Beruflich Dokumente
Kultur Dokumente
DESARROLLO DE CLASES
LA IMPORTANCIA DE LA ESTADISTICA Y QUIEN LA UTILIZA.
Es comn en nuestro pas, cada vez que vamos a elecciones
presidenciales, diputados, alcaldes, or decir a ciertas personas, cual x
o y candidato tiene posibilidades de ganar la eleccin, en ese
momento, eventualmente presentar proyecciones de intencin de voto
al momento de practicarse las elecciones quien puede ganar, como x
candidato va perdiendo posibilidades de ganar o a la inversa. Otro
aspecto importante es, que en esas predicciones se habla de un
margen de error.
1
Existen tres tipos de mentiras: mentiras ordinarias, las grandes
mentiras y la estadstica, porque en la vida se dan varios fracasos
estadsticos si se usa incorrectamente. (Dar un ejemplo)
HISTORIA
Palabra italiana estatista que significa estadstica. Se empez a utilizar
entre los aos 1719-1772.
SUBDIVISION DE LA ESTADISTICA
La estadstica se divide en dos grandes categoras:
2
En primera instancia es necesario aplicar tcnicas para tabular y
graficar para organizacin de datos y posteriormente mostraremos
como usar nmeros para describir datos.
RECOLECCION DE DATOS
Hay que seleccionar las observaciones de manera que todos los
grupos relevantes estn representados en los datos. Si se hace un
estudio de mercado, debe estar seguro de que el grupo seleccionado
incluya las personas que representan las distintas variables como nivel
de ingresos, raza, nivel educativo, vecindario, etc.
DAR EJEMPLOS
3
Al final debemos determinar si los datos vale la pena usarlos o
debemos esperar y recabar mas informacin antes de actuar. Un
ejemplo clsico es enfocar la publicidad a segmentos de mercado que
no corresponden. DAR EJEMPLOS
4
Cuando ms informacin podamos obtener de la muestra, mejor
podremos entender la poblacin de la cual proviene, y mejor ser
nuestra toma de decisiones.
LA DISTRIBUCION DE FRECUENCIAS
Una manera de compactar datos es mediante una Tabla de
Frecuencias o distribucin de frecuencias.
6
Clase (grupo de valores Frecuencia (Numero de
parecidos de datos puntuales. observaciones que hay en cada
clase)
2.0 a 2.5 1
2.6 a 3.1 0
3.2 a 3.7 2
3.8 a 4.3 8
4.4 a 4.9 5
5.0 a 5.5 4
Que informacin podemos obtener se esta tabla:
1. Perdimos algo de informacin al construir la tabla de frecuencias.
No podemos saber cmo se repite puntualmente el 5.5.
2. Podemos observar que 8 tiendas tiene un promedio de
existencias entre 3.8 y 4.3.
3. No es usual encontrar existencias entre 2.6 y 3.1.
4. Las existencias entre 2.0 y 3.7 son las que no prevalecen.
5. Podremos construir diferentes tablas con cantidades de clases
diferentes.
7
Podemos observar que las tiendas que tienen existencias entre 3.8 y
4.3 representan el 40% y as podemos hacer muchos anlisis.
Observaciones:
1. El nmero de clases uno lo determina, y para calcular el intervalo
se usa la siguiente frmula:
Numero mayornumero menor 5.52.0
Intervalo de clase = n+ 1 = 6+1 =
0.50 en el caso anterior
HISTOGRAMA
Son una serie de rectngulos, cuyo ancho es proporcional al rango de
los valores que se encuentran dentro de una clase y la altura es
proporcional al nmero de elementos que caen dentro de la clase. Si
las clases son iguales en su ancho, todas las barras tendrn el mismo
ancho.
8
trminos de %. Se conoce como Histograma de Frecuencias
Relativas.
Frecuenci
Clase a
2.0 a 2.5 1
2.6 a 3.1 0
3.2 a 3.7 2
3.8 a 4.3 8
4.4 a 4.9 5
5.0 a 5.5 4
Chart Title
12
10
9
POLIGONOS DE FRECUENCIAS
Se Utiliza menos, pero es otra forma de presentar grficamente tanto
de frecuencias como frecuencias relativas. Son lo mismo que el
Histograma. Lo nico es que se traza una lnea usando como
referencia el punto medio de cada clase as:
Frecuenci
Punto Medio a
1.75 0
2.25 1
2.85 0
3.45 2
4.05 8
4.65 5
5.25 4
5.8 0
Frecuencia
9
8
7
6 Frecuencia
5
4
3
2
1
0
1 2 3 4 5 6 7 8
10
Observe que se introdujeron una clase antes y otra despus,
con un valor de cero para que la lnea toque el eje x en ambos
lados.
Los puntos medios son la suma del nmero mayor y nmero
menor dividido entre 2. Ejemplo: 2 + 2.5 = 4.5/2 = 2.25
OJIVA
Una distribucin de frecuencias acumuladas nos permite ver
cuntas observaciones estn por encima de ciertos valore, en
lugar de hacer un mero registro del nmero de elementos que
hay dentro de los intervalos.
El procedimiento es construir una tabla de frecuencias
menores que y se muestra en la siguiente tabla:
11
Menos que 2.5 0
Menos que 3.1 1
Menos de 3.7 1
Menos de 4.3 3
Menos de 4.9 11
Menos de 5.5 16
Menos de 6.00 20
Menor de 2.5 0
Menor de 3.1 1
Menor de 3.7 1
Menor de 4.3 3
Menor de 4.9 11
Menor de 5.5 16
Menor de 6.0 20
25
20
15
10
12
Observe que a partir de un inventario de 4.3 son ms las tiendas que
tienen un inventario mayor.
13
Observe que la distribucin A es no es igual a la Distribucin pero
estn perfectamente distribuidas, por lo tanto les corresponde igual
punto medio. Sin embargo la distribucin C el punto medio esta
sesgado hacia la derecha.
14
UNA MEDIDA DE TENDENCIA CENTRAL: La Media Aritmtica.
Casi siempre cuando nos referimos a un promedio estamos hablando
de la Media Aritmtica. Ejemplo: el promedio de ingresos de una
persona en un ao, la temperatura promedio en el ao de una ciudad,
las notas promedio de la clase, etc.
Observe lo siguiente:
= smbolo de la media de una poblacin.
x
X = n
(f X x )
X = n
85,350
X = = L 142.25 es la media de la muestra.
600
CODIFICACION
En los casos de no tener disponible una computadora y sea necesario
realizar las operaciones a mano, se puede simplificar el clculo de la
media aritmtica de datos agrupados, con la tcnica de Codificacin.
Podemos eliminar el problema de tener puntos medios muy grandes o
inconvenientes. La tcnica consiste en asignar enteros consecutivos
de valores pequeos, llamados cdigos, a cada uno de los puntos
medios. El entero 0 se le puede asignar a cualquier punto medio, o
sea a la mitad de la distribucin o el ms cercano al punto medio.
16
Ejemplo:
Clase Cdigo
1-5 -4
6-10 -3
11-15 -2
16-20 -1
21-25 0
26-30 1
31-35 2
36-40 3
41-45 4
La ubicacin del punto medio, cuando las clases son impares es mas
fcil.
