Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESTADISTICA
DESCRIPTIVA
Establecimiento
Industrial Producción bruta Horas de Producción.
o Manufacturero Número de empleados Consumo de Energía.
Sueldos y Salarios Actividad Económica.
40 40
No. Obreros
No. Obreros
30 30
20 20
10 10
24000 26000 28000 30000 32000 34000 36000 22999.5 24999.5 26999.5 28999.5 30999.5 32999.5 34999.5
Salario / dìa ($) Salario / dìa ($)
ESTADISTICA DESCRIPTIVA
. CURVAS DE FRECUENCIA: Es un polígono de frecuencias
suavizado, mostrando en términos de simetría: asimetría negativa
(con la cola hacia la izquierda), positivamente sesgada (con la cola
hacia la derecha) ó simétrica.
En términos de Kurtosis: Platicúrtica (Uniforme en todas las clases),
Leptocúrtica (concentrada en un estrecho rango de valores), y
Mesocúrtica.
40
Asimétrica Negativa Platicúrtica
No. Obreros
30
20
80
24000 - 25999 7 7
No. Obreros
26000 - 27999 20 27
60 28000 - 29999 33 60
30000 - 31999 25 85
40 32000 - 33999 11 96
34000 - 35999 4 100
20
Frecuencia
24000 26000 28000 30000 32000 34000 36000 Acumulada
Salario / dìa ($)
ESTADISTICA DESCRIPTIVA
• GRAFICAS DE BARRAS: Ilustra mediante columnas,
las cantidades de frecuencias para diferentes
categorías de datos.
Prod. / mes
Prod. / mes
305 300
300 275 280 300
240
220
200 200
100 100
ENE FEB MAR ABR MAY JUN ENE FEB MAR ABR MAY JUN
Mes Mes
ESTADISTICA DESCRIPTIVA
• GRAFICAS DE PASTEL o TORTA: Ilustra las divisiones de una
cantidad total; cuando se hace en porcentajes, resulta más fácil
compararlos. Es una forma efectiva de representar dist. de
frecuencias en las que la característica es cualitativa.
Salario en Miles $
264 305 294 270 269 281 285 261 284 308 282 258 288 288 275
252 276 285 278 298 288 273 281 290 264 300 309 297 270 296
263 283 295 296 280 298 284 278 300 275
ESTADISTICA DESCRIPTIVA
2.- MEDIDAS DE POSICION (o de Tendencia Central):
x=∑x/n =∑(fxX)/n
ó simplemente es la suma del producto del punto medio de cada
(X) clase por su frecuencia de clase correspondiente (f).
• EL COEFICIENTE DE VARIACION:
Indica la magnitud relativa de la desviación
estándar con respecto a la media de la distribución:
CV = s / x
VARIANZA:
v (x) = ∑ (x – x )2 /(n -1) = ∑ f x (X – x )2 /(n -1) = s2
DESVIACION ESTANDAR:
Salario en Miles $
264 305 294 270 269 281 285 261 284 308 282 258 288 288 275
252 276 285 278 298 288 273 281 290 264 300 309 297 270 296
263 283 295 296 280 298 284 278 300 275
PROBABILIDAD
1.- Definiciones:
S SS
Ejemplos de Estudio
• 1. Cuantas permutaciones se pueden realizar con la palabra Cooperador?.
R/: P10 = 10! / (3! x 2!) = 302.400.
• Distribución de Probabilidad:
Son todos los posibles valores que resultan
de un experimento aleatorio, junto con la
probabilidad asociada a cada valor.
• Variable aleatoria:
Corresponde a una caracterización cualitativa
de los resultados que constituyen un espacio
muestral. Cada cantidad o valor es el resultado
de un experimento aleatorio y, como tal, puede
tomar distintos valores.
PROBABILIDAD
4.- VARIABLES ALEATORIAS: DEFINICIONES
• DISCRETA:
Se considera así, cuando los valores que asume se
pueden contar y si éstos pueden organizarse en una
secuencia al igual que los números enteros positivos,
asumiendo un número finito de valores.
• CONTINUA:
Se da, cuando puede asumir cualquier valor dentro de
un intervalo ó en una unión de intervalos.
