ESTADISTICA II

VARIABLES ALEATORIAS DISCRETAS Y VALOR ESPERADO

Una variable cuyos valores dependen del resultado de un proceso aleatorio es llamada
variable aleatoria. En general, las variables aleatorias son denotadas por letras
mayúsculas tales como X, Y o Z, y los valores que estas variables toman pueden ser
denotados por las correspondientes letras minúsculas (x, y o z). Así, para el número de
caras (X) que aparecen en el lanzamiento de dos monedas, podemos indicar los valores
posibles escribiendo:

X = x donde x = 0, 1, 2

x = 0, 1, 2

Ejemplos:

1. Suponga que un dado es tirado y X es el número que aparece en la cara superior.

Entonces:

X = 1, 2, 3, 4, 5, 6

2. Suponga que una moneda es lanzada sucesivamente hasta obtener una cara. Si Y es
el número de tales lanzamientos, entonces:

Y = 1, 2, 3, 4, . . .

Una variable aleatoria es llamada variable aleatoria discreta si sólo puede tomar un
número finito de valores, o si sus valores pueden ser colocados en una correspondencia
uno a uno con los enteros positivos. Una variable es llamada variable aleatoria continua si
puede tomar cualquier valor en algún intervalo.

Si X es una variable aleatoria, la probabilidad del evento que X tome el valor x es

denotado con P(X = x). Si X es discreta, entonces la función f que asigna el número
P(X = x) a cada valor posible de X es llamada función de probabilidad, distribución de
probabilidad o distribución de la variable aleatoria. Por lo tanto

f(x) = P(X = x)

Ejemplo:

Suponer que X es el número de caras que aparecen en el lanzamiento de dos monedas.

Determinar la distribución de X

S = {cc, cs, sc, ss}

El evento X = 0 es {ss}
1
El evento X = 1 es {cs, sc}

El evento X = 2 es {cc}

1
f ( 0) 
4
1
f (1) 
2
1
f ( 2) 
4
TABLA DE PROBABILIDAD

x P(X = x)

0 1
4

1 1
2

2 1
4

1 1 1
f(0) + f(1) + f(2) =   1
4 2 4

Es decir:

 f ( x)  1
x

Si X es una variable aleatoria discreta con distribución de probabilidad f, entonces la

media (o valor esperado o esperanza) de X, denotada por  o E(X), está dada por

  E ( X )   xf ( x)
x

La media de X puede ser interpretada como su valor promedio a largo plazo.

Ejemplos:

1. Una compañía de seguros ofrece una póliza de seguro contra incendio catastrófico por
$ 80.000 a propietarios de cierto tipo de casa. La póliza proporciona protección durante un
año si ocurre la destrucción total de la casa por un incendio. La compañía ha determinado
2
que la probabilidad de tal evento es de 0,0002. Si la prima anual de la póliza es de $ 52,
encuentre la utilidad esperada por póliza para la compañía.

Si una casa asegurada no sufre un incendio catastrófico, la compañía gana $ 52. Sin
embargo, si hay tal incendio, la compañía pierde

80.000 – 52 = $ 79948

f(-79948) = P(X = -79948) = 0,0002

f(52) = P(X = 52) = 1 – 0,0002 = 0,9998

E(X) = (-79948)(0,0002) + (52)(0,9998) = $ 36

2. Una compañía que vende por correo computadores, ofrece una garantía de devolución
del dinero en 30 días a cualquier cliente que no esté completamente satisfecho con el
producto. La compañía logra una utilidad de $ 200 por cada computador vendido, pero
tiene una pérdida de $ 100 por manejo de envío por cada unidad regresada. La
probabilidad de que una unidad sea regresada es de 0,08. ¿Cuál es la utilidad esperada
por cada unidad enviada?

E(X) = (200)(0,92) + (-100)(0,08) = $ 176

3. En una lotería, usted paga $ 0,50 por seleccionar un número (entero) entre 0 y 9.999,
inclusive. Si ese número es premiado, usted gana $ 2.500. ¿Cuál es la ganancia (o
pérdida) esperada por juego?

E(x) = (2.499,50)(0,0001) + (-0,50)(0,9999) = -$ 0,25

VARIANZA

La varianza de X, denotada por Var(X), es el promedio a largo plazo de los cuadrados de

las desviaciones de X con respecto de 

Var ( X )  E[( X   )2 ]   ( x   )2 f ( x)
x

DESVIACION ESTANDAR DE X (σ)

σ= Var ( X )

Var(X) = σ2 = E(X2) -  2  x x
2
f ( x)   2

Ejemplo:

3
Una urna contiene diez canicas numeradas. Cinco canicas muestran un 1, dos muestran
un 2 y tres muestran un 3. Una canica es sacada al azar. Si X es el número que muestra,
determine  , Var(X) y σ

5
f (1)  P( X  1) 
10
2
f (2)  P( X  2) 
10
3
f (3)  P( X  3) 
10
5 2 3 5 4 9 9
   xf ( x)  1 f (1)  2 f (2)  3 f (3)  (1)   (2)   (3)     
x  10   10   10  10 10 10 5
2 2 2
 9  9  9
Var ( X )   ( x   ) 2 f ( x)  1   f (1)   2   f (2)   3   f (3) 
x  5  5  5
 16  5   1  2   36  3  19
           
 25  10   25  10   25  10  25

19 19
σ= 
25 5

Ejercicios:

En los problemas 1-2 está dada la distribución de la variable aleatoria X. Determine µ,

Var(X) y σ

1. f(0) = 0,1; f(1) = 0,4; f(2) = 0,2; f(3) = 0,3

R. µ = 1,7; Var(X) = 1,01; σ = 1

2. f(4) = 0,4; f(5) = 0,6

3. La variable aleatoria X tiene la siguiente distribución:

x P(X = x)

4 0,5

7 0,4

A. Encuentre P(X = 2)

4
B. Encuentre µ

C. Encuentre σ2

R. A. 0,1. B. 5. C. 3

4. La variable aleatoria X tiene la distribución siguiente

x P(X = x)

2 2n

4 n

6 0,4

A. Encuentre P(X = 2) y P(X = 4)

B. Encuentre µ

En los problemas 5-6 determine E(X), σ2 y σ para la variable aleatoria X

5. Tres monedas legales son lanzadas. Sea X el número de caras que aparecen.

3 2 3
R. E(X) = , σ = , σ = 0,87
2 4

6. De un grupo de dos mujeres y tres hombres, son seleccionadas al azar dos personas
para formar un comité. Sea X el número de mujeres en el comité.

4 2 9 3
R. E(X) = ,σ = ,σ =
5 25 5

7. Una urna contiene tres canicas rojas y dos blancas. Se sacan al azar dos canicas en
sucesión sin reemplazo. Sea X = al número de canicas rojas sacadas. Encuentre la
distribución f de X.