Formula:
( f )
X = X0 + w n
Donde:
X = media de la muestra
17
Ejemplo de cuando las clases son un numero par (6)
Este caso es de un grupo de alumnos y sus edades.
Punto
Medio Cdigo Frecuenci
Clase (X) (u) a (f) U*f
0-7 3.5 -2 x 2 = -4
8-15 11.5 -1 x 6 = -6
16-23 19.5 0 x 3 = 0
=X0
24-31 27.5 1 x 5 = 5
32-39 35.5 2 x 2 = 4
40-47 43.5 3 x 2 = 6
total 20 5
f =n (u * f)
Desarrollo formula:
5
X = 19.5 + 8( 20 ) = 21.5 Si nos referimos a edades esta seria la
edad promedio de un grupo x.
18
4. Es imposible calcular la media cuando se tiene clases extremas
abiertas. Ejemplo menores de 10 o mayores de 50
MEDIA PONDERADA
Al calcular la Media Aritmtica se asume que los datos del conjunto
son iguales en importancia. En algunos casos es evidente que algunas
observaciones son ms importantes que otras. Ejemplo clsico son el
ndice acadmico de los alumnos, unas clases tienen un valor de 5
unidades valorativas y otras 4 unidades. Otro ejemplo son los
exmenes parciales que no tienen el mismo peso. Esto es lo que
considera la media ponderada, asignarle a cada observacin su valor
relativo.
Ejemplo:
Las notas de cada parcial estn valuadas en 25, 35 y 40%
respectivamente.
Formula:
XW
X w =
W
Donde:
Xw = es la media ponderada.
X = es la observacin individual.
W = el peso o ponderacin asignada a cada observacin.
19
MEDIA GEOMETRICA
Muestra los cambios porcentuales de una serie de nmeros positivos.
Tiene aplicacin en los negocios y la economa, debido a que con
frecuencia se est interesado en establecer el cambio porcentual en
las ventas, en el producto nacional bruto o en cualquier serie
econmica.
Porcentaje sobre ao
AO VENTAS anterior
2004 50,000 -
2005 55,000 55/50 = 1.10
2006 66,000 66/55 = 1.20
2007 60,000 60/66 = 0.91
2008 78,000 78/60 = 1.30
1.10+1.20+ 0.91+1.3
X = = 1.1275
4
20
Si usamos a media aritmtica para comprobar cul de los dos ndices
es ms exacto, calculamos:
Ejemplo:
Proyectar los aos 2009 y 2010 as:
2009 78,088 X 1.1179 = L 87,295
2010 87,295 X 1.1179 = 97,587
LA MEDIANA
Es diferente a las anteriores. La mediana es solo el valor del conjunto
de datos que mide la observacin central del conjunto. Es la
observacin que est ms centrada. La mitad estn por arriba de ella y
la otra mitad de datos estn por debajo ella.
21
CALCULO DE LA MEDIANA A PARTIR DE DATOS NO
AGRUPADOS
n+1
Mediana = ( 2 )
Donde n = nmero
de elementos del arreglo
Ejemplo:
Los costos en millones de varios aos se muestran abajo:
45,52,56,67,67
5+ 1
Posicin de la Mediana = 2 = 3 o sea la tercera posicin es el
valor de L 56. Esa es la media de los costos de esos aos. Mediana =
56
En el caso que los datos sean un nmero par los dos datos centrales
se suman y se dividen entre 2
Ejemplo:
35,45,52,56,67,67: La posicin de la Mediana es:
6 +1
Posicin de la Mediana = 2 = 3.5
52+56
Mediana = 2 = 54
22
Para calcular la media de datos agrupados, se supone que las
observaciones en cada clase son iguales al punto medio de la clase.
Esto porque se hace el supuesto de que si bien algunos datos estarn
por arriba del punto medio, otros estarn por debajo de ese punto.
Basado en esto debe considerarse los puntos medios de cada clase y
sus respectivas frecuencias.
Formula:
n
f
Mediana = Lmd + ( 2 C
fmd
Donde:
Lmd = el lmite inferior de la clase de la mediana.
F = es la frecuencia acumulada de la clase que antecede a la clase de
la mediana.
F = la frecuencia de la clase mediana.
C = intervalo de la clase mediana.
23
50
10
Mediana= 70 + ( 2 )10 = 78.33
18
LA MODA
Es diferente a la media, pero parecida a la medina. Es el valor que
ms se repite en el conjunto de datos.
Ejemplo:
Despus de organizar los datos estos se muestran como ejemplo de
viajes que hacen un grupo de personas:
1,1,2,2,4,4,5,5,6,6,7,7,8,12,15,15,15,19
d1
Mo = Lmo + ( d 1+d 2 )w
Donde:
Lmo = Lmite inferior de la clase modal.
d1 = Frecuencia de la clase que se encuentra inmediatamente menor
que ella.
d2 = frecuencia de la clase modal menos la frecuencia de la clase
inmediatamente mayor que ella.
W = Ancho del intervalo de la clase modal.
Ejemplo:
No.
Entregas 0-3 4-7 8-11 12 o mas
Frecuencia 6 8 1 5
Clase Modal
Si deseamos saber no solo la clase modal que es 4-7 entregas,
deseamos conocer La Moda, aplicamos la formula as:
86 2
Mo = 4 + ( ( 86 )+1 =4 + 0.6667 o 3 =4.667 entregas
25
4. Se pueden usar no importa si alguno o ambos extremos estn
abiertos.
Desventajas
1. No se utiliza tan a menudo como la medina y la moda.
2. Muchas veces no existe una clase modal.
3. Es intil en la mayora de casos.
4. Cuanto tiene ms de una moda es difcil interpretarlos y
comprenderlo.
26
2. Ya que existen problemas caractersticos para datos muy
dispersos, se debe ser capaz de reconocer esa dispersin
amplia para poder abordar el problema.
3. Quiz se desee comparar las dispersiones de diferentes
muestras.
RANGO
Es la diferencia entre el valor ms alto y ms pequeo de los valores
observados.
RANGO INTERFRACTIL
Es una distribucin de frecuencias, una fraccin o proporcin dada de
los datos cae en un fractil o debajo de este. La media por ejemplo, es
el fractil 0.5, porque la mitad del conjunto de datos es menor o igual a
ese valor. Ejemplo el 25% de los datos estar en el fractil 0.25.
Ejemplo:
Estos son los pagos al seguro social por mes:
27
Primer Tercio Segundo Tercio Ultimo Tercio
863 1,138 1,698
903 1,204 1,745
957 1,354 1,802
1,041 1/3 fractil 1,624 2/3 fractil 1,883 ultimo fractil
RANGO INTERCUARTIL
El rango Intercuartil mide aproximadamente que tan lejos de la medina
debemos ir en cualquiera de las dos direcciones antes de recorrer una
mitad de los valore del conjunto de datos.
1. Dividimos nuestros datos en cuatro parte (25% de los datos en
cada bloque)
2. Los valores ms altos de cada una de las cuatro partes.
3. El rango intercuartil es la diferencia entre los valores del primero
y el tercer cuartil.
