Beruflich Dokumente
Kultur Dokumente
CURSO TALLER DE
ESTADSTICA Y PROBABILIDAD
Mail: primitivo_reyes@yahoo.com
Tel. 58 83 41 67 / Cel. 044 55 52 17 49 12
Pgina 1
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
CONTENIDO
Pgina 2
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
Poblacin (N) Es el conjunto de todos los elementos de inters para determinado estudio
La Estadstica descriptiva proporciona un criterio para lograr mejoras, debido a que sus tcnicas
se pueden usar para describir y comprender la variabilidad.
Media: ( x ) Es el promedio aritmtico de todos los valores que componen el conjunto de datos.
Se calcula mediante la siguiente frmula:
Ejemplo 1: En un equipo de ftbol, una muestra de estaturas de sus integrantes son las
siguientes:
xi 19
x 1.73
n 11
Pgina 3
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
n 2 n 2 1
2
1.60,1.65,1.67,1.67,1.70,1.73,1.74,1.79,1.79,1.82,1.84;
Como tenemos 11 datos el nmero es non por lo que (n+1)/2 = 12/2 = 6, buscando el nmero
que ocupa la sexta posicin en los datos ordenados encontramos el valor de la mediana
~
x 1.73
Media acotada (Truncated Mean): Determinado porcentaje de los valores ms altos y bajos
de un conjunto dado de datos son eliminados (tomando nmeros enteros), para los valores
restantes se calcula la media.
68.7,34.3,97.9,73.4,8.4,42.5,87.9,31.1,33.2,97.7,72.3,54.2,80.6,71.6,82.2,
Como tenemos 11 datos, el 20% de 11 es 2.2, por lo cual eliminamos 2 datos el ms bajo y el
ms alto, ordenado los datos obtenemos:
Medidas de dispersin
Para comprender el concepto de varianza, supngase que tenemos los datos siguientes de los
cuales queremos saber que tan dispersos estn respecto a su media:
Si tomamos la suma de diferencias de cada valor respecto a su media y las sumamos se tiene:
Por lo que tomando diferencias simples no es posible determinar la dispersin de los datos.
4 + 1 + 0 + 1 + 4 = 10
Es una medida que nos ayuda a comprender la variabilidad de los datos, que tan distanciados estn
de la media
( xi x ) 2
2
n
( xi x ) 2
s
2
n 1
( xi x ) 2
Para el caso de una poblacin n
( xi x ) 2
Para el caso de una muestra s n 1
12.14
CVt (100) 12.05%
78.7
Por otra parte si la media de temperaturas es de 10 y su desviacin estndar de 2, el CVs de las
temperaturas es:
Pgina 5
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
2
CVs (100) 20%
10
Por tanto la dispersin de las temperaturas es mayor que la de los tiempos de de respuesta, es
posible comparar estas dispersiones con el CV aunque los dos conjuntos de datos sean
completamente dismbolos.
Muestra 1: Muestra 2
x 248 x 248
n-1=5 n-1 = 5
790 7510
s= = 12.56 s= = 38.75
5 5
Aunque la media en ambas muestras es la misma, la desviacin estndar (s), rango y coeficiente de
variacin, son menores en la muestra 1, por lo cual deducimos que es presenta menor variabilidad.
Ejemplo 5:
Se desea hacer un estudio estadstico de la temperatura del agua, para esto es necesario tomar una
muestra y calcular la media, mediana, media acotada al 15%, desviacin estndar, rango y
coeficiente de variacin. Se realizan 14 observaciones arrojando los siguientes resultados en C:
2.11, 3.8, 4.0, 4.0, 3.1, 2.9, 2.5, 3.6, 2.0, 2.4, 2.8, 2.6,2.9, 3.0.
1) Calcular la media, mediana, desviacin estndar, media acotada al 5%, desviacin estndar,
rango y coeficiente de variacin.
Pgina 6
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
Los deciles separan un conjunto de datos ordenado en 10 subconjuntos iguales y los percentiles en
100 partes, la ubicacin de un percentil se encuentra en:
P
L p (n 1)
100
Donde:
3 10 19 27 34 38 48 56 67 74
4 12 20 29 34 39 48 59 67 74
7 14 21 31 36 43 52 62 69 76
9 15 25 31 37 45 53 63 72 79
10 17 27 34 38 47 56 64 73 80
35
L35 (50 1) 17.85
100
O sea que el percentil 35 est al 85% del trayecto comprendido entre la observacin 17 que es 29 y
la observacin 18 que es 31 o sea L35 = 29 + (0.85)(31-29) = 30.7. Por tanto el 35% de las
observaciones estn por debajo de 30.7 y el 65% restante por encima de 30.7.
De la misma forma los percentiles 25, 50 y 75 proporcionan la localizacin de los cuartiles Q1, Q2 y
Q3 respectivamente.
Q1: es el nmero que representa al percentil 25 (hay 25% de los datos por debajo de este).
Q2 o Mediana: es el nmero que representa al percentil 50 (hay 50% de los datos por
debajo de este).
Q3: es el nmero que representa al percentil 75 (hay 75% de los datos por debajo de este).