1 3 3
R. f(0) = , f(1) = , f(2) =
10 5 10

8. Una organización benéfica está realizando una rifa con un solo premio de $ 8.500.
Cada boleto de la rifa cuesta $ 1 y han sido vendidos 10.000 boletos.

A. Encuentre la ganancia esperada para el comprador de un solo boleto.

B. Encuentre la ganancia esperada para el comprador de dos boletos.

5
R. A. -0,15. B. -0,30

9. Considere el siguiente juego. Lance tres monedas legales. Si aparecen tres caras o
tres sellos, alguien le paga $ 10. Si sólo aparecen una o dos caras, usted debe pagar $ 6.
¿Cuál es la ganancia o pérdida esperada por juego?

R. -2

10. Un paisajista gana $ 200 diarios cuando trabaja y pierde $ 30 por día cuando no
4
trabaja. Si la probabilidad de trabajo en cualquier día es de , encuentre los ingresos
7
diarios esperados del paisajista.

R. 101,43

11. Una empresa de comida rápida estima que si abre un restaurante en un centro
comercial la probabilidad de que él tenga éxito es de 0,65. Un restaurante con éxito
genera una utilidad anual de $ 75.000; uno que no es exitoso pierde $ 20.000. ¿Cuál es la
utilidad esperada para la empresa si abre un restaurante en un centro comercial?

12. Una compañía de seguros ofrece una póliza de hospitalización a individuos en cierto
grupo. Para un periodo de un año, la compañía pagará $ 100 por día, hasta un máximo de
5 días, por cada día que el asegurado esté hospitalizado. La compañía estima que la
probabilidad de que cualquier persona en este grupo esté hospitalizada por exactamente
1 día es de 0,001; por exactamente 2 días de 0,002; por exactamente 3 días, 0,003; por
exactamente 4 días, 0,004; y durante 5 o más días, 0,008. Encuentre la utilidad esperada
por póliza para la compañía si la prima anual es de $ 10.

R. 3

13. Suponga que usted paga $ 1,25 por jugar un juego en el que son lanzadas dos
monedas legales. Usted recibe una cantidad de dinero igual al número de caras que
aparecieron. ¿Cuál es la ganancia (o pérdida) esperada en cada jugada?

R. -0,25

DISTRIBUCION BINOMIAL

Si X es el número de éxitos en n ensayos independientes de un experimento binomial con

probabilidad p de éxito y q de fracaso en cualquier ensayo, entonces la distribución f de X
está dada por

f(x) = P(X = x) = nCxpxqn-x,

donde x es un entero tal que 0 ≤ x ≤ n y q = 1 – p.

6
Cualquier variable aleatoria con esta distribución es llamada variable aleatoria binomial y
se dice que tiene una distribución binomial. La media y la desviación estándar de X están
dadas, respectivamente, por

  np

σ= npq

Ejemplos:

1
1. Suponga que X es una variable aleatoria binomial con n = 4 y p = . Encontrar la
3
distribución para X

1 2
q  1 
3 3
0 4
 1   2  16
P ( X  0 )  4 C0 p q  4 C0     
0 4

3  3 81
1 3
1  2 32
P ( X  1) 4 C1 p q  4 C1     
1 3

 3  3 81
2 2
1  2 8
P ( X  2)  4 C 2 p q  4 C 2     
2 2

3  3 27
3 1
1  2 8
P ( X  3) 4 C3 p q  4 C3     
3 1

 3   3  81
4 0
1 2 1
P ( X  4)  4 C 4 p 4 q 0  4 C 4     
3 3 81

2. Una moneda es lanzada ocho veces. Encontrar la probabilidad de obtener al menos

dos caras

1 1
n = 8, p = , q=
2 2

P(X ≥ 2) = 1 – P(X ˂ 2)

0 8 1 7
1 1 1 1
P(X ˂ 2) = P(X = 0) + P(X = 1) = 8 C0     + 8 C1     
2 2 2 2

1 1 9
 
256 32 256

7
 9 247
P(X ≥ 2) = 1 - 
256 256

3. Para un grupo particular de individuos, el 20% de sus impuestos son auditados cada
año. De cinco individuos elegidos aleatoriamente, ¿cuál es la probabilidad de que
exactamente dos tendrán auditoría de sus utilidades?

n = 5, p = 0,2, q = 1 – 0,2 = 0,8

P(X = 2) = 5C2(0,2)2(0,8)3 = 0,2048 = 20,48%

LA DISTRIBUCION DE POISSON

La distribución de Poisson se usa para determinar la probabilidad de la ocurrencia de un

número determinado de eventos cuando éstos ocurren en un continuo de espacio o
tiempo. Con frecuencia se utiliza para describir el número de llegadas de clientes por
hora, el número de accidentes industriales cada mes, el número de máquinas que se
dañan y esperan ser reparadas.

La fórmula para determinar la probabilidad de un número determinado x de éxitos en una

distribución de Poisson es

 xe 
P(X) =
x!

donde:

x = número de veces que ocurre el evento

 = número promedio de ocurrencias por unidad de tiempo o de espacio

e = 2,71828, la base del logaritmo natural

Ejemplos:

1. En un departamento de reparación de maquinaria se recibe un promedio de cinco

solicitudes por hora. Hallar la probabilidad de que se reciban exactamente tres solicitudes
de servicio en una hora elegida al azar

 x e  5 3 e 5
P( X )    0,1404
x! 3!

2. Una compañía de pavimentación local obtuvo un contrato con el Alcalde municipal

para hacer mantenimiento a las vías de su ciudad. Las vías recientemente pavimentadas
por esta compañía demostraron un promedio de dos defectos por milla, después de haber
sido utilizadas durante un año. Si el municipio sigue con esta compañía de pavimentación,

8
¿cuál es la probabilidad de que se presenten 3 defectos en cualquier milla de vía después
de haber tenido tráfico durante un año?

 x e  2 3 e 2
P( X )    0,1804
x! 3!

Ejercicios:

En los problemas 1-3 determine la distribución f para la variable aleatoria binomial X si el

número de ensayos es n y la probabilidad de éxito en cualquier ensayo es p. También
encuentre µ y σ

1
1. n = 2, p =
4

9 3 1 1 6
R. f(0) = , f(1) = , f(2) = ,µ = , σ =
16 8 16 2 4

1
2. n = 3, p =
2

2
3. n = 3, p =
3

1 2 4 8 6
R. f(0) = , f(1) = , f(2) = , f(3) = , µ = 2, σ =
27 9 9 27 3

En los problemas 4-7 determine la probabilidad solicitada si X es una variable aleatoria

binomial, n el número de ensayos y p la probabilidad de éxito en cualquier ensayo

4. P(X = 5), n = 6, p = 0,2

R. 0,001536

4
5. P(X = 2), n = 4, p =
5

96
R.
625

1
6. P(X ˂ 2), n = 5, p =
2

3
R.
16
9
 2
7. P(X ≥ 2), n = 6, p =
3

8. Una moneda legal es lanzada 10 veces. ¿Cuál es la probabilidad de que aparezcan

exactamente ocho caras?

