará probabilidades estadís-
ticas correctas después de 100 intentos.
V F 20. Cuando se utiliza el planteamiento subjetivo de la probabilidad, dos personas con la misma in-
formación pueden proporcionar respuestas distintas, pero igualmente correctas.
PC-19
V F 21. A y B son eventos independientes si P(A | B) 5 P(B).
A B C D E 22. Si un evento no se ve afectado por el resultado de otro evento, se dice que ambos eventos son:
a) Dependientes.
b) Independientes.
c) Mutuamente excluyentes.
e) Tanto b) como c).
A B C D 23. Si P(A o B) 5 P(A), entonces:
a) A y B son mutuamente excluyentes.
b) Las áreas del diagrama de Venn de A y B se traslapan.
c) P(A) 1 P(B) es la probabilidad conjunta de A y B.
A B C D 24. La probabilidad simple de que se presente un evento se conoce como
a) Probabilidad bayesiana.
b) Probabilidad conjunta.
c) Probabilidad marginal.
d) Probabilidad condicional.
A B C D E 25. ¿Por qué los eventos resultantes de lanzar una moneda al aire son mutuamente excluyentes?
a) Porque el resultado de cualquier lanzamiento no se ve afectado por los resultados de los lan-
zamientos que le anteceden.
b) Porque no se pueden presentar cara y cruz en el mismo lanzamiento.
c) Porque la probabilidad de obtener cara y la probabilidad de obtener cruz son las mismas.
d) Por todas las anteriores.
A B C D E 26. Si se dibujara un diagrama de Venn para los eventos A y B, que son mutuamente excluyentes,
¿qué cosa de lo siguiente sería siempre verdadero para A y B?
a) Sus representaciones en el rectángulo se traslaparán.
b) Sus representaciones en el rectángulo tendrán áreas iguales.
c) Sus representaciones en el rectángulo no se traslaparán.
A B C D 27. ¿Cuál es la probabilidad de que un valor escogido al azar de una determinada población sea ma-
yor que la mediana de la población?
a) 0.25.
b) 0.5.
c) 1.0.
d) 0.67.
A B C D E 28. Suponga que se lanza una sola vez un dado no cargado. ¿Cuál de lo siguiente es verdadero?
a) La probabilidad de obtener un número mayor que 1 es 1 2P(obtener 1).
b) La probabilidad de obtener un 3 es 1 2 P(obtener 1, 2, 4, 5 o 6).
c) La probabilidad de obtener un 5 o un 6 es mayor que la probabilidad de obtener un 3 o un 4.
A B C D E 29. Si A y B son eventos mutuamente excluyentes, entonces P(A o B) 5 P(A) 1 P(B). ¿De qué mane-
ra cambia el cálculo de P(A o B) si A y B no son mutuamente excluyentes?
a) P(AB) debe restarse de P(A) 1 P(B).
b) P(AB) debe sumarse a P(A) 1 P(B).
c) [P(A) 1 P(B)] debe multiplicarse por P(AB).
d) [P(A) 1 P(B)] debe dividirse entre P(AB).

A B C D E 30. Leo C. Swartz, un chofer de taxi de Chicago, ha visto que el clima afecta la disposición a dar
propina de sus clientes. Si está lloviendo, sus clientes por lo general dan poco de propina. Si no
está lloviendo, por lo general, dan buenas propinas. ¿Cuál de las afirmaciones siguientes son
verdaderas?
a) Propinas y clima son estadísticamente independientes.
b) Las condiciones del clima que Leo toma en cuenta no son mutuamente excluyentes.
c) P(buena propina| lluvia) es mayor que P(mala propina | lluvia).
e) a) y c), pero no b).
A B C D E 31. Suponga que se lanza un dado dos veces consecutivas y que usted tiene que trazar el árbol de
probabilidades que muestre todos los resultados posibles de los dos lanzamientos. ¿Cuántas ra-
mas tendrá su árbol?
a) 6.
b) 12.
c) 36.
d) 42.
e) 48.
En las preguntas 32-34, remítase a la siguiente situación: se colocan 10 bolas numeradas en una
urna. Las bolas 1 a 4 son rojas y las bolas 5 a 10 son azules.
A B C D E 32. ¿Cuál es la probabilidad de que una bola sacada al azar de la urna sea azul?
a) 0.1.
b) 0.4.
c) 0.6.
d) 1.0.
e) No se puede determinar desde la información dada.
A B C D E 33. La probabilidad de sacar la bola con el número 3, por supuesto, es de 0.1. Se saca una bola y és-
ta es roja. ¿Cuál de las siguientes afirmaciones son verdaderas?
a) P(bola #3 | bola sacada es roja) 5 0.1.
b) P(bola #3 | bola sacada es roja) < 0.1.
c) P(bola #3 | bola sacada es roja) > 0.1.
d) P(bola sacada es roja|bola sacada fue #3) 5 0.25.
e) c) y d) solamente.
A B C D E 34. En la pregunta 33, la probabilidad de sacar la bola número 3 fue considerada después de que se
había sacado una bola roja. Las nuevas probabilidades que consideramos se conocen como:
a) Exhaustivas.
b) A priori.
c) Marginales.
d) Subjetivas.
A B C D E 35. Simbólicamente, una probabilidad marginal es:
a) P(AB).
b) P(BA).
c) P(B| A).
d) P(ABC).
A B C D 36. Si sumamos las probabilidades de los eventos condicionales en los que el evento A se presenta
cuando estamos en condiciones de dependencia estadística, el resultado es:
a) La probabilidad marginal de A.
b) La probabilidad conjunta de A.
c) La probabilidad condicional de A.

37. Uno de los resultados posibles de hacer algo es un . La activi-
dad que produjo este resultado es un .
38. El conjunto de todos los resultados posibles de una actividad es el .
39. Una representación gráfica de los conceptos de probabilidad, que utiliza símbolos para repre-
sentar resultados, es .
40. Los eventos que no se pueden presentar juntos se conocen como .
41. La probabilidad de que se presente un evento, dado que ya se presentó otro, se conoce como pro-
babilidad .
42. En términos de sus suposiciones, el planteamiento menos restrictivo del estudio de la probabi-
lidad es el .
43. A menudo, el teorema de se utiliza en la toma de deci-
siones administrativas, debido a que proporciona formas de actualizar las estimaciones de pro-
babilidad anteriores, basándose en nueva información.
44. Una lista es si incluye todos los resultados posibles que se pueden
tener de un experimento.
45. Tres planteamientos diferentes del estudio de la probabilidad son el planteamiento
, el planteamiento y el planteamiento .

● Diagrama de flujo: Probabilidad 1. Ideas introductorias
INICIAR
¿Son los eventos No Regla de la adición:

mutuamente P (A o B )
excluyentes? = P(A ) + P(B ) – P(AB )
Sí
Regla de la adición:
P (A o B ) = P(A ) + P(B )
¿Son los eventos

No
estadísticamente
independientes?
Sí
La probabilidad marginal de que

La probabilidad marginal se presente el evento A es la suma
de que se presente el evento A de la probabilidad de todos los
es P(A ) eventos conjuntos en los que se
presenta el evento A
La probabilidad conjunta de La probabilidad conjunta de

dos eventos que se presentan que se presenten dos eventos
de manera simultánea o de manera simultánea o
consecutivamente es consecutivamente es
P(AB ) = P(A ) 3 P(B ) P(BA ) = P(B | A ) 3 P(A )
La probabilidad condicional
La probabilidad condicional de de que se presente un evento
que se presente un evento Éste es conocido
dado que otro ya se ha
dado que otro ya se ha como teorema
presentado es
presentado es P(BA ) de Bayes
P (B | A ) = P(B ) P(B | A ) =
P(A )
Determine las probabilidades

posteriores con el teorema
de Bayes
TERMINAR

Prueba de conceptos
del capítulo 5
V F 1. El valor esperado de un experimento se obtiene calculando el valor promedio aritmético de todos los
resultados del experimento.
V F 2. El valor de z para algún punto x que se encuentra en una distribución normal es el área entre x y la
media de la distribución.
V F 3. Las colas derecha e izquierda de la distribución normal se extienden indefinidamente, sin tocar nun-
ca el eje horizontal.
V F 4. Para una distribución normal, la media siempre se encuentra entre la moda y la mediana.
V F 5. Toda el área menos aproximadamente tres décimos del 1% de una distribución normal se encuentra
dentro de ±3 desviaciones estándar de la media.
V F 6. El desarrollo de una tabla de pérdida condicional es un trabajo tedioso cuando existen muchas accio-
nes y resultados posibles, debido a que la pérdida resultante de cada pareja acción/resultado debe in-
cluirse en la tabla.
V F 7. El área bajo la curva de una distribución normal entre la media y un punto situado a 1.8 desviacio-
nes estándar por arriba de la media es mayor para una distribución que tiene una media de 100 que
para una distribución que tiene una media de 0.
V F 8. La distribución normal puede utilizarse para aproximar la distribución binomial cuando el número
de ensayos, n, es mayor o igual a 60.
V F 9. Los dos tipos de pérdidas que analizamos al resolver un problema de almacenamiento de inventario
son a) pérdidas de oportunidad y b) pérdidas de actividad.
V F 10. Cuando la probabilidad de éxito en un proceso de Bernoulli es del 50% ( p 5 0.5), su distribución bi-
nomial es simétrica.
V F 11. Una distribución de frecuencias da una lista de las frecuencias observadas para un experimento que
ya se ha llevado a cabo; una distribución de probabilidad da una lista de aquellos resultados que po-
drían presentarse si el experimento se llevara a cabo.
V F 12. El valor que una variable aleatoria puede tomar por lo general se puede predecir con respecto a una
presentación particular.
V F 13. Una vez que el valor de p ya se ha determinado para un proceso de Bernoulli, el valor de q se calcu-
la como 1 2 p.
V F 14. Si el número esperado de llegadas a una oficina se calcula como cinco por hora, uno puede tener una
confianza razonable de que cinco personas llegarán en la siguiente hora.
V F 15. La distribución binomial no es realmente necesaria, pues sus valores se pueden aproximar siempre
por otra distribución.
V F 16. La estatura de los humanos adultos se puede describir mediante una distribución de Poisson.
PC-25
V F 17. Cualquier acción que minimice la pérdida esperada, minimizará también la ganancia esperada.
V F 18. Después de 20 ensayos de un experimento, se crea una curva de distribución con su forma definitiva.
V F 19. Un ejemplo de una pérdida de oportunidad podría ser la pérdida de ventas debido a un exceso de ma-
durez en la fruta de una tienda de abarrotes.
V F 20. Una distribución en la que la media y la mediana tienen diferentes valores nunca podrá ser una dis-
tribución normal.
V F 21. La media de una distribución binomial está dada por np.
A B C D E 22. Si la ganancia diaria esperada de un puesto de aguas frescas es de $13.45, entonces:
a) la ganancia del día siguiente será de $13.45.
b) la ganancia del día siguiente será menor que $13.45.
c) la ganancia del día siguiente será mayor que $13.45.
d) la pérdida del día siguiente será de $13.45.
A B C D E 23. Para una distribución binomial dada con n fija, si p < 0.5, entonces:
a) la distribución de Poisson proporcionará una buena aproximación.
b) la distribución de Poisson proporcionará una mala aproximación.
c) la distribución binomial estará sesgada hacia la izquierda.
d) la distribución binomial estará sesgada hacia la derecha.
e) la distribución binomial será simétrica.
A B C D 24. Suponga que tenemos una distribución de Poisson con l 5 2. Entonces la probabilidad de tener exac-
tamente 10 presentaciones es:
2210e10
a) }}.
10!
210e22
b) }}.
2!
102e210
c) }}.
10!
210e22
d) }}.
10!
A B C D E 25. ¿Cuál de las siguientes es una característica de la distribución de probabilidad para cualquier varia-
ble aleatoria?
a) Se da una probabilidad para cada valor posible.
b) La suma de todas las probabilidades es uno.
c) No se presenta una probabilidad dada más de una vez.
A B C D 26. ¿Cuál de las variables siguientes nunca podrá ser descrita por una distribución binomial?
a) El número de partes defectuosas producidas en un proceso de ensamblaje.
b) La cantidad de agua utilizada diariamente por una sola ama de casa.
c) El número de personas de su grupo que pueden responder correctamente a esta pregunta.
d) Todos los anteriores pueden ser descritas por una distribución binomial.

1 2
7!
A B C D E 27. Si p 5 0.4 para un proceso de Bernoulli, el cálculo }} (0.4)3(0.6)4 da la probabilidad de ob-
3! 3 4!
tener:
a) exactamente tres éxitos en siete ensayos.
b) exactamente cuatro éxitos en siete ensayos.
c) tres o más éxitos en siete ensayos.
d) cuatro o más éxitos en siete ensayos.
e) ninguno de los anteriores.
A B C D E 28. Para distribuciones binomiales con p 5 0.2:
a) Una distribución con n 5 2,000 se aproximarla mejor a la distribución normal que una con
n 5 50.
b) No importa qué valor se tenga de n, la distribución está sesgada hacia la derecha.
c) La gráfica de esta distribución con p 5 0.2 y n 5 100 sería exactamente la gráfica inversa de la
distribución binomial con n 5 100 y p 5 0.8.
A B C D E 29. ¿Cuál de las siguientes es una condición necesaria para el uso de una distribución de Poisson?
a) La probabilidad de una llegada por segundo es constante.
b) El número de llegadas en cualquier intervalo de un segundo es independiente de las llegadas en
otros intervalos.
c) La probabilidad de tener dos o más llegadas en el mismo segundo es cero.
A B C D E F 30. ¿En qué caso sería la distribución de Poisson una buena aproximación de la binomial?
a) n 5 40, p 5 0.32.
b) n 5 40, q 5 0.79.
c) n 5 200, q 5 0.98.
d) n 5 10, p 5 0.03.
e) a) y c).
f) Todos los anteriores.
A B C D E 31. Para una curva normal con m 5 55 y s 5 10, ¿qué fracción del área total se encontrará bajo la cur-
va a la derecha del valor 55?
a) 1.0.
b) 0.68.
c) 0.5.
d) 0.32.
e) No se puede determinar de la información dada.
A B C D E F 32. Suponga que está utilizando una distribución normal para aproximar una distribución binomial con
m 5 5 y s 5 2, y desea determinar la probabilidad de obtener más de siete éxitos. De la tabla nor-
mal, usted determinaría la probabilidad de que z fuera mayor que:
a) 0.
b) 0.5.
c) 0.75.
d) 1.0.
e) 1.25.
f) 1.5.

A B C D E F 33. Para una curva de distribución normal con una media de 120 y una desviación estándar de 35, ¿qué
fracción (en porcentaje) del área bajo la curva estará entre los valores de 40 y 82?
a) 12.7.
b) 85.1.
e) 13.8.
d) 48.9.
e) 12.1.
f) 19.4.
A B C D E F 34. ¿Cuáles de las siguientes curvas normales se parece más a la curva para m 5 10 y s 5 5?
a) La curva para m 5 10 y s 5 10.
b) La curva para m 5 20 y s 5 10.
c) La curva para m 5 20 y s 5 5.
d) La curva para m 5 12 y s 5 3.
e) a), c) y d).
A B C D E 35. Una distribución binomial puede ser aproximada por una distribución de Poisson si:
a) n es grande y p es grande.
b) n es pequeña y p es grande.
c) n es pequeña y p es pequeña.
d) Ninguno de las anteriores.
A B C D E F 36. La desviación estándar de una distribución binomial depende de:
a) La probabilidad de éxito.
b) La probabilidad de fracaso.
c) El número de ensayos.
f) a), b) y c).
37. El promedio ponderado de los resultados de un experimento se conoce como .
38. La distribución que trata solamente en términos de éxitos y fracasos se conoce como distribución
. Se le utiliza normalmente para describir un .
39. Cuando aproximamos una distribución binomial mediante una distribución normal, debe utilizarse
un factor de corrección de .
40. La media de una distribución binomial, m, se puede calcular como , cuando n y p

ya se conocen. La desviación estándar, s, se calcula como .
41. Para una distribución de Poisson, el símbolo que representa el número medio de presentaciones por
intervalo es .
42. Una lista de las probabilidades de los resultados que se podrían obtener en un experimento, si éste se
llevara a cabo, se conoce como .
43. Los dos parámetros que son necesarios para describir una distribución normal son
y .

44. Una es una variable que toma diferentes valores de acuerdo con los re-
sultados de un experimento.
45. Las distribuciones solamente pueden tomar un número li-

mitado de valores, mientras que las distribuciones pueden
tomar cualquier valor dentro de un intervalo.

● Diagrama de flujo: Distribuciones de probabilidad
PC-30
INICIAR
¿Desea
Sí conocer la
Escoja la distribución de distribución teórica de
probabilidad adecuada: frecuencias asociada con los
resultados posibles de
un experimento?