Pgina 7
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
DIAGRAMA DE CAJA
1 10 4
1050
Mximo
Q3
Weight
950
Q2 Mediana
Q1
850
Mnimo
Rango
Intercuartlico =
RIC = Q3 Q1 Valores atpicos Bigotes
Cuando tenemos una cantidad grande de datos es difcil poder analizarlos, a menos que hagamos
uso de herramientas que nos permitan hacerlo con mayor facilidad y claridad. El histograma es una
de ellas, consiste en un diagrama de barras donde las bases corresponden a los intervalos y las
alturas a las frecuencias. Para construir un histograma es necesario tener un mnimo de 50 a 100
datos. Se tienen las siguientes definiciones:
Pgina 8
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
Ejemplo 6
2.41 17.87 33.51 38.65 45.70 49.36 55.08 62.53 70.37 81.21
3.34 18.03 33.76 39.02 45.91 49.95 55.23 62.78 71.05 82.37
4.04 18.69 34.58 39.64 46.50 50.02 55.56 62.98 71.14 82.79
4.46 19.94 35.58 40.41 47.09 50.10 55.87 63.03 72.46 83.31
8.46 20.20 35.93 40.58 47.21 50.10 56.04 64.12 72.77 85.83
9.15 20.31 36.08 40.64 47.56 50.72 56.29 64.29 74.03 88.67
11.59 24.19 36.14 43.61 47.93 51.40 58.18 65.44 74.10 89.28
12.73 28.75 36.80 44.06 48.02 51.41 59.03 66.18 76.26 89.58
13.18 30.36 36.92 44.52 48.31 51.77 59.37 66.56 76.69 94.07
15.47 30.63 37.23 45.01 48.55 52.43 59.61 67.45 77.91 94.47
16.20 31.21 37.31 45.08 48.62 53.22 59.81 67.87 78.24 94.60
16.49 32.44 37.64 45.10 48.98 54.28 60.27 69.09 79.35 94.74
17.11 32.89 38.29 45.37 49.33 54.71 61.30 69.86 80.32 96.78
Paso 4: Calcular el tamao del intervalo de clase ( C ), dividiendo el rango entre el nmero de
94.37
columnas: C = 8.58 9 , resultando el tamao del intervalo 9.
11
Pgina 9
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
Paso 5: Calcular los limites de clase de cada intervalo: [0-8], [ 9-17], etc., considerando que el
tamao del intervalo representa la diferencia entre dos lmites de clase adyacentes ya sean
inferiores o superiores.
Paso 6: Contar el nmero de valores que caen en cada intervalo utilizando una hoja de registro,
de esta manera se obtiene la frecuencia para cada intervalo.
Tabla 1.
Columna Intervalo Registro de frecuencias
1 0 -8 IIIII 5
2 9-17 IIIII IIII 9
3 18-26 IIIII I 6
4 27-35 IIIII IIIII I 11
5 36-44 IIIII IIIII II 17
6 45-53 IIIII IIIII IIIII IIIII IIIII III 28
7 54-62 IIIII IIIII IIIII III 18
8 63-71 IIIII IIIII III 13
9 72-80 IIIII IIIII 10
10 81-89 IIIII III 8
11 90-98 IIIII 5
Histograma
30
25
20
Frecuencia
15 Frecuencia
10
5
0
9 18 27 36 45 54 63 72 81 90 99
Clase
Para la obtencin de las estadsticas descriptivas con Minitab las instrucciones son:
Stat > Basic statistics > Display descriptive statistics
Indicar las variables de las cuales se quieren obtener las estadsticas bsicas y la variable categrica
si se desean varios grupos.
Pgina 10
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
Seleccionar las grficas opcionales para los datos: Histograma, diagrama de caja y de puntos.
Pgina 11
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
Boxplot of Caja
22.5
20.0
17.5
15.0
Caja
12.5
10.0
7.5
5.0
Histograma en Minitab:
Histogram of DATOS
40
30
Frequency
20
10
0
-10 20 50 80 110
DATOS
5. A continuacin se muestra la grafica normal, si P value > 0.05 los datos son normales.
60
50
40
30
20
10
5
0.1
0 30 60 90 120
DATOS
USO DE EXCEL
1. En el men Herramientas seleccione la opcin Anlisis de datos. Datos de ejemplo 6.
2. Seleccione la opcin Estadstica descriptiva.
3. Seleccione el rango de entrada, estos corresponden a los datos numricos de la tabla.
4. Seleccione Resumen de estadsticas.
5. En opciones de salida seleccione en Rango de salida, una celda de la hoja de calculo
que este en blanco (a partir de est celda sern insertados los resultados).
Columna1
50.053769
Media 2
Error tpico 1.9738137
Mediana 49.345
Moda 50.1
Desviacin 22.504938
estndar 8
Varianza de la
muestra 506.47227
Curtosis -0.4466339
Coeficiente de
asimetra -0.0352296
Rango 94.37
Mnimo 2.41
Mximo 96.78
Suma 6506.99
Pgina 13
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
Cuenta 130
Pgina 14
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
EJERCICIOS:
1. Las empresas est interesada en los hbitos de consumo de los clientes para obtener pronsticos
exactos de las demandas de energa. Una muestra de consumidores de 90 hogares con calefaccin
de gas arroj lo siguiente (FURNACE.MTW):
BTU.In_1
2.97 7.73 9.60 11.12 13.47
4.00 7.87 9.76 11.21 13.60
5.20 7.93 9.82 11.29 13.96
5.56 8.00 9.83 11.43 14.24
5.94 8.26 9.83 11.62 14.35
5.98 8.29 9.84 11.70 15.12
6.35 8.37 9.96 11.70 15.24
6.62 8.47 10.04 12.16 16.06
6.72 8.54 10.21 12.19 16.90
6.78 8.58 10.28 12.28 18.26
6.80 8.61 10.28 12.31
6.85 8.67 10.30 12.62
6.94 8.69 10.35 12.69
7.15 8.81 10.36 12.71
7.16 9.07 10.40 12.91
7.23 9.27 10.49 12.92
7.29 9.37 10.50 13.11
7.62 9.43 10.64 13.38
7.62 9.52 10.95 13.42
7.69 9.58 11.09 13.43
d) Establecer conclusiones
Pgina 15
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
HERRAMIENTAS ESTADSTICAS
Pgina 16
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
Bsicamente es un formato que facilita que una persona pueda tomar datos en una forma ordenada
y de acuerdo al estndar requerido en el anlisis que se est realizando.
