Probabilidad, Muestreo y Analisis de Datos en Administracion ESC 2

Unidad 1 / Escenario 2
Lectura Fundamental
Probabilidad, muestreo y análisis de

datos en administración
Contenido
1 Probabilidad
2 Enfoques de probabilidad
3 Muestreo
4 Etapas del proceso de muestreo
5 Métodos de muestreo
6 Técnicas de análisis de datos
Palabras clave: Probabilidad, muestreo, estimación, regresión, correlación.

Introducción
Al ser un proceso que define el camino de una organización, como lo vimos en el escenario
anterior, la toma de decisiones se desenvuelve en un entorno de incertidumbre, lo que le agrega
niveles de complejidad porque una decisión aparentemente sencilla puede verse afectada por
ansiedad o inseguridad al momento de tomarla o implantarla.
Según Knight (1921) la incertidumbre envuelve al mundo, mediante el dinamismo y la compe-

tencia imperfecta y se examina mediante dos tipos: la que no se reduce a una probabilidad de
ocurrencia y la que sí.
Mediante el reconocimiento de los tipos de incertidumbre dados por F. Knight (1921) se reconoce la
incertidumbre como “elemento” esencial en la actividad económica asumida por cada organización.
M. Manucci (2004) opina que la incertidumbre se gestiona con más diálogo e interacción; para
que la empresa pueda afrontar con éxito la complejidad del entorno competitivo cambiante
debe aumentar su complejidad, aunque no tanto en su estructura (orden) como en su función y
tratamiento de la información (comportamiento). Con estos parámetros, considera que pensar
en un modelo de gestión estratégica implica pensar en un modelo de gestión de la incertidum-
bre para generar organizaciones flexibles y competentes.
La incertidumbre entonces refiere la duda sobre cualquier asunto, por ejemplo: ¿qué sucederá
si las ventas no incrementan? ¿Qué pasará con la compañía en manos de otro director?; ges-
tionarla mediante la correcta aplicación del proceso de toma de decisiones en la organización,
permitirá que la compañía desarrolle habilidades, fortalezas, oportunidades y competencias que
contribuyan a su flexibilidad y adaptación a los cambios del entorno, adicionando factores de
ventaja competitiva.
Ahora bien, la toma de decisiones en administración suele darse en entornos que involucran
cierto grado de aleatoriedad, tanto en algunos aspectos relevantes al momento de tomar la me-
jor decisión, como en los resultados obtenidos después de implementarla.
Es por esto que el decisor debe tener: habilidad para reconocer cuál escenario tiene la posibili-
dad de ocurrir bajo el contexto del problema y la pericia para determinar una probabilidad que lo
represente numéricamente.
POLITÉCNICO GRANCOLOMBIANO 2
Por ejemplo, tomemos el caso de Seguros Gura S.A., una organización dedicada a ofrecer solu-
ciones en seguros, ahorros, pensiones e inversión. Un ejecutivo de cuenta de Seguros Gura S.A.,
debe calcular el monto de la prima de riesgo por cobrar a un cliente; para esto, reconoce que la
empresa se enfrenta tanto a información conocida como desconocida; es decir, el perfil de un
cliente que toma un seguro de vida proporciona a la organización información básica como:
estado civil, nivel de riesgo asociado con la actividad que ejerce, situación económica, enferme-
dades que ha padecido él y sus parientes cercanos, etcétera; sin embargo también hay facto-
res aleatorios que influyen en la posibilidad de que ocurra una eventualidad amparada por la
póliza de seguros, como muerte natural, enfermedades o accidentes. En cuanto, identifique las
eventualidades, el ejecutivo de cuenta deberá estimar la probabilidad de que cada una de estas
ocurra. Si para un cliente particular la probabilidad de que sufra un accidente es alta, la prima de
riesgo que debe pagar por su seguro de vida se elevará también.
En resumen, la probabilidad es la necesidad de medir cuantitativamente la certeza o incertidum-

bre de un evento, mediante experimentos (proceso que proporciona datos numéricos o no), los
cuales serán herramientas que permitan conocer el comportamiento de un proceso bajo las
condiciones de interés, además son los experimentos los que permiten determinar las variables
aleatorias o validar hipótesis.
Una vez se formule el experimento es necesario que el decisor seleccione la parte de la pobla-
ción que le aporta a su estudio, es decir, la muestra, de la que obtendrá los datos para su poste-
rior análisis que, según su objetivo, utilizará técnicas como: estimación, regresión y correlación.
1. Probabilidad
La probabilidad es un valor que representa la certidumbre asociada con un escenario o evento

futuro. Para establecerla, el decisor deberá cumplir con tres axiomas básicos:
Toda probabilidad puede tomar el valor de cero o ser positiva, pero nunca negativa. También
debe ser menor o igual que el 100%, pues no tendría sentido que el decisor hablara de una pro-
babilidad negativa, o de una certeza mayor al 100%.
Cuando el decisor tiene la certeza de lo que va a ocurrir la probabilidad será igual al 100%.
Si hay dos escenarios que son incompatibles entre sí, la probabilidad de que ambos ocurran
de forma simultánea es 0%. No podemos, por ejemplo, esperar que en un mismo escenario el
precio de una acción suba y se mantenga estable de forma simultánea.
Además, las probabilidades cuentan con una serie de propiedades que permiten obtener conclu-
siones esenciales para la toma de decisiones en escenarios inciertos:
1. La probabilidad de que no ocurra un determinado escenario, es igual al 100% menos la