Rango intercuartil = Q3 Q1
Ejemplo:
Los datos son los siguientes:
59 65 6768 71 72 75 79 81 83 85 87 88 91 92 93 94 95 100 100
Son 20 los datos y si los dividimos en cuatro partes, a cada cuartil ser
de 5 datos:
Esto quiere decir que los datos de cada cuartil sern:
1er Cuartil = 59,65,67,68,71
2do Cuartil = 72,75,79,81,83
3er Cuartil = 85,87,88,91,92
4to Cuartil = 93,94,95,100,100
Diferencia =Q3 Q1 = 92 71 = 21
VARIANZA DE POBLACION
2
Cada poblacin tiene una varianza, su smbolo es (sigma
cuadrada)
1. Se calcula la media del conjunto.
2. Se resta la media y cada dato del conjunto.
3. Como algunos datos del inciso anterior resultan negativos, se
elevan al cuadrado estos para convertirlos en positivos.
4. La suma de todos estos valores son la varianza de la poblacin
Formula:
2
2 (xu) x2 2
= = - u
N N
Donde:
2 = varianza de la poblacin
X = elementos u observaciones.
= media de la poblacin.
29
Los resultados que se obtengan, estn expresados en las mismas
unidades de los datos. Ejemplo Lempiras al Cuadrado. Como se podr
comprender no es una medida fcil de comprender. Es necesario
hacer un cambio significativo a la varianza y para calcular una medida
til de la desviacin y que sea menos confusa. Esta medida se le
conoce como desviacin estndar y es la raz cuadrada de la varianza.
Esto nos dara como resultado las mismas unidades que los datos
originales.
Ejemplo:
El SANAA, realiza un anlisis del agua para encontrar impurezas en la
misma. Se extraen 15 muestras y los resultados fueron:
Desviacin
al Observaciones
Impurezas Media Desviacin Cuadrado al cuadrado (
(x) u=2.49/15 (x-u) (xu)2 x2 )
0.04 0.166 - -0.126 = 0.016 0.0016
0.06 0.166 - -0.106 = 0.011 0.0036
0.12 0.166 - -0.046 = 0.002 0.0144
0.14 0.166 - -0.026 = 0.001 0.0196
0.14 0.166 - 0.026 = 0.001 0.0196
0.15 0.166 - 0.016 = 0.000 0.0225
0.17 0.166 - 0.004 = 0.000 0.0289
0.17 0.166 - 0.004 = 0.000 0.0289
0.18 0.166 - 0.014 = 0.000 0.0324
0.19 0.166 - 0.024 = 0.001 0.0361
0.21 0.166 - 0.044 = 0.002 0.0441
0.21 0.166 - 0.044 = 0.002 0.0441
0.22 0.166 - 0.054 = 0.003 0.0484
0.24 0.166 - 0.074 = 0.005 0.0576
0.25 0.166 - 0.084 = 0.007 0.0625
2.49 0.051 0.4643
x (xu)2 x2
0.051
2 = = 0.0034
15
= 0.0034 = 0.058%
2 0.4643
= = 0.0034
15
30
Independientemente de la formula el resultado es igual.
31
observacin, entonces el resultado estndar calculado a partir de los
datos de la poblacin es:
xu
Resultado estndar de la poblacin =
Donde:
x = observacin tomada de la poblacin
u = media de la poblacin
= desviacin estndar de la poblacin.
0.2820.166
Resultado estndar = =2
Para finalizar podemos decir que una impureza del 0.282% se desva
de la media en 2(0.058) = 0.116 unidades, que es igual a + 2, en
trminos de del numero de desviaciones estndar alejado de la media.
La frmula es:
xu
2
f x
2 2
= 2 = N - u
f
= 2
32
Ejemplo:
Punt Frecuenci
Clase o af f*x Media x- u (xu)2 f(
Medi xu2
o
700-799 750 4 3,000 1,250 -500 250,000 1,000,000
800-899 850 7 5,950 1,250 -400 160,000 1,120,000
900-999 950 8 7,600 1,250 -300 90,000 720,000
1,000-1,099 1,050 10 10,500 1,250 -200 40,000 400,000
1,100-1,199 1,150 12 13,800 1,250 -100 10,000 120,000
1,200-1,299 1,250 17 21,250 1,250 0 0 0
1,300-1,399 1,350 13 17,550 1,250 100 10,000 130,000
1,400-1,499 1,450 10 14,500 1,250 200 40,000 400,000
1,500-1,599 1,550 9 13,950 1,250 300 90,000 810,000
1,600-1,699 1,650 7 11,550 1,250 400 160,000 1,120,000
1,700-1,1,799 1,750 2 3,500 1,250 500 250,000 500,000
1,800-1,899 1,850 1 1,850 1,250 600 360,000 360,000
100 125,000 6,680,000
125,000
X2 = = 1,250 millones (media)
100
6,680,000
2 = = 66,800 millones (Varianza)
100
Formula:
x X
x2 n X 2
s2 = 2 = - Varianza
n1 n1
f
S= s2 Desviacin estndar
33
Donde:
2
s = Varianza de la muestra
Ejemplo:
Estos son los gastos en publicidad de una empresa
Gasto (x) x x x x
2
Media (
x-
x
34
DISPERSION RELATIVA: EL COEFICIENTE DE VARIACION
La desviacin estndar es una medida absoluta de la dispersin que
expresa la variacin de las mismas unidades de los datos originales.
Si uno tiene los clculos de dos o ms conjuntos, estos no pueden ser
comparados.
Formula:
Coeficiente de variacin de una poblacin = u (100)
Ejemplo:
Un tcnico A realiza 40 reparaciones con una desviacin estndar de
5. El tcnico B realiza 160 reparaciones con una desviacin estndar
de 15. Cul de los dos tcnicos muestran menos variabilidad?
Ambos realizan actividades diferentes
Para el tcnico A
5
Coeficiente de variacin = 40 (100) = 12.5% de variacin
Para el tcnico B
15
Coeficiente de variacin = 160 (100) = 9.4 % de variacin
35
Una de las tcnicas ms tiles del anlisis exploratorio, la grfica de
tallo y hoja, resuelve este problema de manera muy efectiva.
Proporciona el orden de calificaciones de los elementos del conjunto
de datos y la forma de distribucin.
40-49 1
50-59 3
60-69 5
70-79 8
80-89 6
90-99 3
Mayor 99 1
Para producir una grfica de tallos y hoja, se hace una lista vertical del
primer nmero de cada una de las clases.
4
5
6
7
8
9
10
4| 8
5| 017
6| 136
7| 12236889
8| 244579
9| 349
10| 0
ANALISIS CUANTITATIVO I
2DO PARCIAL
PROBABILIDAD
Fue aplicada en los juegos de azar, y posteriormente en el estudio de
problemas sociales y econmicos. Las compaas de seguros que
surgen en el siglo XIX, requera de un conocimiento preciso sobre los
riesgos de perdidas, con el fin de calcular las primas.
37
llueva, que x equipo tiene ms probabilidades de ganar, que un
candidato tiene 60% de preferencias en las elecciones, etc.
S = {cara, cruz}
38
EVENTOS MUTUTUAMENTE EXCLUYENTES. Se dice que los
eventos son mutuamente excluyentes si uno de ellos puede tener
lugar a un tiempo. En la moneda solo hay dos resultados posibles,
cara y cruz. En cualquier lanzamiento obtendremos una cara o una
cruz, nunca ambos. Igual sucede si el nacimiento de un hijo, este
puede ser hembra o varn. Se deduce que en estos casos son
eventos mutuamente excluyentes. Lo fundamental es contestarse
Pude ocurrir dos o ms de tales eventos al mismo tiempo? Si la
respuesta es afirmativa, los eventos no son mutuamente excluyentes.