DIA
DEFECTO 1 2 3 4 TOTAL
Tamao errneo IIIII I IIIII IIIII III IIIII II 26
Forma errnea I III III II 9
Depto. Equivocado IIIII I I I 8
Peso errneo IIIII IIIII I IIIII III IIIII III IIIII IIIII 37
Mal Acabado II III I I 7
TOTAL 25 20 21 21 87
Pgina 17
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
Herramienta utilizada para el mejoramiento de la calidad para identificar y separar en forma crtica
las pocas causas que provocan la mayor parte de los problemas de calidad. El principio enuncia que
aproximadamente el 80% de los efectos de un problema se debe a solamente 20% de las causas
involucradas.
El diagrama de Pareto es una grfica de dos dimensiones que se construye listando las causas de
un problema en el eje horizontal, empezando por la izquierda para colocar a aquellas que tienen un
mayor efecto sobre el problema, de manera que vayan disminuyendo en orden de magnitud. El eje
vertical se dibuja en ambos lados del diagrama: el lado izquierdo representa la magnitud del efecto
provocado por las causas, mientras que el lado derecho refleja el porcentaje acumulado de efecto de
las causas, empezando por la de mayor magnitud.
PARETO CHART
70 100
60
80
50
Percent
60
Count
40
30 40
20
20
10
0 0
rs
Defect A B C D E F G
Ot
he
Count 25 23 7 6 3 2 1 3
Percent 35.7 32.9 10.0 8.6 4.3 2.9 1.4 4.3
Cum % 35.7 68.6 78.6 87.1 91.4 94.3 95.7 100.0
En la grfica se observa que aprox. el 80% de los efectos es debido a los defectos A, B y C.
Pgina 18
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
5
Count
0
Period = Night Period = Weekend
20
15
10
0
Peel Scratch Other Smudge
Flaws
Para comenzar con el proceso de tormenta de ideas, en el cual se genera informacin la gente se
rene en una sala en la cual se recomienda la disposicin de las mesas en forma de U para facilitar
el debate. La gente que participa en la sesin deber de pertenecer a diferentes reas o tener
puntos de vista diferentes, esto con el objeto de enriquecer la sesin.
Pgina 19
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
La tcnica tormenta de ideas puede ser aplicada con gran frecuencia al llevar a cabo otras
herramientas, como por ejemplo, diagramas causa-efecto (Ishikawa), Diagrama de relaciones,
Diagrama de rbol, planes con 5W-1H, Diseo de experimentos, pruebas de confiabilidad, etc.
EJERCICIO: Realizar una lluvia de ideas para solucionar el problema de llegar a tiempo a algn
lugar.
Los pasos para elaborar el diagrama de causa- efecto son los siguientes:
Ejemplo 1
Se detectaron fallas en la soldadura de partes, por lo cual se procedi a realizar una
investigacin utilizando el diagrama causa-efecto.
1
Tomado de: Alberto Galgano, Los siete instrumentos de la Calidad Total, ediciones Daz de Santos,1995
Pgina 20
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
DIMENSIONES
VELOCIDAD DE
INADECUADAS FORMACION
FUERA DE AVANCE
DIMENSIONES
TEMPERATURA HABILIDAD
ESPECIFICADS
ANGULO LIMITES
INCORRECTO DE PUNTA OXIDADA ERGONOMICOS
FORMA
LA FLAMA
PUNTA
SOLDADURA DEFECTUOSA
UNION
SUPERFICIE SOLDADURA
S CON LACA DE
POLVO E SECUENCIA PROTECCION
IMPUREZAS SOLDADURA
TIEMPOS DE TERMINALES
ESPERA DESOXIDANTE
CORTOS OXIDADOS
MEDIO AMBIENTE MTODOS MATERIALES
1. Llenar las columnas C1 a C5 con las diferentes causas correspondientes a los conceptos de
Personal, Mquinas, Materiales, Mtodos, Mediciones y Medio ambiente.
2. Stat>Quality Tools>Cause and Effect Diagram
3. Introducir los datos en la pantalla de entrada, indicando el problema en Effect y aceptar con
OK.
Pgina 21
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
Cause-and-Effect Diagram
Measurements Material Personnel
Polv o
F orma Salud
V ibraciones
Dureza H abilidad
H umedad
A lmacn Humor
Temperatura
Problema de
soldadura
Herramental
V elocidad
A brasin
Deformacin
A juste
M antto.
Methods Machines
EJERCICIO: Realizar un Diagrama de Causa Efecto para el problema de llegara tiempo al trabajo.
Usos:
Saber el comportamiento de un sistema o proceso durante el tiempo.
Tomar las acciones correctivas a tiempo si la tendencia afectar en forma negativa.
Ejemplo: Se tienen los datos siguientes de errores de planeacin de la produccin durante 15
semanas:
USO DE MINITAB
1. Stat> Time Series > Trend Anlisis Variable: % de errores
2. Time > Stamp Semana OK
Pgina 22
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
A ccuracy Measures
0.12
MA PE 62.6253
MA D 0.0193
0.10
% Errores
MSD 0.0007
0.08
0.06
0.04
0.02
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
EJERCICIO: Hacer una carta de tendencias con datos reales de alguna situacin particular.