probabilidad de que dicho escenario suceda. Por ejemplo, si el costo unitario de una ma-
teria prima tiene una probabilidad de subir del 30%, la probabilidad de que dicho costo
se mantenga estable o baje será del 70%.
2. La probabilidad de un suceso imposible es 0%. De manera más práctica, en un ambien-

te empresarial los escenarios que ocurren menos de 1 vez cada 10.000 veces pueden
considerarse como improbables. Si un suceso está incluido en otro, su probabilidad es
menor o igual a la de este último. Tal es el caso de las quejas recibidas por la compañía
ACME que corresponden al 10% del total de clientes. Si discriminamos las quejas en
las tres causales (devoluciones, tiempo de entrega y defectos), ninguna de estas podrá
tomar un valor superior al 10%.
3. Si dos escenarios son mutuamente excluyentes, la probabilidad de la unión de ambos

sucesos será igual a la suma de sus probabilidades.
Por ejemplo, si el nivel de endeudamiento tiene probabilidades del 20% y 35% con rela-
ción a su incremento y estabilidad respectivamente, entonces la probabilidad de que no
descienda este indicador será del 55%.
EL CASO CLAVELITOS
La empresa exportadora de flores Clavelitos S.A.S. está en etapa de expansión en sus mercados
internacionales y debe cumplir con las expectativas de crecimiento. Ya se cuenta con contratos
fijos de exportación para la próxima temporada de San Valentín. El gerente y su equipo de trabajo,
al realizar un estudio de factibilidad, encontraron que no cumplirían las cantidades pactadas para
las fechas de entrega suscritas en los contratos, a menos que se intervengan las áreas críticas del
proceso: cultivo y post cosecha. En cultivo se estima que deberán construirse diez invernaderos
más con doce camas cada uno, y en post cosecha deberá ampliarse el tamaño de la planta en un
25% para optimizar el flujo de trabajo de ponchadoras y preservar los tabacos en los cuartos fríos.
Las opciones a las que se enfrenta Clavelitos son las siguientes:
 Ejecutar por completo el plan de reestructuración tanto en cultivo como en post cosecha, garan-
tizaría una probabilidad del 100% del cumplimiento en los contratos nuevos.
 Reestructurar parcialmente la planta (ampliando su tamaño en un 15%) y construir cinco inver-

naderos, respondería una probabilidad del 50% en el cumplimiento de los contratos nuevos.
 No realizar ninguna modificación a la planta evitaría que se logre la estrategia de expansión afec-
tando la credibilidad de la empresa, pues la probabilidad de cumplir los nuevos contratos sería del 0%.
El departamento financiero y la dirección general se concentraron en analizar la relación costo bene-

ficio asociada con cada alternativa, decidiendo que el presupuesto disponible para alcanzar la utili-
dad de los accionistas era suficiente para realizar la reestructuración total. Una vez se implementó
dicha estrategia, Clavelitos S.A.S. confirmó la noción de certeza del 100% en el cumplimiento de:
 Tasa interna de retorno esperada para la organización.
 Acuerdos en los contratos nuevos.
 Estrategia de expansión.
 Expectativas de los interesados (stakeholders).
2. Enfoques de probabilidad
La certidumbre de los resultados obtenidos en un experimento aleatorio se representa como un

porcentaje de probabilidad. Para ello, el decisor debe elegir el o los enfoques que utilizará para
acercarse al verdadero valor de certeza de cada escenario.
La elección del enfoque de probabilidad por aplicar dependerá de la habilidad del decisor para
identificar todos los posibles casos que lo acerquen a la condición ideal, de la información histó-
rica disponible yde la posibilidad de realizar un experimento muestral.
SABÍAS QUE...
Un experimento aleatorio es la observación de un fenómeno que ocurre en la naturaleza y en el cuál
no se puede anticipar cuál resultado ocurrirá, aunque sí se tiene una idea completa de todos los
resultados posibles del experimento.
Figura 1. Puntos clave para elegir un enfoque de probabilidad.
Fuente: elaboración propia (2017).
Los enfoques pueden ser objetivos si provienen de información verificable o subjetivos si provie-
nen del juicio del decisor.
2.1 Enfoques objetivos.
• Enfoque clásico de cálculo de probabilidad (a priori).
En primera medida, si el decisor determina todos los posibles resultados que se presentan en
el proceso que se está analizando y está seguro de que cualquiera de estos casos (resultados)
tiene la misma posibilidad de ocurrir, puede aplicar el enfoque clásico (a priori) de cálculo de
probabilidad propuesto por Laplace.
Este enfoque dictamina que la probabilidad que ocurra un escenario, podrá calcularse al dividir
el número de casos “favorables” asociados con la ocurrencia de dicho escenario entre el núme-
ro total de casos.
• Ejemplo
Una entidad financiera se encuentra en el proceso de sustitución de las antiguas tarjetas crédito
por otras con mayor nivel de seguridad anticlonación. Las nuevas tarjetas se fabricaron eligien-
do aleatoriamente tres posibles configuraciones de chip (configuración 1, configuración 2 o
configuración 3) y dos materiales de banda magnética (material de alta densidad o material de
baja densidad). De las 25.000 tarjetas fabricadas se han entregado a los clientes 4.800.
A la semana siguiente de iniciar el proceso de sustitución se recibieron quejas de clientes que