No
¿Son las variables
aleatorias (los resultados
del experimento) discretas?
Sí
1
¿Puede el
número medio de
1
llegadas por unidad de tiempo 1
¿Cada ensayo ser estimado a partir de datos
tiene dos ¿La curva tiene sólo
anteriores? 2 ¿Es la probabilidad de tener un punto máximo?
resultados posibles? No exactamente una llegada en un intervalo un número muy No No
2 ¿La media se encuentra en el centro
2 ¿La probabilidad de obtener el resultado pequeño y constante? 3 ¿Es la probabilidad de que dos o más de la curva? 3 ¿Es simétrica la curva? 4 ¿Las
de cualquier ensayo permanece fija llegadas se presenten en un mismo intervalo un número tan pequeño dos colas de la curva se extienden de manera
en el tiempo? 3 ¿Son los intentos que le podemos asignar el valor de cero? 4 ¿Es el número indefinida y nunca tocan el eje
estadísticamente de llegadas por intervalo un evento independiente horizontal?
del tiempo? 5 ¿Es el número de llegadas
independientes?
por intervalo en cualquier otro
intervalo? Consulte a un especialista en
estadística acerca de otras
distribuciones posibles
Sí Sí Sí
Utilice la distribución binomial Utilice la distribución de Poisson Utilice la distribución normal
y la fórmula: y la fórmula: y la tabla de probabilidades
Probabilidad de r éxitos en Probabilidad de x presentaciones = normal estándar,
n ensayos = con
n! λx × e–λ
p rq n–r x–µ
r ! (n –r) ! x! z=
σ
Puede utilizar la distribución

Yes TERMINAR
de Poisson como una
¿Es n ≥ 20 aproximación de la
y p ≤ .05? distribución binomial:
x –np
P(x) = (np) × e
x!
No
Puede utilizar la distribución

normal como una
Yes aproximación de la
¿Es np ≥ 5 distribución binomial,
y nq ≥ 5? con
µ = np
and
σ = √ npq
TERMINAR

PC-31
Prueba de conceptos
del capítulo 6
V F 1. Cuando los elementos incluidos en una muestra se basan en el juicio del individuo que conduce la
muestra, se dice que la muestra es no aleatoria.
V F 2. Una estadística es una característica de una población.
V F 3. Un plan de muestreo que selecciona miembros de una población a intervalos uniformes con respec-
to al tiempo, al orden o al espacio se denomina muestreo estratificado.
V F 4 Como regla general, no es necesario incluir un multiplicador de población finita en el cálculo del
error estándar de la media cuando el tamaño de la muestra es mayor que 50.
V F 5. La distribución de probabilidad de todas las medias posibles de muestras se conoce como la distri-
bución de muestreo de la media.
V F 6. Los principios de muestreo aleatorio simple son la base teórica de la inferencia estadística.
V F 7. El error estándar de la media es la desviación estándar de la distribución de medias de la muestra.
V F 8. Un plan de muestreo que divide a la población en grupos bien definidos de los cuales se extraen mues-
tras aleatorias se conoce como muestreo de racimo.
V F 9. Con un mayor tamaño de muestra, la distribución de muestreo de la media se aproxima a la norma-
lidad, sin importar la distribución de la población.
V F 10. El error estándar de la media disminuye en proporción directa al tamaño de muestra.
V F 11. Para realizar una enumeración completa, se debe examinar cada elemento de una población.
V F 12. En la vida diaria vemos muchos ejemplos de poblaciones infinitas de objetos físicos.
V F 13. Para obtener una distribución teórica de muestreo, consideramos todas las muestras de un tamaño dado.
V F 14. Las muestras grandes son siempre una buena idea, porque disminuyen el error estándar.
V F 15. Si la media de una cierta población fuera 15, es probable que la mayor parte de las muestras que po-
dríamos tomar de esa población tuviera medias de 15.
V F 16. La precisión de una muestra está determinada por el número de elementos de la muestra y no por la
fracción de la población total muestreada.
V F 17. El error estándar de una estadística de muestra es la desviación estándar de su distribución de muestreo.
V F 18. El muestreo de juicio tiene la desventaja de que puede perder cierta representatividad de una muestra.
V F 19. La fracción de muestreo compara el tamaño de una muestra con el tamaño de la población.
V F 20. Cualquier distribución de muestreo puede ser descrita totalmente por su media y su desviación estándar.
V F 21. La precisión con la que puede usarse la media de muestra para estimar la media de población dismi-
nuye al incrementarse el error estándar.
A B C D E 22. ¿Cuál de los siguientes es un método para seleccionar muestras de una población?
a) Muestreo de juicio.
b) Muestreo aleatorio.
c) Muestreo de probabilidad.
PC-33
A B C D E 23. Elija el par de símbolos que mejor complete esta oración:
es un parámetro, mientras que es una estadística.
a) N, m.
b) s, s.
c) N, n.
A B C D E 24. En un muestreo aleatorio, podemos describir matemáticamente lo objetivo de nuestras estimaciones.
¿Por qué?
a) Siempre sabemos la probabilidad de que cualquier elemento de la población se incluya en la muestra.
b) Toda muestra siempre tiene una oportunidad igual de ser seleccionada.
c) Todas las muestras son exactamente del mismo tamaño y pueden contarse.
d) Ninguno de las anteriores.
A B C D E 25. Suponga que está efectuando un muestreo estratificado sobre una población particular y que la ha di-
vidido en estratos de tamaños diferentes. ¿Cómo puede hacer ahora su selección de muestras?
a) Seleccionando aleatoriamente un número igual de elementos de cada estrato.
b) Extrayendo un número igual de elementos de cada estrato y valorando los resultados.
c) Extrayendo elementos de cada estrato proporcionales a sus valores en la población.
d) Sólo a) y b).
e) Sólo b) y c).
s
A B C D E 26. ¿En cuál de las siguientes situaciones s wx 5 } sería la fórmula correcta para calcular s wx?
Ïnw
a) El muestreo es de una población infinita.
b) El muestreo es de una población finita con reemplazo.
c) El muestreo es de una población finita sin reemplazo.
d) Sólo a) y b).
e) Sólo b) y c).
A B C D E 27. La dispersión entre medias de muestra es menor que la dispersión entre los mismos elementos mues-
treados porque:
a) Cada muestra es menor que la población de la que se extrae.
b) Los valores muy grandes se promedian hacia abajo, y los valores muy pequeños hacia arriba.
c) Los elementos muestreados se extraen todos de la misma población.
A B C D 28. Suponga que una población con N 5 144 tiene m 5 24. ¿Cuál es la media de la distribución de mues-
treo de la media para muestras de tamaño 25?
a) 24.
b) 2.
c) 4.8.
d) No puede determinarse de la información dada.
A B C D 29. El teorema del límite central nos asegura que la distribución de muestreo de la media:
a) Es siempre normal.
b) Es siempre normal para tamaños grandes de muestra.
c) Se aproxima a la normalidad al tiempo que se incrementa el tamaño de muestra.
d) Parece normal sólo cuando N es mayor que 1,000.
A B C 30. Supongamos que, para una cierta población, se tiene que s wx tiene el valor de 20 cuando se toman
muestras de tamaño 25, y el valor de 10 cuando se toman muestras de tamaño 100. Al cuadruplicar
el tamaño de la muestra, entonces, sólo se dividió a la mitad s wx. Podemos concluir que el aumentar el
tamaño de la muestra es:
a) Siempre eficaz en cuanto al costo.
b) Algunas veces es eficaz en cuanto al costo.
c) Nunca es eficaz en cuanto al costo.

A B C D 31. Remítase nuevamente a los datos de la pregunta 30. ¿Cuál debe ser el valor s para esta población in-
finita?
a) 1,000.
b) 500.
c) 377.5.
d) 100.
A B C D E 32. El multiplicador de población finita no tiene que usarse cuando la fracción de muestreo es:
a) Mayor que 0.05.
b) Mayor que 0.50.
c) Menor que 0.50.
d) Mayor que 0.90.
A B C D 33. El error estándar de la media de un tamaño de muestra de dos o más es:
a) Siempre mayor que la desviación estándar de la población.
b) Generalmente mayor que la desviación estándar de la población.
c) Generalmente menor que la desviación estándar de la población.
A B C D 34. Un punto de inspección de la patrulla fronteriza que detiene a todo camión de pasajeros utiliza:
a) Muestreo aleatorio simple.
b) Muestreo sistemático.
c) Muestreo estratificado.
d) Enumeración completa.
A B C D E 35. En una población normalmente distribuida, la distribución de muestreo de la media:
a) Está normalmente distribuida.
b) Tiene una media igual a la media de la población.
c) Tiene una desviación estándar igual a la desviación estándar de la población dividida entre la raíz
cuadrada de un tamaño de muestra.
e) Tanto a) como b).
A B C D 36. El teorema del límite central:
a) Requiere cierto conocimiento de la distribución de frecuencia.
b) Nos permite utilizar estadísticas de muestra para hacer inferencias con respecto a parámetros de
población.
c) Relaciona la forma de una distribución de muestreo de la media con la media de la muestra.
d) Requiere que una muestra contenga menos de 30 observaciones.
37. Una porción de los elementos de una población elegidos para su examen o medición directa es una
.
38. La proporción de la población contenida en una muestra es la .
39. es el proceso mediante el cual se hacen inferencias acerca de una
población a partir de información sobre una muestra.
40. La es la distribución que se obtiene al encontrar la distribución de
muestreo de todas las muestras de un tamaño dado de una población.
41. El muestreo se debe usar cuando cada grupo considerado tiene una
pequeña variación dentro de sí mismo, pero hay una amplia variación entre diferentes grupos.
42. Un método aleatorio en el que los elementos se seleccionan a partir de la población a intervalos uni-
formes se denomina muestreo .
43. es el grado de precisión con el cual la media de muestra puede es-
timar la media de población.
44. Dentro de una población, los grupos que son similares entre sí (aunque los grupos mismos tengan
una amplia variación interna) se conocen como .
45. Una distribución de muestreo de la porción es la distribución de probabilidad de .

PC-36
● Muestreo y distribución de muestreo
INICIAR
Utilice muestreo o distribuciones

de muestreo para hacer inferencias ¿Se emplea la experiencia Sí Esto es
acerca de una población acerca de la población muestreo
sin contar o medir cada elemento para seleccionar de juicio
de la población la muestra?

No
Esto es el muestreo
aleatorio: todos los
elementos de la población
tienen oportunidad de ser
seleccionados
en la muestra
¿Desea que ¿Desea que

cada muestra cada elemento
posible tenga una tenga una oportunidad
Use muestreo
Sí probabilidad igual de ser No igual de ser seleccionado, Sí Utilice
aleatorio simple
seleccionada que cada elemento pero que cada muestra el muestreo
empleando la tabla
de la población tenga una no tenga una oportunidad sistemático
de los dígitos aleatorios
oportunidad igual de igual de ser
ser incluido en la seleccionada?
muestra?
No
¿Está ¿Está
la población ya la población ya
dividida en grupos, dividida en grupos,
Utilice teniendo cada grupo una amplia teniendo cada grupo una Utilice
Sí variación dentro de sí mismo No pequeña variación dentro de sí mismo Sí
el muestreo el muestreo
de racimo y desea garantizar que todo y desea garantizar que todo elemento estratificado
elemento de la población tenga de la población tenga la
la oportunidad de ser oportunidad de ser
seleccionado? seleccionado?
No
La distribución de muestreo La distribución de muestreo

de x , la media de muestra, tiene ¿La
de x , la media de muestra, tiene
No población es Sí
mx = m infinita? mx = m
sx = s 3 N–n
n N–1 sx = s/ n
¿Está
la población No ¿Es No Consulte a
normalmente n > 30? un estadístico
distribuida?
Sí
Sí
El teorema del límite central

Para hacer afirmaciones permite inferencias acerca de
estadísticas respecto a las poblaciones sin conocer
x, utilice la distribución la forma de la distribución de
normal estándar con, frecuencia de la población, sólo

TERMINAR con lo que obtenemos de la
muestra; la distribución de
x – mx muestreo de la media se
z= sx aproximará a la normalidad al
incrementarse el tamaño de
muestra
PC-37
Prueba de conceptos
del capítulo 7
V F l. Se dice que un estadístico es un estimador eficiente de un parámetro si, al aumentar el tama-
ño de la muestra, es casi seguro que el valor del estadístico se acerca mucho al valor del pa-
rámetro.
V F 2. Una estimación de intervalo es un intervalo de valores utilizado para estimar la forma de la dis-
tribución de una población.
V F 3. Si un estadístico tiende a tomar valores mayores que el parámetro de la población con la misma
frecuencia con que tiende a tomar valores menores, decimos que el estadístico es un estimador
no sesgado del parámetro.
V F 4. La probabilidad de que un parámetro de población se encuentre dentro de una estimación de in-
tervalo dada se conoce como nivel de confianza.
V F 5. Al aumentar el tamaño de la muestra, la distribución t tiende a una forma más plana.
V F 6. Debemos utilizar siempre la distribución t, y no la distribución normal, cuando se desconoce la
desviación estándar de la población.
V F 7. Podemos obtener una burda estimación de la desviación estándar de alguna población si tene-
mos alguna información acerca de su alcance.
V F 8. Cuando se utiliza la distribución t para hacer estimaciones, se debe suponer que la población es
aproximadamente normal.
V F 9. No siempre es deseable utilizar niveles de confianza altos, debido a que producen intervalos de
confianza grandes.
V F 10. Existe una distribución t distinta para cada posible tamaño de muestra.
V F 11. Una estimación puntual a menudo resulta insuficiente, porque sólo puede ser correcta o inco-
rrecta.
V F 12. Se dice que una media de muestra es un estimador no sesgado o imparcial de una media de po-
blación debido a que ningún otro estimador podría extraer de la muestra información adicional
acerca de la media de la población.
V F 13. El estimador de s que se utiliza con más frecuencia es s.
V F 14. El error estándar de la población se calcula como Ïpw(1
ww 2w)
pwn/ w.
V F 15. El número de grados de libertad que se utilizan en una estimación de distribución t es igual al
tamaño de la muestra.
V F 16. Conforme aumenta el tamaño de la muestra, la distribución t se aproxima menos a una distribu-
ción normal.
PC-39
V F 17. No es necesario usar la distribución t en estimación si se conoce la desviación estándar de la po-
blación.
V F 18. La mediana de la muestra es siempre el mejor estimador de la mediana de la población.
V F 19. Conforme aumenta el ancho de un intervalo de confianza, el nivel de confianza asociado con el
intervalo también se incrementa.
V F 20. La estimación del error estándar de la media de una población finita utilizando la estimación
de la desviación estándar de la población, requiere que se use la distribución t para calcular los
intervalos de confianza subsecuentes.
V F 21. Los porcentajes que se encuentran en la tabla de la distribución t corresponden a la probabilidad
de que el parámetro verdadero de la población se encuentre fuera del intervalo de confianza.
V F 22. En una distribución normal, 100% de la población se encuentra dentro de 63 desviaciones es-
tándar de la media.
A B C D E 23. Cuando escogemos un estimador de un parámetro de población, debe tomarse en cuenta:
a) Suficiencia.
b) Claridad.
c) Eficiencia.
A B C D E 24. Suponga que se preguntó a 200 miembros de un grupo si les gusta o no un producto en particu-
lar. 50 dicen que sí y 150 dicen que no. Suponiendo que “sí” significa un éxito, ¿cuál de las si-
guientes es correcta?
a) p̂ 5 0.33.
b) p̂ 5 0.25.
c) p 5 0.33.
d) p 5 0.25.
e) b) y d), solamente.
A B C D 25. Suponga que está tomando una muestra y calcula wx 5 100. Después calcula el límite superior
de un intervalo de confianza del 90% para m; su valor es 112. ¿Cuál es el límite inferior de este
intervalo de confianza?
a) 88.
b) 92.
c) 100.
d) No se puede determinar a partir de la información proporcionada.
A B C D E 26. Después de tomar una muestra y calcular xw, un especialista en estadística dice: “tengo el 88%
de certeza de que la media de la población está entre 106 y 122”. ¿Qué es lo que quiere decir en
realidad?
a) La probabilidad de que m se encuentre entre 106 y 122 es de 0.88.
b) La probabilidad de que m 5 114, el punto medio del intervalo, es de 0.88.
c) El 88% de los intervalos calculados a partir de las muestras de este tamaño contendrá a la
media de la población.

A B C D E 27. ¿Cuál de las siguientes es una condición necesaria para utilizar una tabla de distribución t?
a) n es pequeño.
b) Se conoce s, pero no s.
c) La población es infinita.
A B C D 28. ¿Cuál de las siguientes distribuciones t se esperaría que tuviera la mayor área en sus colas?
a) xw 5 0.83, grados de libertad 5 12.
b) wx 5 15, grados de libertad 5 19.
c) wx 5 15, n 5 19.
d) wx 5 8.3, n 5 12.
A B C D E 29. ¿Cuál de las siguientes es una diferencia entre las tablas z y las tablas t?
a) La tabla t sólo tiene valores para unos cuantos porcentajes.
b) La tabla t mide la probabilidad de que el parámetro de población que estamos estimando es-
té en nuestro intervalo de confianza.
c) Debemos especificar los grados de libertad con los que estamos tratando cuando utilizamos
una tabla z.
A B C D E 30. Suponga que intentamos estimar una varianza de población utilizando s2. No es correcto calcu-
lar s2 como S(x – wx)2/n debido a que el valor sería:
a) Sesgado.
b) Ineficiente.
c) Inconsistente.
d) Insuficiente.
A B C D E 31. Al considerar muestras cuyo tamaño es mayor que 30, utilizamos la tabla normal, aun cuando
se desconozca la desviación estándar de la población. ¿Por qué?
a) El cálculo de los grados de libertad se vuelve difícil para muestras de tamaño grande.
b) El número de porcentajes que necesitamos para el cálculo de los intervalos de confianza ex-
cede al número de los contenidos en las tablas t.
c) Es difícil calcular wx (y en consecuencia s2) para muestras grandes.
A B C D E 32. Suponga que, de una población con N 5 50, se toma una muestra de tamaño 15; se sabe que s2
es igual a 36 y que s2 para la muestra es 49; la wx para la muestra se calcula en 104. ¿Cuál de las
siguientes deberá utilizarse para calcular un intervalo de confianza del 95% para m?
a) La distribución t de Student.
b) La distribución normal.
c) Multiplicador de población finita.
A B C D 33. Podemos utilizar la distribución normal para representar la distribución muestral de la pobla-
ción cuando:
a) El tamaño de la muestra es mayor que 10.
b) El tamaño de la muestra es menor que 50.
c) El tamaño de la muestra es mayor que 5.