0 1/16 6.25 30
1 4/16 25.0 20
2 6/16 37.5 10
3 4/16 25.0
0 1 2 3 4 X
4 1/16 6.25 No. De caras (éxitos)
Casos de Estudio
• 1. Por regla, el 25 % de ciertos productos
manufacturados por el torno americano, son defectuosos; cual
es la probabilidad de que en 20 de estos productos haya:
a). Exactamente 15 defectuosos?
b). Menos de cinco defectuosos?
c). Por lo menos 8 defectuosos?.
• 2. Los registros hospitalarios indican que el 10% de los casos
de cierta enfermedad resultan fatales. Si hay cinco pacientes
que sufren de la enfermedad, encontrar la probabilidad que:
a). Todos sanen, que ninguno muera?
b). Por lo menos tres mueran?
c). Exactamente tres mueran?.
PROBABILIDAD
• DISTRIBUCION POISSON:
La probabilidad P de que se obtenga x éxitos
por una unidad de medición (minuto, hora, día,
cm, metro), será:
P(x) = x x e- / x! ,siendo: = nxp y e=2,71828
% % %
40 = 1,1 40 = 2,0 40 = 5,0
30 30 30
20 20 20
10 10 10
0 1 2 3 4 5 6 7 X 0 1 2 3 4 5 6 7 8 X 0 1 2 3 4 5 6 7 8 9 X
Exitos Exitos Exitos
Casos de Estudio
• 1. Entre las 2 y las 4 de la tarde, el promedio de
llamadas telefónicas que entran por el conmutador de una
empresa por minuto es de 2,5; Hallar la probabilidad de que en
un determinado minuto se reciban:
a). Exactamente 3 llamadas? b). Al Menos de 2 llamadas?
c). Ninguna llamada?.
• Cualitativos:
son datos que solo toman valores
asociados a las cualidades o atributos,
clasificándolos en una de varias
categorías.
• Ejemplos:
– Género: Masculino, Femenino.
– Profesión: Ingeniero, Economista, Administrador,…
– Hábito de fumar: Fumador/No fumador
– Raza: Asiáticos, Europeos, Latinos, …
– Religión: Católica, Evangélica, …
– Estado civil: Soltero, Casado, Divorciado,…
ESTADISTICA – TIPOS DE DATOS
• Ejemplos:
– Peso
– Edad
– Estatura
– Humedad
– Temperatura
– Intensidad de un sismo
– Cantidad de hermanos
TIPOS DE VARIABLES CUANTITATIVAS
– Discretas: es aquella que solo puede tomar un número
finito o infinito numerable de valores.
Ejemplo: cantidad de hermanos.
• Escala de Intervalos.
Variables
• Escala de Razón o Proporción. Cuantitativas
• Escala Absoluta.
ESCALA NOMINAL - ORDINAL
NOMINAL: Los datos se pueden agrupar en
categorías que no mantienen una relación de
orden entre si, por lo tanto están definidas solo
por la igualdad o diferencia.
Ej: color de ojos, sexo, profesión, estado civil,
religión.
Peso,
Altura,
Edad,
Temperatura.
ESCALA ABSOLUTA
• Se caracteriza porque los valores que toma la
variable van de uno en uno (son el resultado de
contar) y por lo tanto, está constituida por los
enteros positivos y el cero.
• Ejemplos: Cantidad de hijos, Número de puntos
eléctricos, Número de hermanos, Cantidad de
autos vendidos.
TIPOS DE DATOS
• Univariantes o unidimensionales:
Sólo recogen información sobre una característica
Ej: Estatura de los alumnos de una clase.
• Bivariantes o bidimensionales:
Recogen información sobre dos características de la
población.
Ej: Edad y Estatura de los alumnos de una clase.
• Multivariantes o pluridimensionales:
Recogen información sobre tres ó más
características.
Ej: Edad, Estatura y Peso de los alumnos de una clase.