45
R.
1024

9. Una urna contiene cuatro canicas rojas y seis verdes, y son sacadas al azar cuatro
canicas en sucesión con reemplazo. Determine la probabilidad de que exactamente una
canica sea verde

96
R.
625

10. Un fabricante produce interruptores eléctricos, de los cuales el 2% son defectuosos.

De una corrida de producción de 50.000 interruptores, cuatro son seleccionados
aleatoriamente y cada uno de ellos es probado. Determine la probabilidad de que la
muestra contenga exactamente dos interruptores defectuosos. Redondee su respuesta a
tres decimales. Suponga que los cuatro ensayos son independientes y que el número de
interruptores defectuosos en la muestra tiene una distribución binomial

R. 0,002

11. Una moneda cargada es lanzada tres veces en sucesión. La probabilidad de que
1
salga cara en cualquier lanzamiento es de . Encuentre la probabilidad de que
4

A. exactamente aparezcan dos caras,

B. aparezcan dos o tres caras

9 5
R. A. . B.
64 32

1
12. En la producción de un lote grande de dispositivos electrónicos, se cree que son
3
defectuosos. Si se selecciona al azar una muestra de cuatro, encuentre la probabilidad de
que no más de uno sea defectuoso

16
R.
27

13. La probabilidad de que un cierto jugador de beisbol dé un hit es de 0,3. Encuentre la

probabilidad de que si él batea cuatro veces, dará al menos un hit
10
R. 0,7599

14. Si una familia tiene cinco hijos, encuentre la probabilidad de que al menos dos sean
1
niñas. (Suponga que la probabilidad de que un hijo sea niña es de )
2

13
R.
16

15. Un dado legal es tirado cuatro veces. Encuentre la probabilidad de que exactamente
tres de los tiros resulten en un 2 o un 3

8
R.
81

16. Suponga que X es una variable aleatoria distribuida binomialmente tal que µ = 2 y
3
σ2 = . Encuentre P(X = 1)
2

2187
R.
8192

LA DISTRIBUCION NORMAL

Los datos de mediciones hechas en la práctica, como la altura de las personas en una
población son a menudo representados por una variable aleatoria cuya función de
densidad puede aproximarse por la curva en forma de campana

11
La curva se extiende indefinidamente hacia la derecha y hacia la izquierda y nunca toca al
eje x. Esta curva, llamada curva normal, es la gráfica más importante de todas las
funciones de densidad: la función de densidad normal.

Una variable aleatoria continua X es una variable aleatoria normal o tiene una distribución
normal (o gaussiana), si su función de densidad está dada por

1
f ( x)  e (1 / 2)[( x   ) /  ] , -∞ ˂ x ˂ ∞,
2

 2

llamada función de densidad normal. Los parámetros µ y σ son la media y la desviación

estándar de X, respectivamente.

La desviación estándar juega un papel muy importante en la descripción de

probabilidades asociadas con una variable aleatoria normal X. Más precisamente, la
probabilidad de que X se encuentre dentro de una desviación estándar de la media es
aproximadamente de 0,68

P(µ - σ ˂ X ˂ µ + σ) = 0,68

En otras palabras, aproximadamente el 68% del área bajo una curva normal está dentro
de una desviación estándar alrededor de la media. Entre µ ± 2σ está aproximadamente el
95% del área y entre µ ± 3σ queda más o menos el 99,7%

P(µ - 2σ ˂ X ˂ µ + 2σ) = 0,95

P(µ - 3σ ˂ X ˂ µ + 3σ) = 0,997

Ejemplo:

12
Sea X una variable aleatoria cuyos valores son las calificaciones obtenidas en una prueba
aplicada a estudiantes de bachillerato. Supongamos que, para fines de establecer un
modelo, X está distribuida normalmente con una media de 600 y una desviación estándar
de 90. La probabilidad de que X se encuentre dentro de 2σ = 2(90) = 180 puntos
alrededor de 600 es 0,95. En otras palabras, el 95% de las calificaciones se encuentran
entre 420 y 780. Similarmente, el 99,7% de las calificaciones están dentro de 3σ = 3(90) =
270 puntos alrededor de 600, esto es, entre 330 y 870.

Si Z es una variable aleatoria distribuida normalmente con µ = 0 y σ = 1, obtenemos la

curva normal, llamada curva normal estándar

PROBABILIDADES PARA LA VARIABLE NORMAL ESTANDAR Z

Ejemplos:

Hallar:

1. P(Z ˃ 1,5)

P(Z ˃ 1,5) = 0,5 – A(1,5) = 0,5 – 0,4332 = 0,0668 = 6,68%

13
2. P(0,5 ˂ Z ˂ 2)

P(0,5 ˂ Z ˂ 2) = A(2) – A(0,5) = 0,4772 – 0,1915 = 0,2857 = 28,57%

3. P(Z ≤ 2)

P(Z ≤ 2) = 0,5 + A(2) = 0,5 + 0,4772 = 0,9772 = 97,72%

14
4. P(-2 ˂ Z ˂ -0,5)

P(-2 ˂ Z ˂ -0,5) = A(-2) – A(-0,5) = 0,2857 = 28,57%

TRANSFORMACION A UNA VARIABLE NORMAL ESTANDAR Z

Si X está distribuida normalmente con media µ y desviación estándar σ, entonces

X 
Z

15
Ejemplos:

1. Suponga que X está distribuida normalmente con µ = 4 y σ = 2. Encontrar P(0 ˂ X ˂ 6)

x1  04
z1    2
 2

x2   64
z2   1
 2

P(0 ˂ X ˂ 6) = P(-2 ˂ Z ˂ 1) = A(-2) + A(1) = 0,4772 + 0,3413 = 0,8185 = 81,85%

2. Suponer que los salarios semanales de 5.000 empleados en una empresa están
distribuidos normalmente con una media de $ 450 y desviación estándar de $ 40.
¿Cuántos empleados ganan menos de $ 400 semanalmente?