A B C D E 34. Si una estadística subestima un parámetro de población en el mismo grado en que lo sobresti-
ma, podemos llamarlo:
a) Consistente.
b) Suficiente.
c) Eficiente.
A B C D 35. Si no se conoce la información sobre la proporción de población, el error estándar de la propor-
ción puede estimarse mediante la fórmula:
a) Ïnwpwqw.
b) Ïnwp̂q
wŵ.
c) Ïp
wqw/n
w.
wŵ/n.
d) Ïp̂q
A B C D 36. Se sabe que la estatura promedio de los 25 estudiantes del curso de matemáticas de décimo año
del maestro Stanton es de 66 pulgadas. Al elaborar un intervalo de confianza del 95% para la
estatura promedio de todos los alumnos del décimo año, deberíamos usar:
a) La distribución normal con 24 grados de libertad.
b) La distribución t con 24 grados de libertad.
c) La distribución t con 65 grados de libertad.
d) La distribución t con 25 grados de libertad.
A B C D E 37. Cierta población con distribución normal tiene una desviación estándar conocida de 1.0. ¿Cuál
es el ancho total de un intervalo de confianza del 95% para la media de la población?
a) 1.96.
b) 0.98.
c) 3.92.
d) No se puede determinar con la información proporcionada.
38. Un solo número que se utiliza para estimar un parámetro de población desconocido es un(a)
.
39. Un intervalo de valores que se utiliza para estimar un parámetro de población desconocido es
un(a) .
40. Una vez que sabemos algo acerca de una muestra, el número de valores de la muestra que po-
demos especificar libremente se conoce como .
41. La familia de distribuciones de probabilidad que se utiliza cuando no se conoce la desviación
estándar de la población, el tamaño de la muestra es pequeño y los valores se aproximan a la
distribución normal es el (la) .
42. Cuando damos una estimación de intervalo de un parámetro de población, hacemos notar qué
tan seguros estamos de que el intervalo contiene al parámetro real de la población, establecien-
do un .
43. Los límites superior e inferior de confianza están a la misma de la
.

44. Teóricamente, la distribución es la distribución correcta para la
construcción de intervalos de confianza para estimar una proporción de población.
45. En ausencia de información adicional, debería utilizarse un valor de
para p al determinar el tamaño de muestra para la estimación de una proporción de población.

PC-44
● Diagrama de flujo: Estimación
INICIAR
Para estimar una característica de

población mediante la observación ¿Desea
de dicha característica saber el alcance
en una muestra, primero haga del error de la

una estimación puntual: estimación y la probabilidad No
de que el parámetro TERMINAR
x es el estimador de m
s es el estimador de s verdadero de la población
s 2 es el estimador de s 2 esté dentro de ese
pˆ es el estimador de p alcance?
Sí
Para hacer una estimación de intervalo:

Escoja un nivel de confianza
Determine el tamaño de muestra
necesario
Existen muchos casos diferentes,

¿El dependiendo de si
parámetro m 1. La población es finita
de interés es 2. La población es normal
p o m? 3. Se conoce s
4. n es mayor que 30.
Vea la tabla 7-5
p
¿Es
Consulte a un No n 30,
especialista npˆ 5 y
en estadística nqˆ 5?
Sí
¿Es
la Consulte a
No
población un especialista en
infinita? estadística
Sí
s
^p = pˆ qˆ
= n
Determine
el valor
apropiado de z
Los límites del

intervalo de confianza son:
pˆ ± z s
^p
TERMINAR

PC-45
Prueba de conceptos
del capítulo 8
V F 1. En la prueba de hipótesis, suponemos que algún parámetro de población toma un valor particu-
lar antes de muestrear. Esta suposición que se va a probar se denomina hipótesis alternativa.
V F 2. Suponiendo que una hipótesis dada acerca de la media de una población es correcta, el porcen-
taje de medias muestrales que pudieran caer fuera de ciertos límites de esta media hipotética se
denomina nivel de significancia.
V F 3. En la prueba de hipótesis, la distribución de probabilidad apropiada es siempre la distribución
normal.
V F 4. Si cometiéramos un error tipo I, rechazaríamos una hipótesis nula cuando realmente es verda-
dera.
V F 5. Una prueba en la escala sin procesar o en la escala estandarizada nos lleva a la misma conclu-
sión.
V F 6. Sí 1.96 es el valor crítico de z, entonces el nivel de significancia de la prueba es 0.05.
V F 7. Si nuestras hipótesis nula y alternativa son H0: m 5 80 y H1: m < 80, es apropiado utilizar una
prueba de cola izquierda.
V F 8. Si la media de muestra estandarizada está entre cero y el valor crítico, entonces no se rechaza
H0.
V F 9. El valor 1 2 b se conoce como la potencia de la prueba.
V F 10. Después de realizar una prueba de una cola y rechazar H0, se da cuenta de que debió haber he-
cho una prueba de dos colas, al mismo nivel de significancia. También rechazará H0 para esa
prueba.
V F 11. A menudo, aunque no siempre, es posible establecer el valor de a de manera que obtengamos
un trueque sin riesgos en la prueba de hipótesis.
V F 12. Imagine que efectúa una prueba de hipótesis de dos colas sobre una media de población y ha es-
tablecido a 5 0.05. Si el estadístico muestral cae dentro de 0.95 del área alrededor de mH0, us-
ted ha probado que la hipótesis nula es cierta.
V F 13. Si las pruebas de hipótesis se hicieran a un nivel de significancia de 0.60, la hipótesis nula ge-
neralmente se aceptaría cuando no es cierta.
V F 14. Si mH0 5 50 y a 5 0.05, entonces 1 2 b debe ser igual a 0.95 cuando m 5 50.
V F 15. Para un nivel de significancia dado, los valores críticos de t se acercan a cero cuando crece el ta-
maño de la muestra.
V F 16. Elegir el nivel de significancia apropiado es más fácil que elegir la prueba correcta que se debe
utilizar.
V F 17. Existen métodos matemáticos que garantizan que el nivel de significancia seleccionado siem-
pre será el adecuado.
V F 18. La prueba de hipótesis nos ayuda a sacar conclusiones sobre parámetros estimados.
PC-47
V F 19. Una prueba de hipótesis será útil para determinar si una media de población es 45 o 60 (es de-
cir, H0: m 5 45; H1: m 5 60).
V F 20. La prueba de hipótesis no es infalible al probar la “verdad” respecto a valor de un parámetro de
población.
V F 21. Es apropiado utilizar la potencia de una prueba de hipótesis sólo con pruebas de una cola.
A B C D 22. Un fabricante de automóviles importante ha tenido que retirar varios modelos de su línea 1993
debido a problemas de control de calidad que no fueron descubiertos con los procedimientos
finales de inspección aleatoria. Éste es un ejemplo de:
a) Error tipo I.
b) Error tipo II.
c) Error tipo I y error tipo II.
d) Ningún tipo de error.
A B C D 23. Si n 5 24 y a 5 0.05, entonces el valor crítico de t para probar las hipótesis H0: m 5 38 y
H1: m < 38 es:
a) 2.069.
b) 1.714.
c) 21.714.
d) 22.069.
A B C D E 24. Para probar hipótesis acerca de la media de una población normal con desviación estándar co-
nocida, podemos comparar:
a) El valor observado de wx con el valor crítico de wx.
b) El valor observado de xw con el valor crítico de z.
c) El valor observado de z con el valor crítico de wx.
d) El valor observado de z con el valor crítico de z.
e) Cualquiera de a) o d).
A B C D E 25. Si decimos que a 5 0.10 para una prueba de hipótesis dada, entonces estamos diciendo que:
a) 10% es nuestro estándar mínimo para una probabilidad aceptable.
b) 10% es el riesgo que corremos de rechazar una hipótesis que es cierta.
c) 10% es el riesgo que corremos de aceptar una hipótesis que es falsa.
d) a) y b) solamente.
e) a) y c) solamente.
A B C D 26. Suponga que deseamos probar si una media de población es significativamente mayor o menor
que 10. Tomamos una muestra y encontramos xw 5 8. ¿Cuál debe ser nuestra hipótesis alterna-
tiva?
a) m < 10.
b) m ≠ 10.
c) m > 10.
A B C D E 27. Suponga que se realiza una prueba de hipótesis para un proceso en el que un error tipo I puede
ser muy costoso, pero un error tipo II puede resultar relativamente barato y sin importancia.
¿Cuál de los siguientes sería la mejor elección para a en esta prueba?
a) 0.01.
b) 0.10.
c) 0.25.
d) 0.50.

A B C D 28. Usted realiza una prueba de cola derecha sobre una media de población y no conoce s. Toma
una muestra de tamaño 26 y calcula xw y s. A un nivel de significancia de 0.01, ¿en dónde busca-
ría el valor crítico para la prueba?
a) La tabla z, donde 0.99 del área está a la izquierda del valor z.
b) La tabla z, donde 0.98 del área está a la izquierda del valor z.
c) La tabla t, con 25 grados de libertad y la columna de 0.02.
d) La tabla t, con 25 grados de libertad y la columna de 0.0l.
A B C D E 29. Cuando usamos la proporción de la muestra pw para probar las hipótesis H0: p 5 pH0 y H1: p ≠
pH0, el error estándar de pw es:
a) Ïpwqw/nw.
b) pq/n.
c) Ïpww Hwqwwn
0 H0
/w.
d) pH0qH0/n.
A B C D E F 30. Para una prueba de hipótesis dada, a 5 0.05 y b 5 0.10. La potencia de esta prueba es:
a) 0.15.
b) 0.90.
c) 0.85.
d) 0.95.
e) 0.25.
A B C D 31. Para una prueba de hipótesis de dos colas, con a 5 0.1, la región de aceptación es toda la región:
a) A la derecha del valor crítico negativo.
b) Entre los dos valores críticos.
c) Fuera de los dos valores críticos.
d) A la izquierda del valor crítico positivo.
A B C D 32. La distribución normal es la distribución apropiada para usar al probar hipótesis respecto a:
a) Una proporción, cuando npH0 > 5 y nqH0 > 5.
b) Una media, cuando s es conocida y la población es normal.
c) Una media, cuando s es desconocida, pero n es grande.
A B C D E 33. Cuando se acepta una hipótesis nula, es posible que:
a) Se haya tomado una decisión correcta.
b) Se haya cometido un error tipo I.
c) Haya ocurrido tanto a) como b).
d) No haya ocurrido a) ni b).
A B C D E 34. Cuando la hipótesis nula es H0: m 5 42, la hipótesis alternativa puede ser:
a) H1: m ≥ 42.
b) H1: m < 42.
c) H1: m 5 40.
d) H1: m ≠ 40.
A B C D 35. Con un nivel de significancia más bajo, la probabilidad de rechazar una hipótesis nula que de
hecho es cierta:
a) Disminuye.
b) Permanece igual.
c) Se incrementa.

A B C D E F 36. Los responsables de la toma de decisiones deciden el nivel de significancia apropiado al exami-
nar el costo de:
a) Efectuar la prueba.
b) Un error tipo I.
c) Un error tipo lI.
d) a) y b).
e) a) y c).
f) b) y c).
37. Los valores observados wx y los valores críticos z no se pueden comparar de manera directa por-
que están dados en dos diferentes.
38. Con el fin de usar la distribución t para probar hipótesis acerca de la media de una población, de-
be suponerse que la población tiene una distribución y que su des-
viación estándar es .
39. Para estar seguros de que la prueba de hipótesis trabaja correctamente, es mejor que el valor de
1 2 b esté tan cerca de como sea posible.
40. La potencia de una prueba se refiere a la habilidad de la prueba para la hi-
pótesis cuando en realidad es .
41. Una suposición o especulación acerca del valor de un parámetro es una .
42. Aceptar una hipótesis nula cuando es falsa constituye un error tipo
y su probabilidad se identifica con .
43. La suposición acerca de un parámetro que deseamos probar es la hipótesis ;
la conclusión que aceptamos cuando los datos no la apoyan es la hipótesis .
44. Una prueba de hipótesis que involucra dos regiones de rechazo se conoce como una prueba de
dos .
45. Si la hipótesis nula es m 5 10 y la hipótesis alternativa es m > 10, la prueba apropiada para este
caso sería una prueba .

● Diagrama de flujo: Pruebas de hipótesis de una sola muestra
INICIAR
Use la prueba de hipótesis

para determinar si es razonable
concluir a partir del análisis
de una muestra que
toda la población
posee cierta propiedad
Decida si ésta es una prueba de dos colas

o de una cola. Establezca su hipótesis.
Seleccione un nivel de significancia
apropiado para esta decisión
Decida qué distribución (t o z)

es la adecuada (vea la tabla 8-1) y
encuentre el valor crítico para el nivel
de significancia elegido en la tabla
adecuada del apéndice
Calcule el error estándar del

estadístico muestral. Use el error
estándar para estandarizar
el valor de la muestra observado
Bosqueje la distribución y
señale la posición del valor muestral
estandarizado y los valores
críticos para la prueba
¿Está el
No estadístico muestral Sí
dentro de la región de
Rechace Ho Acepte Ho
Traduzca los resultados

estadísticos en acciones
administrativas apropiadas
TERMINAR

Prueba de conceptos
del capítulo 9
V F l. Una prueba de diferencias por pares resulta apropiada cuando las dos muestras que se prueban son
dependientes entre sí.
V F 2. Una prueba de una cola para la diferencia entre medias puede llevarse a cabo cuando el tamaño de
las muestras es grande o pequeño y los procedimientos son similares. La única diferencia es que
cuando el tamaño de muestra es grande, utilizamos la distribución normal, mientras que cuando los
tamaños de muestra son pequeños se usa la distribución t.
V F 3. En la prueba de hipótesis sobre la diferencia de dos medias, suponga que el tamaño de las muestras
es grande. Si no conocemos las desviaciones estándar reales de las dos poblaciones, podemos utili-
zar las desviaciones estándar de las muestras como estimaciones.
V F 4. Si tomamos dos muestras independientes y hacemos una prueba de hipótesis para ver si sus medias
son significativamente distintas, encontraríamos que los resultados son muy parecidos a los de una
prueba de diferencias por pares llevada a cabo en las mismas dos muestras.
V F 5. Cuando hacemos una prueba de dos colas para la diferencia entre medias, con la hipótesis nula
m1 5 m2, la diferencia hipotética entre las dos medias de población es cero.
V F 6. No se pueden determinar exactamente los valores P (a partir de la tabla), cuando utilizamos la distri-
bución t en la prueba de una hipótesis.
V F 7. Las pruebas de dos muestras se utilizan para llegar a conclusiones acerca de la relación entre dos po-
blaciones.
V F 8. Cuando los tamaños de muestra son pequeños, sólo se pueden realizar pruebas de una cola de la di-
ferencia entre dos medias de las dos poblaciones.
V F 9. Cuando la hipótesis nula para probar la diferencia entre dos proporciones de población es H0: p1 5
p2, se combinan las dos muestras para estimar la proporción de la población combinada.
V F 10. La mayor parte de los paquetes estadísticos de computación no dan valores P para la prueba de hipó-
tesis, de modo que tiene que usarse tablas para decidir si aceptar o rechazar H0.
V F 11. Al probar la diferencia de dos medias de población, la hipótesis nula debe ser H0: m1 5 m2.
V F 12. Si los tamaños de muestra son demasiado pequeños para poder utilizar la distribución normal en una
prueba de la diferencia entre las dos proporciones de población, se debe utilizar la distribución t.
V F 13. Si utiliza valores P, no tiene que especificar un valor de a antes de tomar las muestras.
V F 14. Para comparar dos medias de población con muestras pequeñas, debe siempre usar la varianza con-
junta de las dos muestras.
V F 15. Probar las diferencias entre medias con muestras dependientes se convierte en prueba de una mues-
tra cuando una vez calculadas las diferencias de las observaciones por pares.
V F 16. A pesar de que no sabe todavía cómo hacer pruebas de muestras pequeñas de dos medias indepen-
dientes cuando las dos varianzas de población son diferentes, muchos paquetes estadísticos realizar
pruebas con esas condiciones.
V F 17. Las pruebas de diferencias apareadas de las medias se pueden basar en la distribución normal o en la
t, dependiendo del tamaño de las muestras.
PC-53
V F 18. Los valores P se pueden usar para pruebas de una muestra, pero no para pruebas de dos muestras.
V F 19. Para estandarizar la diferencia observada de las medias muestrales cuando no se conocen s1 ni s2,
siempre se divide entre sx 12x 2, independientemente de los tamaños de las muestras.
w w
V F 20. Como la mayoría de los paquetes estadísticos reportan valores P de dos colas para pruebas sobre me-
dias, uno debe dividir el valor P obtenido entre dos, si se está llevando a cabo una prueba de una cola.
V F 21. Al probar la diferencia entre dos proporciones, el divisor que se utiliza para estandarizar esa diferen-
cia es distinto para pruebas de una cola y pruebas de dos colas.
A B C D 22. Suponga que va a probar la diferencia entre dos medias de muestras, cuyo valor usted ha calculado
en xw1 5 22 y wx2 5 27. Desea probar si la diferencia es significativa. ¿Cuál es el valor de mx 12x 2 que
w w
debe utilizar?
a) 5.
b) 25.
c) 0.
d) No se puede determinar de la información dada.
A B C D 23. ¿Por qué en ocasiones usamos muestras apareadas en lugar de muestras independientes?
a) Tomar muestras apareadas siempre cuesta menos que tomar muestras independientes.
b) Las muestras por pares permiten controlar factores externos.
c) Los tamaños de muestra deben ser los mismos para muestras apareadas.
d) b) y c), pero no a).
A B C D 24. Se tomaron dos muestras dependientes de tamaño 15 y se hizo una prueba de hipótesis. Se utilizó un
valor t con 14 grados de libertad. Si las dos muestras se hubieran tratado como independientes, ¿cuán-
tos grados de libertad se habrían utilizado?
a) 14.
b) 28.
c) 29.
d) 30.
A B C 25. Un granjero tiene 12 campos de maíz en diferentes partes de cierto condado. Al probar diferencias
producciones significativas de un año a otro, el granjero verifica sus registros de los 2 años anterio-
res y es capaz de reunir información sobre la producción en 11 de sus campos para los dos primeros
años. ¿Deberá tratar las muestras como:
a) dependientes?
b) independientes?
c) No se puede determinar con la información dada.
A B C D 26. En una prueba de la diferencia entre proporciones, se consideran dos muestras. En la primera, un ta-
maño de muestra de 100 tiene 20 éxitos; en la segunda, de un total de 50 hay 13 éxitos. ¿Cuál es el
valor de p̂ para esta situación?
20 1 13
a) }}.
150
20 13
b) }} 1 }}.
100 50
33 117
c) }} 3 }}.
150 150
A B C D 27. ¿Cuál es la principal suposición que hacemos cuando realizamos pruebas de una cola para diferen-
cias entre medias con muestras pequeñas?
a) Las varianzas de población desconocidas son iguales.
b) Las fracciones de muestreo son demasiado pequeñas.
c) Las muestras fueron tomadas utilizando técnicas de muestreo subjetivo.