no habían podido hacer transacciones con sus nuevas tarjetas. El departamento de calidad en-
contró que el problema era por incompatibilidad entre la configuración y el material de la banda
magnética, y que sólo ocurría en tarjetas con especificación 2A: tarjetas con configuración 2 y
material de alta densidad.
¿Qué probabilidad tiene un cliente de tener una tarjeta defectuosa? ¿Aproximadamente cuántas
tarjetas deberán reemplazarse?
SABÍAS QUE...
El espacio muestral es el conjunto de posibles resultados de un experimento aleatorio.
Dado que el departamento de calidad puede enumerar la totalidad de resultados o casos, como
combinaciones entre configuración de chip y material de banda magnética, y que cada combina-
ción ha sido utilizada por el fabricante por igual, se puede aplicar la regla de Laplace para calcu-
lar la probabilidad de tener una tarjeta defectuosa:
1. Totalidad de casos: 6
Tabla 1. Totalidad de casos. Tarjetas débito.
No. de caso Chip Banda magnética

1 Configuración 1 Alta densidad
2 Configuración 1 Baja densidad
2. Casos para el evento de interés (tarjeta defectuosa): 1
Tabla 2. Casos favorables. Tarjetas débito.
No. de caso Chip Banda magnética

3. Cálculo de la probabilidad: La probabilidad de que un cliente tenga una tarjeta defectuosa es:
Deberán reemplazarse unas 600 tarjetas (una sexta parte de las 4.800 entregadas).
• Enfoque empírico de cálculo de probabilidad (a posteriori).
La segunda opción que el decisor tiene para calcular la probabilidad asociada con un escenario,
es a través de la observación de procesos similares ocurridos en el pasado o de resultados de
un experimento muestral.
En ambos casos, al determinar con qué frecuencia ha sucedido un escenario en el pasado, se

podrá predecir la probabilidad de que suceda nuevamente en el futuro. Este enfoque está aso-
ciado con la perspectiva propuesta por Aristóteles: “…lo probable es lo que sucede la mayoría de
las veces”.
• Ejemplo
Al entregar el cargo el gerente de servicio al cliente, dentro de los documentos anexa el estudio
histórico del registro de insatisfacción de los clientes, informe que el nuevo gerente tendrá en
cuenta proyectar objetivos.
Tabla 3. Registro de eventos asociados con insatisfacción de clientes.
Ei Evento Área responsable Ocurrencias

1 Producto imperfecto después de la compra. Producción 180
2 Incumplimiento en tiempos de entrega producto. Logística 210
3 Cambio de los precios del producto. Ventas 75
4 Servicio al cliente mal prestado. Servicio y posventa 100
5 El producto no cumplió con las expectativas. Diseño 185
6 Incumplimiento de garantías. Servicio y posventa 250
Total ocurrencias 1000
¿Cuál es la probabilidad asociada con cada causal de insatisfacción? ¿En qué área debería enfa-
tizar sus esfuerzos el nuevo gerente, si quiere reducir sustancialmente el volumen de quejas?
De acuerdo con el enfoque frecuentista, la probabilidad de un escenario A puede calcularse como:
Dónde: fi es la frecuencia relativa de ocurrencia de dicho escenario y n es el número total de

eventos. Una vez calculadas las probabilidades, estas se ordenan de mayor a menor:
Tabla 4. Probabilidad de eventos asociados con insatisfacción de clientes.
Ei Evento Área responsable Probabilidad
6 Incumplimiento de garantías. Servicio y posventa 25.0%
4 Servicio al cliente mal prestado. Servicio y posventa 21.0%
5 El producto no cumplió con las expectativas. Diseño 18.5%
1 Producto imperfecto después de la compra. Producción 18.0%
2 Incumplimiento en tiempos de entrega del producto. Logística 10.0%
3 Cambio de los precios del producto. Ventas 7.5%
Total probabilidad 100%
El gerente debe priorizar las actividades de mejora en el área de servicio y posventa, por que el
46% de las quejas recibidas pertenecen a esta área.
SABÍAS QUE...
un evento es un resultado particular de un experimento aleatorio.
Es cualquier subconjunto del espacio muestral.
Figura 2. Áreas responsables de insatisfacción clientes.
2.2 Enfoque subjetivo.
Finalmente, si no es posible enumerar los casos relacionados con cada escenario resultante
del proceso de interés y realizar un experimento muestral para obtener frecuencias relativas, la
probabilidad asignada dependerá exclusivamente de la experiencia, la opinión y la intuición del
decisor.
La probabilidad subjetiva puede presentarse como una conjetura aproximada en forma de por-
centaje, una frecuencia relativa f/n o a través de un número decimal.
• Ejemplo
Louis Armstrong, vendedor con amplia experiencia en el sector inmobiliario, evalúa un nuevo
proyecto de vivienda de interés social. Louis predice que los fines de semana, tres de cada cin-
co0 prominentes compradores visitarán la casa modelo, pues generalmente las personas tienen
mayor disponibilidad de tiempo los días festivos y por esto dedican estos espacios para desa-
rrollar sus proyectos de inversión en finca raíz.
En este caso, la creencia subjetiva de Louis Armstrong es que la probabilidad de que un cliente
visite la casa modelo es de:
Tabla 5. Diversas expresiones de probabilidad subjetiva.
Expresión subjetivista Valor