Pgina 23
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
Proveen una secuencia grfica de cada uno de los pasos que componen una operacin desde el inicio hasta el
final. Permitiendo una mejor visualizacin y comprensin del proceso.
Los diagramas de flujo pueden minimizar grandes volmenes de documentacin, como la del ISO 9000.
Facilitan el desarrollo de Procedimientos Estndar de Operacin.
Al tener un procedimiento de operacin estndar se reduce en gran medida la variacin y el tiempo de ciclo.
Los diagramas de flujo permiten detectar reas de mejora en los procesos.
Descripcin de smbolos
En la construccin de diagramas de flujo de procesos se utilizan los smbolos descritos a continuacin:
2. Definir todos los pasos que componen el proceso: el equipo de trabajo anota en tarjetas los diferentes
pasos que conforman el proceso, con este mtodo el equipo puede arreglar y ordenar los pasos del proceso.
3. Conectar las actividades: Cuando los pasos que componen el proceso han sido descritos se construye el
diagrama de flujo, conectando las actividades mediante flechas, cada smbolo debe describir la actividad que
se realiza con pocas palabras.
4. Comparar el proceso actual con el proceso considerado como ideal las siguientes preguntas pueden
servir de gua:
Existen pasos demasiado complejos? Existe duplicidad o redundancia? Existen puntos de control para
prevenir errores? deberan de existir? El proceso funciona en la manera en la cual debera de hacerse? Se
puede realizar el proceso de diferente manera?
5. Mejoras del proceso: Una vez que se contestan las preguntas mediante tormenta de ideas se realizan
mejoras. Definiendo los pasos que agregan valor y los que no agregan se puede llevar a cabo una
simplificacin sustancial del proceso. Las mejoras son priorizadas y se llevan a cabo planes de accin.
6. Implementar el nuevo procedimiento: Una vez realizadas las mejoras se dan a conocer a las personas
involucradas en el proceso y se verifica su efectividad.
Pgina 24
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
Ventajas
Muestra el nmero de movimientos para completar el proceso.
Muestra la complejidad del flujo y las curvas.
Puede aadir tiempo a cada paso, para mostrar cuellos de botella y tiempo sin valor agregado Vs
tiempo con valor agregado.
Pgina 25
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
Los iconos y smbolos para el mapeo del estado actual y futuro se dividen en tres
categoras: conos de material, conos de informacin e conos generales.
Figura 3.1 Simbologa utilizada para el mapeo de la cadena de valor
Iconos de material
Representan Notas
||||||
C/T= 145 seg Utilizada para registrar informacin
C/O= 90 min Celda de datos respecto a proceso de manufactura,
3 turnos Departamento, cliente, etc.
4% desperdicio
300 piezas 1 da
300 Piezas diarias
Lunes +
Viernes Envo de camin Anotar la frecuencia de embarques
Movimiento de
producto terminado
al cliente
Iconos de informacin
Pgina 27
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
Iconos generales
Pgina 28
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
Pgina 29
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
Pgina 30
CURSO TALLER DE ESTADISTICA Y PROBABILIDAD P. Reyes / Noviembre 2007
La relacin entre dos variables se representa mediante una grfica de dos dimensiones en la que
cada relacin est dada por un par de puntos (uno para cada variable).
La variable del eje horizontal x normalmente es la variable causa, y la variable del eje vertical y es la
variable efecto.
La relacin entre dos variables puede ser: positiva o negativa. Si es positiva, significa que un
aumento en la variable causa x provocar una aumento en la variable efecto y y si es negativa
significa que una disminucin en la variable x provocar una disminucin en la variable y.
Por otro lado se puede observar que los puntos en un diagrama de dispersin pueden estar muy
cerca de la lnea recta que los atraviesa, o muy dispersos o alejados con respecto a la misma. El
ndice que se utiliza para medir ese grado de cercana de los puntos con respecto a la lnea recta es
el ndice de correlacin r. En total existen cinco grados de correlacin: positiva evidente (r = 1),
positiva, negativa evidente (r = -1), negativa y nula (r = 0).
15 15
10
Y
10
5
5
0
0 5 10 15 20 25 Sin Correlacin 0
0 5 10 15 20 25
X 25 X
20
15
Correlacin 10
Y
5
Correlacin
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
X 20
15
15
Y
10
Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X
Pgina 31
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
Son dos herramientas para investigar la dependencia de una variable dependiente Y en funcin de
una variable independiente X. Y = f(X)
Y = Variable dependiente que se desea explicar o predecir, tambin se llama regresor o respuesta
X = Variable independiente, tambin se llama variable explicativa, regresor o predictor
Regresin lineal - La relacin entre X y Y se representa por medio de una lnea recta
Regresin curvilinea - La relacin entre X y Y se representa por medio de una curva.