A B C D 28. Las aerolíneas A y B hacen alarde de que el transporte de equipaje de sus empresas tiene una tasa de
entrega exitosa del 95 y 98%, respectivamente. A partir de esta información podemos determinar que:
a) La aerolínea A tiene un mejor servicio de equipaje.
b) La aerolínea B tiene un mejor servicio de equipaje.
c) Los servicios de equipaje son igualmente eficientes.
d) Nada; se necesita más información.
A B C D 29. Una prueba de dos colas de la diferencia entre dos proporciones llevó a z 5 1.85, para la diferencia
estandarizada de las proporciones de muestra. ¿Para cuál de los siguientes niveles de significancia se
rechazaría H0?
a) a 5 0.05.
b) a 5 0.10.
c) a 5 0.02.
A B C D 30. Sea p el valor P de una prueba de hipótesis de cola superior, a el nivel de significancia, tCRIT el va-
lor crítico para la prueba y tOBS el estadístico de prueba estandarizado. Se acepta H0 si:
a) p > a.
b) p < a.
c) tOBS > tCRIT.
A B C D 31. Se desea probar si la media de la población 2 es al menos 10 más que la media de la población 1.
¿Qué valor de (m1 2 m2)H0 deberá utilizar al calcular el estadístico de prueba estandarizado?
a) 0.
b) 10.
c) 210.
d) 65.
A B C D 32. ¿Para cuáles de las siguientes situaciones no es apropiada una prueba de diferencia de proporciones?
a) Verificar si las fracciones de desperdicios producidos por dos procesos son iguales.
b) Decidir si la fracción de mujeres que se encuentran en dos niveles escolares es la misma.
c) Probar si diferentes proporciones de personas en Boston y Chicago son aficionadas al básquet-
bol.
d) Verificar si los dueños de automóviles Ford son más fieles a su marca que los dueños de auto-
móviles Honda.
A B C D 33. Si la muestra 1 tiene 13 elementos con s1 5 17, y la muestra 2 tiene 9 elementos con s2 5 22, enton-
ces sp2 5
a) 19.
b) 361.
c) 367.
d) 19.5.
A B C D 34. ¿Para cuáles de las siguientes situaciones no es apropiada una prueba de dos muestras?
a) Verificar si las proporciones de parejas sin hijos y parejas con hijos que compran automóviles de-
portivos son diferentes.
b) Verificar si el consumo medio de cerveza es más alto en Alemania que en Francia.
c) Probar si existen más hombres que mujeres en Alaska.
d) Decidir si la asistencia promedio a los juegos de béisbol de las grandes ligas es la misma en Los
Ángeles que en San Francisco.

A B C D 35. Para una prueba de cola superior de la diferencia de dos medias, basada en muestras dependientes de
tamaño 6 y a 5 0.05, el valor crítico del estadístico de prueba es:
a) 2.015.
b) 1.645.
c) 1.812.
d) 1.782.
A B C D E 36. ¿Cuáles de las siguientes pruebas pueden basarse en la distribución normal?
a) Diferencia de medias independientes.
b) Diferencia de medias dependientes.
c) Diferencia de proporciones.
37. Una prueba de hipótesis de la diferencia entre dos medias de población basada en muestras depen-
dientes se conoce como .
38. le permite probar hipótesis sin tener que especificar primero un nivel
de significancia.
39. Una estimación de s2 se utiliza cuando ambas muestras son pequeñas.
40. Las pruebas de hipótesis de la diferencia entre dos medias de población están basadas en la distribu-
ción muestral de la entre .
41. Usando muestras dependientes cuando se comparan dos medias, nos permiten controlar
.
42. El valor P es _________________ del nivel de significancia al cual se H0.
43. Independientemente del tipo de prueba que haga, el estadístico de la muestra se estandariza con el
fin de compararla con el valor ________________ de las tablas.
44. Los resultados de los paquetes estadísticos de computación por lo general reportan tanto
de muestra como valores .
45. A pesar de que la distribución es la distribución de muestreo apropiada para
proporciones de las muestra, podemos utilizar la distribución para comparar
dos proporciones de población, si los tamaños de muestra son grandes.

● Diagrama de flujo: Pruebas de hipótesis de dos muestras
INICIAR
Utilice la prueba de hipótesis

para determinar si es
razonable concluir, del análisis
de una muestra, que dos
poblaciones están relacionadas
de alguna manera en particular
Haga un planteamiento formal de

Ho y de H1, las hipótesis nula y
alternativa acerca de la diferencia
de los parámetros de población
Escoja el nivel de significancia, a, y

determine si resulta apropiada
una prueba de una o dos colas
Recolecte los datos de la muestra

y calcule el estadístico
de la muestra apropiado:
diferencia de medias x1 – x2
diferencia de proporciones p1 – p2
Elija la distribución correcta (z o t )

y utilice la tabla del apéndice adecuada
para determinar el o los valores críticos
¿Está la
No estadística de muestra Sí
estandarizada dentro de la región
de aceptación?

administrativas adecuadas
TERMINAR

Prueba de conceptos
del capítulo 10
V F l. Las gráficas p se utilizan para monitorear variables categóricas con dos valores posibles.
V F 2. El control estadístico de procesos fue desarrollado originalmente en Japón y llevado a Estados
Unidos después de la Segunda Guerra Mundial.
V F 3. Las observaciones externas a veces pueden ser resultado de la variación inherente.
V F 4. Para un tamaño dado de lote, un esquema de muestreo simple está completamente especificado
por su tamaño de muestra y el número de aceptación.
V F 5. En muchos sistemas complejos, alrededor del 80% de los problemas puede atribuirse a aproxi-
madamente el 20% de las causas.
V F 6. La gran media, wx, captura más información que las medias de muestra individuales.
V F 7. TQM se aplica en la actualidad tanto en la industria de servicios como en la industria manufac-
turera.
V F 8. Independientemente de la ecuación 10-6, el LCS de una gráfica p nunca debe ser mayor que 1.
V F 9. El riesgo del consumidor en el muestreo de aceptación es como un error tipo II en la prueba de
hipótesis.
V F 10. En las gráficas de control, la LC denota a cualquiera de los dos límites de control.
V F 11. Si usted utiliza el muestreo de aceptación, sus proveedores no se verán motivados a mejorar la
calidad de su producción.
V F 12. El control de la variabilidad es un aspecto esencial del mantenimiento de la calidad.
V F 13. Aumentar el tamaño de la muestra permite reducir tanto el riesgo del consumidor como el ries-
go del productor.
V F 14. Las gráficas R se utilizan para controlar el nivel de producción del proceso.
V F 15. Las gráficas de control ayudan a detectar la variación inherente.
V F 16. El muestreo doble requiere mayores tamaños de muestra que el muestreo simple para lograr los
mismos niveles de riesgo.
V F 17. Una vez determinadas las causas de las observaciones externas, esos puntos deben eliminarse y
se debe rehacer la gráfica de control.
V F 18. Los diagramas de Ishikawa también se conocen como diagramas de cola de pescado.
V F 19. La curva AOQ nos dice cómo la calidad de salida de un esquema de muestreo de aceptación va-
ría en función de la calidad de entrada de los lotes que se están probando.
V F 20. Las gráficas xw y R utilizan la desviación estándar de la muestra para medir la variabilidad del
proceso.
V F 21. El límite de control inferior de una gráfica R siempre es Rw(1 2 3d3/d2).
PC-59
A B C D 22. Una curva OC puede usarse para determinar:
a) El riesgo del consumidor.
b) El riesgo del productor.
c) Ambos riesgos.
d) Ninguno de los dos riesgo.
A B C D 23. ¿Cuál de los siguientes no se utiliza en el control de la calidad?
a) Gráfica xw.
b) Diagrama de Pareto.
c) Diagrama de tallo y hoja.
d) Curva AOQ.
A B C D 24. ¿Qué término corresponde a las siglas en inglés AOQ?
a) Calidad aproximada de salida.
b) Calidad promedio de operación.
c) Calidad óptima aproximada.
d) Calidad promedio de salida.
A B C D 25. El LCS de una gráfica R es:
a) RwD4.
b) wR(1 1 3d3/d2Ïnw).
c) xw 1 A2Rw.
d) RwD3.
A B C D 26. ¿Cuál de los siguientes términos no se relaciona con los otros?
a) Diagrama de Ishikawa.
b) Diagrama de Pareto.
c) Diagrama de pescado.
d) Diagrama de causa y efecto.
A B C D 27. ¿Qué patrones de una gráfica de control indican que el proceso está fuera de control?
a) Tendencias decrecientes.
b) Ciclos.
c) Atracción hacia la línea central.
A B C D 28. ¿Quién es responsable de la idea de que las compañías con TQM deben diferenciar entre los po-
cos vitales y los muchos triviales?
a) Juran.
b) Deming.
c) Pareto.
d) Shewhart.
A B C D 29. ¿Cuáles de los siguientes diagramas se utilizan para controlar un atributo?
a) Gráfica wx.
b) Gráfica A.
c) Gráfica p.
A B C D 30. La distribución correcta para el cálculo exacto del riesgo del consumidor es la:
a) Normal.
b) Hipergeométrica.
c) De Poisson.
d) Binomial.

A B C D 31. ¿Cuáles de las siguientes personas no estaban implicadas directamente en el control de calidad?
a) Deming.
b) Pareto.
c) Romig.
d) Ishikawa.
A B C D 32. ¿Qué tipo de variación se puede ver en una gráfica de control?
a) Variación inherente.
b) Variación de causa especial.
c) Variación aleatoria.
A B C D 33. En el muestreo doble, rechazamos un lote si:
a) d1 > c2.
b) d2 > c2.
c) Tanto a) como b).
d) Ni a) ni b).
A B C D 34. ¿Quién fue el principal responsable del desarrollo de las gráficas de control?
a) Crosby.
b) Ishikawa.
c) Dodge.
d) Shewhart.
A B C D 35. CQI quiere decir:
a) Aumento constante de la calidad.
b) Mejora continua de la calidad.
c) Aumento continuo de la calidad.
d) Implantación completa de la calidad.
A B C D 36. ¿Cuál de los siguientes no es un aspecto de la calidad?
a) El lujo.
b) Adecuación para su uso.
c) Consistencia.
d) Conformidad con respecto a los requisitos.
37. Las observaciones fuera de se conocen como externas.
38. Los diagramas se utilizan para identificar y clasificar causas de problemas.
39. La probabilidad de rechazar un lote que cumple con AQL se conoce como riesgo
.
40. se utilizan en control estadístico de procesos para monitorear la salida de
un producto o servicio y ver si cumple con los estándares.
41. se utiliza para probar la calidad de los lotes de componentes.
42. En una gráfica wx, la línea central está determinada por xw, la .
43. es enemiga de la calidad.
44. El número máximo de defectos permitidos antes de rechazar un lote se conoce como
.
45. Los patrones no aleatorios en las gráficas de control indican la presencia de variación
.

● Diagrama de flujo: Calidad y control de la calidad
INICIAR
Use gráficas de control para monitorear

la salida de un proceso
Rastree las medias Rastree la variabilidad Rastree los

del proceso con del proceso atributos del proceso
gráficas x con gráficas R con gráficas p
Utilice técnicas de TQM para

identificar causas de problemas,
y mejorar el proceso actual
Identifique y agrupe las Identifique los

causas en un diagrama "dragones” con
de pescado diagramas de Pareto
Utilice el muestreo de aceptación

para controlar la entrada
de un proceso
TERMINAR

Prueba de conceptos
del capítulo 11
V F 1. El análisis de varianza puede utilizarse para probar si las medias de más de dos poblaciones pue-
den considerarse iguales.
V F 2. El análisis de varianza está basado en la comparación de dos estimaciones de la varianza de la
población completa que contiene a todas las muestras.
V F 3. Al comparar las varianzas de dos poblaciones, es conveniente observar la diferencia entre las
varianzas muestrales, del mismo modo en que observamos la diferencia entre las medias mues-
trales para hacer inferencias sobre medias de población.
V F 4. Cuando se utiliza la distribución ji-cuadrada como prueba de independencia, el número de gra-
dos de libertad se relaciona tanto con el número de columnas como con el número de renglones
de la tabla de contingencia.
V F 5. La ji-cuadrada puede usarse como una prueba para decidir si una distribución dada es una apro-
ximación cercana de una muestra de alguna población. Nos referimos a este tipo de pruebas co-
mo prueba de bondad de ajuste.
V F 6. Si se toman muestras de dos poblaciones que son aproximadamente normales, entonces el cociente
de todos los conjuntos posibles de las dos varianzas muestrales también tiene distribución normal.
V F 7. Al usar una prueba ji-cuadrada debemos asegurar que tenemos un tamaño de muestra adecuado, de
modo que podamos evitar cualquier tendencia a sobrestimar el valor del estadístico ji-cuadrada.
V F 8. Cuando probamos hipótesis acerca de la varianza de alguna población, podemos formar inter-
valos de confianza usando la distribución ji-cuadrada.
V F 9. La forma específica de una distribución F depende del número de grados de libertad en el nu-
merador y en el denominador del cociente F.
V F 10. Un aspecto conveniente de la prueba de hipótesis usando el estadístico F es que todas esas son
pruebas de cola superior.
V F 11. Las pruebas ji-cuadrada nos permiten probar si más de dos proporciones de población pueden
considerarse iguales.
V F 12. Una “tabla de contingencia de 3 3 5” tiene tres columnas y cinco renglones.
V F 13. El área total bajo la curva de una distribución ji-cuadrada, como la de otras distribuciones, es 1.
V F 14. La frecuencia esperada de cualquier celda de una tabla de contingencia puede calcularse de ma-
nera inmediata, con sólo conocer los totales por renglón y por columna para esa celda.
V F 15. Si el valor ji-cuadrada de una observación es cero, sabemos que nunca habrá diferencia entre las
frecuencias observadas y las esperadas.
V F 16. Los tamaños de las muestras en el análisis de varianza no necesitan ser iguales.
PC-63
V F 17. Cuanto más pequeño sea el valor del estadístico F, más tenderemos a creer que existe una dife-
rencia entre las distintas muestras.
V F 18. La precisión y la utilidad de una prueba ji-cuadrada son altamente dependientes de la calidad de
los datos de la prueba.
V F 19. La tabla F que se presenta en la tabla 6 del apéndice da valores para pruebas de cola superior
solamente, pero los valores apropiados para pruebas de cola inferior y de dos colas pueden
calcularse a partir de los elementos de la tabla.
V F 20. Al determinar el número de grados de libertad para una prueba ji-cuadrada de bondad de ajus-
te, la estimación de los parámetros de la población a partir de los datos de las muestras no tiene
ningún impacto.
V F 21. Para ambas pruebas, ji-cuadrada y F, rechazamos H0 si el valor P es menor que a, el nivel de
significancia de la prueba.
A B C D 22. Suponga que ha observado proporciones de tres regiones geográficas diferentes. Usted desea
probar si las regiones tienen proporciones significativamente diferentes. Suponiendo que p1, p2
y p3 son las proporciones verdaderas, ¿cuál de las siguientes sería la hipótesis nula?
a) p1 Þ p2 Þ p3.
b) p1 5 p2 5 p3.
c) p1, p2 y p3 no son todas iguales.
A B C D E 23. Un valor ji-cuadrada nunca puede ser negativo porque:
a) Las diferencias entre las frecuencias observadas y esperadas están elevadas al cuadrado.
b) Un valor negativo significaría que las frecuencias observadas son negativas.
c) Se calcula el valor absoluto de las diferencias.
e) a) y b), pero no e).
A B C D 24. Suponga que existen ocho clases posibles a considerar en una prueba de bondad de ajuste.
¿Cuántos grados de libertad deberá utilizar?
a) 8.
b) 7.
c) 6.
d) No se puede determinar con la información dada.
A B C D E 25. ¿Cuál de los siguientes es un paso a seguir en la realización del análisis de varianza?
a) Determinar una estimación de la varianza de la población desde el interior de las muestras.
b) Determinar una estimación de la varianza de población entre las medias de las muestras.
c) Determinar la diferencia entre las frecuencias observadas y esperadas para cada clase.
A B C D 26. Suponga que se calculan las siguientes varianzas para varios grupos diferentes de muestras, y
que todos los grupos tienen los mismos grados de libertad. ¿Para cuál cociente estaría más dis-
puesto aceptar la hipótesis nula de medias iguales, a un nivel dado de significancia?
a) Varianza entre columnas 5 8, varianza dentro de columnas 5 3.
b) Varianza entre columnas 5 6, varianza dentro de columnas 5 3.
c) Varianza entre columnas 5 4, varianza dentro de columnas 5 3.
d) Varianza entre columnas 5 30, varianza dentro de columnas 5 20.