 400  450 
P(X ˂ 400) = P  Z    P(Z < -1,25)
 40 

P(X < 400) = P(Z < -1,25) = 0,5 – A(-1,25) = 0,5 – 0,3944 = 0,1056 = 10,56%

Esto significa que el 10,56% de los empleados tienen salarios menores a $ 400, lo cual
corresponde a (0,1056)(5.000) = 528 empleados

16
Ejercicios:

1. Si Z es una variable aleatoria normal estándar, encuentre cada una de las siguientes
probabilidades:

A. P(0 ˂ Z ˂ 1,8)

B. P(0,45 ˂ Z ˂ 2,81)

C. P(Z ˃ -1,22)

D. P(Z ≤ 2,93)

E. P(-2,61 ˂ Z ≤ 1,4)

F. P(Z ˃ 0,07)

R. A. 0,4641. B. 0,3239. C. 0,8888. D. 0,9983. E. 0,9147. F. 0,4721

En los problemas 2-4 encuentre zo tal que el enunciado dado sea verdadero. Suponga
que Z es una variable aleatoria normal estándar

2. P(Z ˂ zo) = 0,5517

R. 0,13

3. P(Z ˃ zo) = 0,8599

R. -1,08

17
4. P(-zo ˂ Z ˂ zo) = 0,2662

R. 0,34

5. Si X está distribuida normalmente con µ = 16 y σ = 4, encuentre cada una de las

siguientes probabilidades:

A. P(X ˂ 22)

B. P(X ˂ 10)

C. P(10,8 ˂ X ˂ 12,4)

R. A. 0,9332. B. 0,0668. C. 0,0873

6. Si X está distribuida normalmente con µ = -3 y σ = 2, encuentre P(X ˃ -2)

R. 0,3085

7. Si X está distribuida normalmente con µ = 25 y σ2 = 9, encuentre P(19 ˂ X ≤ 28)

R. 0,8185

8. Si X está distribuida normalmente tal que µ = 40 y P(X ˃ 54) = 0,0401, encuentre σ

R. 8

9. Las calificaciones de un examen a nivel nacional están distribuidas normalmente con

una media de 500 y desviación estándar de 100. ¿Qué porcentaje de los que presentaron
el examen tuvieron una calificación mayor a 630?

R. 9,68%

10. El coeficiente de inteligencia (IQ) en una gran población de niños está distribuido
normalmente con una media de 100,4 y desviación estándar de 11,6. ¿Qué porcentaje de
los niños tiene un IQ mayor que 125?

R. 1,7%

LA APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL

Si X es una variable aleatoria binomial y n es lo suficientemente grande, la distribución de

X puede aproximarse por una variable aleatoria normal cuya media y desviación estándar
sean las mismas que para X, las cuales son np y npq , respectivamente.

Ejemplos:

1. Supongamos que X es una variable aleatoria binomial con n = 100 y p = 0,3. Estimar
P(X = 40) usando la aproximación normal
18
 µ = np = (100)(0,3) = 30

  npq  (100)(0,3)(0,7)  21  4,58

39,5  30
z1   2,07
4,58
40,5  30
z2  2,29
4,58

P(X = 40) = P(2,07 ≤ Z ≤ 2,29) = A(2,29) – A(2,07) = 0,4890 – 0,4808 = 0,0082 = 0,82%

2. En un experimento de control de calidad, se toma una muestra de 500 artículos de una

línea de ensamblaje. Usualmente, el 8% de los artículos producidos salen defectuosos.
¿Cuál es la probabilidad de que más de 50 artículos defectuosos aparezcan en la
muestra?

µ = np = (500)(0,08) = 40

  npq  (500)(0,08)(0,92)  36,8  6,07

50,5  40
z  1,73
6,07

P(X ≥ 51) = P(Z ≥ 1,73) = 0,5 – A(1,73) = 0,5 – 0,4582 = 0,0418 = 4,18%

19
Ejercicios:

En los problemas 1-4 X es una variable aleatoria binomial con los valores dados de n y p.
Calcule las probabilidades indicadas usando la aproximación normal

1. n = 150, p = 0,4; P(X ≤ 52), P(X ≥ 74)

R. 0,1056; 0,0122

2. n = 50, p = 0,3; P(X = 18), P(X ≤ 18)

3. n = 200, p = 0,6; P(X = 125), P(110 ≤ X ≤ 135)

R. 0,0430; 0,9232

4. n = 25, p = 0,25; P(X ≥ 5)

5. Suponga que un dado se lanza 300 veces. ¿Cuál es la probabilidad de que el 5 caiga
entre 45 y 60 veces inclusive?

R. 0,7507

6. Un servicio de entregas tiene una flotilla de 60 camiones. En cualquier momento, la

probabilidad de que un camión quede fuera de uso por descompostura o mantenimiento
es de 0,1. ¿Cuál es la probabilidad de que 7 o más camiones estén fuera de servicio en
cualquier momento?

R. 0,4129

20
7. En una fábrica se toma una muestra de 100 objetos de la línea de ensamblado. Para
cada objeto de la muestra, la probabilidad de que esté defectuoso es de 0,06. ¿Cuál es la
probabilidad de que haya 3 o más objetos defectuosos en la muestra?

8. En un examen tipo verdadero o falso con 20 preguntas, ¿cuál es la probabilidad de

acertar adivinando por lo menos a 12 preguntas? Si son 100 las preguntas, ¿cuál es la
probabilidad de acertar adivinando por lo menos a 60?

R. 0,2514; 0,0287

MUESTRA

Una muestra es un subconjunto de la población que ha sido seleccionada con una técnica
estadística llamada diseño de muestreo para garantizar que la muestra sea representativa
de la población, es decir, que las unidades sean seleccionadas aleatoriamente, de tal
forma que cada una de ellas tenga la misma probabilidad de ser seleccionada

MUESTREO

Es una técnica estadística mediante la cual se seleccionan aquellos elementos de la

población que conforman la muestra y se registran sus características

METODOLOGIA PARA HACER MUESTREO

Para realizar un muestreo se debe llevar a cabo un proceso que va desde la planeación y
termina con la inferencia de los resultados. En dicho proceso metodológico se debe tener
en cuenta las siguientes características:

Tamaño de la población: finita (cuando se conoce el número de individuos que la

componen) o infinita (cuando no se conoce su número)

Objetivos de la investigación

Preguntas a realizar

Tipos de muestreo

Forma de recolectar la información

Recurso humano

Recursos económicos

Recursos físicos

Recursos tecnológicos

Cronograma

21
 TIPOS DE MUESTREO

Según la forma como se seleccione los elementos a encuestar, el muestreo se puede

clasificar en:

1. MUESTREO NO PROBABILISTICO

2. MUESTREO PROBABILISTICO O ALEATORIO:

-Muestreo aleatorio simple

-Muestreo aleatorio sistemático

-Muestreo aleatorio estratificado

-Muestreo aleatorio por conglomerados

En el método de muestreo no probabilístico, se seleccionan a los sujetos siguiendo

determinados criterios personales procurando que la muestra sea representativa.

Los métodos de muestreo probabilísticos son aquellos que se basan en el principio del
azar, es decir, todos los elementos tienen la misma probabilidad de ser elegidos para
formar parte de una muestra. Los métodos de muestreo probabilísticos nos aseguran la
representatividad de la muestra extraída y son, por lo tanto, los más recomendados.

En el Muestreo Aleatorio Simple se asigna un número a cada elemento de la población y

a través de algún medio mecánico (papeletas, números aleatorios generados por la
calculadora o el excel, etc.) se eligen tantos sujetos como sea necesario para completar
el tamaño de muestra requerido.