Porcentaje 60%
Frecuencia relativa 3/5
Número decimal 0,60
Cuando el enfoque seleccionado por el decisor es empírico y no se cuenta con datos his-
tóricos, el muestreo es el mecanismo apropiado para obtener información asociada con el
problema de decisión.
SABÍAS QUE...
una variable aleatoria es una función que asigna un valor numérico
a cada resultado del espacio muestral.
3. Muestreo
El muestreo consiste en la selección de un conjunto de individuos para obtener información

relevante sobre este.
4. Etapas del proceso de muestreo
Para seleccionar una muestra el decisor deberá:
4.1 Definir población objetivo.
En términos de contenido, unidades, alcance, periodo de estudio y ubicación geográfica o espa-

cial del elemento muestral.
4.2 Definir elemento muestral.
La muestra o población elegida para obtener la medición.
4.3 Identificar marco muestral.
Listado que asemeja a los elementos de la población objetivo.
4.4 Determinar el método de muestreo.
El decisor deberá especificar la cantidad de elementos que conforman la muestra y establecer el

método para elegirlos. Dentro de los métodos más comunes están:
• Muestreo aleatorio simple.
• Muestreo estratificado.
• Muestreo sistemático.
• Muestreo por conveniencia.
4.5 Determinar el tamaño de la muestra.
Considerando
• Importancia de la decisión.
• Naturaleza de la investigación.
• Número de variables.
• Naturaleza del análisis.
• Tamaños de muestra en estudios similares.
• Restricciones de recursos.
• Margen de error deseado por el decisor.
4.6 Emprender el plan de muestreo.
El decisor o investigador describe cómo se efectuará la medición.
4.7 Análisis de datos y resultados.
Se refiere al estudio preliminar de las mediciones obtenidas una vez aplicadas las metodologías
de muestreo para así eliminar errores o descartar datos que pueden afectar el proceso. En cuan-
to se hayan hecho los ajustes necesarios, se pone en marcha el plan propuesto en la etapa 6 y
se organizan los resultados. Es importante que todo el análisis de los datos y de los resultados
se desenvuelva dentro del marco de los objetivos de muestreo.
Figura 3. Etapas de muestreo.
5. Métodos de muestreo
Se ha comprobado que el muestreo en las organizaciones permitirá que al momento de tomar

decisiones basadas en las muestras se minimice el gasto de dinero y tiempo, acercando al
decisor a las condiciones ideales. El muestreo ha llegado a ser una de las herramientas más
poderosas y comunes para adquirir información de poblaciones muy grandes con un costo rela-
tivamente bajo.
Estos son algunos ejemplos de la amplia aplicación que el muestreo tiene en diversos campos:
• Educación: un estudio muestral sobre el rendimiento académico de estudiantes para

evaluar la eficacia de determinada estrategia de enseñanza.
• Agricultura: la recolección de muestras en un cultivo al que se aplica un pesticida natural

con el fin de pronosticar el efecto del mismo sobre el rendimiento de toda la cosecha
• Política: el sondeo de la opinión de los ciudadanos como medio para medir la intención
de voto previo a un proceso electoral.
• Servicios: una encuesta aplicada a los usuarios de un sistema para estimar el nivel de
satisfacción frente a la prestación del servicio.
En cuanto a los administradores, la aplicación de técnicas precisas de muestreo les brinda la

posibilidad de anticiparse a condiciones del negocio y de la organización, de tener estimaciones
más precisas y de tomar decisiones mejor informadas. La información proveniente de estudios
muestrales soporta el proceso de toma de decisiones en diversas áreas de la organización:
• Producción: para evaluar la calidad de un proceso productivo a través del control esta-
dístico y proponer acciones de mejoramiento.
• Mercadeo: para estimar el nivel de aceptación de un servicio o la posibilidad de lanzar un

nuevo producto y tomar decisiones estratégicas sobre el posicionamiento de la organiza-
ción en el mercado.
• Finanzas: para prever la demanda futura de un producto o servicio y analizar el efecto