A B C D 27. Suponga que la s2 hipotética para cierta población es 25. Toma una muestra de tamaño 16 y en-
cuentra que s2 es 15. ¿Qué haría para realizar una prueba de varianza de dos colas?
a) Comparar x 2 5 9 con valores críticos tomados de una distribución ji-cuadrada con 16 gra-
dos de libertad.
b) Comparar x 2 5 9 con valores críticos tomados de una distribución ji-cuadrada con 15 gra-
dos de libertad.
c) Comparar x 2 5 25 con valores críticos tomados de una distribución ji-cuadrada con 15 gra-
dos de libertad.
d) Comparar x2 5 25 con valores críticos tomados de una distribución ji-cuadrada con 16 gra-
dos de libertad.
A B C D E 28. Se hará una prueba de dos colas para las muestras 1 y 2, con n1 5 15 y n2 5 12. Si a 5 0.10,
¿cuál de los siguientes representa el valor superior con el cual deberá compararse s21 /s22?
1
a) }}.
F(14, 11, 0.05)
1
b) }}.
F(14, 11, 0.95)
c) F(11, 14, 0.05).
d) F(14, 11, 0.05).
A B C D 29. Suponga que se va a realizar una prueba ji-cuadrada sobre una tabla de contingencia con cuatro
renglones y cuatro columnas. ¿Cuántos grados de libertad deberán utilizarse?
a) 16.
b) 8.
c) 9.
d) 6.
A B C D E F 30. Las distribuciones ji-cuadrada y t, ambas:
a) Son siempre simétricas.
b) Se usan para pruebas de hipótesis.
c) Son dependientes del número de grados de libertad.
d) Todas las anteriores.
A B C D E 31. ¿Cómo puede calcularse la frecuencia esperada en una celda de una tabla de contingencia a par-
tir de la proporción esperada para dicha celda?
a) Multiplicando por el total de esa columna.
b) Multiplicando por el total de ese renglón.
c) Multiplicando por el tamaño total de la muestra.
d) Usando la proporción; la frecuencia esperada y la proporción esperada son las mismas.
A B C D E 32. El cociente F contiene:
a) Dos estimaciones de la varianza de la población.
b) Dos estimaciones de la media de población.
c) Una estimación de la media de la población y una estimación de la varianza de la población.
d) Tanto a) como b).

A B C D 33. Si tenemos tamaños de muestra suficientemente grandes, ¿qué suposiciones asociadas con la
prueba de ANOVA podemos descartar?
a) Las muestras se toman de una población normal.
b) Cada población tiene la misma varianza.
c) Tanto a) como b).
A B C D E 34. Cuando se realiza una prueba de hipótesis ji-cuadrada, ¿qué sucede cuando las frecuencias es-
peradas en varias celdas son demasiado pequeñas?
a) El valor de ji-cuadrada estará sobrestimado.
b) Será más probable de lo que en debería ser que se rechace la hipótesis nula.
c) Los grados de libertad se reducen mucho.
A B C D E 35. Suponga que está comparando cinco grupos expuestos a diferentes métodos de tratamiento y ha
tomado una muestra de 10 elementos de cada grupo. Usted calcula el valor de xw para cada mues-
tra. ¿Cómo calcularía la gran media?
a) Multiplica cada media de muestra por 1/5 y suma estos valores. Luego divide esta suma en-
tre 50.
b) Suma las 5 medias muestrales y divide entre 50.
c) Suma las 5 medias muestrales y multiplica por 1/5.
d) Suma las 5 medias muestrales.
A B C D E 36. Si deseamos probar si las proporciones de más de dos poblaciones son iguales, utilizamos:
a) Análisis de varianza.
b) Estimación.
c) La varianza.
d) Estimaciones de intervalo.
A B C D E 37. ¿Cuáles de estas distribuciones tiene un par de grados de libertad?
a) Poisson.
b) Normal.
c) Ji-cuadrada.
d) Binomial.
e) Todas las anteriores.
38. La media para el grupo completo de sujetos de todas las muestras de un experimento se conoce
como media.
39. Una técnica estadística utilizada para probar la igualdad de tres o más medias de población se
conoce como .
40. Una prueba de se usa para determinar si la pertenencia a las categorías
de una variable es diferente como función de la pertenencia a las categorías de una segunda va-
riable.
41. Una familia de distribuciones diferenciadas por dos parámetros y que se usa principalmente para
probar hipótesis de varianzas se llama distribución .
42. La prueba determina si existe una diferencia significativa entre las
distribuciones observada e hipotética para una muestra.

43. El análisis de varianza compara la con la para obtener el
estadístico .
44. La región de aceptación para una hipótesis nula en una prueba ji-cuadrada va de la cola
de la curva al valor ji-cuadrada. Esta región contiene el %
del área bajo la curva.
45. El número de grados de libertad en el denominador del cociente F se calcula restando el
de .

● Diagrama de flujo: Ji-cuadrada y análisis de varianza
Para determinar si dos atributos Para determinar si una distribución

de población son independientes en particular es consistente
entre sí utilice con un conjunto dado de datos,
una prueba ji-cuadrada utilice una prueba ji-cuadrada
Use los datos para encontrar

Desarrolle una tabla de contingencia las frecuencias observadas
y determine las frecuencias (fo) y la distribución hipotética
observadas (fo) y las para encontrar las frecuencias
esperadas (fe) esperadas (fe)
El número apropiado El número apropiado de grados

de grados de libertad (gl) de libertad (gl)
es (r – 1) (c – 1) es k – 1 – (# de parámetros
estimados a partir de los datos)
Calcule el estadístico
ji-cuadrada:
x2 = S(fo – fe)2/fe
Utilice la tabla 5 del apéndice

para determinar la región
de aceptación de Ho

INICIAR
Para inferencias acerca

Para determinar Para inferencias acerca de las
de la varianza de una
si varias pruebas provienen varianzas de dos poblaciones,
población, utilice la
de poblaciones con medias utilice la distribución F con
distribución ji-cuadrada
iguales, utilice el análisis de n1 – 1 y n2 – 1
con n – 1 grados
varianza (ANOVA) grados de libertad
de libertad
Determine La estimación puntual de La estimación puntual de

1. la varianza entre columnas s2 es s 2. El intervalo
2. la varianza entre columnas s12 /s22 es s12/s 22
de confianza es
3. su cociente, F
2 2
((n x– 1)s , (n –x1)s )
U
2 2
L
El número apropiado de GL
en el numerador es k – 1 y de
GL del denominador es nT – k
Utilice la tabla 6 del apéndice Para pruebas de hipótesis, Para pruebas de hipótesis
para determinar la región use la tabla 5 del apéndice use la tabla 6 del apéndice
de aceptación para Ho para determinar la región de para determinar la región de
aceptación de Ho aceptación de Ho
¿El
estadístico de la
No muestra cae dentro de la Sí
región de aceptación?

estadísticos en acciones TERMINAR
administrativas apropiadas
Prueba de conceptos
del capítulo 12
V F 1. El análisis de regresión se usa para describir qué tan bien una ecuación de estimación describe la re-
lación que se está estudiando.
V F 2. Dado que la ecuación para una recta es Y 5 26 2 24X, podemos decir que la relación de Y con X es
directa y lineal.
V F 3. Un valor r2 cercano a cero indica una fuerte correlación entre X y Y.
V F 4. Los análisis de regresión y correlación se usan para determinar relaciones de causa y efecto.
V F 5. El coeficiente de correlación de la muestra, r, es simplemente Ïrw, 2
y no podemos interpretar su sig-
nificado directamente como un porcentaje de algún tipo.
V F 6. El error estándar de la estimación mide la variabilidad de los valores observados alrededor de la ecua-
ción de regresión.
V F 7. La recta de regresión se deriva de una muestra y no de toda la población.
V F 8. Podemos interpretar el coeficiente de determinación de la muestra como la cantidad de la variación
en Y que explica la recta de regresión.
V F 9. Las líneas trazadas a cada lado de la recta de regresión a 61, 62 y 63 veces el valor del error están-
dar de la estimación se denominan líneas de confianza.
V F 10. La ecuación de estimación es válida sólo en el mismo intervalo que el dado por los datos originales
de la muestra para los cuales se desarrolló.
V F 11. En la ecuación Y 5 a 1 bX para la variable dependiente Y y la variable independiente X, la ordena-
da Y es b.
V F 12. Si una línea se ajusta a un conjunto de puntos mediante el método de mínimos cuadrados, los erro-
res individuales positivos y negativos respecto a la línea suman cero.
V F 13. Si se 5 0 para una ecuación de estimación, debe estimar perfectamente la variable dependiente en los
puntos observados.
V F 14. Supongamos que la pendiente de una ecuación de estimación es positiva. Entonces el valor de r de-
be ser la raíz cuadrada positiva de r2.
V F 15. Si r 5 0.8, entonces la ecuación de regresión explica el 80% de la variación total en la variable de-
pendiente.
V F 16. El coeficiente de correlación es el porcentaje de la variación total de la variable dependiente explica-
da por la regresión.
V F 17. El error estándar de la estimación se mide perpendicularmente desde la recta de regresión más que
sobre el eje Y.
V F 18. Al elevar al cuadrado los errores individuales, el método de mínimos cuadrados magnifica todas las
desviaciones respecto a la recta de regresión estimada.
V F 19. Una ecuación de regresión no puede ser válida al ampliarse fuera del intervalo de la muestra de la va-
riable independiente.
V F 20. Un valor r2 mide sólo la fuerza de una relación lineal entre las dos variables X y Y.
V F 21. Un valor pequeño de r2 implica que no existe una relación de causa-efecto significativa entre X y Y.
PC-71
A B C D E 22. Suponga que conocemos la estatura de una estudiante, pero no su peso. Usamos una ecuación de es-
timación para determinar una estimación de su peso, basándonos en su estatura. Por tanto, podemos
concluir que:
a) El peso es la variable independiente.
b) La altura es la variable dependiente.
c) La relación entre peso y altura es inversa.
A B C D 23. Suponga que le dicen que existe una relación directa entre el precio de las alcachofas y la cantidad
de lluvia que cayó durante la época de cultivo. Puede concluirse que:
a) Los precios tienden a ser altos cuando la lluvia es alta.
b) Los precios tienden a ser bajos cuando la lluvia es alta.
c) Una gran cantidad de lluvia ocasiona que los precios suban.
d) La falta de lluvia ocasiona que los precios suban.
A B C D 24. Suponga que se calcula que a es 4 y b es 2 para una línea de estimación particular con una variable
independiente. Si la variable independiente tiene un valor de 2, ¿qué valor debe esperarse para la va-
riable dependiente?
a) 8.
b) 10.
c) 21.
d) 0.
A B C D E 25. Suponga que se calculó la ecuación de estimación Ŷ 5 5 2 2X para un conjunto de datos. ¿Qué es
cierto de lo siguiente para esta situación?
a) La ordenada Y de la recta es 2.
b) La pendiente de la recta es negativa.
c) La recta representa una relación inversa.
A B C D 26. Sabemos que el error estándar es el mismo en todos los puntos de una recta de regresión porque su-
pusimos que:
a) Los valores observados de Y están normalmente distribuidos alrededor de cada valor estimado de Y.
b) Las varianzas de la distribución alrededor de cada valor posible de Y son iguales.
c) Se tomaron en cuenta todos los datos disponibles cuando se calculó la recta de regresión.
A B C D 27. La variación de los valores de Y alrededor de la recta de regresión se expresa mejor como:
a) S(Y 1 Y w)2.
b) S(Y 2 Y w)2.
c) S(Y 2 Ŷ )2.
d) S(Y 1 Ŷ )2.
A B C D 28. El valor de r2 para una situación particular es 0.49. ¿Cuál es el coeficiente de correlación?
a) 0.49.
b) 0.7.
c) 0.07.
A B C D 29. La fracción S(Y 2 Ŷ )2/S(Y 2 Y w)2 representa:
a) La fracción de la variación total en Y que no está explicada.
b) La fracción de la variación total en Y que está explicada.
c) La fracción de la variación total en Y que fue ocasionada por cambios en X.
A B C D 30. En la ecuación Y 5 A 1 BX 1 e, la e representa:
a) La ordenada X de los datos observados.
b) El valor de Y con el cual se comparan otros para determinar el “mejor ajuste”.
c) Variaciones aleatorias respecto a la recta de regresión de la población.

A B C D 31. Suponga que desea comparar el valor hipotético de B con un valor de la muestra de la b calculada.
¿Cuál de los siguientes valores se debe calcular antes que los otros?
a) sb.
b) se.
c) sp.
d) Los cálculos se pueden hacer en cualquier orden.
A B C D E 32. Para que la ecuación de estimación sea un estimador perfecto de la variable dependiente, de lo si-
guiente, ¿qué tendría que ser cierto?
a) El error estándar de la estimación es cero.
b) Todos los puntos están en la recta de regresión.
c) El coeficiente de determinación es 21.
A B C D 33. Si la variable dependiente aumenta cuando la variable independiente aumenta en una ecuación de es-
timación, el coeficiente de correlación estará en el intervalo de:
a) 0 a 21.
b) 0 a 20.05.
c) 0 a 22.
A B C D 34. Supongamos que la fracción de variación en Y que no está explicada por la variable independiente X
es 1/4. Entonces r2 es:
a) 1/4.
b) 3/4.
c) 15/16.
A B C D E 35. El coeficiente de determinación de la muestra se desarrolla a partir de la variación de los valores de
Y observados alrededor de:
a) La media de las variables independientes observadas.
b) La media de las variables dependientes observadas.
c) La recta de regresión ajustada.
e) a), b) y c).
A B C D E 36. Si Y 5 a 1 bX, la recta de regresión de la muestra, y Y 5 A 1 BX, la ecuación de regresión verda-
dera de población desconocida, son equivalentes, entonces lo siguiente debe ser cierto:
a) La ecuación de estimación es un estimador perfecto de la variable dependiente.
b) Todos los puntos están sobre la recta de regresión.
c) r2 5 1.
37. Si la variable dependiente en una relación disminuye al aumentar la variable independiente, la rela-
ción es .
38. Una asociación entre dos variables descrita por una línea curva es una .
39. Toda línea recta tiene una que representa cuánto cambia la variable de-
pendiente con cada cambio unitario de la variable independiente.
40. El grado en el que los valores observados difieren de sus valores pronosticados sobre la línea de re-
gresión se mide por .
41. es una medida de la proporción de variación en la variable dependiente que
explica la recta de regresión.
42. Si el 75% de la variación en la variable dependiente es explicada por la recta de regresión, entonces
el valor de r será de alrededor de .
43. se utiliza para medir qué tan bien la recta de regresión explica la varia-
ción de la variable dependiente.
44. El signo de r indica el de la relación entre las dos variables X y Y.
45. El método de mínimos cuadrados encuentra la línea de “mejor ajuste” a través de un conjunto de pun-
tos, esto es, la recta que el error entre los puntos observados y los puntos
estimados sobre esa recta.

● Diagrama de flujo: Regresión y correlación
PC-74
INICIAR
Para determinar
la naturaleza de la
relación lineal entre
dos variables, utilice
la recta de regresión

Organice los datos
y grafique un diagrama
de dispersión
Calcule la pendiente y la
ordenada Y de la ecuación
de estimación usando el
¿Quiere predecir Para pronosticar puntos,
método de mínimos cuadrados: Sí
los valores de la variable use la recta de regresión
dependiente Y? ^
SXY – nXY Y = a + bX
b=
SX 2 – nX 2
a = Y – bX
No
¿Quiere un
No intervalo de predicción
aproximada para Y?
Sí
Utilice el error estándar
Use el análisis de correlación; de la estimación
calcule el coeficiente de ¿Quiere conocer
determinación de Sí el grado en que una variable se = SY 2 – aSY – bSXY
la muestra r 2: está linealmente relacionada = n–2
^ con la otra?
S (Y – Y ) 2 y la distribución t con
r 2= 1 –
S (Y – Y ) 2 n – 2 grados de libertad
^
Y ± t se
No
¿Quiere
hacer inferencias
respecto a la pendiente (B) Use el error del
de la ecuación de regresión coeficiente de regresión
Sí
“verdadera”, basándose en el valor b se
(la pendiente de la ecuación sb =
de regresión = SX 2 – nX 2
ajustada)?
No
Para intervalos de confianza y
pruebas de hipótesis, use
sb y la distribución t
con n – 2 grados de libertad
TERMINAR