En el Muestreo Aleatorio Sistemático todos los elementos de la población, deben estar

ordenados en una lista en la cual se toman grupos para seleccionar los elementos al azar
haciendo desplazamientos sistemáticos. La manera de la selección depende del número
de elementos incluidos en la población y el tamaño de la muestra. El número de
elementos en la población es, primero, dividido por el número deseado en la muestra. El
cociente indicará si cada décimo, cada onceavo, o cada centésimo elemento en la
población va a ser seleccionado. El primer elemento de la muestra es seleccionado al
azar.

En el Muestreo Aleatorio Estratificado se divide la población en grupos homogéneos al

interior, de donde se extraen al azar de cada grupo un cierto número de elementos. Lo
que se pretende con este tipo de muestreo es asegurarse de que todos los estratos de
interés estarán representados adecuadamente en la muestra. Cada estrato funciona
independientemente, pudiendo aplicarse dentro de ellos el muestreo aleatorio simple o el
estratificado para elegir los elementos concretos que formarán parte de la muestra. El
número de elementos seleccionado de cada estrato puede ser proporcional o
desproporcional al tamaño del estrato en relación con la población.
22
En el Muestreo Aleatorio por Conglomerados el universo se divide en grupos que son muy
heterogéneos al interior y homogéneos al exterior. Una muestra de conglomerados
produce un mayor error muestral que una muestra aleatoria simple del mismo tamaño

DETERMINACION DEL TAMAÑO DE LA MUESTRA

Uno de los principales problemas que se deben resolver al efectuar una encuesta por
muestreo es la determinación del tamaño de la muestra. Dado que el muestreo es costoso
y requiere de tiempo, el objetivo al seleccionar una muestra es obtener una cantidad
específica de información a un costo mínimo.

Cuando los elementos de la población presentan características similares, una muestra

pequeña produce la misma cantidad de información que una muestra grande. Por otro
lado, si la población presenta características muy diferentes entre sí, una muestra
pequeña puede ser un reflejo muy deficiente de las características de la población.

Los objetivos de la selección del diseño de muestreo y de la selección del tamaño de la

muestra son los mismos, obtener una cantidad de información al mínimo costo. Las
decisiones sobre el diseño de la muestra se toman de acuerdo con la forma en que los
elementos se agrupan en la población y de acuerdo con el costo de la obtención de la
información contenida en esos elementos.

El tamaño adecuado de una muestra depende de tres factores:

1. El tamaño de la población o universo

2. El nivel de confianza que asignemos. El nivel de confianza indica la probabilidad de

que los resultados de nuestra investigación sean ciertos: un 95% de confianza es lo
mismo que decir que nos podemos equivocar con una probabilidad del 5%.

Los que llevan a cabo el estudio eligen el nivel de confianza. Los niveles de confianza de
95% y 99% son los más comunes. El nivel de confianza de 95% corresponde al valor z de
1,96, y el nivel de confianza de 99%, a un valor z de 2,58. Mientras más alto sea el nivel
de confianza elegido, mayor será el tamaño de la muestra correspondiente.

3. El error muestral deseado. El error muestral es la diferencia que puede haber entre el
resultado que obtenemos preguntando a una muestra de la población y el que
obtendríamos si preguntáramos al total de ella. El margen de error promedio en un
estudio de investigación es de +/- 5%. El máximo normalmente aceptado es de 10%.

Ejemplos:

1. Si los resultados de una encuesta dicen que 100 personas comprarían un producto y
tenemos un error muestral del 5%, comprarán entre 95 y 105 personas

23
2. Si los resultados de una encuesta electoral indicaran que un partido iba a obtener el
55% de los votos y el error estimado fuera del 3%, se estima que el porcentaje real de
votos estará en el intervalo 52-58%

TAMAÑO DE LA MUESTRA

z 2 pqN
n=
e 2 ( N  1)  z 2 pq

donde:

n: es el tamaño de la muestra

N: es el tamaño de la población

z: es el valor normal estándar correspondiente al nivel de confianza deseado

e: es el error máximo admisible

p: es la proporción de individuos que poseen en la población la característica de estudio.

Este dato es generalmente desconocido y se suele suponer que p = q = 0,5 que es la
opción más segura.

q: es la proporción de individuos que no poseen esa característica, es decir, q = 1 - p

Ejemplos:

1. Si se requiere realizar una encuesta de satisfacción a clientes de un determinado

modelo de auto del que hemos vendido 10.000 unidades, en la que queremos un nivel de
confianza del 95%, deseamos un error muestral del 5% y consideramos que estarán
satisfechos el 50%. Determinar el tamaño de la muestra

(1,96) 2 (0,5)(0,5)(10.000)
n=  369,98  370
(0,05) 2 (9.999)  (1,96) 2 (0,5)(0;5)

Necesitamos una muestra de 370 clientes

2. Necesitamos contrastar el porcentaje de personas de un país que ven un determinado

programa de televisión. Si la población del país es de 40.000.000 de personas, estimamos
que lo ve el 20% de la población, queremos una confianza del 95% y estamos dispuestos
a asumir un error muestral del 5%. ¿Cuál será el tamaño de la muestra?

(1,96) 2 (0,2)(0,8)(40.000.000)
n=  245,86  246
(0,05) 2 (39.999.999)  (1,96) 2 (0,2)(0,8)

Se debe encuestar a 246 personas

24
 PRUEBA DE HIPOTESIS

El propósito del análisis estadístico es reducir el nivel de incertidumbre en el proceso de

toma de decisiones. Los gerentes pueden tomar mejores decisiones sólo si tienen
suficiente información a su disposición. La prueba de hipótesis es una herramienta
analítica muy efectiva para obtener esta valiosa información. Existen muchos ejemplos
comunes en los negocios:

1. Un embotellador de bebidas suaves debe determinar si el peso promedio del contenido

de sus botellas es 16 onzas (µ = 16 onzas).

2. Un fabricante de equipos deportivos desea saber si existe evidencia de que un proceso

de producción ha reducido los costos promedios de producción por debajo de su nivel
actual de $ 5 por unidad (µ < 5).

Para realizar una prueba de hipótesis, se hacen algunas inferencias o supuestos con
sentido acerca de la población.

PROCEDIMIENTO PARA PROBAR UNA HIPOTESIS

1. Se establecen las hipótesis nula (H0) y alternativa (H1).

Esta hipótesis nula (H 0) se prueba contra la hipótesis alternativa (H 1) que establece lo

contrario. En el caso del embotellador de bebidas suaves, el contenido promedio no es de
16 onzas (µ ≠ 16). Por tanto, se tendría que

H0: µ = 16 H1: µ ≠ 16

2. Se selecciona un nivel de significancia (α).

Se acostumbra elegir el nivel de significancia de 0,05 (5%) para los proyectos de

investigación relacionados con los consumidores; el nivel de 0,01 en relación con el
control de calidad, y el de 0,10 para las encuestas políticas.