Y
Yest = 4.4 + 1.08 X
Desviacin no
Yi = 23 * explicada
Error = (Yi - Yest) =
1.32
Variacin total
(Yi-
Ymedia)=5.13 Desviaci explicada
(Yest-Ymedia) = 3.81
Ymedia =17.87
X = 16 X
Pgina 32 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
Ejemplo: Se sospecha que el tiempo requerido para hacer un mantenimiento preventivo est
relacionado con su nmero. Calcular el coeficiente de correlacin y graficar. Los datos de tiempo
tomados para n = 25 servicios se muestran a continuacin:
Si todos los puntos estuvieran completamente sobre la recta la ecuacin lineal sera
y = a + bx. Como la correlacin no siempre es perfecta, se calculan a y b de tal forma que se
minimice la distancia total entre puntos y la recta. Los clculos tomando las sumas de cuadrados
siguientes se muestran a continuacin:
Sxy = 2027.71
Sxx = 698.56
Syy = 6105.94
Pgina 33 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
b1 1
( Xi X )(Yi Y ) S XY
= 2.902704421
( Xi X ) 2
S XX
b0 0
Y i 1 X i
Y X = 5.114515575
n
r r 2 = 0.9816
El coeficiente de correlacin proporciona el nivel de ajuste que tienen los puntos a la lnea recta
indicando el nivel de influencia de una variable en la otra. El factor de correlacin r es un nmero
entre 1 (correlacin negativa evidente) y +1 (correlacin positiva evidente), y r = 0 indicara
correlacin nula.
El coeficiente de correlacin r = 0.98 por lo cual tenemos suficiente evidencia estadstica para
afirmar que el tiempo de atencin esta relacionado con el nmero de servicios atendidos.
USO DE MINITAB
Para determinar la funcin de regresin y correlacin en Minitab se siguen los pasos siguientes
(despus de cargar los datos correspondientes a X y a Y en las columnas C1 y C2):
Para obtener la lnea de mejor ajuste de la regresin, se procede como sigue en Minitab:
Stat >Fitted Line Plot ... Indicar la columna de Respuestas Y y la de predictores X,
seleccionar si se quiere ajustar con los datos con una lnea, una funcin cuadrtica o cbica
y aceptar con OK. Observar el mayor valor del coeficiente de correlacin que indica el mejor
ajuste.
En Options: seleccionar Display Confidence (para media en X) y Prediction Intervals para
X.
Pgina 34 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
40
30
20
10
0
0 5 10 15 20
X Servicios
Los intervalos de confianza para la media y el intervalo de prediccin para un punto especfico
X son los siguientes:
Pgina 35 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
EJERCICIOS:
1. La energa consumida en un proceso depende del ajuste de mquinas, realizar una regresin
cuadrtica con los datos siguientes y responder las preguntas.
Ajuste
Cons_energa Mq.
Y X
21.6 11.15
4 15.7
1.8 18.9
1 19.4
1 21.4
0.8 21.7
3.8 25.3
7.4 26.4
4.3 26.7
36.2 29.1
2. En base al porcentaje de puntualidad se trata de ver si hay correlacin con las quejas en una lnea
area. Las quejas son por cada 100000 pasajeros.
%puntos Quejas
Aerolinea X Y
A 81.8 0.21
B 76.6 0.58
C 76.6 0.85
D 75.7 0.68
E 73.8 0.74
F 72.2 0.93
G 70.8 0.72
H 68.5 1.22
Pgina 36 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
3.1 INTRODUCCIN
# Favorable E
P E
# Total resultados
1
Ejemplo 1: La probabilidad de que salga 2 al lanzar un dado es: .16
6
1
Ejemplo 2: La probabilidad de lanzar una moneda y que caiga cara es: .5
2
Ejemplo 3: La probabilidad de sacar 1,2,3,4,5, o 6 al lanzar un dado es:
1 1 1 1 1 1
1
6 6 6 6 6 6
Probabilidad Compuesta
Es la probabilidad compuesta por dos eventos simples relacionados entre s.
En la composicin existen dos posibilidades: Unin o Interseccin .
Unin de A y B
Si A y B son eventos en un espacio muestral (S), la unin de A y B A B contiene todos los
elementos de el evento A o B o ambos.
Pgina 37 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
Interseccin de A y B
Si A y B son eventos en un espacio muestral S, la interseccin de A y B A B est compuesta
por todos los elementos que se encuentran en A y B.
Ejemplo 4: En el evento A (da nublado), P(A) = .3, la probabilidad de tener un da despejado ser
1-P(A) = .7
P A .7
P(A)=.3
1. Se dice que dos eventos A y B son independientes si: P(A/B) = P(A) o P(B/A) = P(B).
La probabilidad de la ocurrencia de uno no est afectada por la ocurrencia del otro. De otra
manera los eventos son dependientes.
Cuando un evento A no contiene elementos en comn con un evento B, se dice que estos son
mutuamente excluyentes.
A B
1 1 1
a) P A B .33
6 6 3
Pgina 38 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
Ley aditiva:
Cuando dos eventos no son mutuamente excluyentes:
P A B P A P B P A B
Ley multiplicativa:
Si los eventos A y B son dependientes:
P A B P A P B A
Variable aleatoria: Para un determinado espacio muestral SS una variable aleatoria (VA) es
cualquier regla que relaciona un nmero con cada resultado en SS.
Variable aleatoria discreta: Es una variable aleatoria cuyos posibles valores son enteros.
Variable aleatoria continua: Es una variable aleatoria cuyos valores posibles son los reales.
2. Suma (P(y)) = 1
Pgina 39 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
Su frmula es la siguiente:
Valor esperado:
Con propiedades:
0 F ( x) 1
Lim x F ( x ) 1
Lim x F ( x ) 0
La media o valor esperado de una variable aleatoria discreta X , denotada como E(X), es
X E ( X ) xf X ( x) xP( X x)
x x
Sea Y una variable aleatoria discreta con distribucin de probabilidades P(X=x). Entonces , la
varianza de Y es:
X E[( X X ) 2 ] ( x X ) 2 P ( X x )
2
DISTRIBUCIONES DISCRETAS
DISTRIBUCIN HIPERGEOMTRICA
Se aplica cuando la muestra (n) es una proporcin relativamente grande en relacin con la poblacin
(n > 0.1N). El muestreo se hace sin reemplazo
C xD CnNxD n!