TIPOS DE PROBABILIDADES.
Existen 3 maneras bsicas de clasificar las probabilidades, stas
representan planteamientos conceptuales bastante diferentes para el
estudio de la teora de probabilidad, los expertos no se ponen de
acuerdo sobre cul es el planteamiento ms apropiado. Empecemos
definiendo
1. El planteamiento clsico.(probabilidad)
2. El planteamiento de frecuencia relativa.
3. El planteamiento subjetivo.
PROBABILIDAD CLASICA
El planteamiento clsico define la probabilidad de que un evento
ocurra como:
Probabilidad de un evento =
Numero de resultados enlos que se presenta elevento
numero total de resultados posibles
1
P (cara) = 2 = 0.5 = 50% donde 1 es el de obtener cara; el dos es
todos los posibles resultados.
HACER EJERCICIO
PROBABILIDAD SUBJETIVA
Est basada en las creencias de las personas que efectan la
estimacin de probabilidades. Se define como la probabilidad
asignada a cada evento por parte de un individuo, basado en las
evidencias que tenga disponible. Esta evidencia puede presentarse en
forma de frecuencias relativas de presentacin d eventos pasados o
pude tratarse de una creencia mediata. Ejemplo clsico es cuando
salen las candelillas, se dice que comienzan las lluvias. Es
ampliamente flexible que los otros conceptos analizados
anteriormente. El tomador de decisiones puede hacer uso de cualquier
evidencia que tenga a mano y mezclarla con los sentimientos
personales sobre la situacin.
41
REGLAS DE PROBABILIDAD
La mayora de los administradores que utilizan la probabilidad se
preocupan por dos condiciones:
1. El caso en que un evento u otro se presente.
2. La situacin en que dos o ms eventos se presenten al mismo
tiempo.
Ejemplos de la situacin 1.
Cul es la probabilidad que realizar mi boda el viernes y hay estado
de sitio a partir de las 9pm?
Cul es la probabilidad que se realice el examen el prximo domingo,
en las actuales condiciones?
1
P (Ganar) = 6 = 0.16666 = 16.67% al no conocerse la intencin de
boto, ni se tiene percepcin que suceder.
42
Se tiene la certeza porque los eventos son mutuamente excluyentes,
es decir solo un candidato puede ser electo.
Evento
A B A B
43
1 1 2
P (A o B) = 6 + 6 = 6 = 0.3333 = 33.33%
1 5
P (no 1) = 1 - 6 = 6 = 0.83333 o 83.33%
44
P (A o B) = P (A) + P (B) P (AB)
4
La probabilidad que sea as 52
13
La probabilidad que sea corazn 52
1
La probabilidad que sea as y corazn 52
4 13 1 16 4
P (A o B) = 52 + 52 - 52 = 52 = 13
1. Marginal.(probabilidad)
2. Conjunta.
3. Condicional.
46
P(H)=0.5
P(T)= 0.5 0.5.
5
Esta red muestra los cambios que experimenta la probabilidad a media
de se proyecta un nuevo lanzamiento.
P(B/A) = P(B)
47
presentacin de algn otro. Los tipos son al igual que los
independientes:
1. Condicional
2. Conjunta
3. Marginal
Ejemplo 1:
En una caja hay 10 bolas distribuidas as:
Ejemplo 2:
Cuando utilizamos el ejemplo de las bolas de color y grises,
respondemos a las preguntas, Cul es la probabilidad de P(D|G), es
decir que de las bolas grises tengan puntos y P(S|G), que de las grises
tengan franjas?
48
Donde:
D = Son grises y tienen puntos
G = grises
P( DG ) 0.2 1
Solucin: P(D/G) = P (G) = 0.6 = 3
Donde:
SG = grises y tiene franjas
G = Grises
P( SG) 0.4 2
P(S/G) = P(G) = 0.6 = 3
Se debe considerar que si la bola que sali es gris solo es posible con
franjas o puntos.
Ejemplo No. 3
Calcule P(G|D) y P(C|D)
P(GD) 0.2
P(G|D) = P(D) = 0.5 = 0.4
P( CD) 0.3
P(C|D) = P(D) = 0.5 = 0.6
Total 1.0
Ejemplo No. 4
P(CS) 0.4
P(C|S) = P(S) = 0.5 = 0.8
Total 1.0
49
Si de esta ecuacin despejamos P(BA) mediante una multiplicacin,
obtendremos la frmula para probabilidad conjunta bajo condiciones
de dependencia estadstica.
50
evento bola de color mediante la suma de la probabilidad de los
eventos conjuntos en los que aparece una bola de color.
51
Condicional P(A|B) P(B) P(BA)
O P(A|B) P(A)
P( A)
P( AB)
P(B)
Fue Tomas Bayes quien formul este concepto. La frmula bsica para
la probabilidad condicional en circunstancias de dependencia es:
P(BC )
P(B|A) = P( A) se conoce como teorema de Bayes.
52
fueron mujeres y se presenta el 70% de las veces (de 100 nacimientos
70 fueron mujeres. Si se espera el siguiente nacimiento el resultado es
una mujer. Cul es la probabilidad de que el siguiente nacimiento sea
varn? Sabiendo que el nacimiento de un nio puede ser varn o
mujer, podemos contestar incorrectamente que la probabilidad es de
1
2 , pero podemos hacer una mejor estimacin. Para responder a la
53
Con la informacin adicional, hemos sido capaces de alterar o revisar
nuestra estimacin anterior de probabilidad.
54
Probabilidad varon 0.08
P(varn) = Probabilidad Conjunta = 0.325 = 0.246 o 24.6%
P(evento,
Evento P(evento) P(ambiente|evento) P(3|evento)
3)
0.6141 x
Correctas 0.75 0.85 0.6141 0.75 =
0.4606
0.0429 x
Incorrectas 0.25 0.35 0.0429 0.25 =
0.0107
1.0 0.4713
Nota. La segunda columna se eleva al cubo = 0.85 x 0.85 x 0.85 =
0.6141
55
Probabilidad correcta 0.0107
P(incorrecta) = probabilidad conjunta = 0.4713 = 0.023 = 2.3%
P(evento P(evento,sbbbb
Evento P(S|evento) P(sbsss|evento)
) )
.
0.07830x0.75 =
Correcta 0.75 0.85 85x0.15x0.85x0.8
0.05873
5x.85 = 0.07830
Incorrect 0.35x0.65x0.35x0. 0.00975x0.25 =
0.25 0.35
a 35x0.35 = 0.0095 0.00244
P(sbsss) =
0.06117
VALOR ESPERADO
CONBINACION DE PROBABILIDADES Y VALORES MONETARIOS
Esto es aplicable ms a productos perecederos.
Ejemplo:
Una caja de frambuesas cuesta L 20 y el vendedor recibe L 50 por ella.