que esta tendrá en los estados financieros, con el fin de tomar decisiones que apunten a
mejorar la rentabilidad de la compañía.
Hay dos tipos de procedimientos de muestreo: probabilístico y no probabilístico.
5.1 Muestreo no probabilístico.
Estas técnicas de muestreo se caracterizan porque los datos son elegidos a juicio del investiga-
dor; su nombre se debe a que el muestreo no se hace de manera aleatoria lo que no garantiza
que la información obtenida en el estudio sea representativa.
Dentro de esta categoría se encuentran técnicas de muestreo como: bola de nieve, casual, por
conveniencia, por juicio y por prorrateo.
Muestreo bolo de nieve, esta técnica se caracteriza por que las poblaciones o muestras no se
conocen, porque cada sujeto estudiado genera un efecto acumulativo al referir personas entre sí.
Un ejemplo son las comunes llamadas o encuestas que las empresas suelen hacer para au-
mentar sus clientes mediante las preferencias de los referidos, por medio de estrategias que
ofrecen como condición para acceder a descuentos que el participante sugiera tres referidos
que posiblemente estén interesados en acceder a beneficios que otorga la empresa que hace
la investigación.
Muestreo casual: los individuos que pertenecen a la muestra son elegidos de manera accidental
sin previo aviso; un ejemplo puede ser un estudio de tiempos en la planta de producción de una
empresa manufacturera, mediante la observación de individuos, sin ningún tipo de notificación.
Muestreo por conveniencia: esta técnica busca obtener una muestra valiéndose de la proximi-
dad de los sujetos, es decir el decisor o investigador se apoyará en encontrar elementos comu-
nes que le sean convenientes para el estudio que se pretende desarrollar.
Un ejemplo de muestreo por conveniencia se da cuando un administrador elige los cinco clien-
tes que viven más cerca de la sucursal del banco y que tienen disponibilidad de tiempo para
participar un estudio de mercado. En este momento, el decisor excluye una gran proporción de
la población; para este ejemplo, los clientes de la compañía que no pueden acercarse a la sucur-
sal por temas de distancia o tiempo. Es importante reconocer que el muestreo por conveniencia
también incluye la participación de voluntarios.
Muestreo por juicios: también denominado muestreo discrecional se da cuando el decisor o
investigador emite un juicio según su experiencia, discernimiento, habilidades e intuición, para
elegir los elementos de la población objeto de estudio.
Se caracteriza porque es una de las técnicas no probabilísticas que obtiene información través
de un grupo específico de personas. Un ejemplo en este caso se da cuando el departamento de
gestión humana elige únicamente los mejores empleados del nivel operativo que tengan certifi-
cado de alturas para efectuar descensos en pisos con más de siete niveles de altura.
Muestreo por prorrateo: se enfoca en buscar una muestra que cumpla con el factor de control
especificado por el decisor; puede ser: edad, ingresos, nivel profesional, etcétera.
Un ejemplo de esta técnica se da cuando el departamento de Diseño e Innovación de una orga-

nización decide lanzar un nuevo tipo de cosméticos para jóvenes. En este caso una característi-
ca de control sería: la edad de los individuos, y el género son mujeres entre los 15 y 22 años.
5.2 Muestreo probabilístico.
Se refiere a muestras basadas en la equiprobabilidad, es decir todos los elementos de la pobla-

ción pueden ser elegidos por razón de que tienen la misma oportunidad de formar parte de la
muestra.
Estudiaremos técnicas como: muestreo aleatorio simple, muestreo estratificado, muestreo por
conglomerados, reemplazo, muestreo aleatorio sistemático, etc.
Muestreo aleatorio simple: en esta técnica cada elemento de la población tiene la misma pro-
babilidad entre sí para ser elegido. Su forma de elección es totalmente independiente y una vez
elegido un elemento, este no podrá volver a ser parte de la población, es decir no podrá selec-
cionarse dos veces el mismo elemento. La probabilidad de ser elegido en este tipo de muestreo
resulta de la división del tamaño de la muestra entre el tamaño de la población.
Reemplazo: es decir si los elementos fueron seleccionados por medio del modelo aleatorio sim-
ple, entonces se debe reemplazar el elemento faltante usando la misma metodología o proceso
de muestreo.
Muestreo aleatorio estratificado: el factor de clasificación es un componente importante en el
muestreo estratificado porque es este el que subdivide a la población de acuerdo con el compor-
tamiento de interés, definido por el decisor; a este subgrupo se le denomina “estrato”. Hay dos as-
pectos que el decisor, al aplicar esta técnica, deberá tener en cuenta, el primero consiste en elegir
la muestra manteniendo su proporcionalidad según el tamaño de los estratos de la población y el
segundo se trata de extraer la muestra dentro de cada estrato con igual probabilidad.
Es importante que los estratos, sean conjuntos homogéneos respecto a la característica o varia-
ble de interés descrita por el decisor.
Muestreo por conglomerados: se da cuando la variación en cada grupo es menor que la varia-
ción entre grupos, su procedimiento empieza con dividir la población en dos o más subgrupos
mutuamente excluyentes y después seleccionar una muestra aleatoria de forma probabilística
para uno de estos grupos. Se sugiere aplicar esta técnica de muestreo probabilístico para pobla-
ciones más grandes y dispersas.
Muestreo aleatorio sistemático: selecciona un punto aleatorio al inicio y posteriormente se elige