PC-75
Prueba de conceptos
del capítulo 13
V F 1. La ventaja principal de la regresión múltiple respecto a la regresión simple es que nos permite
usar más de la información disponible para estimar la variable dependiente.
V F 2. Suponga que en la ecuación de regresión múltiple Ŷ 5 24.4 1 5.6X1 1 6.8X2, Ŷ es el peso (en
libras) y X2 es la edad (en años). Por cada año adicional en la edad, entonces, se puede esperar
que el peso aumente en 24.4 libras.
V F 3. Aunque en teoría es posible hacer cálculos de regresión múltiple a mano, muy pocas veces lo
hacemos.
V F 4. Suponga que intenta establecer un intervalo de confianza para un valor de Y a partir de una ecua-
ción de regresión múltiple. Si existen 20 elementos en la muestra y se utilizan cuatro variables
independientes en la regresión, deberá usar 16 grados de libertad cuando obtenga un valor de la
tabla t.
V F 5. El error estándar del coeficiente b2 en una regresión múltiple se denota con s2.
V F 6. Suponga que deseamos probar si los valores de Y en una regresión múltiple realmente dependen
de los valores de X1. La hipótesis nula para nuestra prueba será B1 5 0.
V F 7. Para determinar si una regresión es significativa como un todo, se calcula un valor observado de
F y se compara con un valor obtenido de una tabla.
V F 8. Si se conoce la suma de cuadrados total y la suma de cuadrados de la regresión para una regre-
sión múltiple, siempre se puede calcular la suma de cuadrados de error.
V F 9. Ciertos patrones en los signos de los residuos de un modelo de regresión de segundo grado indi-
can que sería mejor utilizar un modelo lineal.
V F 10. Las regresiones simples de Y sobre X1 y de Y sobre X2 muestran que X1, y X2 son ambas varia-
bles explicativas significativas de Y. Pero una regresión múltiple de Y sobre X1, y X2 nos dice
que ni X1 ni X2 son variables explicativas significativas para Y. Claramente, éste es un caso de
multicolinealidad.
V F 11. Las variables ficticias constituyen una técnica que puede utilizarse para incorporar datos cuali-
tativos en las regresiones múltiples.
V F 12. Cuando se utiliza una variable ficticia con valores 0 y 1, es muy importante asegurarse de que
los ceros y unos se usen de acuerdo con la práctica estándar. Invertir la codificación destruirá
completamente los resultados de la regresión múltiple.
V F 13. Podemos formar un modelo de regresión de segundo grado si multiplicamos por 2 los valores
observados de una variable independiente.
V F 14. Agregar variables adicionales a una regresión múltiple siempre reducirá el error estándar de la
estimación.
PC-77
V F 15. Suponga que una regresión múltiple ha producido la siguiente ecuación: Ŷ 5 5.6 1 2.8X1 2 3.9X2
1 5.6X3. Si X1, X2 y X3 tienen valor de cero, entonces se esperaría que Y tuviera el valor de 5.6.
V F 16. El análisis de residuos en un modelo de regresión lineal se hace para determinar el valor correc-
to de se.
V F 17. Aunque es posible hacer inferencias acerca de la regresión como un todo, no es posible hacer
inferencias acerca de los coeficientes de regresión estimados.
V F 18. Si existe un alto nivel de correlación entre las variables explicativas, por lo general es posible
separar las contribuciones de estas variables en una regresión.
V F 19. El error estándar de los datos de la población se denota por se.
V F 20. Si una regresión incluye a todos los factores explicativos relevantes, los residuos serán alea-
torios.
V F 21. Una relación lineal entre variables explicativas con toda seguridad producirá multicolinealidad
en el modelo de regresión.
A B C D E 22. Suponga que una regresión múltiple produjo esta ecuación: Ŷ 5 51.21 1 6.88X1 1 7.06X2 –
3.71X3. El valor de b2 para esta ecuación es:
a) 51.21.
b) 6.88.
c) 7.06.
d) 23.71.
A B C D 23. Hemos dicho que el error estándar de una estimación tiene n 2 k 2 1 grados de libertad. ¿Qué
significa k en esta expresión?
a) El número de elementos de la muestra.
b) El número de variables independientes en la regresión múltiple.
c) La media de los valores de la muestra de la variable dependiente.
A B C D E 24. Suponga que ha realizado una regresión múltiple y encuentra que el valor de b, es 1.66. Sin em-
bargo, los datos obtenidos a partir de la experiencia pasada indican que el valor de B1, debería
ser 1.34. Usted desea probar, al nivel de significancia de 0.05, la hipótesis nula de que B, sigue
siendo 1.34. Suponiendo que tiene acceso a todas las tablas que pueda necesitar, ¿qué otra in-
formación requiere para poder realizar la prueba?
a) Grados de libertad.
b) sbi.
c) se.
A B C D 25. Suponga que un fabricante de juguetes desea determinar si sus juguetes rojos se venden más que
sus juguetes azules. Recolecta datos concernientes a los niveles de ventas, color, precio y edad
promedio de las personas a las que van dirigidos. Introduce todos estos datos en un paquete es-
tadístico; la ecuación de regresión múltiple resultante es Ŷ 5 70,663 2 713X1 2 59.6X2 1
66.4X3, donde Ŷ representa los niveles de ventas en unidades, X1 es el color (0 para azul, 1 para
rojo), X2 es el precio al menudeo (en dólares) y X3 la edad promedio (en años). ¿Cuáles de las
siguientes afirmaciones son verdaderas si las variables correspondientes al precio y la edad se
mantienen constantes?
a) Deben venderse 713 unidades más de juguetes rojos que de juguetes azules.
b) Deben venderse 713 unidades menos de juguetes rojos que de juguetes azules.
c) Los niños siempre preferirán un juguete azul a uno rojo.

Las preguntas 26 a 31 tratan sobre un director de personal que intenta determinar una ecuación de
predicción para el tiempo (longevidad) que los trabajadores de su planta se quedan. Usó Minitab para
correr una regresión de la antigüedad (en meses) de varios de sus trabajadores sobre su nivel acadé-
mico (años de escolaridad), edad al tiempo de contratación, resultado de la prueba de madurez sico-
lógica que aplica la compañía y número de dependientes (incluyendo al trabajador). A continuación
presentamos los resultados:
La ecuación de regresión es
LONGEV = 82.2 - 1.55 ESCUELA - 1.69 EDAD + 0.11 CALIF + 6.88 DEPENDEN
Pronosticador Coef DesvEst Cociente-t P

Constante 82.237 81.738 1.01 0.361
ESCUELA -1.553 4.362 -0.36 0.736
EDAD -1.685 1.253 -1.35 0.236
CALIF 0.110 0.291 0.38 0.720
DEPENDEN 6.876 7.658 0.89 0.410
S = 13.4 R-sq = 89.1%
Análisis de varianza
FUENTE GL SC MC F P
Regresión 4 7325.33 1831.33 10.19 0.013
Error 5 898.28 179.66
Total 9 8223.60
A B C D 26. La ecuación de regresión para los datos es:

a) Ŷ 5 82.24 2 1.55X1 2 1.69X2 1 0.11X3 1 6.88X4.
b) Ŷ 5 13.40 2 1.55X1 2 1.69X2 1 0.11X3 1 6.88X4.
c) Ŷ 5 81.74 1 4.36X1 1 1.25X2 1 0.29X3 1 7.66X4.
d) Ŷ 5 82.24 2 0.36X1 2 1.35X2 1 0.38X3 1 0.90X4.
A B C D 27. ¿Cuánta de la variación en la antigüedad en el empleo se explica con la regresión?
a) 94%.
b) 82%.
c) 89%.
d) 13%.
A B C D 28. Suponga que desea probar si el nivel académico es una variable explicativa significa tiva para
la longevidad en la empresa. Los grados de libertad que usaría son:
a) 4.
b) 10.
c) 6.
d) 5.
A B C D 29. ¿Cuál es el valor de sb3?
a) 13.4.
b) 0.29.
c) 0.38.
d) 0.11.
A B C D 30. ¿Cuántos grados de libertad en el denominador habría para una prueba F realizada con el fin de
determinar si esta regresión es significativa como un todo?
a) 5.
b) 4.
c) 9.
d) 10.

A B C D 31. ¿Cuántos datos introdujo el director al programa?
a) 9.
b) 10.
c) 18.
d) 19.
A B C D 32. En la ecuación Y 5 A 1 B1X1 1 B2X2, Y es independiente de X1 si:
a) B2 5 0.
b) B2 5 21.
c) B1 5 1.
A B C D E 33. Se puede utilizar una distribución normal para aproximar la distribución t para regresión múlti-
ple siempre que el número de grados de libertad (n menos el número de coeficientes de regre-
sión estimados) sea:
a) Menor que 40.
b) Mayor que 10.
c) Igual que 5.
d) Mayor que 50.
A B C D E 34. Como r2 5 1 2 (Y 2 Ŷ )2/(Y 2 Ŷ )2, r2 es equivalente a:
a) 1 2 SCR/SCT.
b) 1 2 SCE/SCT.
c) 1 2 SCE/SCR.
d) 1 2 SCT/SCR.
e) 1 2 SCT/SCE.
A B C D 35. Para la regresión múltiple Ŷ 5 a 1 b1X1 1 b2X2, utilizada para estimar Y 5 A 1 B1X1 1 B2X2,
la forma de un intervalo de confianza posible para B, es:
a) B1 2 tsbl, B1 1 tsb l.
b) B1 2 tse, B1 1 tse.
c) b1 2 tsb l, b1 1 tsb l.
d) b1 2 tse, b1 1 tse.
A B C D E 36. Las señales de la presencia posible de multicolinealidad en una regresión múltiple son:
a) Valores t significativos para los coeficientes.
b) Errores estándar bajos para los coeficientes.
c) El brusco aumento de un valor t para el coeficiente de una variable explicativa cuando se eli-
mina del modelo otra variable.
37. son métodos para decidir qué variables incluir en un modelo de regre-
sión y las formas diferentes en que pueden incluirse.
38. Las manipulaciones matemáticas para convertir una variable en una forma diferente, para poder
ajustar curvas de regresión se llaman .
39. El es un estadístico que se utiliza para probar la significancia de una
regresión como un todo.
40. Una variable toma valores 0 y 1 para describir datos cualitativos.
41. Una medida de nuestra de incertidumbre acerca del valor exacto de un coeficiente de regresión
múltiple es el del coeficiente.
42. El coeficiente de determinación múltiple en una regresión múltiple mide .

43. La significancia de una regresión múltiple puede ser probada con la hipótesis nula
que indica que Y no depende de las Xi.
44. El error estándar se se conoce también como el .
45. Las cadenas alternadas de consecutivos con signo igual en un modelo de
regresión lineal, indican que los datos podrían tener un ajuste con una curva que una recta.

● Diagrama de flujo: Regresión múltiple y técnicas de modelado
INICIO
Si desea usar más de una variable

independiente para estimar la ¿Desea
incluir alguna Use
variable dependiente y, con ello, Sí
variable cualitativa variables
intentar aumentar la precisión
en su modelo? ficticias
de la estimación, use técnicas de
regresión múltiple
No
¿Cree que Transforme alguna

algunas relaciones Sí variables, de forma
entre las variables que pueda ajustar
son no lineales? relaciones
curvilíneas
No
Use un paquete de software

para estimar su modelo de
regresión múltiple.
(Sin una computadora,
la regresión múltiple puede
ser tediosa e impráctica)
Para probar si el modelo

es adecuado, use las siguientes
tres técnicas
1. Use valores “prob > |t |” para 2. Use el valor “prob > F ” para 3. Vea si los residuos muestran
ver si Xi es una variable ver si la regresión como un patrones no aleatorios
explicativa significativa todo es significativa
¿Parece
Pruebe otro modelo,
No apropiado
con otras variables, su
transformaciones, etcétera modelo?
Sí
A

A
¿Desea Para predicciones puntuales,

predecir valores Sí use la ecuación de regresión:
de la variables
dependiente, Y? Y^ = a + biXi + … + bk Xk
No
¿Desea
un intervalo de
No
predicción
aproximado
para Y?
Sí
¿Desea Use el error estándar de

Use el análisis de conocer el grado la estimación (o raíz de MCE),
correlación múltiple Sí en el que Y se relaciona se, y la distribución t con
y R 2, el coeficiente linealmente con n – k – 1 grados de libertad:
de determinación múltiple las X ?
Y^ ± t (se )
No
¿Desea
hacer inferencias
acerca de las pendientes Para intervalos de confianza y pruebas
(B1, B2,…, Bk) de la ecuación de Sí de hipótesis, use los errores estándar
regresión “verdadera” con base en los de los coeficientes de regresión y
valores b1, b2,…, bk (las pendien- la distribución t con n – k – 1 grados
tes de la ecuación de de libertad
regresión ajus-
tada)?
No
TERMINAR

Prueba de conceptos
del capítulo 14
V F 1. Una ventaja de los métodos no paramétricos es que algunas de las pruebas no requieren siquie-
ra que clasifiquemos las observaciones.
V F 2. La prueba U de Mann-Whitney es parte de la familia de pruebas conocidas como pruebas de di-
ferencia de rangos.
V F 3. Una prueba de signos para datos por pares se basa en la distribución binomial pero a menudo
puede aproximarse por la distribución normal.
V F 4. Una desventaja de los métodos no paramétricos es que tienden a ignorar cierta cantidad de in-
formación.
V F 5. En la prueba U de Mann-Whitney, se toman dos muestras, de tamaños n1 y n2, para determinar
el estadístico U. La distribución de muestreo del estadístico U puede aproximarse por la distri-
bución normal cuando alguna de n1 o n2 es mayor que 10.
V F 6. La prueba U de Mann-Whitney tiende a desperdiciar menos datos que la prueba de signos.
V F 7. Suponga que en una prueba de rangos, dos elementos están empatados en la décima posición de
rango. Les asignamos a cada uno un rango de 10.5 y el siguiente elemento recibe un rango de 11.
V F 8. A diferencia del análisis de regresión, donde se puede calcular un coeficiente de correlación, una
medida equivalente puede determinarse en una clasificación de dos variables en las pruebas no
paramétricas. Esta medida equivalente se llama un coeficiente de correlación de rangos.
V F 9. En una prueba de corridas de una sola muestra, el número de corridas es un estadístico que tie-
ne su propia distribución de muestreo.
V F 10. Una desventaja al usar el coeficiente de correlación de rangos es que es muy sensible a las ob-
servaciones extremas en el conjunto de datos.
V F 11. La prueba de Kolmogorov-Smirnov puede usarse para medir la bondad de ajuste de una distri-
bución teórica.
V F 12. Los métodos no paramétricos son más eficientes que los paramétricos.
V F 13. La prueba de corridas de una sola muestra nos permite determinar si dos muestras independien-
tes han sido extraídas de poblaciones con la misma distribución.
V F 14. La secuencia A, A, B, A, B contiene cuatro corridas.
V F 15. Un coeficiente de correlación de rangos de 21 representa una correlación de rangos inversa per-
fecta.
V F 16. En una prueba de corridas de una sola muestra, la hipótesis alternativa es que la secuencia de
observaciones no es aleatoria.
V F 17. En la prueba U de Mann-Whitney, no es necesario que las dos muestras sean del mismo tamaño.
PC-85
V F 18. El estadístico de prueba de K-S es simplemente la desviación absoluta mínima entre las frecuen-
cias acumuladas relativas observadas y las frecuencias acumuladas relativas esperadas.
V F 19. Las pruebas de suma de rangos prueban la hipótesis de que varias medias de población son igua-
les, suponiendo que las poblaciones tienen distribución normal con varianzas iguales.
V F 20. La prueba de Kruskal-Wallis es una versión no paramétrica de ANOVA.
V F 21. La distribución de muestreo del estadístico K de Kruskal-Wallis puede aproximarse por una dis-
tribución ji-cuadrada sólo si todos los tamaños de muestra son al menos 5.
A B C D 22. En una prueba de signo para datos por pares, se pidió a 800 estudiantes que clasificaran (en una
escala de 0 a 10) sus actitudes hacia pruebas falso/verdadero y de opción múltiple. Cuando se
calcularon los signos para los dos conjuntos de datos apareados, 138 de los 800 pares de res-
puestas recibieron un valor de 0. ¿Significa esta media que 138 estudiantes:
a) Sienten disgusto por los dos tipos de prueba?
b) No respondieron la encuesta?
c) Clasificaron igual los tipos?
d) Pensaron que uno de los tipos era perfecto y el otro terrible?
A B C D 23. Suponga que, en la pregunta 22, la administración pensó que las pruebas falso/verdadero eran
tres veces más atractivas que las pruebas de opción múltiple. Suponga que una preferencia por
las pruebas falso/verdadero es un “éxito”, ¿cuál es la hipótesis nula para la prueba de signos pa-
ra datos por pares?
a) p 5 0.25.
b) p 5 0.75.
c) p Þ 0.25.
d) p Þ 0.75.
Las preguntas 24 y 25 se refieren a la siguiente situación. Se seleccionan al azar 5 antiguos pacientes

del ala A del Hospital Trinity, y 4 antiguos pacientes del ala B. Los pacientes estuvieron el siguiente
número de días:
Ala A: 13 4 2 10 6
Ala B: 10 9 7 8
A B C D 24. Se debe realizar una prueba U de Mann-Whitney para determinar si existe una diferencia signi-
ficativa entre la duración de las estancias en el hospital para las dos alas. Si la duración de la es-
tancia se clasifica de menor a mayor, ¿cuál es la clasificación para una estancia de 13 días en el
ala A?
a) 9.
b) 8.
c) 91/2.
d) 71/2.
A B C D 25. Si la duración de la estancia se clasifica de menor a mayor, ¿cuál es el valor de (R1 2 R2)?
a) 21/2.
b) 0.
c) 1/2.
d) 21/2.
A B C D 26. ¿Cuál es el número máximo posible de corridas en una secuencia de longitud 5 usando dos sím-
bolos?
a) 6.
b) 4.
c) 3.
d) 5.

A B C D E 27. La secuencia C, D, C, D, C, D, C, D, C, D probablemente sería rechazada por una prueba de co-
rridas como no verdaderamente aleatoria porque:
a) El patrón C, D ocurre sólo cinco veces; esto a menudo no es suficiente para garantizar alea-
toriedad.
b) La secuencia contiene demasiadas corridas.
c) La secuencia contiene muy pocas corridas.
d) La secuencia contiene sólo dos símbolos.
A B C D 28. En una prueba U de Mann-Whitney, una distribución de muestreo particular para U tiene una
media de 15. Un valor de U se calcula como n1n2 1 n1(n1 1 l)/2 2 R1 que es igual a 22.5. ¿Po-
demos concluir inmediatamente que el valor de n1n2 1 n2(n1 1 l)/2 – R2 en esta situación
a) Es 10?
b) Es 12.5?
c) Es 7.5?
d) No puede determinarse con la información dada.
Las preguntas 29 y 31 se refieren a la siguiente situación. Siete ejecutivos (A a G) fueron clasificados

de 1 a 7 en una escala de nivel salarial anual, con 1 como el más alto. Los resultados fueron
A B C D E F G
2 6 4 1 3 5 7
A B C D E 29. ¿De lo siguiente, qué es correcto?

a) E ganó más que los otros cuatro.
b) C y F ganaron lo mismo.
c) Las ganancias de C son menores que las de los otros cuatro.
A B C D 30. Suponga que, como segunda parte de este estudio, los siete ejecutivos se clasificaron de acuer-
do con lo felices que aparentan ser, donde 1 es el más feliz. Si los salarios y la felicidad están
perfectamente correlacionados, ¿cuál debe ser la clasificación de felicidad del ejecutivo A?
a) 1.
b) 2.
c) 3.
d) 6.
A B C D 31. Si, en la clasificación de felicidad de la pregunta 30, los salarios y la felicidad tuvieran una co-
rrelación inversa perfecta, ¿cuál debe ser la clasificación de felicidad del ejecutivo F?
a) 7.
b) 2.
c) 5.
d) 3.