P ( x ) C xn
Pgina 40 de 61 x!( n x)!
CnN
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
Con
USO DE EXCEL:
N = Tamao de Poblacin, n = Tamao de muestra, D= xitos en la poblacin; x = xitos en la
muestra.
En Fx Estadsticas seleccionar
=distr.hipergeom(x, n, D, N)
USO DE MINITAB:
Calc > Probability distributions > Hypergeometric
Probability (densidad) o Cumulative probability (acumulada)
N, D, n y en Input constant introducir x.
EJERCICIO:
1. Se compran 10 transformadores y se toma una muestra de 4. Si se encuentra uno o ms
defectuosos se rechaza el lote de 10.
a) Si el lote tiene un defectuoso, Cul es la probabilidad de que se acepte el lote?
b) Cul es la probabilidad de aceptar el lote si contiene 3 defectuosos.
DISTRIBUCIN BINOMAL
Ensayo Bernoulli. Es un experimento aleatorio que solo tiene dos resultados. xito o fracaso.
Donde la probabilidad de xito se denota por p
La distribucin binomial se utiliza para modelar datos discretos y se aplica para poblaciones grandes
(N>50) y muestras pequeas (n<0.1N). El muestreo binomial es con reemplazamiento.
Pgina 41 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
Rechazar la afirmacin de que falla menos del 10% si se encuentra que X>=5.
USO DE EXCEL:
x = xitos en la muestra, p = probabilidad de xito, n = tamao de muestra.
En Fx Estadsticas seleccionar
=distr.binom(x, n, p, 0 o 1 dependiendo si es puntual o acumulada)
USO DE MINITAB:
Calc > Probability distributions > Binomial
Probability (densidad) o Cumulative probability (acumulada)
n = number of trials, p = probability of success y en Input constant introducir x.
EJERCICIOS:
1. Un panel solar tiene una vida til de 5 aos con una probabilidad de 0.95. Se toman 20 pneles
solares y se registr la vida til.
c) Si solo 10 paneles tienen una vida til de 5 aos, que debera pensarse sobre el valor verdadero
de P?
DISTRIBUCIN DE POISSON
Pgina 42 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
La distribucin de Poisson se utiliza para modelar datos discretos como aproximacin a la Binomial
dada la dificultad que exista de encontrar tablas Binomiales adecuadas cuando n es grande y p
pequea. La distribucin de probabilidad de Poisson proporciona buenas aproximaciones cuando np
<= 5.
Se aproxima a la binomial cuando p es igual o menor a 0.1, y el tamao de muestra es grande (n >
16) por tanto np > 1.6.
Ejemplo 1. Suponga que una compaa de seguros asegura las vidas de 5000 hombres de 42 aos
de edad. Si los estudios actuariales muestran que la probabilidad de que un hombre muera en cierto
ao es 0.001, entonces la probabilidad de que la empresa pague exactamente 4 indeminizaciones
y= 4 en un cierto ao es:
5000!
P ( y 4) p(4) (0.001) 4 (0.999) 4996
4!*4996!
El valor de esta expresin no aparece en tablas y su clculo era difcil, no as con Excel.
4 e 5 4 e 5
P ( y 4) 0.1745
4! 4!
Ejemplo 2. Una planta tiene 20 mquinas, si la probabilidad de que falla una en cierto da es 0.05.
Encuentre la probabilidad de que durante un da determinado fallen dos mquinas.
np = 20 *0.05 = 1.0
12 e 1
P ( y 2) 0.184
2!
Pgina 43 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
20!
P ( y 2) p (2) (0.05) 2 (0.95)18 0.188
2!*18!
USO DE EXCEL:
x = xitos en la muestra, np = media.
En Fx Estadsticas seleccionar
=Poisson(x, np, 0 o 1 dependiendo si es puntual o acumulada)
USO DE MINITAB:
Calc > Probability distributions > Poisson
Probability (densidad) o Cumulative probability (acumulada)
n*p = mean y en Input constant introducir x.
EJERCICIOS:
1. El 20% de los choferes son mujeres, si se seleccionan 20 al azar para una encuesta:
Usando la distribucin binomial y la distribucin de Poisson
a) Cul es la probabilidad de que dos choferes sean mujeres ?
b) Cul es la probabilidad de que al menos cuatro sean mujeres?
2. Se tienen 8 recepcionistas, estan ocupadas en promedio el 30% del tiempo, si 3 clientes llaman
la prob. De que estn ocupadas es mayor al 50%?
5. Un proceso de manufactura produce 1.2 defectos por cada 100 unidades producidas,
Cul es la probabilidad de que las siguientes 500 unidades presenten X=3 defectos?
Pgina 44 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
Muchos eventos reales y naturales tienen una distribucin de frecuencias cuya forma es muy
parecida a la distribucin normal.
La Funcin de Distribucin de Probabilidad (PDF) normal tiene forma de una campana con simetra
sobre su media definida por la siguiente ecuacin:
1 1 t 2
f (t ) exp
2 2
Pgina 45 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
68.26%
95.46%
99.73%
Pgina 46 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
La distribucin de probabilidad f (Z) es una distribucin normal estndar con media 0 y desviacin
estndar 1; esto es Z se distribuye normalmente con media cero y desviacin estndar = 1
Z~N(0,1): La grfica de densidad de probabilidad se muestra en la figura.