cada enésimo miembro de la población. Es decir, n corresponderá al cociente entre el tamaño de
la población y el tamaño de la muestra.
6. Técnicas de análisis de datos
6.1 Estimación
Una estimación estadística es el proceso a través del cual se establece el valor que debe tomar
un parámetro de acuerdo con la información obtenida por muestreo. Es decir, estimar es poder
concluir sobre características (representadas como variables aleatorias) de la población, a partir
de resultados obtenidos de una muestra.
Estas estimaciones pueden ser puntuales, por ejemplo, deducir que el promedio de ingresos
mensuales de los clientes de una fiduciaria es de $ 3’500.000, o por intervalo, concluir que el ni-
vel de ahorro para inversión de cada cliente está entre $500.000 y $1’750.000 mensualmente. En
los anteriores casos, tanto el valor puntual como el intervalo serían estimadores del parámetro
que le interesa conocer al administrador al momento de tomar una decisión.
En el caso de la estimación puntual, se toma una muestra de la población y se calcula el estima-
dor del parámetro de interés. Al tomar muestras de tamaño n, se puede calcular tanto el prome-
dio X ̅ como la desviación estándar S^2 de los datos de la muestra:
A partir de estos valores podemos estimar los parámetros poblacionales de la media (μ) y
varianza así (σ^2 ):
Para el caso de las estimaciones por intervalo, dada una población con media y desviación es-
tándar, el decisor deberá tener en cuenta tres aspectos para calcular los límites del intervalo: la
distribución de los datos (si es normal o no), el tamaño de la muestra (si es mayor que 30 o no)
y el valor de la varianza (si se conoce o no).
De acuerdo con estos tres criterios se procederá a elegir la técnica para el cálculo de los límites
del intervalo de confianza, de acuerdo con la siguiente tabla:
Tabla 6. Intervalos de confianza para la media.
Forma de la Tamaño Distribución

Valor de σ Intervalo de confianza
población muestra muestral
1
Conocido No importa Normal
2
Grande
Normal Desconocido Normal
n≥30
3 t Student con
Pequeño
v=n-1 grados
n<30
de libertad
4
Grande
Normal
n≥30
Conocido
5 Pequeño
No normal No se puede estimar
n<30
o descono-
6 cida Grande
Normal
n≥30
Desconocido
7 Pequeño
No se puede estimar
n<30
El nivel de confianza (1 - α) del intervalo corresponde a la probabilidad de que este incluya el

parámetro poblacional. Habitualmente se utiliza un nivel de confianza del 95% (α = 0,05).
• Ejemplo
Una entidad financiera está interesada en recuperar su liquidez para reorientar sus inversiones
en el extranjero. Para ello necesita estimar el monto de las deudas que sus clientes tienen ac-
tualmente y establecer un plan de recuperación de cartera. Se decidió tomar una muestra de 22
clientes, y se obtuvo que en promedio un cliente adeuda $800.000 con una desviación estándar
de $50.000 y su distribución es normal.
La entidad financiera, inicialmente, calculó los estimadores puntuales para el promedio y la varian-
za, luego a partir del estimador de la varianza se obtuvo el estimador de desviación estándar así:
Para el intervalo de confianza, se tuvo en cuenta que:
• La distribución es normal.
• Se desconoce la varianza poblacional.
• Se maneja una muestra de menos de 30 datos.
Por tanto, la entidad financiera aplicó la técnica 3 de la tabla 6:
En este caso, con un nivel de confianza del 95% el monto promedio de deuda de cada cliente
está entre $ 774.268 y $825.732.
6.2 Regresión
El análisis de regresión es una técnica estadística que permite estimar la relación entre dos o
más variables. Por ejemplo, en el caso de una empresa consultora en servicios de seguridad
industrial, la regresión estadística permitiría comprender la relación entre una variable de inte-
rés o variable dependiente, como el nivel de ventas, y un conjunto de variables independientes
o predictoras, tales como el número de cotizaciones que recibe la empresa para proyectos de
consultoría, el número de contratos que firma al año y el nivel de precio fijado por proyecto de
consultoría.
Específicamente, la regresión sirve para estimar ¿cómo se modifica el valor de la variable depen-
diente, en función del cambio de una de las variables independientes, mientras se mantiene fijo
el valor de las demás variables predictoras?
En el caso de la regresión lineal simple, se puede cuantificar la relación entre un par de variables
e identificar si tienen una tendencia rectilínea expresable como una ecuación de la forma:
Dónde los parámetros a (corte con el eje) y b (pendiente) pueden calcularse a partir de las
siguientes ecuaciones:
Ejemplo: Una agencia gubernamental quiere determinar la relación entre el número de emplea-
dos con horario flexible y la mayor productividad, en términos de tareas realizadas por el equipo
de trabajo. Esta es la información de algunas sucursales que implementaron el esquema de
trabajo flexible en mayor o menor medida:
Tabla 7. Número de empleados con horario flexible versus nivel de productividad.
N° de empleados con horario flexible Nivel de productividad (tareas/semana)