A B C D E F G 32. Al compararse con los métodos paramétricos, los métodos no paramétricos:
a) Son menos exactos.
b) Son menos eficientes.
c) Son computacionalmente más fáciles.
d) Requieren menos información.
f) b), c) y d), pero no a).
g) Ninguno de los anteriores.
A B C D 33. Para una correlación perfecta, el coeficiente de correlación de rangos r:
a) Sería igual a 1.
b) Estaría entre 0 y 21.
c) Sería igual a 0.
A B C D 34. Para muestras de tamaño mayor que 30, la distribución muestral del coeficiente de correlación
de rangos es aproximadamente la distribución:
a) t.
b) Binomial.
c) Ji-cuadrada.
d) Normal.
A B C D 35. En la prueba de Kruskal-Wallis de k muestras, el número apropiado de grados de libertad es
a) k.
b) k 2 1.
c) nk 2 1.
d) n 2 k.
A B C D E 36. Elija la muestra con la mayor suma de rangos si los elementos se clasifican de mayor a menor:
Muestra A: 1 3 9
Muestra B: 5 1 8
Muestra C: 9 4 2
a) C con suma de rangos 15.

b) C con suma de rangos 20.5.
c) A con suma de rangos 16.
d) B con suma de rangos 14.5.
37. Una secuencia de ocurrencias idénticas precedidas y seguidas de distintas ocurrencias o de nin-
guna es .
38. Un método no paramétrico usado para determinar si dos muestras independientes se extrajeron
de poblaciones con la misma distribución es el .
39. Una técnica no paramétrica para determinar la aleatoriedad con la que se han seleccionado los
elementos muestreados es la .
40. Una prueba prueba la diferencia entre observaciones por pares al
sustituir 1, 2 y 0 en lugar de los valores cuantitativos.
41. Un coeficiente mide el grado de asociación entre dos variables y se
basa en los rangos de las observaciones.
42. El estadístico U tiene una propiedad especial que nos permite ahorrar tiempo de cálculos cuan-
do .
43. Para distinguirlo del coeficiente de correlación, el coeficiente de correlación de rangos se deno-
ta por .
44. El estadístico Dn de K-S es un estadístico en cuanto a que es inde-
pendiente de la distribución de frecuencia esperada.
45. La prueba tiene ventajas sobre la prueba ji-cuadrada de bondad de
ajuste porque los datos requeridos no necesitan estar agrupados.

● Diagrama de flujo: Métodos no paramétricos
INICIAR
Use métodos no paramétricos

para llegar a conclusiones
respecto a poblaciones
cuando se desconoce la
forma de sus distribuciones
Use una prueba Use una prueba Use una prueba de

de signo con muestras U de Mann-Whitney Kruskal-Wallis para ver si
apareadas para saber para ver si dos muestras tres o más muestras
si dos poblaciones independientes vienen independientes vienen
son diferentes de la misma población de la misma población
1. Convierta los datos 1. Clasifique los datos

en signos + y – 2. Calcule el estadístico 1. Clasifique los datos
2. Calcule p, la proporción U y su media y error 2. Calcule el
de la muestra de signos + estándar estadístico K
Use la distribución binomial Use la distribución normal Use la distribución ji-cuadrada

(o la normal, si la muestra (si las muestras son suficien- si cada muestra tiene más
es suficientemente grande) temente grandes) para probar de cinco observaciones para
para probar H0: p = 0.5 H0: las poblaciones son probar H0: las poblaciones
contra la alternativa iguales, contra la alternativa son iguales, contra la alternativa
apropiada apropiada apropiada
¿Cae
el estadístico de
No Sí
Rechazar H0 muestra dentro
de la región de
aceptación?

gerenciales apropiadas

Use una prueba Kolmogorov-
Use el coeficiente de
Smirnov para saber si una
Use una prueba de corridas correlación de rangos
distribución particular es
de una sola muestra para saber de Spearman para
consistente con un conjunto
si una muestra se seleccionó medir el grado de asociación
dado de datos. (Podría usar
de manera aleatoria entre dos conjuntos
también una prueba de
de variables clasificadas
x 2. Vea el capítulo 11)
Calcule las frecuencias

Calcule el número de 1. Clasifique los datos acumuladas observadas,
corridas, r, y su media 2. Calcule rs (y su error Fo, y compárelas con las
y error estándar estándar si n > 30) esperadas, Fe, para obtener
el estadístico Dn de K-S
Use la distribución normal (si

Use la tabla 7 del apéndice Use la tabla 8 del apéndice
la muestra es suficientemente
(o la distribución normal para probar H0: el ajuste es
grande) para probar
si n > 30) para probar apropiado, contra
H0: la muestra es aleatoria,
H0: rs = 0, H1: el ajuste no es
contra H1: la muestra no
contra la alternativa apropiada apropiado
es aleatoria
Acepte Ho
TERMINAR

Prueba de conceptos
del capítulo 15
V F 1. El análisis de series de tiempo se utiliza para detectar patrones de cambio en información esta-
dística durante intervalos regulares de tiempo.
V F 2. Las tendencias seculares representan la dirección a largo plazo de una serie de tiempo.
V F 3. Cuando se codifican valores estacionales, restamos de cada valor el menor valor de tiempo de
la serie; en consecuencia, el código del valor más pequeño es cero.
V F 4. Cuando se utiliza el método de mínimos cuadrados para determinar una ecuación de segundo
grado de mejor ajuste, se deben determinar los valores de cuatro constantes numéricas.
V F 5. El análisis de series de tiempo nos ayuda a estudiar tendencias históricas, pero no nos ayudan
respecto a incertidumbres futuras.
V F 6. Cuando predecimos algo que está muy adelante en el futuro, por lo general una ecuación de se-
gundo grado proporciona pronósticos más precisos que una ecuación lineal.
V F 7. Cuando se utiliza el método de residuos, suponemos que la componente cíclica explica la ma-
yor parte de la variación que no fue explicada por la componente de tendencia.
V F 8. El residuo cíclico relativo puede calcularse para un elemento de una serie de tiempo restando 10
al porcentaje de tendencia de ese elemento.
V F 9. El movimiento repetitivo alrededor de una línea de tendencia en un periodo de dos años se des-
cribe mejor como una variación estacional.
V F 10. Una vez calculados los índices estacionales de una serie de tiempo, la serie puede ser desesta-
cionalizada de modo que solamente quede la componente de tendencia.
V F 11. El porcentaje de tendencia no debe utilizarse para pronosticar variaciones cíclicas futuras.
V F 12. Con el tiempo, los movimientos aleatorios tienden a contrarrestarse entre sí en la variación irre-
gular de una serie de tiempo.
V F 13. Antes de poder calcular el porcentaje de tendencia, se debe calcular una línea de tendencia (grá-
fica de Ŷ).
V F 14. Si una serie de tiempo contiene un número impar de elementos, entonces el código para uno de
los elementos estará en mitades de unidad.
V F 15. Para ser considerado como una serie de tiempo, un grupo de datos de información estadística
debe haberse reunido en intervalos regulares.
V F 16. De los cuatro tipos de variación, la cíclica es la más difícil de pronosticar.
V F 17. La variación estacional es una variación repetitiva y predecible alrededor de la línea de tenden-
cia que se da en un periodo de un año.
V F 18. Para representar la componente cíclica aislada de una serie de tiempo, debemos graficar los va-
lores del porcentaje de tendencia o los valores del residuo cíclico relativo.
V F 19. Los índices estacionales ajustados deben sumar siempre 400.
V F 20. Una serie de tiempo debe ser desestacionalizada después de identificar las componentes de ten-
dencia o cíclica de la serie.
PC-93
V F 21. Eliminando los valores más alto y más bajo del promedio real respecto al móvil de cada periodo,
cuando se calculan los índices estacionales, se reducen las variaciones cíclica e irregular extremas.
A B C D E 22. ¿Una serie de tiempo de datos anuales puede contener cuáles de las siguientes componentes?
a) Tendencia secular.
b) Fluctuación cíclica.
c) Variación estacional.
A B C D 23. Suponga que analiza una serie de tiempo de datos correspondientes a los trimestres de 1992 y
1993. El tercer trimestre de 1993 deberá codificarse como:
a) 2.
b) 3.
c) 5.
d) 6.
A B C D 24. Suponga que una serie de tiempo particular debe ajustarse con una curva parabólica. La forma
general para esta ecuación de segundo grado es Ŷ 5 a 1 bx 1 cx2. ¿Qué representa x en esta
fórmula?
a) Valores codificados de las variables de tiempo.
b) Una constante numérica que se determina mediante una fórmula.
c) Estimaciones de la variable dependiente.
A B C D E 25. Suponga que una serie de tiempo con datos anuales para los años de 1988 a 1996 está bien des-
crita por la ecuación de segundo grado Ŷ 5 5 1 3x 1 9x2. Basándose sólo en esta tendencia
secular, ¿cuál es el valor pronosticado para 1997?
a) l6l.
b) 245.
c) 347.
d) 293.75.
e) 200.75
A B C D 26. Suponga que la ecuación lineal Ŷ 5 10 1 3x describe bien una serie de tiempo anual para el pe-
riodo 1987-1993. Si el valor real de Y para 1990 es 8, ¿cuál es el porcentaje de tendencia para
1990?
a) l25%.
b) 112.5%.
c) 90%.
d) 80%.
A B C D 27. Una serie de tiempo para los años 1985-1996 tiene los siguientes residuos cíclicos relativos, en
orden cronológico: 21%, 22%, 1%, 2%, 21%, 22%, 1%, 2%, 21%, 22%, 1%, 2%. El resi-
duo cíclico relativo para 1997 debería ser:
a) 3%.
b) 21%.
c) 22%.
d) No se puede determinar de la información dada.
A B C D 28. Suponga que le proporcionaron los datos de las ventas trimestrales de un periodo de 5 años. Pa-
ra utilizar el método de razón de promedio móvil para calcular un índice estacional, el primer
paso sería:
a) Calcular el promedio móvil de 4 trimestres.
b) Descartar los valores más alto y más bajo de cada trimestre.
c) Calcular el total móvil de 4 trimestres.

Las preguntas 29 a 31 se refieren al cálculo de un índice estacional, utilizando el método de razón de
promedio móvil para los datos trimestrales de 1992-1996. El porcentaje del promedio real respecto al
móvil para el tercer trimestre de cada año es: 1992: 109.0; 1993: 112.8; 1994: 110.0; 1995: 108.0;
1996: 104.6.
A B C D E 29. ¿Cuál es el índice no ajustado para el tercer trimestre?
a) 108.88.
b) 109.0.
c) 110.23.
d) 110.96.
A B C D E 30. Suponga que el total de índices no ajustados para los cuatro trimestres es de 404.04. Si el índi-
ce no ajustado para el primer trimestre es 97.0, ¿cuál es el índice estacional ajustado para el pri-
mer trimestre?
a) 96.03.
b) 97.98.
c) 24.01.
d) 99.00.
A B C D 31. El índice estacional ajustado para el cuarto trimestre es 95.0. Si la línea de tendencia desesta-
cionalizada calculada para estimar las ventas trimestrales es Ŷ 5 400 1 9x, ¿cuál será la estima-
ción de las ventas estacionalizadas para el cuarto trimestre de 1994?
a) 499.7.
b) 643.0.
c) 610.85.
d) 676.8.
A B C D E 32. Si una serie de tiempo tiene un número par de años y utilizamos codificación, ¿a qué es igual
cada intervalo codificado?
a) 1 año.
b) 2 años.
c) 1 mes.
d) 6 meses.
A B C D E F 33. Un método empleado para manejar la variación cíclica cuando la componente cíclica no expli-
ca la mayor parte de la variación que no fue explicada por la componente de tendencia es:
a) Análisis de Spearman.
b) Análisis específico.
c) Análisis de segundo grado.
d) Residuo cíclico relativo.
A B C D E 34. Para un año dado, si un índice estacional ajustado para algún periodo es mayor que 100, ¿qué
inciso es cierto?
a) El índice ajustado para algún otro periodo es > 100.
b) El índice ajustado para algún otro periodo es < 100.
c) El índice ajustado para algún otro periodo es 5 100.
A B C D 35. Si el porcentaje de tendencia de un año en particular en una serie de tiempo es mayor que 100%,

entonces para ese año:
a) El valor real de la serie de tiempo está abajo de la línea de tendencia, y el residuo cíclico re-
lativo es positivo.
b) El valor real de la serie de tiempo está abajo de la línea de tendencia, y el residuo cíclico re-
lativo es negativo.
c) El valor real de la serie de tiempo está arriba de la línea de tendencia, y el residuo cíclico re-
lativo es negativo.
d) El valor real de la serie de tiempo está arriba de la línea de tendencia, y el residuo cíclico re-
lativo es positivo.
A B C D E 36. ¿Cuáles de las siguientes son razones comunes para estudiar tanto tendencias seculares como
variación estacional?
a) Permitir la eliminación de la componente de la serie de tiempo.
b) Describir patrones históricos.
c) Proyectar patrones históricos al futuro.
d) Todas las anteriores.
37. Al dividir cada valor real de una serie de tiempo por el valor de tendencia correspondiente y mul-
tiplicar el resultado por 100, obtenemos el .
38. El movimiento repetitivo y predecible alrededor de la línea de tendencia que se da en un año o
menos es la variación .
39. La variación de una serie de tiempo está caracterizada por un mo-
vimiento impredecible y aleatorio que por lo general ocurre durante intervalos cortos.
40. La variación es la componente de una serie de tiempo que oscila al-
rededor de la línea de tendencia en periodos mayores que un año.
41. El uso de índices estacionales para eliminar los efectos de la estacionalidad de una serie de tiem-
po se conoce como _________ la serie de tiempo.
42. El primer paso para calcular los índices estacionales de los datos de una serie de tiempo consis-
te en calcular el .
43. El incremento estable del costo de vida registrado en el IPC es un ejemplo de
.
44. El resultado de descartar los valores más alto y más bajo antes de promediar se conoce como
.
45. Una es la proyección de patrones históricos al futuro.

● Diagrama de flujo: Series de tiempo
INICIO
¿Desea
usar sus
hallazgos
para pronosticar No
el comportamiento
Use el análisis de series futuro del
de tiempo para determinar evento?
los patrones de cambio
que ocurren
con el tiempo en Sí
un evento observado
Determine el valor
desestacionalizado del periodo
futuro usando la ecuación
de tendencia secular
Calcule los índices

estacionales y aplíquelos Estacionalice esta estimación
a los datos para hallar el valor multiplicándola por el índice
desestacionalizado de la temporal apropiado
serie de tiempo
Desarrolle la línea de tendencia TERMINAR

secular aplicando el método de
mínimos cuadrados o el de curva
parabólica a los datos
desestacionalizados
Encuentre la variación cíclica

alrededor de la línea de tendencia
usando el porcentaje de tendencia
o el método de residuos
cíclicos relativos
Intente identificar y aislar

la causa de cualquier variación
irregular en la serie de tiempo

Prueba de conceptos
del capítulo 16
V F 1. El número índice para un año base siempre es cero.
V F 2. Los números índice pueden medir diferencias de una variable dada en diferentes localidades.
V F 3. La forma más sencilla de un índice compuesto es un índice de agregados no ponderados.
V F 4. Una desventaja de los índices de Laspeyres es que no son comparables entre sí.
V F 5. Si se utiliza el método de agregados con peso fijo, donde el periodo de valor elegido coincide
con el periodo base, entonces este método es el mismo que el método de Paasche.
V F 6. El método de promedio de relativos suma porcentajes, no cantidades.
V F 7. Un cambio sustantivo en los precios de un producto de movimiento lento puede distorsionar
completamente un índice no ponderado.
V F 8. En tiempos de inflación, un índice de cantidad proporciona una mejor medición de la produc-
ción real que el índice de valor correspondiente.
V F 9. Un índice de valores mide los efectos combinados de los cambios en precios y cantidades.
V F 10. Cuando se utiliza el índice de precios de promedio ponderado de relativos, siempre se pueden
comparar los índices de diferentes periodos.
V F 11. El método de Laspeyres se utiliza con más frecuencia, debido a que requiere medidas de canti-
dad de un solo periodo.
V F 12. Siempre se encuentra un número índice al obtener el cociente de un valor actual entre un valor
base y multiplicar por 100.
V F 13. La selección de una base no apropiada no distorsiona los números índice.
V F 14. Aunque a menudo se utilizan mediciones dentro de ellos mismos, los números índice también
pueden usarse como parte de cálculos intermedios.
V F 15. Siempre que usamos el símbolo Pi en una de las fórmulas de un índice, nos referimos al precio
en el año base.
V F 16. En el caso del índice de agregados o del promedio de relativos, es más frecuente ponderar los
elementos que conforman el índice.
V F 17. Un índice de agregados no ponderados no permite que haya cambios en el precio.
V F 18. El IPC y el IIP son dos ejemplos de índices de valor.
V F 19. El método de promedio ponderado de relativos divide la suma ponderada entre la suma de las
ponderaciones.
V F 20. Los números índice son inherentemente confusos y, en consecuencia, se utilizan muy poco en
el mundo real.
V F 21. La medida del IPC está basada en una sola variable.
PC-99
A B C D E 22. Si el cálculo de un número índice en un periodo de 8 años con un valor base de 100 dio un ín-
dice para 1993 de 110, ¿cuál sería el porcentaje relativo para dicho año?
a) 110.
b) 90.9.
c) 13.75.
d) 880.
e) No se puede determinar con la información dada.
A B C D 23. ¿Qué debe calcularse para medir cambios en el valor monetario total?
a) Un índice de precios.
b) Un índice de cantidades.
c) Un índice de valores.
A B C D E 24. Suponga que un índice de precios compuesto para 1 galón de leche, 2 barras de pan y 1 libra de
carne molida fue 110 en 1995 y 119 en 1996. Si ambos índices se calcularon a partir de la base
de 100 para 1994, ¿cuánto se elevó el nivel general de precios de 1995 a 1996?
a) 9%.
b) 8.18%.
c) 19%.
d) 7.56%
e) No se puede determinar con la información dada.
A B C D E 25. ¿Cuál de los siguientes describe una ventaja del uso del método de Laspeyres?
a) Muchas medidas de cantidad de uso común no se tabulan para cada periodo.
b) Se toma en cuenta los cambios en los patrones de consumo.
c) Un índice puede compararse fácilmente con otro.
A B C D E 26. ¿Qué se puede concluir si el índice de precios de agregados ponderados para un conjunto de pre-
cios fue calculado en 106 utilizando el método de Laspeyres y en 112 con el método de Paasche?
a) El índice de Paasche es incorrecto.
b) Existe una tendencia hacia los bienes menos costosos.
c) Existe una tendencia hacia los bienes más costosos.
d) La diferencia puede atribuirse a una mala estimación de las actitudes del consumidor.
e) Sólo a) y d).
A B C D 27. Al calcular un índice de promedio ponderado de relativos, podríamos comparar mejor índices
de varios periodos si se usan:
a) Los valores base como PnQn.
b) Los valores actuales como PnQn.
c) Los valores fijos como PnQn.
d) Los valores base o los fijos como PnQn.
e) Los valores actuales o los fijo como PnQn.
A B C D 28. Las mercancías sujetas a variaciones considerables de precio se pueden medir mejor mediante:
a) El índice de precios.
b) El índice de cantidad.
c) El índice de valor
A B C D 29. Un periodo base puede describirse como “normal” si:
a) No se encuentra en un pico o una depresión de una fluctuación.
b) Es el periodo más reciente para el que tenemos datos.
c) No hubo inflación o deflación de precios durante el periodo.
d) Es el promedio de varios periodos consecutivos.
PC-100 Prueba de conceptos