3. Se selecciona el estadístico de prueba

X 
Z

n

donde:

X = media muestral

µ = valor de la media poblacional bajo la hipótesis nula

 = desviación estándar de la población

25
n = tamaño de la muestra

4. Se formula la regla de decisión.

5. Se toma una decisión.

Ejemplo:

Si el embotellador de bebidas suaves selecciona una muestra de n = 50 botellas con una

media de X = 16,357 onzas y una desviación estándar de  = 0,866 onzas, el valor de Z
es

16,357  16
Z  2,91
0,866
50

Como el valor de Z es mayor que 1,96, no es probable que µ = 16, y debería rechazarse
la hipótesis nula

Ejercicios:

1. Cuando venían de regreso de las minas a la casa los siete enanos le dicen a
Blancanieves que excavaron un promedio semanal de 12 toneladas de oro. Pero sin estar
dispuesta a creer esta afirmación sin prueba alguna, la señorita Nieves recolecta datos
durante 49 semanas y descubre una media de 11,5 toneladas y una desviación estándar

26
de 1,1 toneladas. ¿A un nivel de significancia del 10% parece que los enanos están en lo
cierto?

2. En una reunión informativa para una oficina corporativa, el gerente del Hotel Embassy
Suites en Atlanta, reportó que el número promedio de habitaciones alquiladas por noche
es de por lo menos 212. Uno de los funcionarios corporativos considera que esta cifra
puede estar algo sobrestimada. Una muestra de 150 noches produce una media de 201,3
habitaciones y una desviación estándar de 45,5 habitaciones. Si estos resultados sugieren
que el gerente ha inflado su reporte, será amonestado severamente. A un nivel de
significancia del 1%, ¿cuál es el destino del gerente?

3. Como gerente de compras para una gran empresa de seguros usted debe decidir si
actualizar o no los computadores de la oficina. A usted se le ha dicho que el costo
promedio de los computadores es de $ 2.100. Una muestra de 64 minoristas revela un
precio promedio de $ 2.251, con una desviación estándar de $ 812. ¿A un nivel de
significancia del 5% parece que su información es correcta?

4. El supermercado local gastó remodelando miles de dólares durante muchas semanas.

Aunque la interrupción espantó a los clientes temporalmente, el gerente espera que los
clientes vuelvan a disfrutar de las nuevas comodidades. Antes de remodelar, los recibos
de la tienda promediaban $ 32.533 por semana. Ahora que se ha terminado la
remodelación, el gerente toma una muestra de 36 semanas para ver si la construcción
afectó de alguna manera el negocio. Se reportó una media de $ 34.166 y una desviación
estándar de $ 12.955. ¿Qué puede decidir el gerente a un nivel de significancia del 1%?

REGRESION LINEAL Y CORRELACION

ANÁLISIS DE CORRELACIÓN: es el estudio de la relación entre dos variables. El primer

paso es representar los datos en un diagrama de dispersión.

Ejemplo:

Copier Sales of América vende copiadoras a empresas de todos tamaños en Estados

Unidos y Canadá. Hace poco ascendieron a la señora Marcy Bancer al cargo de gerente
nacional de ventas. Ella desea determinar si hay alguna relación entre el número de
llamadas de ventas en un mes y el número de copiadoras vendidas ese mes. Para ello
selecciona una muestra aleatoria de 10 representantes de ventas y determina el número
de llamadas de ventas que cada uno hizo el mes pasado y el número de copiadoras
vendidas. La información muestral aparece en la siguiente tabla. ¿Qué observaciones
cabe hacer al respecto de la relación entre el número de llamadas de ventas y el número
de copiadoras vendidas? Elabore un diagrama de dispersión para representar la
información

NUMERO DE LLAMADAS DE VENTAS Y COPIADORAS VENDIDAS

27
 Representante de ventas Número de llamadas de Número de copiadoras
ventas vendidas

Tom Keller 20 30

Jeff Hall 40 60

Brian Virost 20 40

Greg Fish 30 60

Susan Welch 10 30

Carlos Ramírez 10 40

Rich Niles 20 40

Mike Kiel 20 50

Mark Reynolds 20 30

Soni Jones 30 70

Total 220 450

Al revisar los datos, la señora Bancer sospecha que hay una relación entre el número de
llamadas de ventas hechas en un mes y el número de copiadoras vendidas. Es decir, los
vendedores que hicieron más llamadas de venta vendieron más unidades. Sin embargo,
la relación no es perfecta o exacta. Por ejemplo, Soni Jones hizo menos llamadas de
ventas que Jeff Hall, pero vendió más unidades.

La implicación es que el número de copiadoras vendidas se relaciona con el número de

llamadas de ventas. Conforme aumenta el número de llamadas de venta, parece que el
número de copiadoras vendidas también aumenta. De este modo, el número de llamadas
de ventas se considera variable independiente (se muestra en el eje x), y el de copiadoras
vendidas, variable dependiente (se muestra en el eje y).

28
El diagrama de dispersión muestra que los representantes con más llamadas tienden a
vender más copiadoras. Es razonable que la señora Bancer, gerente nacional de ventas
en Copier Sales of América, diga a sus vendedores que, entre más llamadas de ventas
hagan, se espera que vendan más copiadoras. Observe que, aunque parece haber una
relación positiva entre las dos variables, no todos los puntos se encuentran en una recta.

COEFICIENTE DE CORRELACION: describe la fuerza de la relación entre dos conjuntos

de variables. Se designa con la letra r. Puede adoptar cualquier valor de -1 a +1, inclusive.
Un coeficiente de correlación de -1 o bien de +1 indica una correlación perfecta. Por
ejemplo, un coeficiente de correlación para el caso anterior calculado a +1 indicaría que el
número de llamadas de ventas y el número de copiadoras vendidas están perfectamente
relacionadas en un sentido lineal positivo. Un valor calculado de -1 revela que las
llamadas de ventas y el número de copiadoras vendidas están perfectamente
relacionadas en un sentido lineal negativo

29
En la siguiente gráfica se muestran los diagramas de dispersión para r = 0, una r débil y
una r fuerte. Observe que, si la correlación es débil, se presenta una dispersión
considerable respecto de la recta trazada a través del centro de los datos. Para el
diagrama de dispersión que representa una fuerte relación, hay muy poca dispersión
respecto de la recta

30
Correlación Correlación

negativa No hay positiva

perfecta correlación perfecta

Correlación Correlación Correlación Correlación Correlación Correlación

negativa negativa negativa positiva positiva positiva

fuerte moderada débil débil moderada fuerte

-1 -0,5 0 0,5 1

Correlación negativa Correlación positiva

31
 CALCULO DEL COEFICIENTE DE CORRELACION

DESVIACIONES DE LA MEDIA Y SUS PRODUCTOS

Representante de
ventas
Llamadas
(X)
Ventas
(Y)
XX Y Y ( X  X )(Y  Y ) X  X  Y  Y 
2 2