35 79
22 50
18 41
48 105
13 32
17 42
49 103
29 66
45 100
En primer lugar, la agencia gubernamental grafica el comportamiento del nivel de productividad,
en función del número de empleados con horario flexible.
Tabla 8. Número de empleados con horario flexible versus tareas por semana.
La expresión de la regresión es:
y=2.0538 x+5.6829
De acuerdo con la ecuación el nivel de productividad se incrementa en 2,05 tareas semanales

por cada empleado adicional con horario flexible.
6.3 Correlación
El análisis de correlación se refiere a la dependencia entre dos variables; tomemos, por ejemplo,
los turnos de los enfermeros de un hospital son de ocho horas diarias, sin embargo, si un enfer-
mero trabaja más horas, estas le serán pagadas como horas extra; entonces considerando varia-
bles como tiempo laborado e ingresos mensuales, al correlacionarse evidencian que al cambiar
la variable tiempo cambia la otra variable.
Para hacer este análisis generalmente se sugiere representar la realidad de las variables me-
diante el diagrama de dispersión y luego calcular el coeficiente de correlación; es decir, la fuerza
de relación lineal entre dos variables.
• Coeficiente de correlación
Creado por Karl Pearson cerca de 1900, es la medida de fuerza de la relación entre dos variables
en escala de razón o de intervalo. El coeficiente de correlación tiene las siguientes características:
• Se identifica mediante la letra minúscula r.
• Varía de -1 hasta +1.
• Un valor cercano a cero indica mínima asociación entre las variables.
• Un valor cercano a +1 traduce una relación positiva entre las variables.
• Un valor cercano a -1 refiere una asociación inversa refiere una relación inversa o negativa.
Se puede calcular sobre datos muéstrales, a partir de:
donde,
x ̅,y ̅: son los valores promedio obtenidos para cada grupo de datos.
sx,s�: son las desviaciones estándar muestrales de cada grupo de datos.
Ejemplo
Considere la siguiente información:
Tabla 9. Clientes atendidos versus tiempo de espera en minutos.
Para determinar el grado de correlación entre el número de clientes atendidos y el tiempo de

espera, se grafican inicialmente ambas variables junto con sus valores promedio:
Figura 4. Dispersión de datos, clientes atendidos vs tiempo de espera.
SABÍAS QUE...
 Las variables tienen una relación positiva se ubicarán en rante I
porque superan la media.
 Las variables son menores a la media, estarán en el cuadrante

III, como es el caso de los datos del cajero Neumann, quien atien-
de diez clientes tiempo de espera es de 28 minutos, esta relación
también es positiva.
 Cuando las variables tienen relaciones inversas se encontrarán

en los cuadrantes I y IV como ejemplo están los casos atípicos de:
Schmidt, Wagner y Koch.
 Cuando los puntos están repartidos equitativamente en los cuatro

cuadrantes, r= 0.
En este caso r = 0.43 evidencia una relación positiva, es decir el tiempo de espera será mayor
mientras el número de clientes por cajero sea mayor.
Sin embargo, al ser un coeficiente de correlación cercano a cero, la relación de asociación

entre las variables es débil; esto no implica que el cambio de una variable influya en el cambio
de la otra.
Hasta el momento un decisor deberá reconocer que la incertidumbre está inmersa en la toma de
decisiones.
Un administrador trabaja escenarios tanto posibles como probables mediante datos aleatorios
y a través de experimentos para acercarse a la condición ideal en el proceso de toma de de-
cisiones. Para esto, aplicará los tipos de enfoque de probabilidad según su criterio, objetivo o
subjetivo, una vez seleccione el tipo de enfoque, si este lo requiere, deberá extraer los datos por
medio de la elección de la técnica de muestreo apropiada y de la ejecución de las siete etapas,
en la última el decisor deberá usar técnicas para el análisis de datos, siendo estás estimación
correlación y regresión.
Cuando se aplican tanto los métodos de muestreo como las técnicas de análisis de datos co-
rrectamente, todos los procesos de la organización involucrados en la investigación estudiada
podrán mejorarse sustancialmente porque la información se acercará la realidad.
Referencias bibliográficas
Alonso-Torres, C. (2014). Orientaciones para implementar una gestión basada en procesos.
Ingeniería Industrial. 35(2). La Habana, Cuba: 159-171.
Amaya, J. (2010). Toma de decisiones gerenciales. Métodos cuantitativos para la administra-ción

2° ed. Bogotá, Colombia: Ecoe Ediciones.
Hillier, F. S. (2008). Métodos cuantitativos para administración. 3° ed. México: McGraw-Hill.
Hillier, F. S. (2014). Fundamentos de investigación de operaciones. 1° ed. México: McGraw-Hill

Interamericana.
Lind A., D. (2015). Estadística aplicada a los negocios y a la economía. México: McGraw-Hill
Interamericana.
Mata D., A. (2013). Estadística aplicada a la administración y la economía. México: McGraw-Hill