Este no puede especificar el nmero de cajas que un cliente en
cualquier da dado, pero su anlisis de registros pasados ha producido
la informacin que se presentan en la siguiente tabla:
Probabilidad de
Nmero de das de
Ventas Diarias ventas de cada
venta
cantidad
10 15 0.15
11 20 0.20
12 40 0.40
56
13 25 0.25
Totales 100 1.00
Opciones de existencia
Posibles
Peticiones
10 11 12 13
de
frambuesas
10 L0 L 20 L 40 L 60
11 30 0 20 40
12 60 60 30 0
57
Las perdidas condicionales de la siguiente tabla, se toma la primera
columna de la tabla anterior si se tiene una existencia de 10, 11, 12, 13
cajas de frambuesa. En la segunda columna se anota la perdida
condicional que tendra, o sea la segunda columna de la tabla anterior.
La tercera columna se anota la probabilidad o sea la ltima columna
del primer cuadro y la ltima columna (perdida condicional) ser la
multiplicacin de la perdida condicional por la probabilidad que se
tengan estas solicitudes.
58
Si se tiene una existencia de 12 cajas
Probabilidad
de que se
tengan
Posibles Perdida estas Perdida
solicitudes condicional solicitudes Esperada.
10 40 X 0.15 = 6.00
11 20 X 0.20 = 4.00
12 0 X 0.40 = 0.00
13 30 X 0.25 = 7.50
17.50
Con 12 cajas de existencia la perdida mnima seria de L 17.50
GANACIA MAXIMA
Probabilidad de cada
Ventas Diarias No. De das que se venden nmero que se venda
59
10 15 0.15
11 20 0.20
12 40 0.40
13 25 0.25
60
Ganancia esperada al tener 13 cajas de inventario
Tamao del Probabilidad
mercado en Ganancia del tamao Ganancia
cajas Condicional del mercado esperada
10 240 X 0.15 = 36.00
11 290 X 0.20 = 58.00
12 340 X 0.40 = 136.00
13 390 x 0.25 = 97.5
1.00 327.50
61
TERCER PARCIAL
DISTRIBUCION DE PROBABILIDADES
DISTRIBUCION BINOMIAL
Una distribucin de probabilidad de variable aleatoria discreta
ampliamente utilizada en la distribucin Binomial. Es una variedad de
procesos de inters para los administradores. Los datos discreto, no
continuos, que son resultados de un experimento conocido como
proceso de Bernoulli. El xito o fracaso de las solicitudes de empleo,
entrevistados para pruebas de aptitudes, puede ser descrito como un
proceso Bernoulli. Si medimos la duracin de focos mediante una
escala continua de tiempo y no se podra clasificar como una
distribucin Binomial.
62
caractersticas del proceso de Bernoulli tambin deben cumplirse.
Cada examen tendra que tener solamente dos resultados (xito o
fracaso) y los resultados de cada prueba deberan ser
estadsticamente independientes.
n! r nr 3!
pq
Probabilidad de r xitos en n intentos = f ! ( nr ) ! = 2 ! ( 32 ) !
0.5
1
)( 0.5 )
3x 2x 1
= ( 2 x 1 ) (1 x 1) (0.25)(0.5) = 0.375
p = 0.8
q = 0.2
r=3
63
n=6
6! 0.8
Probabilidad de r xitos de n intentos = 3 ! ( 63 ) ! ( (0.2)3
3
0.08192
= 8.19%
0 !(50) 0.4 5
P(0) = 5! 0 ( 0.6
! ( ) = 0.07776
5! 0.4 0.6
P(1) = 0! ( 51 ) ! (
1 (
4 = 0.2592
5! 0.4 0.6
P(2) = 0! ( 52 ) ! (
2 (
3 = 0.3456
5! 0.4 0.6
P(3) = 3 ! ( 53 ) ! ( 3 ( 2=0.2304
5! 0.4 0.6
P(4) = 4 ! ( 54 ) ! ( 4 ( 1 = 0.0768
64
5! 0.4 0.6
P(5) = 5 ! ( 55 ) ! ( 5 ( 0 = 0.01024
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
1 2 3 4 5 6
65
Cul es la probabilidad de que 8 de 15 votantes liberales en el
padrn electoral no pueda votar en las elecciones, si la probabilidad de
que cualquier individuo no pueda votar es de 0.30, y si las personas
decidan de manera independiente si votan o no?
Lo primero es determinar los elementos de este problema en notacin
de distribucin Binomial:
n = 15 nmero de demcratas en el padrn electoral
p = 0.30 probabilidad de que cualquier individuo vote.
r = 8 nmero de individuos que no van a votar
u = np
donde:
n = nmero de ensayos.
P = probabilidad de tener xito
n = nmero de ensayos
p = probabilidad de xito
q = probabilidad de fracaso = 1-p
u = np = (10)(0.2) = 2 es la media
= npq = (10 )( 0.20 ) (0.80) = 1.265 desviacin estndar
67
cumplir y la 3 que sea estadsticamente independiente, es decir, que el
resultado de un evento no dependa del resultado de otros.
LA DISTRIBUCION DE POISSON
Existen muchas distribuciones de probabilidades discretas, pero el
anlisis se centra en la Binomial y la Poisson.
Se utiliza para describir ciertos tipos de procesos, entre los que se
encuentran la distribucin de las llamadas telefnicas a un
conmutador, las solicitudes de pacientes que requieren un servicio, los
automviles que llegan a una caseta de peaje. Todos tiene en comn
que pueden ser descritos mediante una variable aleatoria discreta que
toman valores enteros (0, 1 ,2, 3, ..n)
68
Se puede generalizar a partir del ejemplo de una caseta de peaje y
aplicar esta caracterstica a otros procesos. Si estos nuevos procesos
cumplen con las mismas condiciones, entonces podemos utilizar la
distribucin de probabilidad de Poisson para describirlos.
x X e
P(x) = x!
Lambada (el nmero medio de presentaciones por e o 2.71828 (base de los logaritmos
Intervalos de tiempo) elevada a la x potencia neperianos o naturales) elevados a la
Lambada potencia negativa
x
Xe
P(x) = x!
69
5
e
P(x) = = 0.00674
5
Ejemplo:
X= nmero de P(x) = Probabilidad de tener exactamente este
accidentes nmero de accidentes.
0 0.00674
1 0.03370
2 0.08425
3 0.14042
4 0.17552
5 0.17552
6 0.14627
7 0.10448
8 0.06530
9 0.03628
10 0.01814
70
11 0.00824
TOTAL 0.99486 probabilidades de tener de 0 a 11
accidentes.
0.00514 probabilidad de tener 12 o mas accidentes
TOTAL 1.00000
Chart Title
12
10
Ejemplo:
71
En un hospital hay 20 aparatos para dilisis y que la probabilidad de
que cualquiera de las maquinas no funcione bien durante un da
cualquiera es de 0.02. Cul es la probabilidad de que exactamente
tres maquinas estn fuera de servicio?
3 (20 X 0.02)
(20 X 0.02) X e
P(3) = 3! = 0.00715 Probabilidad por Poisson
72
2. La media de una poblacin distribuida normalmente cae en el
centro de la curva normal.
3. Debido a la simetra de la distribucin normal de probabilidad, la
mediana y la moda de la distribucin estn en el centro; en
consecuencia, para la curva normal, la mediana, la media y la
moda tienen el mismo valor.