VARIABLE ALEATORIA
Escalas:
DISCRETA CONTINUA
FUENTE de
Datos
Tipo de Aspectos
Muestra Éticos
Probabilístico No Probabilístico
Muestreo de Poblaciones Normales
• Cuando la población está distribuida normalmente, la distribución de
muestreo de la media también es normal; sin embargo, los
responsables de tomar decisiones deben lidiar con muchas
poblaciones que no están dist. Normalmente, por lo cual apelan al
TEOREMA DEL LIMITE CENTRAL, el cual asegura que:
“ La distribución de muestreo de la media se aproxima a la
normal al incrementarse el tamaño de la muestra, sin importar
la forma de la Distribución de la Población”.
La Importancia del Teo. Del Límite central es que permite usar
estadísticas de muestra para hacer inferencias con respecto a los
parámetros de la población, sin saber nada sobre la forma de la
distribución de frecuencia de esa población.
La Distribución de Muestreo de la Media
Distribución de la Población
Tiene:
μ : La Media de la Distribución
ó Media Poblacional
σ : La desviación estándar de
μ esta distribución.
La Distribución de frecuencia de
Muestra: cada una es una distribución
Discreta con x y s propias.
x1 , s1 x2 , s2 x3 , s3
Distribución de Muestreo de la Media
Esta distribución es la dist. de todas
Las Medias de Muestra y tiene:
μ x : Media de la Dist. de muestreo
de las medias. (miu sub x testada)
σ x : Error estándar de la media
μx (sigma sub x testada)
La Distribución de Muestreo de la Media
Las Propiedades de la Distribución de Muestreo de la Media son:
El valor de z está
derivado de la
fórmula:
x–μ
x μ x z=
σ
-z +z Para luego proceder
a encontrar la Prob.
en la Tabla Normal.
z = número de desviaciones estándar que hay desde x
a la media de la distribución.
Distribución Normal
Ej: Cual es la probabilidad que
un candidato elegido al azar se
tome más de 600 horas de
entrenamiento, si el programa es
34,13% de 500 horas con una desviación
estándar de 100 horas.
Se conocen:
15,87% x = 600 horas : n = 1
μ = 500 horas, y
σ = 100 horas
μ= 500 x= 600
x–μ ( 600 – 500 )
+ z = 1,0 z= =
σ 100
z= 1.0 desviaciones estándar
Se busca z = 1,0 en la tabla de Dist. Normal, y …
se encuentra una Probabilidad de =0,3413 ó 34,13% que corresponde desde la
Media hasta el valor de la variable aleatoria dado (x).
Luego, como cada lado de la campana tiene un 50% de probabilidad, entonces al:
50% se le resta el 34,13% y se obtiene la probabilidad buscada: 15,87%
Distribución Normal
Ej: Cual es la probabilidad que 5
candidatos elegidos al azar se
tomen más de 600 horas de
entrenamiento, si el programa es
48,71% de 500 horas con una desviación
estándar de 100 horas.
Se conocen:
1,29% x = 600 horas : n = 5
μ = 500 horas, y
σ = 100 horas
μ= 500 x= 600
x–μ ( 600 – 500 )
+ z = 2,23 z= =
σx- 100/√5
z= 2,23 desviaciones estándar
Se busca z = 2,23 en la tabla de Dist. Normal, y …
se encuentra una Probabilidad de =0,4871 ó 48,71% que corresponde desde la
Media hasta el valor de la variable aleatoria dado (x).
Luego, como cada lado de la campana tiene un 50% de probabilidad, entonces al:
50% se le resta el 48,71% y se obtiene la probabilidad buscada: 1,29%
Distribución Normal
Ej: Cual es la probabilidad que 5
candidatos elegidos al azar de 50
se tomen más de 600 horas de
entrenamiento, si el programa es
49,01% de 500 horas con una desviación
estándar de 100 horas.
Se conocen:
0,99% x = 600 horas : n = 5 N = 50
μ = 500 horas, y
σ = 100 horas
μ= 500 x= 600
Como n / N = 5 / 50 = 10% > 5%
+ z = 2,33 Se debe calcular el F.M.
F.M.= √ NN –- 1n = √ 50 –5
50 - 1
x–μ ( 600 – 500 )
z= = = 2,33 F.M.= 0,9583
σx- 100/√5 x 0,9583
Se busca z = 2,33 en la tabla de Dist. Normal, y la Prob. es = 0,4901 ó 49,01% .