Tom Keller 20 30 -2 -15 30 4 225

Jeff Hall 40 60 18 15 270 324 225

Brian Virost 20 40 -2 -5 10 4 25

Greg Fish 30 60 8 15 120 64 225

Susan Welch 10 30 -12 -15 180 144 225

Carlos Ramírez 10 40 -12 -5 60 144 25

Rich Niles 20 40 -2 -5 10 4 25

Mike Kiel 20 50 -2 5 -10 4 25

Mark Reynolds 20 30 -2 -15 30 4 225

Soni Jones 30 70 8 25 200 64 625

Total 220 450 900 760 1.850

r
 ( X  X )(Y  Y )  900
 0,759
(n  1) S x S y (10  1)(9,189)(14,337)

donde:

Sx y Sy: desviaciones estándar muestrales

Sx 
(X  X ) 2


760
 9,189
n 1 9

Sy 
 (Y  Y ) 2


1.850
 14,337
n 1 9

COEFICIENTE DE DETERMINACION: en el ejemplo anterior, la relación entre el número

de llamadas de ventas y las unidades vendidas, el coeficiente de correlación, 0,759, se
interpretó como fuerte. Sin embargo, los términos débil, moderado y fuerte no tienen un

32
significado exacto. Una medida cuyo significado se interpreta con más facilidad es el
coeficiente de determinación. Este se calcula elevando al cuadrado el coeficiente de
correlación, es decir:

r2 = (0,759)2 = 0,576

Esta es una proporción o un porcentaje; es posible decir que el 57,6% de la variación en

el número de copiadoras vendidas se explica, por la variación en el número de llamadas
de ventas.

Ejercicios:

1. Las siguientes observaciones muestrales se seleccionaron de manera aleatoria

X 4 5 3 6 10

Y 4 6 5 7 7

Determine el coeficiente de correlación y el de determinación. Interprételos.

R. 0,7522; 0,5658

2. Bi-lo Appliance Super-Store tiene tiendas en varias áreas metropolitanas de Nueva

Inglaterra. El gerente general de ventas planea transmitir un comercial para una cámara
digital en estaciones de televisión locales antes de una venta que empezará el sábado y
terminará el domingo. Planea obtener la información para las ventas de la cámara digital
durante el sábado y el domingo en las diversas tiendas y compararlas con el número de
veces que se transmitió el anuncio en las estaciones de televisión. El propósito es
determinar si hay alguna relación entre el número de veces que se transmitió el anuncio y
las ventas de cámaras digitales. Los pares son:

Ubicación de la Número de transmisiones Ventas de sábado a domingo

estación de TV
(miles de dólares)

Providence 4 15

Springfield 2 8

New Haven 5 21

Boston 6 24

Hartford 3 17

33
A. Trace un diagrama de dispersión

B. Determine el coeficiente de correlación

C. Establezca el coeficiente de determinación

D. Interprete estas medidas estadísticas

R. B. 0,9295. C. 0,8640

3. El ayuntamiento de la ciudad de Pine Bluffs considera aumentar el número de policías

en un esfuerzo para reducir los delitos. Antes de tomar una decisión final, el ayuntamiento
pide al jefe de policía realizar una encuesta en otras ciudades de tamaño similar para
determinar la relación entre el número de policías y el número de delitos reportados. El
jefe de policía reunió la siguiente información muestral

Ciudad Policías Número de delitos

Oxford 15 17

Starksville 17 13

Danville 25 5

Athens 27 7

Holgate 17 7

Carey 12 21

Whistier 11 19

Woodville 22 6

A. Trace un diagrama de dispersión

B. Determine el coeficiente de correlación

C. Establezca el coeficiente de determinación

D. Interprete estas medidas estadísticas. ¿Le sorprende que la relación sea inversa?

R. B. -0,8744. C. 0,7646.

ECUACION DE REGRESION: ecuación que expresa la relación lineal entre dos variables.

FORMA GENERAL DE LA ECUACION DE REGRESION LINEAL:

34
 y = mx + b

donde:

y: es el valor del estimado de la variable y para un valor x seleccionado

m: es la pendiente de la recta

b: es el valor estimado de y donde la recta de regresión cruza al eje y cuando x = 0

PENDIENTE DE LA RECTA DE REGRESION:

 Sy 
m  r  
 Sx 

donde:

r: es el coeficiente de correlación

Sy: es la desviación estándar de y

Sx: es la desviación estándar de x

INTERSECCION CON EL EJE Y:

b  y  mx

donde:

x : es la media de x (la variable independiente)

y : es la media de y (la variable dependiente)

En el ejemplo de Copier Sales of América, la gerente de ventas reunió información sobre

el número de llamadas de ventas y el número de copiadoras vendidas de una muestra de
10 representantes de ventas. Como parte de su presentación en la siguiente reunión de
ventas, la señora Bancer, gerente de ventas, desea presentar información específica
acerca de la relación entre el número de llamadas de ventas y el número de copiadoras
vendidas. Para ello debe determinar una ecuación lineal que exprese la relación entre
ambas variables. ¿Cuál es el número esperado de copiadoras vendidas por un
representante de ventas que hizo 20 llamadas?

S   14,337 
m  r  y   0,759   1,1842
 Sx   9,189 

b  y  mx  45  (1,1842)(22)  18,9476
35
Así, la ecuación de regresión es:

y = 1,1842x + 18,9476

Por tanto, si un vendedor hace 20 llamadas, esperaría vender

y = (1,1842)(20) + 18,9476 = 42,6316 copiadoras

GRAFICA DE LA RECTA DE REGRESION

Representante de ventas Llamadas de ventas (X) Ventas estimadas (Y)

Tom Keller 20 42,6

Jeff Hall 40 66,3

Brian Virost 20 42,6

Greg Fish 30 54,5

Susan Welch 10 30,8

Carlos Ramírez 10 30,8

Rich Niles 20 42,6

Mike Kiel 20 42,6

Mark Reynolds 20 42,6

Soni Jones 30 54,5

36
Ejercicios:

1. Las siguientes observaciones muestrales se seleccionaron al azar

x 5 3 6 3 4 4 6 8

y 13 15 7 12 13 11 9 5

A. Determine la ecuación de regresión

B. Encuentre el valor de y cuando x es 7

2. La Bradford Electric Iluminating Company estudia la relación entre kilowatts-hora

(miles) usados y el número de habitaciones en una residencia privada familiar. Una
muestra aleatoria de 10 casas reveló lo siguiente:

Número de habitaciones kilowatts-hora (miles)