4. Las dos colas de distribucin normal de probabilidad se
extienden indefinidamente y nunca tocan el eje horizontal (desde
luego es difcil de mostrarlo grficamente)
73
Ingresos anuales de los empleados
de una planta L 17,000 L 1,000
anuales
Longitud de viguetas estndar 8 8 0.05
Contaminacin del aire en 750 partculas
partculas en una comunidad 2,500 por milln
partculas
Ingreso per cpita de un pas en
desarrollo L 1,400 L 300
Delitos violentos por ao en una 8,000 900
ciudad
La siguiente grafica muestra tres distribuciones normales de
probabilidades, cada una de las cuales tiene la misma media, pero
diferentes desviaciones estndar. Aunque estas curvas difieren en
apariencia, las tres son curvas normales.
74
Por ltimo, en la siguiente grafica podremos ver 3 distribuciones
normales de probabilidades, con medias diferentes y desviaciones
estndar diferentes:
75
3. Aproximadamente el 99.7% de todos los valores de una
poblacin distribuida normalmente se encuentra a 3
desviaciones estndar.
2 2
76
3 3
77
xu
z=
xu 650500
z= = 100 = 1.5 desviaciones estndar
Ejemplo de la tabla
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08
1.5 o.4332
Note que se usa la columna 0.00 por no estimar ningn margen de
error.
La grafica es:
79
U=500
650
P(50
0 a 600)
80
La grafica es:
u = 500
700
P(m
s de 700 = 0.0228
650500
P(650) = 100 = 1.5 desviaciones estndar.
550500
P(550) = 100 = 0.5 desviaciones estndar
En la tabla es 0.1915
Entonces:
81
P(650 550) = 0.4332 0.1915 = 0.2417
u =500 550
650
P(550-
650=0.2417
Ejemplo No. 5. Cul es la probabilidad de que un candidato elegido
al azar se tomara menos de 580 horas para completar el curso?
580500
z(580) = 100 = 0.8 desviaciones estndar.
Entonces,
82
z(0 580) = 0.2881 + 0.5 = 0.7881
u= 500 580
570500
P(570) = 100 = 0.7 desviaciones estndar.
420500
P(420) = 100 = - 0.8
83
En la tabla es 0.2881
Entonces,
Una de las reglas es que nunca toca el eje horizontal, y significa que
siempre existir una probabilidad aunque sea muy pequea de que la
variable aleatoria tome un valor grande y por consiguiente muy alejado
de la media como por ejemplo una persona que pese 2,000 kilogramos
y esto significa que las desviaciones estndar serian muy grades (50)
y tendra una probabilidad de 250 ceros justo despus del punto
decimal, pero debemos estar claros que podemos asignar valores
imposibles en la prctica.
84
4.55
Ax = 1.581 = -0.32 desviacin estndar.
En la tabla es 0.1255
8.55
Ax = 1.581 = 2.21 desviacin estndar.
Si sumamos los dos nos dara 0.1255 + 0.4864 = 0.6119
SELECCIN DE LA DISTRIBUCION DE PROBABILIDADES
CORRECTAS
Se debe escoger con cuidado. Recuerde que aplicar la distribucin de
probabilidades Binomial es cuando el nmero de ensayos es fijo y que
cada ensayo es independiente y pude tener dos resultados
mutuamente excluyentes (xito, fracaso, etc.)
INTRODUCCION AL MUESTREO
Algunas veces es posible y practico examinar a cada persona o
elemento de la poblacin que deseamos describir. Esta accin se
conoce enumeracin completa o censo. Se recurre al muestreo
cuando no es posible o medir todos los elementos de la poblacin.
ESTADISTICA Y PARAMETROS
Matemticamente, podemos describir muestras y poblaciones al
emplear mediciones como la media, la mediana, la moda y la
desviacin estndar. Cuando estos trminos describen las
caractersticas de una muestra, se denominan estadsticas. Cuando
describen las caractersticas de una poblacin, se llama parmetros.
Una estadstica es una caracterstica de una muestra y un parmetro
es una caracterstica de una poblacin.
85
de la poblacin (todos los alumnos) y se puede considerar como
parmetro. Pero si tomas como muestra los alumnos de la Facultad de
Ciencias Econmicas podemos decir que es una caracterstica de la e
de alumnos de la facultad de Ciencias Econmicas. En este caso sera
una estadstica. Si consideramos que esta muestra es una estimacin
exacta de la estatura promedio de toda a universidad, podemos usar la
estadstica de muestra, para estimar el parmetro de la poblacin
estudiantil universitaria, sin tener que mediar a todos la poblacin
estudiantil.
TIPOS DE MUESTREO
Existen des mtodos para seleccionar muestras de una poblacin:
1. El muestreo no aleatorio o de juicio.
2. El muestreo aleatorio o de probabilidades.
En el probabilstico, todos los elementos de la poblacin tienen la
oportunidad de ser escogidos para la muestra. El muestreo de juicio,
se emplea el conocimiento y la opinin personal para identificar a los
elementos de la poblacin que deben incluirse en la muestra.
MUESTRAS SESGADAS.
Para ejemplarizar, lo que sucede con los periodistas en los problemas
actuales. Debo consultar a determinados periodistas para mostrar una
opinin de la poblacin. Definitivamente la muestra de opinin estar
sesgada, basada en la inclinacin que tienen la mayora de
periodistas. Igual situacin se presenta si yo quiero formarme una
opinin poltica, basado en lo que externan las personas que escuchan
determinado programa. Normalmente quienes escuchan esa emisora,
son los que quieren or lo que esperan. Definitivamente esta sera una
muestra sesgada.
MUESTREO ALEATORIO
En una muestra aleatoria o de probabilidad conocemos las
posibilidades de que un elemento de la poblacin se incluya o no en la
muestra. Como resultado de lo anterior, es posible determinar
objetivamente las estimaciones de las caractersticas de la poblacin
que resultan de una muestra dada, es decir, se puede describir
matemticamente que tan objetivas son las estimaciones
correspondientes. Comencemos a analizar este proceso introduciendo
cuatro mtodos del muestro aleatorio.
87
La siguiente tabla muestra la probabilidad de seleccionar dos
estudiantes de una poblacin de 4 alumnos:
Estudiantes A, B, C y D
Muestras posibles de dos personas: AB, AC, AD, BC, BD, CD
La probabilidad de extraer esta muestra de dos personas debe ser
1
P(AB) = 6
1
P(AC) = 6
1
P(AD) = 6 solo hay dos muestras posibles de dos
personas
1
P(BC) = 6
1
P(BD) = 6
1
P(CD) = 6
3 1
P(A) = P(AB) + P(AC) + P(AD) = 6 = 2
88
COMO HACER UN MUESTREO ALETORIO.
La forma ms fcil de seleccionar una muestra de manera aleatoria es
mediante el uso de nmeros aleatorios. Se pude generar programada
para resolver nmeros o mediante una tabla de nmeros aleatorios,
que, propiamente, debera llamarse Tabla de Dgitos Aleatorios.
MUESTREO SISTEMATICO
En el muestreo sistemtico, los elementos son seleccionados de la
poblacin dentro de un intervalo uniforme que se mide con respecto al
tiempo, al orden o al espacio. Si tuviera la lista de alumnos de la
carrera escogera aleatoriamente el primero con el nmero 20 y as
sucesivamente 40, 60, etc.
Pero tiene sus ventajas, este mtodo puede requerir menos tiempo y
un costo menor.