Entonces al 50% se le resta el 49,01% y se obtiene la probabilidad buscada: 0,99%.
Localización de las Observaciones
Teorema de Chebyshev:
99 %
95 %
68 %
2,5% 2,5%
μ -3 σ μ -2 σ μ -1 σ μ μ +1 σ μ +2 σ μ +3 σ
Distribución de Probabilidad Normal Estándar
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.00 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0.10 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
0.20 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
0.30 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
0.40
0.50
.1554
.1915
.1591
.1950
.1628
.1985
.1664
.2019
.1700
.2054
.1736
.2088
.1772
.2123
.1808
.2157
.1844
.2190
.1879
.2224
x–μ
0.60 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2517 .2549 Z=
0.70
0.80
.2580
.2881
.2611
.2910
.2642
.2939
.2673
.2967
.2704
.2995
.2734
.3023
.2764
.3051
.2794
.3078
.2823
.3106
.2852
.3133
σx-
0.90 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.00 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621
1.10 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.20 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
1.30 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4177
1.40 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.50 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.60 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.70 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.80 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.90 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767
2.00 .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .4817 0 z
2.10 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .4857
2.20 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.30 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916
2.40
2.50
2.60
.4918
.4938
.4953
.4920
.4940
.4955
.4922
.4941
.4956
.4925
.4943
.4957
.4927
.4945
.4959
.4929
.4946
.4960
.4931
.4948
.4961
.4932
.4949
.4962
.4934
.4951
.4963
.4936
.4952
.4964
Áreas bajo la curva
PROBABILIDADES
2.70 .4965 .4966 .4967 .4968 .4969 .4970 .4971 .4972 .4973 .4974
2.80 .4974 .4975 .4976 .4977 .4977 .4978 .4979 .4979 .4980 .4981
2.90 .4981 .4982 .4982 .4983 .4984 .4984 .4985 .4985 .4986 .4986
3.00 .4987 .4987 .4987 .4988 .4988 .4989 .4989 .4989 .4990 .4990
3.10
3.20
.4990
.4993
.4991
.4993
.4991
.4994
.4991
.4994
.4992
.4994
.4992
.4994
.4992
.4994
.4992
.4995
.4993
.4995
.4993
.4995
(zona sombreada)
3.30 .4995 .4995 .4995 .4996 .4996 .4996 .4996 .4996 .4996 .4997
3.40 .4997 .4997 .4997 .4997 .4997 .4997 .4997 .4997 .4997 .4998
3.50 .4998 .4998 .4998 .4998 .4998 .4998 .4998 .4998 .4998 .4998
3.60 .4998 .4998 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999
3.70 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999
3.80 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999
3.90 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999
Distribución de Probabilidad Normal Estándar
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.00 .5000 .4960 .4920 .4880 .4840 .4801 .4761 .4721 .4681 .4641
0.10 .4602 .4562 .4522 .4483 .4443 .4404 .4364 .4325 .4286 .4247
0.20 .4207 .4168 .4129 .4090 .4052 .4013 .3974 .3936 .3897 .3859
0.30 .3821 .3783 .3745 .3707 .3669 .3632 .3594 .3557 .3520 .3483