12 9

9 7

14 10

6 5

10 8

8 6

10 8

10 10

5 4

7 7

A. Determine la ecuación de regresión.

B. Encuentre el número de kilowatts-hora, en miles, para una casa de seis habitaciones.

R. A. y = 0,667x + 1,333. B. 5,335

37
3. El señor James McWhinney, presidente de Daniel-James Financial Services, considera
que hay una relación entre el número de contactos con sus clientes y la cantidad de
ventas en dólares. Para documentar esta afirmación, el señor McWhinney reunió la
siguiente información muestral. La columna X indica el número de contactos con sus
clientes el mes anterior, y la columna Y muestra el valor de las ventas (miles de $) el
mismo mes por cada cliente muestreado

Número de contactos Ventas (miles de dólares)

14 24

12 14

20 28

16 30

46 80

23 30

48 90

50 85

55 120

50 110

A. Trace un diagrama de dispersión

B. Determine la ecuación de regresión

C. Encuentre las ventas estimadas si se hicieron 40 contactos

NUMEROS INDICE

Un número índice es una medida estadística diseñada para poner de relieve cambios en
una variable o en un grupo de variables relacionadas con respecto al tiempo, situación
geográfica, ingresos, etc.

APLICACIONES DE LOS NUMEROS INDICE

Los números índice se usan para hacer comparaciones. Por ejemplo, con números índice
podemos comparar los costos de alimentación o de otros servicios en una ciudad durante
un año con los del año anterior, o la producción de café en un año en una zona del país

38
con la de otra zona. Aunque se usan principalmente en economía y la industria, los
números índice son aplicables en muchos otros campos.

Muchos gobiernos y agencias privadas se ocupan de elaborar números índice con el

propósito de predecir condiciones económicas o industriales, tales como índices de paro,
de producción, salariales, etc. Tal vez el más conocido sea el índice de costo de la vida o
índice de precios al consumidor, que elabora el Dane.

RELACIONES DE PRECIOS

Uno de los ejemplos más simples de un número índice es una relación de precios, que no
es sino el cociente entre el precio de un artículo en un periodo dado y su precio en otro
periodo, conocido como periodo base o periodo de referencia. Supondremos, que los
precios en cada periodo son constantes. Si no lo son, podemos tomar un promedio
adecuado para el periodo.

Si pn y po denotan los precios de un artículo durante el periodo dado y el periodo base,

respectivamente, entonces

pn
Relación de precios =
po

La relación de precios se expresa generalmente como un porcentaje.

Si pa y pb son los precios de un artículo durante los periodos a y b, respectivamente, la

relación de precios en el periodo b con respecto al periodo a se denota por p a|b.

RELACIONES DE CANTIDAD O DE VOLUMEN

En vez de comparar los precios de un artículo, podemos estar interesados en comparar

las cantidades (o volúmenes) de producción, consumo o exportación. En tales casos
hablamos de relaciones de cantidad o relaciones de volumen. Por sencillez, como en el
caso de los precios, suponemos que las cantidades son constantes en cada periodo. Si
no lo son, se pueden tomar promedios adecuados.

Si qo denota la cantidad (o volumen) de un artículo que se ha producido, consumido,

exportado, etc. durante un periodo base, y qn la correspondiente cantidad producida,
consumida, exportada, etc. durante un periodo dado, definimos

qn
Relación de cantidad o de volumen =
qo

que se suele expresar como porcentaje.

Al igual que para las relaciones de precios, usamos la notación q a |b para denotar la
relación de cantidad en el periodo b respecto al periodo a.
39
 RELACIONES DE VALOR

Si p es el precio de un artículo durante un periodo y q es la cantidad (o volumen)

producida, vendida, etc., durante ese periodo, entonces pq se llama el valor total.

Si po y q o son el precio y la cantidad de un artículo durante un periodo base, y p n y qn el

precio y la cantidad correspondientes a un periodo dado, los valores totales durante esos
periodos vienen dados por v o y vn, respectivamente, y definimos

v n  p n  q n 
Relación de valor =    
vo  po  qo 

Las mismas observaciones, notación y propiedades aplicables a las relaciones de precios

y a las relaciones de cantidad lo son a las relaciones de valor. En particular, si p a|b, qa|b y
va|b denotan las relaciones de precios, cantidad y valor del periodo b respecto al periodo a,
entonces

va|b = pa|bqa|b

Ejemplos:

1. Si el salario mínimo mensual en Colombia en los años 2009 y 2010 era de $ 496.900 y
$ 515.000 respectivamente, hallar la relación de precios

precioen2010 515.000
Relación de precios = p2009|2010 =   1,036  103,6%
precioen2009 496.900

Este resultado significa que en 2010 el valor del salario mínimo era el 103,6% del de
2009; es decir, aumentó un 3,6%

2. En enero de 1980 una empresa pagó un total de $ 80.000 a 120 empleados en

nómina. En julio de ese mismo año, la empresa tenía 30 trabajadores más en nómina y
pagó $ 12.000 más que en enero.

A. Con enero de 1980 como base, hallar el número índice de empleo (la relación de
cantidad) para julio.

B. Con enero de 1980 como base, hallar el número índice (relación de valor) trabajo-
gasto para julio.

C. Usando el resultado relación de precios x relación de cantidad = relación de valor,

¿qué interpretación se puede dar a la relación de precios en este caso?

q n 150
A. Relación de cantidad = =  1,25  125%
q o 120

40
 vn $92.000
B. Relación de valor =   1,15  115%
vo $80.000

C. Relación de valor = relación de precios x relación de cantidad

relacióndevalor
Relación de precios =
relacióndecantidad

1,15
Relación de precios =  0,92  92%
1,25

Podemos interpretar el resultado como un número índice de costo por empleado. Lo cual
significa que en julio de 1980 el costo por empleado era el 92% del de enero de 1980

Ejercicios:

1. Los precios al por menor del cine en E.E.U.U durante 1978-1984 se ven en la tabla.

A. Con 1978 como base, hallar las relaciones de precios correspondientes a los años
1982 y 1984.

B. Con 1978-1980 como periodo base, hallar las relaciones de precios correspondientes
a los años dados.

Año 1978 1979 1980 1981 1982 1983 1984

Precio promedio del cine ($) 0,31 0,373 0,374 0,446 0,385 0,414 0,486

R. A. 124,2%; 156,8%

R. B.

Año 1978 1979 1980 1981 1982 1983 1984

Relación de precios (%) 88,1 106 106,3 126,7 109,4 117,6 138,1

2. La tabla muestra las relaciones de valor y de precios de un artículo en los años 1982-
1986. Hallar las relaciones de cantidad para dicho artículo con

A. 1982 como base.

B. 1982-1984 como base

41
 Año Relación de precios Relación de valor

1982 100 150

1983 125 180

1984 150 207

1985 175 231

1986 200 252

Elaboró: ALBERTO OSPINA PIÑEROS

42
43