F(z)
Nota: Excel proporciona el valor del rea bajo la curva desde menos infinito hasta un valor dado de
Z.
F(z)=pr(Z z)
1.0
0.5
.01
Z
-4 -3 -2 -1 0 1 2 3 4
X
Z
Calculo de Probabilidades normales
Ejemplo 1: El gerente de personal de una gran compaa requiere que los solicitantes a un puesto
efecten cierta prueba y alcancen una calificacin de 500. Si las calificaciones de la prueba se
distribuyen normalmente con media 485 y desviacin estndar 30 Qu porcentaje de
los solicitantes pasar la prueba?
X 500 485
Z = 0.5
30
Buscamos el valor correspondiente Z en las tablas de distribucin normal estndar o por medio de
Excel (=distr.norm.estand(0.05). Z0.5 = 0.69146 = 69.146%. siendo esta la probabilidad de que la
calificacin sea menor a 500 P (X<500). Dado que el porcentaje pedido es P ( X 500) la solucin
es 1-.69146 =0.3085 , 30.85% de los participantes pasarn la prueba.
485
3 0 .8 5 %
Z.0 5
Ejemplo 2:
Encuentre las probabilidades siguientes usando la tabla Z.
-1.23 Z
Solucin: Buscamos el valor Z1..23 en las tablas siendo este =0.89065. restando 0.89065-0.5 =
0.3905, este valor es la probabilidad de 0 a 1.23 que es exactamente la misma de 1.23 a 0 por
simetra. Por lo tanto la probabilidad es 0.3905
Pgina 48 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
USO DE EXCEL
Seleccione la celda que contiene el valor de Z, que en este caso es Z= 1.3 , de clic en
aceptar y aparecer la probabilidad buscada f(z)= 0.903199
Para calcular Z dada una probabilidad f(z)
En la barra de herramientas seleccione el icono de funciones
fx>Estadsticas>Distr.Norm.Estand.inv OK
De clic en aceptar. Procedemos de la misma manera que en el caso anterior, pero en esta
ocasin seleccionamos la probabilidad 0.93319
El valor Z = 1.4999
Ejemplo 3 : Suponga que una distribucin normal dada tiene una media de 20 y una desviacin
estndar de 4. Calcule la probabilidad P (X > 24).
El resultado de la frmula = 0.8413. , dado que esta es la probabilidad P(X 24), la probabilidad
buscada es:
Pgina 49 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
USO DE MINITAB
4. En Input constant indicar el valor de Z (cumulative) para obtener el rea bajo la curva o
proporcionar el rea bajo la curva (Inverse cumulative) para obtener el valor de Z. OK
8. En Input constant indicar el valor de X (cumulative) para obtener el rea bajo la curva o
proporcionar el rea bajo la curva (Inverse cumulative) para obtener el valor de X. OK
Pgina 50 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
EJERCICIOS:
1. Qu porcentaje del rea bajo la curva normal estndar est incluido dentro de los siguientes
rangos?
2. El tiempo de vida de las bateras del conejito tiene una distribucin aproximada a la normal con
una media de 85.36 horas y una desviacin estndar de 3.77 horas.
3. Considere una media de peso de estudiantes de 75 Kgs. con una desviacin estndar de 10Kgs.
4. Una mquina llenadota de refresco se ajusta para servir 10 onzas de lquido por vaso, si la
desviacin estndar es de 0.12 onzas. Cul es la probabilidad o porcentaje de las veces de que la
mquina sirva:
a. 10.2 onzas o ms?
b. Entre 10.1 y 10.3 onzas?
c. Entre 9.7 y 10.3 onzas?
d. Menos de 9.8 onzas?
e. Entre 9.8 y 9.9 onzas?
Pgina 51 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
5.1 INTRODUCCIN
La inferencia estadstica es el proceso mediante el cual se utiliza la informacin de los datos de una
muestra para extraer conclusiones acerca de la poblacin de la que se seleccion la muestra. Las
tcnicas de inferencia estadstica se dividen en dos reas principales: Estimacin de intervalos de
confianza y Pruebas de hiptesis.
En cada prueba estadstica, se comparan algunos valores observados contra algunos esperados u
otro valor observado comparando estimaciones de parmetros (media, desviacin estndar,
varianza).
Estas estimaciones de los verdaderos parmetros son obtenidos usando una muestra de datos y
calculando los estadsticos.
La capacidad para detectar una diferencia entre lo que es observado y lo que es esperado depende
del desarrollo de la muestra de datos.
Incrementando el tamao de la muestra mejora la estimacin y la confianza en las conclusiones
estadsticas.
Las medias o desviaciones estndar calculadas de una muestra se denominan estadsticos, podran
ser consideradas como un punto estimado de la media y desviacin estndar real de la poblacin o
de los parmetros.
Cuando no deseamos obtener nmeros sencillos como la media basada en una muestra, utilizamos
los intervalos de confianza, los cuales nos dan un margen con algn tipo de error.
Pgina 52 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
Un proveedor de bebidas afirma que sus botellas contienen 16 onzas; un productor de software dice
que su rechazo promedio es de 3%; etc.
La hiptesis planteada que contiene el signo de igualdad se denomina hiptesis nula ho (=, >=, <=) y
su complemento es la hiptesis alterna ha. se puede iniciar planteando cualquiera de las dos
por ejemplo si se indica probar si las ventas son mayores que $1000 o ..las ventas son
menores a $1000, se inicia planteando ha y como complemento se plantea ho (ventas<=1000 o
ventas>=1000).