0.40
0.50
.3446
.3085
.3409
.3050
.3372
.3015
.3336
.2981
.3300
.2946
.3264
.2912
.3228
.2877
.3192
.2843
.3156
.2810
.3121
.2776
x–μ
0.60 .2743 .2709 .2676 .2643 .2611 .2578 .2546 .2514 .2483 .2451 Z=
0.70
0.80
.2420
.2119
.2389
.2090
.2358
.2061
.2327
.2033
.2296
.2005
.2266
.1977
.2236
.1949
.2206
.1922
.2177
.1894
.2148
.1867
σx-
0.90 .1841 .1814 .1788 .1762 .1736 .1711 .1685 .1660 .1635 .1611
1.00 .1587 .1562 .1539 .1515 .1492 .1469 .1446 .1423 .1401 .1379
1.10 .1357 .1335 .1314 .1292 .1271 .1251 .1230 .1210 .1190 .1170
1.20 .1151 .1131 .1112 .1093 .1075 .1056 .1038 .1020 .1003 .0985
1.30 .0968 .0951 .0934 .0918 .0901 .0885 .0869 .0853 .0838 .0823
1.40 .0808 .0793 .0778 .0764 .0749 .0735 .0721 .0708 .0694 .0681
1.50 .0668 .0655 .0643 .0630 .0618 .0606 .0594 .0582 .0571 .0559
1.60 .0548 .0537 .0526 .0516 .0505 .0495 .0485 .0475 .0465 .0455
1.70 .0446 .0436 .0427 .0418 .0409 .0401 .0392 .0384 .0375 .0367
1.80 .0359 .0351 .0344 .0336 .0329 .0322 .0314 .0307 .0301 .0294
1.90 .0287 .0281 .0274 .0268 .0262 .0256 .0250 .0244 .0239 .0233 0
2.00 .0228 .0222 .0217 .0212 .0207 .0202 .0197 .0192 .0188 .0183 z
2.10 .0179 .0174 .0170 .0166 .0162 .0158 .0154 .0150 .0146 .0143
2.20 .0139 .0136 .0132 .0129 .0125 .0122 .0119 .0116 .0113 .0110
2.30 .0107 .0104 .0102 .0099 .0096 .0094 .0091 .0089 .0087 .0084
2.40
2.50
2.60
.0082
.0062
.0047
.0080
.0060
.0045
.0088
.0059
.0044
.0075
.0057
.0443
.0073
.0055
.0041
.0071
.0054
.0040
.0069
.0052
.0039
.0068
.0051
.0038
.0066
.0049
.0037
.0064
.0048
.0036
Áreas bajo la curva
PROBABILIDADES
2.70 .0035 .0034 .0033 .0032 .0031 .0030 .0029 .0028 .0027 .0026
2.80 .0026 .0025 .0024 .0023 .0023 .0022 .0021 .0021 .0020 .0019
2.90 .0019 .0018 .0018 .0117 .0016 .0016 .0015 .0015 .0014 .0014
3.00 .0013 .0013 .0013 .0012 .0012 .0011 .0011 .0011 .0010 .0010
3.10
3.20
.0010
.0007
.0009
.0007
.0009
.0006
.0009
.0006
.0008
.0006
.0008
.0006
.0008
.0006
.0008
.0005
.0007
.0005
.0007
.0005
(zona sombreada)
3.30 .0005 .0005 .0005 .0004 .0004 .0004 .0004 .0004 .0004 .0003
3.40 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0003 .0002
3.50 .0002 .0002 .0002 .0002 .0002 .0002 .0002 .0002 .0002 .0002
3.60 .0002 .0002 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0001
3.70 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0001
3.80 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0001 .0001
3.90 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000 .0000
Proporciones de área para la distribución t
(Significancia)
gl 0.10 0.05 0.025 0.01 0.005 gl
1 3.078 6.314 12.706 31.821 63.657 1
2 1.866 2.920 4.303 6.965 9.925 2
3 1.638 2.353 3.182 4.541 5.841 3
4
5
1.533
1.476
2.132
2.015
2.776
2.571
3.747
3.365
4.604
4.032
4
5 x–μ
6 1.440 1.943 2.447 3.143 3.707 6 t=
7
8
1.415
1.397
1.895
1.860
2.365
2.306
2.998
2.896
3.499
3.355
7
8
σx-
9 1.383 1.833 2.262 2.821 3.250 9
10 1.372 1.812 2.228 2.764 3.169 10
11 1.363 1.796 2.201 2.718 3.106 11
12 1.356 1.782 2.179 2.681 3.055 12
13 1.350 1.771 2.160 2.650 3.012 13
14 1.345 1.761 2.145 2.624 2.977 14
15 1.341 1.753 2.131 2.602 2.947 15
16 1.337 1.746 2.120 2.583 2.921 16
17 1.333 1.740 2.110 2.567 2.898 17 0
18 1.330 1.734 2.101 2.552 2.878 18 t