MUSTREO ESTRATIFICADO
89
Para utilizar el muestreo estratificado, dividimos la poblacin en grupos
relativamente homogneos, llamados estratos. Despus se utiliza
cualquiera de los dos planteamientos: o se selecciona aleatoriamente,
en cada estrato, el nmero especfico correspondiente a la proporcin
de la poblacin de cada estrato, o se extrae el mismo nmero de cada
estrato y despus ponderamos los resultados considerando la
proporcin que el estrato representa de la poblacin.
MUESTREO DE RACIMOS
En el muestreo de racimo dividimos la poblacin en grupos, o racimos,
y luego seleccionamos una muestra aleatoria de estos racimos,
asumiendo que cada uno de ellos es representativo de la poblacin.
Por ejemplo establecer el promedio de televisores por casa en una
ciudad grande, podemos usar un mapa de la ciudad para dividir el
territorio en manzanas y luego escoger un cierto nmero de estas
(racimos) para entrevistar a los habitantes. Un muestreo de racimos
bien diseado puede producir una muestra mas precisa a un costo
considerable menor que un muestreo aleatorio simple.
90
El maestreo sistemtico, el estratificado y el de racimos intentan
aproximarse al muestreo aleatorio simple. Todos son mtodos que han
sido desarrollados por su precisin, su economa o su factibilidad.
DISEO DE EXPERIMENTOS.
En el desarrollo de la clase, en las probabilidades se habla de
experimento. Se defini que evento como uno o ms resultados
posibles de hacer algo, y un experimento como la actividad que
tendra como resultado tales eventos.
91
Anlisis de datos. Todo resultado debe estar sujeto a una hiptesis
(en el trascurso del siguiente curso) Prueba de Hiptesis.
EXPERIMENTOS FACTORIALES.
Se plantea la fabricacin de dos bateras de carro, identificadas como
A y B, sometidas a tres pruebas. 1) Temperatura, 2) edad del motor, 3)
condiciones del cable de la batera. Podemos introducir el concepto de
experimentos factoriales usando esta notacin:
Usemos la notacin:
A = Ciudad 1 I = Empaque 1 1 = Pauta publicitaria 1
B = Ciudad 2 II = Empaque 2 2 = Pauta publicitaria 2
C = Ciudad 3 III = Empaque 3 3 = Pauta publicitaria 3
D = Ciudad 4 IV = Empaque 4 4 = Pauta Publicitaria 4
Pauta publicitaria
1 2 3 4
93
I C B D A
II B C A D
III D A B C
IV A D C B
Empaques Ciudades
95
poblacin. Un error pequeo, constituye una buena estimacin de la
media de la poblacin, o al contrario indica que esta ampliamente
dispersa.
96
b)
97
X
98
La grafica c) ilustra la distribucin de todas las muestras, conocida
como distribucin de muestreo de la media. Esta tendra su propia
media X y su propia desviacin o error estndar X
Error estndar de la media X = n
99
Donde:
= desviacin estndar de la poblacin
n = tamao de la muestra.
L 600
= 100 = L 60 error estndar de la media
Luego utilizamos la tabla no. 1 de los valores de z y la ecuacin de
clculo de z y podremos calcular la probabilidad de que la media de la
muestra se encuentre entre L 1,900 y L 2,050.
x L 1,900L 2,000
z(1,900) = x = 60 = 1.67 desviacin estndar
de la media de una distribucin de probabilidad normal estndar.
l 2,050l 2,000
z(2,050) = l 60 = 0.83 desviacin estndar de la
media de una distribucin de probabilidad normal estndar.
2,000
x
= n = 30 = L 365.16 error estndar de la media
19,75019,000
z= 365.16 = 2.05 desviaciones estndar de la media de una
distribucin normal estndar de probabilidad.
Las areas serian 0.4798 y como la mitad del area es 0.5, podemos
calcular la probabilidad as:
o.5 0.4798 = 0.0202 es la probabilidad que el ingreso promedio sea
mayor a L 19,500.
Cuando n= 10
100
x
= 10 31.63 error estndar de la media
Y cuando n = 100
101
100
= 100 = 10 error estndar de la media
20
x N1
= n x
=
75
5 x 205
201 = 29.8 error estndar de la media de la
poblacin finita.
Ejemplo:
Se recibe una oferta de una cadena de hoteles para operar en
invierno, garantizando una ganancia de L 45,000; por otro lado, ha
estado considerando la renta de equipo de fabricacin de nieve para la
temporada. Si renta el equipo, la estacin podra operar a tiempo
102
completo, sin importar la cantidad de nieve que caiga. Si decide usar
nieve fabricada para completar las nevadas naturales, su ganancia de
la temporada ser L 120,000, menos el costo de rentar y operar el
equipo de fabricacin de nieve. El costo de operacin ser de L 10,000
si cae ms de 40 pulgadas de nieve natural, L 50,000 si cae entre 20 y
40 pulgadas y L 90,000 si cae menos de 20 pulgadas
Distribucin de nevadas y ganancias
Cantidad de nieve Ganancias Probabilidad ocurrencia
Ms de 40 pulgadas 120,000 0.4
De 20 a 40 pulgadas 40,000 0.2
Menos de 20 pulgadas -40,000 0.4
L 40,000
Opere ella 0.2 20-40 de nieve
L 40,000
Sin fabricar nieve
58,000
0.4 <20 de nieve
L -40,000
L 98,000
L 58,000
L 18,000
El administrador tiene 3 alternativas:
a) Darla en arrendamiento y tendra una ganancia de L 45,000
b) Operar ella sin fabricacin de nieve, sus posibles resultados
estn dados en la tabla.
c) Operar ella con fabricacin de nieve.
En el caso de 20 a 40 pulgadas
(120,000 12,000 50,000) x 0.2 = L 11,600
Resumen:
Mas de 40 L 39,200
De 20 a 40 11,600
Menos de 20 7,200
Total ganancia esperada 58,000
ESTIMACIONES
Constantemente estamos haciendo estimaciones, quien ganara las elecciones,
podre cursar la asignatura, etc.
104
Tipos de estimaciones
En trminos generales, uno puede realizar dos tipos de estimaciones, la puntual y
la por intervalos.
Una estimacin por intervalos es rango de valores que se utiliza para estimar un
parmetro de la poblacin. Un ejemplo tpico, es cuando un estudiante dice que la
nota que estima obtener esta entre un 60 y 70%. Es muy probable que dentro de
eses rango este acertado.
Estimador y estimaciones
Cualquier estadstico de la muestra que se utilice para estimar un parmetro de la
poblacin se conoce como estimador, es decir un estimador es un estadstico de
vla muestra utilizado para estimar un parmetro poblacional. La media de la
muestra x puede ser un estimador se la media de la poblacin , y la
proporcin de la muestra se pude utilizar como un estimador de la proporcin de la
poblacin. Tambien es posible aplicar el rango de la poblacin.
El siguiente ejemplo ilustra lo anterior.
Poblacin en que Parmetro de Estadstico de la Estimacin que
estamos poblacin que muestra que realizamos
interesados deseamos estimar utilizaremos como
estimador
Alumnos de la Promedio de los Promedio de 56% de
carrera de que aprueban alumnos que aprobacin por
administracin aprueban por ao.
periodo
Poblacin que Proporcin de Proporcin de la 64% de los
estudian en la U mujeres en la muestra de 500 estudiantes son
muestra mujeres
105
misma extensin con las que tiende a asumir valores abajo del parmetro
poblacional que se est estimando.