Interamericana.
Navidi, W. (2006). Estadísticas para ingenieros y científicos. 1ª ed. México: McGraw-Hill Intera-
mericana.
Newbold, P. (2013). Estadística para administración y economía. 8° ed. México: Pearson Editorial.
Taha, H. (2012). Investigación de operaciones. 9ª ed. México: Pearson Educación.
INFORMACIÓN TÉCNICA
Módulo: Herramientas de análisis en la toma de decisiones
Unidad 1: Decisiones gerenciales y análisis de datos
Escenario 2: Toma de decisiones en las ciencias

administrativas
Autor: Oscar Javier Parra Ortega
Asesor Pedagógico: Jeimy Lorena Romero Perilla
Diseñador Gráfico: Cesar Felipe Puentes rojas
Asistente: Maria Elizabeth Avilan Forero
Este material pertenece al Politécnico Grancolombiano. Por

ende, es de uso exclusivo de las Instituciones adscritas a la
Red Ilumno. Prohibida su reproducción total o parcial.

Probabilidad, Muestreo y Analisis de Datos en Administracion ESC 2

Cargado por

Información del documento

Descripción original:

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

Probabilidad, Muestreo y Analisis de Datos en Administracion ESC 2

Cargado por

Copyright:

Formatos disponibles

Unidad 1 / Escenario 2

Probabilidad, muestreo y análisis de

4 Etapas del proceso de muestreo

6 Técnicas de análisis de datos

Palabras clave: Probabilidad, muestreo, estimación, regresión, correlación.

Según Knight (1921) la incertidumbre envuelve al mundo, mediante el dinamismo y la compe-

En resumen, la probabilidad es la necesidad de medir cuantitativamente la certeza o incertidum-

La probabilidad es un valor que representa la certidumbre asociada con un escenario o evento

1. La probabilidad de que no ocurra un determinado escenario, es igual al 100% menos la

2. La probabilidad de un suceso imposible es 0%. De manera más práctica, en un ambien-

3. Si dos escenarios son mutuamente excluyentes, la probabilidad de la unión de ambos

 Reestructurar parcialmente la planta (ampliando su tamaño en un 15%) y construir cinco inver-

El departamento financiero y la dirección general se concentraron en analizar la relación costo bene-

 Tasa interna de retorno esperada para la organización.

 Acuerdos en los contratos nuevos.

 Expectativas de los interesados (stakeholders).

La certidumbre de los resultados obtenidos en un experimento aleatorio se representa como un

Figura 1. Puntos clave para elegir un enfoque de probabilidad.

Fuente: elaboración propia (2017).

• Enfoque clásico de cálculo de probabilidad (a priori).

A la semana siguiente de iniciar el proceso de sustitución se recibieron quejas de clientes que

Tabla 1. Totalidad de casos. Tarjetas débito.

No. de caso Chip Banda magnética

Fuente: elaboración propia (2017).

2. Casos para el evento de interés (tarjeta defectuosa): 1

Tabla 2. Casos favorables. Tarjetas débito.

No. de caso Chip Banda magnética

Fuente: elaboración propia (2017).

• Enfoque empírico de cálculo de probabilidad (a posteriori).

En ambos casos, al determinar con qué frecuencia ha sucedido un escenario en el pasado, se

Ei Evento Área responsable Ocurrencias

Fuente: elaboración propia (2017).

De acuerdo con el enfoque frecuentista, la probabilidad de un escenario A puede calcularse como:

Dónde: fi es la frecuencia relativa de ocurrencia de dicho escenario y n es el número total de

Ei Evento Área responsable Probabilidad

6 Incumplimiento de garantías. Servicio y posventa 25.0%

4 Servicio al cliente mal prestado. Servicio y posventa 21.0%

5 El producto no cumplió con las expectativas. Diseño 18.5%

1 Producto imperfecto después de la compra. Producción 18.0%

2 Incumplimiento en tiempos de entrega del producto. Logística 10.0%

3 Cambio de los precios del producto. Ventas 7.5%

Total probabilidad 100%

Fuente: elaboración propia (2017).

Fuente: elaboración propia (2017).

2.2 Enfoque subjetivo.

Tabla 5. Diversas expresiones de probabilidad subjetiva.

Expresión subjetivista Valor

Fuente: elaboración propia (2017).

El muestreo consiste en la selección de un conjunto de individuos para obtener información

Para seleccionar una muestra el decisor deberá:

4.1 Definir población objetivo.

En términos de contenido, unidades, alcance, periodo de estudio y ubicación geográfica o espa-

4.2 Definir elemento muestral.

La muestra o población elegida para obtener la medición.

4.3 Identificar marco muestral.

Listado que asemeja a los elementos de la población objetivo.

4.4 Determinar el método de muestreo.

El decisor deberá especificar la cantidad de elementos que conforman la muestra y establecer el

• Muestreo aleatorio simple.

• Muestreo por conveniencia.

• Naturaleza del análisis.

• Tamaños de muestra en estudios similares.