19 1.328 1.729 2.093 2.539 2.861 19
20 1.325 1.725 2.086 2.528 2.845 20
21
22
1.323
1.321
1.721
1.717
2.080
2.074
2.518
2.508
2.831
2.819
21
22 Áreas bajo la curva
Valores t
23 1.319 1.714 2.069 2.500 2.807 23
24 1.318 1.711 2.064 2.492 2.797 24
25 1.316 1.708 2.060 2.485 2.787 25
26 1.315 1.706 2.056 2.479 2.779 26
27
28
1.314
1.313
1.703
1.701
2.052
2.048
2.473
2.467
2.771
2.763
27
28
(zona sombreada)
29 1.311 1.699 2.045 2.462 2.756 29
30 1.310 1.697 2.042 2.457 2.750 30
40 1.303 1.684 2.021 2.423 2.704 40
60 1.296 1.671 2.000 2.390 2.660 60
120 1.289 1.658 1.980 2.358 2.617 120
1.282 1.645 1.960 2.326 2.576
Caso de Estudio
• 1. Una institución bancaria calcula que sus cuentas de ahorros
individuales están normalmente distribuidas con una media de
$200.000 y una desviación estándar de $60.000; si el banco toma
una muestra aleatoria de 100 cuentas, cual es la probabilidad que la
media de la muestra sea:
a. Menor de $197.500.
b. Mayor de $205.000.
c. Que caiga entre $192.500 y $207.500.
d. Que caiga entre $212.500 y $225.000.
e. Que caiga entre $190.000 y $195.000.
f. Si el número total de cuentas de ahorro es de 850, Calcule la
Probabilidad de que la media de la muestra sea Menor de $197.500
Caso de Estudio
• 2. Faico, indica que sus baterías están normalmente distribuidas
con una duración promedio de 1 (un) año y una desviación estándar
de 3 meses; si Faico toma una muestra aleatoria de 50 baterías de
un lote de producción de 500, cual es la probabilidad que la media
de la muestra sea:
a. Menor de 12 meses
b. Mayor de 15 meses.
c. Que caiga entre 11 y 14 meses.
d. Que caiga entre 13 meses y 18 meses.
e. Que caiga entre 10 meses y 11 meses.
f. Si se han fabricado 25000 baterías, Calcule la Probabilidad de
que la media de la muestra sea Menor de 12 meses y medio.
Estimadores y Pronósticos
Un estimador puntual es sólo un valor numérico basado en datos de
una muestra aleatoria que se utiliza para estimar el valor de un
parámetro poblacional.
_ _
μ = x σ = s por lo que se tiene: σx = σ / √n = s / √n
Zona de Aceptación
Región crítica
x – tσx x x +t σx n ≤ 30
x – zσ x x x + zσ x n >30
Regresión Lineal
El principal objetivo del análisis de regresión es la de estimar el valor de
una variable aleatoria (dependiente) conociendo el valor de una variable
asociada (independiente).
La forma de la relación se representa mediante un diagrama de dispersión y
puede ser curvilínea ó lineal; aunque el análisis de regresión lineal suele
depender del criterio matemático que se utilice, ya que pueden elaborarse
diversas ecuaciones lineales distintas para una gráfica de dispersión
determinada.
La ecuación es:
y A Bx Donde:
y: variable dependiente
Además: A y B: estimadores
∑x y – n x y
B= x: variable independiente
∑ x2 – n x 2
: significa estimado
A=y-B
x
Regresión lineal
Diagrama de Dispersión
Y
Embarque 1 2 3 4 5 6 7 8 9 10
muestreado
Distancia 825 215 1070 550 480 920 1350 325 670 125
(KM)
Tiempo de 3.5 1.0 4.0 2.5 2.0 3.0 4.5 1.5 3.0 1.0
Entrega
(Días)
Embarque 1 2 3 4 5 6 7 8 9 10
muestreado
Distancia 825 215 1070 550 480 920 1350 325 670 125
(Km)
Tiempo de 3.5 1.0 4.0 2.5 2.0 3.0 4.5 1.5 3.0 1.0
Entrega
(días)
Condiciones 3.0 4.0 3.5 2.0 3.5 4.0 4.5 5.0 2.5 3.5
del clima