A B C D 30. Los pesos utilizados en un índice de cantidad son:
a) Porcentajes de la cantidad total.
b) Precios.
c) Un promedio de cantidades.
A B C D 31. En un índice de promedio no ponderado de relativos (Pi/P0) 3 100 se calcula para cada produc-
to del compuesto. ¿Qué se hace después con estos valores para terminar el cálculo?
a) Los valores se multiplican entre sí.
b) Se encuentra el valor más grande.
c) Se promedian los valores.
d) Se encuentra la diferencia promedio de la mediana de los valores y luego se le eleva al cuadrado.
A B C D E 32. Para medir cuánto cambia el costo de alguna variable con el tiempo se usaría:
a) Un índice de valor.
b) Un índice de inflación.
c) Un índice de cantidad.
A B C D 33. ¿Qué método permite cambiar el año base sin tener que cambiar las cantidades utilizadas para
los pesos?
a) El método de Paasche.
b) El método de Laspeyres.
c) El método de agregados ponderados.
A B C D 34. Cuando se usan los valores del año base como pesos, ¿a cuál índice es igual el índice de precios
de promedio ponderado de relativos?
a) El índice de Paasche.
b) El índice de Laspeyres.
c) El índice de precios de promedio no ponderado de relativos.
A B C D E 35. ¿Cuál de las siguientes es una diferencia primordial entre los métodos de agregados y de pro-
medio de relativos?
a) Los métodos de agregados suman todos los precios antes de encontrar el cociente.
b) Los métodos de promedio de relativos suman todos los precios antes de encontrar el cociente.
c) Los métodos de agregados sólo son útiles para índices de precios.
A B C D 36. Al comparar los índices de precios de aviones militares de 1976 a 1996:
a) Se probaría claramente que los gastos de la defensa se han elevado mucho en los últimos 20 años.
b) Se haría mejor utilizando el método de Paasche.
c) Debería usarse el promedio de 1974 y 1975 como periodo base.
d) No tendría sentido, dadas las diferencias tecnológicas significativas en los elementos que se
están comparando.
A B C D E 37. Si los organizadores del Ironman Triathlon desean evaluar los tiempos de los ganadores cada año,
con relación a los tiempos de 1980 (el primer año de la competencia), ¿qué deberían utilizar?
a) Un índice de agregados no ponderados, con 1980 como base.
b) Un índice de agregados ponderados con 1980 como base, utilizando el número de competi-
dores de cada año como pesos.
c) El método de Paasche.
d) Cualquiera de los anteriores.
e) a) o b), pero no c).
Prueba de conceptos PC-101

38. Si todos los valores considerados al calcular un índice tienen igual importancia, el índice es
.
39. El método de índice ponderado en el cual las cantidades consumidas durante el periodo base se
usan como pesos es el método .
40. Si sumamos todos los valores utilizados en el cálculo de un índice, el índice resultante se cono-
ce como .
41. El uso de pesos de un periodo representativo (que no necesariamente tiene que ser el periodo
base o el actual) para calcular un índice de precios de agregados ponderados es el método de
agregados .
42. El método utiliza las cantidades consumidas en el periodo actual en
cuestión cuando se calcula un índice ponderado.
43. Debemos darnos cuenta de que el planteamiento mecánico de números índice está sujeto a
y considerables.
44. Los tres tipos principales de índices son el índice , el índice
y el índice .
45. El se calcula tomando el cociente del valor actual entre un valor base
y multiplicándolo por 100.
PC-102 Prueba de conceptos

● Diagrama de flujo: Números índice
INICIAR
Utilice números índice

como método abreviado
para medir los cambios
ocurridos en variables
económicas
Para construir índices

de precio, cantidad o valor,
comience por recopilar
los datos apropiados
¿Desea
asignar mayor
Relativos Agregados
importancia a algunos
elementos que a
otros?
¿Desea ¿Desea
un índice de asignar mayor
No Sí No importancia a Sí
agregados
o de algunos elementos
relativos? que a otros?
Use un índice de promedio Use un índice de promedio Use un índice de Use el método de
no ponderado de relativos: ponderado de relativos: agregados no ponderados: Paasche,
el de Laspeyres
S(Pi /P0) 3 100 S[(Pi /P0) 3 100]PnQn SPi o algún otro índice de
3 100 agregados ponderados:
n SPnQn SP0
SPiQ
3 100
SP0Q
TERMINAR
Prueba de conceptos PC-103

Prueba de conceptos
del capítulo 17
V F 1. La teoría de decisiones supone que ningún evento está más allá del control del tomador de de-
cisiones.
V F 2. Una tabla de ganancias condicionales no refleja la ganancia negada a un vendedor al menudeo
por su incapacidad de satisfacer todas las demandas de los compradores.
V F 3. Una pérdida por obsolescencia ocurre cuando un comerciante no tiene mercancías almacenadas
y los compradores desean comprar.
V F 4. En la mayoría de las situaciones de inventario, varios valores de p resolverán la ecuación
p(GM) 5 (1 2 p)(PM), pero sólo uno es la mejor solución.
V F 5. Si tener en inventario 19 unidades de un bien produce una ganancia esperada diaria de $51.50,
un comerciante que almacena 19 unidades puede esperar ganancias promedio de $51.50 diarios.
V F 6. Una persona puede tener una curva de utilidad para una situación y otra muy diferente para la
siguiente situación.
V F 7. Siempre es difícil usar el conocimiento de otras personas respecto a una situación sin explicar-
les las técnicas estadísticas.
V F 8. Si la información perfecta estuviera disponible, un comerciante tendría consistentemente las
máximas ganancias posibles.
V F 9. Una ventaja de usar árboles de decisión es que cada resultado, deseable o indeseable, debe in-
vestigarse.
V F 10. En un árbol de decisiones, un círculo representa un puntos de decisión.
V F 11. Si un comerciante puede ganar $100 al día con información perfecta, entonces VEIP 5 $100.
V F 12. La pérdida que resulta al almacenar un producto que no se vende se expresa como PM.
V F 13. Al ir hacia atrás en un árbol de decisiones, el proceso se mueve de derecha a izquierda.
V F 14. Los ejecutivos de negocios con una curva de utilidad lineal pueden usar de manera efectiva el
valor monetario esperado como su criterio de decisión.
V F 15. En la gráfica de una distribución normal de ventas, el área que está a la derecha de una línea ver-
tical representa la probabilidad de vender esa cantidad o menos.
V F 16. Una decisión que maximice las ganancias esperadas también minimiza las pérdidas esperadas.
V F 17. La curva de utilidad de un individuo se basa en consideraciones matemáticas y no de compor-
tamiento.
V F 18. La pérdida marginal esperada es igual a la pérdida marginal multiplicada por 1 menos la proba-
bilidad de vender esa unidad.
V F 19. Los pagos son sólo los beneficios positivos de las diversas alternativas.
V F 20. La información perfecta, en realidad, rara vez está disponible; ocurre más el caso de informa-
ción que ayuda a tomar decisiones mejores, no perfectas.
V F 21. El valor esperado de una variable aleatoria pondera cada valor posible de la variable con 1 me-
nos la probabilidad de tomar ese valor.
PC-105
A B C D E 22. ¿De cuál de los siguientes incisos pueden los comerciantes determinar inmediatamente cuántas
cajas deben almacenar cada día para maximizar las ganancias?
a) Ganancia esperada de cada acción de inventarios.
b) Pérdida esperada de cada acción de inventarios.
c) Tabla de ganancias condicionales.
d) a), b) y c).
A B C D 23. Considere una tabla de pérdidas condicionales con los niveles de ventas posibles enumerados
verticalmente en la primera columna y las acciones de inventario posibles enumeradas horizon-
talmente en el primer renglón. Cualquier valor menor que cero en una columna indica:
a) Una pérdida de oportunidad.
b) Una pérdida por obsolescencia.
c) Una ganancia.
d) Ninguno de éstos
A B C D 24. Suponga que las únicas dos acciones de existencias posibles para un producto particular son 10
y 15 botellas. Las ganancias esperadas son $3.35 por 10 botellas y $3.50 por 15 botellas. Si la
pérdida esperada por 10 botellas es $1.10 y se tienen en existencia 15 botellas, la pérdida espe-
rada es:
a) Mayor que $1.10.
b) Menor que $1.10.
c) Mayor que $2.25.
d) Indeterminable a partir de la información dada.
A B C D 25. Un hombre de negocios que tiene aversión al riesgo:
a) Prefiere tomar riesgos mayores para obtener grandes ganancias.
b) Prefiere actuar en cualquier momento en que el valor monetario esperado sea positivo.
c) Evita todas las situaciones excepto aquellas con valores esperados muy altos.
d) Ninguno de éstos.
A B C D 26. Suponga que no conoce la desviación estándar real de una distribución normal, pero alguien le
dice, “las posibilidades son de 5 a 3 de que una observación aleatoria esté entre 500 y 900”. Us-
ted sabe que la media es 700. ¿Cuál es el área bajo la curva normal entre los valores 700 y 900?
a) 8/16.
b) 3/8.
c) 5/8.
d) 5/16.
A B C D 27. Cierto producto se vende en $25 y el comerciante lo compra en $17. Si no se vende en dos se-
manas, el comerciante recupera sólo $8 de su inversión original de $17 porque el producto se
echa a perder. ¿Cuál es el valor de GM para esta situación?
a) $9.
b) $17.
c) $8.
d) $25.
A B C D E 28. Suponga que para una operación de inventarios particular, PM 5 $10 y GM 5 $30. Entonces,
p* 5 0.25. ¿Para cuál de las siguientes situaciones tendría almacenada la unidad en cuestión?
a) La quinta unidad cuando P(demanda de 5 o más unidades) 5 0.50.
b) La tercera unidad cuando P(demanda de menos de 3 unidades) 5 0.10 y P(demanda de exac-
tamente 3 unidades) 5 0.09.
c) La novena unidad cuando P(demanda de más de 9 unidades) 5 0.16 y P(demanda de exac-
tamente 9 unidades) 5 0.05.

A B C D 29. Un gerente está decidiendo si compra o renta un nuevo edificio. Si lo compra, el costo para el
siguiente año será $5,500, que incluye hipoteca, seguro y otros gastos usuales. Si lo renta, el gas-
to comparable para el siguiente año será $6,000, $5,300 o $4,200, dependiendo de las fluctua-
ciones del mercado. El gerente desea hacer su elección con base en los valores monetarios es-
perados para el año siguiente. El árbol de decisiones para esta situación debe tener:
a) Un punto de decisión y ningún evento aleatorio.
b) Un evento aleatorio y un punto de decisión.
c) Dos puntos de decisión y tres eventos aleatorios.
d) Un punto de decisión y tres eventos aleatorios.
A B C D E 30. Para una decisión particular, el beneficio total de una nueva planta es $18,200,000. Si el bene-
ficio neto esperado de esta planta es $11,500,000, ¿cuál es el costo de la planta?
a) $6,700,000.
b) $8,400,000.
c) $29,700,000.
d) $11,500,000.
e) No puede determinarse a partir de la información dada.
A B C D E 31. Suponga que se pregunta a tres mujeres de negocios acerca de las utilidades en situaciones de
riesgo. Se encuentra que Laura es adversa al riesgo, Lisa es una apostadora arriesgada y Leslie
está en una situación financiera tan desahogada que las cantidades de dinero en cuestión son des-
preciables al compararlas con su riqueza. Para las situaciones en cuestión, ¿quién de ellas em-
plearía la utilidad como criterio de decisión?
a) Laura.
b) Lisa.
c) Leslie.
d) Las tres.
A B C D 32. Una persona que trata de maximizar su utilidad esperada usaría el criterio de valor esperado si:
a) Es adversa al riesgo.
b) Busca el riesgo.
c) Tiene una curva de utilidad no lineal.
A B C D E 33. Cuando un problema tiene un gran número de acciones posibles, normalmente usaríamos:
a) Una tabla condicional.
b) Una tabla marginal.
c) Una tabla de utilidad.
d) Análisis marginal.
A B C D E 34. La teoría de decisiones maneja:
a) La toma de decisiones en condiciones de incertidumbre.
b) Decisiones orientadas a cantidades, ignorando las repercusiones financieras.
c) El valor de información adicional para el tomador de decisiones.
A B C D E 35. Una vez que se “resuelve” un árbol de decisiones, ¿qué debería hacer el analista?
a) Salir inmediatamente y tomar la decisión.
b) Especificar las suposiciones subyacentes para señalar, entre otras cosas, los límites para los
cuales es válido el árbol de decisiones.
c) Realizar análisis de sensibilidad para determinar cómo reacciona la solución a los cambios
en los datos.
A B C D 36. Un producto le cuesta al comerciante $3.25 y puede venderse a $5.75. Si no se vende, el pro-
ducto puede venderse a un valor de recuperación de $1.50. ¿Cuál de las siguientes afirmaciones
es cierta?
a) PM 5 $4.25.
b) p* 5 ($3.25 2 $1.50)/($5.75 2 $1.50).
c) Con el fin de justificar el inventario de un producto adicional, la probabilidad acumulada de
vender esa unidad o más debe ser 50%.
37. Los eventos que están más allá del control del tomador de decisiones se denominan
o de la naturaleza.
38. La cantidad máxima que un comerciante estará dispuesto a pagar por un pronosticador perfec-
to se llama .
39. Hay dos tipos de pérdidas en una operación de inventarios: pérdidas por y
pérdidas por .
40. El placer o disgusto que uno recibe de ciertos resultados se conoce como la
propia.
41. El acto de calcular los beneficios esperados por cada círculo y cuadrado de un árbol de decisio-
nes se llama .
42. Si una ganancia incrementa la utilidad de una persona mucho más de lo que una pérdida del mis-
mo tamaño disminuye su utilidad, esa persona a menudo actuará cuando el valor esperado es
.
43. La pérdida incurrida al almacenar un producto que no se vende se llama .
44. La observación de cómo las decisiones óptimas y las ganancias cambian cuando los pagos o pro-
babilidades varían se llama .
45. La secuencia de tiempo en un árbol de decisiones ocurre de a ;
el proceso hacia atrás se realiza de a .

Conceptos PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Conceptos PDF

Cargado por

Copyright:

Formatos disponibles

Prueba de conceptos

PC-4 Prueba de conceptos del capítulo 2

Prueba de conceptos del capítulo 2 PC-5

PC-6 Prueba de conceptos del capítulo 2

Preparación de una representación

Prueba de conceptos del capítulo 2 PC-7

PC-10 Prueba de conceptos del capítulo 3

Prueba de conceptos del capítulo 3 PC-11

PC-12 Prueba de conceptos del capítulo 3

Prueba de conceptos del capítulo 3 PC-13

Prueba de conceptos del capítulo 3

Prueba de conceptos del capítulo 3

Prueba de conceptos del capítulo 3

¿Desea Calcule la varianza

¿Desea Calcule el resultado estándar

Prueba de conceptos del capítulo 3

PC-20 Prueba de conceptos del capítulo 4

Prueba de conceptos del capítulo 4 PC-21

PC-22 Prueba de conceptos del capítulo 4

¿Son los eventos No Regla de la adición:

¿Son los eventos

La probabilidad marginal de que

La probabilidad conjunta de La probabilidad conjunta de

Determine las probabilidades

Prueba de conceptos del capítulo 4 PC-23

PC-26 Prueba de conceptos del capítulo 5

Prueba de conceptos del capítulo 5 PC-27

40. La media de una distribución binomial, m, se puede calcular como , cuando n y p

PC-28 Prueba de conceptos del capítulo 5

45. Las distribuciones solamente pueden tomar un número li-

Prueba de conceptos del capítulo 5 PC-29

Prueba de conceptos del capítulo 5

Puede utilizar la distribución

Puede utilizar la distribución

Prueba de conceptos del capítulo 5

PC-34 Prueba de conceptos del capítulo 6

Prueba de conceptos del capítulo 6 PC-35

Utilice muestreo o distribuciones

Prueba de conceptos del capítulo 6

¿Desea que ¿Desea que

La distribución de muestreo La distribución de muestreo

El teorema del límite central

Prueba de conceptos del capítulo 6

PC-40 Prueba de conceptos del capítulo 7

Prueba de conceptos del capítulo 7 PC-41

PC-42 Prueba de conceptos del capítulo 7

Prueba de conceptos del capítulo 7 PC-43

Para estimar una característica de

Prueba de conceptos del capítulo 7

Para hacer una estimación de intervalo:

Existen muchos casos diferentes,

Los límites del

Prueba de conceptos del capítulo 7

PC-48 Prueba de conceptos del capítulo 8

Prueba de conceptos del capítulo 8 PC-49

PC-50 Prueba de conceptos del capítulo 8

Use la prueba de hipótesis

Decida si ésta es una prueba de dos colas

Decida qué distribución (t o z)

Calcule el error estándar del

Traduzca los resultados

Prueba de conceptos del capítulo 8 PC-51

PC-54 Prueba de conceptos del capítulo 9