ESTIMACIONES PUNTUALES
La media de la muestra x es el mejor estimador de la media de la poblacin. Es
insesgada, consistente, eficiente y siempre y cuando el tamao de la muestra sea
lo suficientemente grande, su distribucin muestral puede ser aproximada por
medio de la distribucin normal.
x
x
= n
106
xx
2
s2 =
13.02 = 2,003.65
x = (8.8+14+21.3+7.9+12.5+20.6+16.3+14.1+13 = 128.5
N=9
128.5
x
= x/n = 9 = 14,278 personas
14.278
2 1 2 2
s = ( x -n x )= 2 = 21,119 personas
n1
2,003.659
107
No hay necesidad de ampliar las instalaciones.
1.5
x
= n = 200 = 0.071
108
construimos un intervalo de 2 errores estndar alrededor de la media de cada
muestrea, cerca de 955 de estos intervalos incluirn a la media de la poblacin
Ejemplo:
Un estudiante, est interesado en comprar un auto usado. Selecciona 125
anuncios al azar, y establece que el precio promedio de esta muestra es de $
3,250. El conoce que la desviacin estndar de los precios es de $ 615.
a) Establezca una estimacin por intervalos para el precio promedio de un
automvil de manera que el estudiante tenga una seguridad del 68.3% de que la
media de la poblacin est dentro de este intervalo.
b) Establezca una estimacin de intervalo para el precio promedio de un auto de
modo que el estudiante tenga el 95.5% de certeza que la media de la poblacin
est dentro de este intervalo.
615
x x
= 615 n= 125 = 3,250 = n = 125 = 55.01
x x
a) = 3,250 55.01 = LS 3,194.99 y LI 3,305.01 A UNA
DESVIACION ESTANDAR
b) x 2 x = 3,250 2(55.01) = LS = 3,139.98 y LI 3,360.02
109
es de 8,000 24,000. Este es nuestro intervalo de confianza. Por lo general lo
expresamos en trminos de errores estndar, ms que con valores numricos.
6
x
= n = 100 = 0.6 meses
x
+ 1.96 x = 21 + 1.96(0.6) = 22.18 meses LIMITE SUPERIOR DE
CONFIANZA
x x
- 1.96 = 21 - 1.96(0.6) = 19.82 meses LIMITE INFERIR DE
CONFIANZA
110
Se nos pide estimar el ingreso medio anual de 700 familias que viven en
determinado lugar. Se extrae una muestra de 50 persona escogidas al azar.
N = 50 tamao de la muestra
x = L 11,800
^
=s= (xx )2
N1
x
=
^
n X N N
N1 =
950
50 X 70050
7001 = L 129.57
Como se pide un nivel de confianza de 90%, se busca en la tabla 90/2 = 0.45 y las
desviaciones estndar es 1.64 errores estndar
x ^ x
+ 1.64 = 11,800 + 1.64(129.57) = L 12,012.50 LIMITE DE
CONFIANZA SUPERIOR
x - 1.64 ^ x = 11,800 - 1.64(129.57) = L 11,587.50 LIMITE DE CONFIANZA
INFERIR
111
Como vimos la Binomial trabaja con datos discretos, no continuos y las frmulas
que utilizamos para encontrar la media y la desviacin estndar de la misma son:
= np
= npq
Donde:
N= nmero de ensayos o intentos
P= probabilidad de xito
Q= probabilidad de falla (1-p)
p =p
p
= pq
n
112
Si hacemos una investigacin de que los alumnos vengan el viernes a recibir
clases, Tomando una pequea muestra aleatoria de 75 alumnos y encontramos
que el 0.4 de ellos estn interesados en recibir clases los viernes. Los resultados
son:
n = 75 Tamao de la muestra
^p = 0.4 Proporcin de los que vendran los viernes
q^ = 0.6 Proporcin de los que no vendrn
^
p q^ ( 0.4 ) (0.6)
^ p
= n = 75 = 0.057 error estndar estimado de la proporcin
Podemos decir que con un nivel de confianza de 99% creemos que la proporcin
de la poblacin estudiantil que desea clases el viernes esta entre 0.253 y 0.547.
Para estos casos existe la distribucin T, pero no solo se requiere que el tamao
de muestra sea 30 o menos, adems se requiere que la desviacin estndar se
desconozca. Adems de lo anterior debemos suponer que la poblacin es normal
o aproximadamente normal.
Grados de Libertad
Se afirma que existe una distribucin t diferente para cada tamao de la muestra,
es decir existe una distribucin t distinta para cada uno de los grados de libertad
113
Si consideramos que a+b, tiene una media de 18, tanto a y b pueden asumir
cualquier valor, siempre y cuando sumen 36/2 = 18
10+ b
2 = 18 por lo tanto b = 26
La UNAH desea estimar los intervalos de consumo de energa y quiere estar con
un 95% seguro que el consumo de energa media, se encuentra dentro de dicho
intervalo. Si utilizamos la distribucin t, porque el tamao de la muestra es menor
114
que 30, no se conoce la desviacin estndar de la poblacin y se considera que la
poblacin es aproximadamente normal. Los datos son:
^ = s = 700 KW
^ 700
^ x
= n = 10 = 221.38 KW error estndar estimado de la media de
x ^ x
+ 2.262 = 11,400 + 2.262(221.38) = 11,901 KW
x ^ x
- 2.262 = 11,400 2.262(221.38) = 10,899 KW
x
Si z = 500 entonces z = 1.96
115
x
Entonces 1.96 =500
500
x
Y = 1.96 = L 255 error estndar de la poblacin
Si recordamos
x
= n podemos sustituir los valores conocidos
1,500
255 = n
p
Si z = 0.02
Y z = 1.64
p
Entonces 1.64 = 0.02
p
Procedemos a sustituir el valor que se tiene para
1.64 pq
n = 0.02
116
pq
Entonces n= 0.00014884
Si p = 0.50 y q= 0.5
Podemos encontrar n
( 0.5 ) ( 0.5)
N= 0.00014884 = 1,680 estudiantes Tamao de la muestra
( 0.2 ) (0.8)
0.00014884 = 1075 alumnos
Cada vez que p sea menor o mayor de 0.5 el tamao de la muestra ser menor.
Por lo tanto usar 0.5 es donde se obtiene el tamao de muestra mayor.
RESUMEN DE FORMULAS
BINOMIAL
n!
pr q nr Probabilidad de r xitos en n intentos
r ! ( nr ) !
Donde:
r = nmero de xitos deseados
n = nmero de intentos realizados
117
p = probabilidad de tener xito
q = probabilidad de fallar (1-p)
X X E
P(X) = X!
e = 2.71828
Donde:
118
X = valor de la variable aleatoria en la cual estamos
interesados
Limite Superior = x
+ z n X N n
N 1
Lmite Inferior = x
- z n X N n
N 1
x
Limite Superior = - z n
Limite Superior = x
^
+ z n X N n
N 1
Lmite Inferior = x
^
- z n X N n
N 1
Si es infinita
^
x
Limite Superior = + z n
^
x
Lmite Inferior = - z n
^
x
Lmite Inferior = - t n
^ p
= pq
n
+ z p
^p ^
Limite Superior =
120
Lmite Inferior = ^p - z p
^
121