Ho : , 2 , , , parametro de la hipotesis
Ha : , 2 , , , parametro de la hipotesis
Los trminos surgen de las investigaciones agrcolas quienes probaban la efectividad de fertilizantes,
lo nulo era sin efecto
Las hiptesis nulas no se rechazan o si se rechazan (aceptndose la ha) con base en datos
muestrales y un valor alfa.
Prueba estadstica: es un procedimiento para probar una afirmacin o creencia sobre el proceso.
Hiptesis nula (Ho) - usualmente es una afirmacin representando una situacin status quo.
generalmente deseamos rechazar la hiptesis nula.
puede ser por ejemplo ho: , , = 5
slo puede ser rechazada o no rechazada
Hiptesis alterna (Ha) - es lo que aceptamos si podemos rechazar la hiptesis nula. Ha es lo que
queremos probar es el complemento de Ho.
Regin de Rechazo: Indica los valores de la prueba estadstica para que podamos rechazar la
Hiptesis nula (Ho). Esta regin esta basada en un riesgo deseado, normalmente 0.05 o 5%.
Las pruebas de hiptesis pueden ser de dos colas, de cola derecha o de cola izquierda,
dependiendo del signo de la hiptesis alterna, a continuacin se esquematizan cada una de ellas.
Pgina 53 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
5. Establecer las Hiptesis: Hiptesis Nula (Ho lleva signo =, <=, >=), Hiptesis Alterna (Ha
lleva signo >, < o <>).
6. Seleccionar el nivel de significancia Alfa (normalmente 0.05 o 5%) o el nivel de confianza
1 - alfa.
Pgina 54 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
Las frmulas para calcular el estadstico de prueba en base a la muestra son las siguientes:
Para el caso de muestras pareadas se calculan las diferencias d individuales como sigue:
Pgina 55 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
EJERCICIOS
2. La duracin promedio de cierto foco es de 750 horas. El cliente cambiara de marca slo que se
demuestre que de manera concluyente que la vida de los focos es menor que la anunciada. Se elige
una muestra aleatoria de 20 focos, se determina su duracin y se obtiene una vida media de 738.44
con una desviacin estndar de 38.20.
3. Despus de ciertas horas de trabajo se determin el desgaste de flechas en 0.0001 para cada
una de las n=8 mquinas que tienen plomo y cobre como material de soporte, y se obtuvo como
resultado que la media fue de 3.72 con desviacin estndar de 1.25.
4. Se prueban 100 bateras de Ni-H para celdas de prueba y se determina que 14 de ellas se
ampoyan en sus placas fallando. Para un 5% de nivel de significancia.
a) Proporciona lo anterior una evidencia de que ms del 10% de las bateras fallan?
Pgina 56 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
Supongamos que tenemos muestras de dos calderas que producen el mismo rendimiento. Se desea
ver si hay diferencia significativa en el rendimiento de Caldera A y Caldera B.
Caldera A Caldera B
89.7 84.7
81.4 86.1
84.5 83.2
84.8 91.9
87.3 86.3
79.7 79.3
85.1 82.6
81.7 89.1
83.7 83.7
84.5 88.5
Estadsticas Descriptivas
Variable Caldera N Media Desv.Std
Rendimiento A 10 84.24 2.90
B 10 85.54 3.65
Pgina 57 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
Lo anterior se contesta con pruebas de hiptesis para dos poblaciones como se explica a
continuacin.
USO DE MINITAB
Stat > Basic statistics > 2 Variances Samples in different columns
Seleccionar las columnas de datos
En Options: Confidence level 97.5%, Test Mean = 0.0; Alternative = Not equal
OK
Conclusin: Como Fc de 0.88 es mayor a F1-alfa/2 de 0.248 y Pvalue de 0.856 es mayor a Alfa de
0.05, no se rechaza Ho, las varianzas son similares.
USO DE EXCEL
Seleccionar Anlisis de datos en el men herramientas.
En funciones para anlisis elija la opcin : Prueba z para medias de dos muestras.
Observaciones 10 10
Diferencia hipottica de las medias 0
z 1.34962722
P(Z<=z) una cola 0.08856779
Valor crtico de z (una cola) 1.95996398
Valor crtico de z (dos colas) 0.17713559
Valor crtico de z (dos colas) 2.24140273
Conclusiones: No se rechaza Ho (Medias iguales) ya que Zc de 1.349 < Zalfa/2 de 1.96; el valor P
de 0.177 es mayor a Alfa = 0.05.
USO DE MINITAB
Stat > Basic statistics > 2 Sample t seleccionar Summarized data
Seleccionar Assume equal variantes
En Options: Confidence level 95%, Test Difference 0.0; Alternative Not equal
En Graphs: Boxplot of data OK
Conclusiones: No se rechaza Ho (Medias iguales) ya que Zc de 1.35 < Zalfa/2 de 1.96; el valor P
de 0.194 es mayor a Alfa = 0.05 y el cero se encuentra en el IC para la diferencia de medias de
(-0.005567, 0.025567).
Pruebas de medias:
Pgina 59 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
Prueba Z para medias (varianza conocida): Prueba si dos medias de muestras son iguales.
Prueba t para medias (varianza desconocida): Prueba si dos medias de muestras son iguales.
Se tienen dos casos: varianzas iguales y varianzas diferentes
Prueba t pareadas para medias: prueba si dos medias de muestras (por pares) son iguales.
Pruebas de varianza:
Prueba F para varianzas: Prueba si dos varianzas de muestras son iguales.
Pruebas de proporciones:
Prueba Z para proporciones: Prueba si dos proporciones de muestras son iguales.
EJERCICIOS:
1. Determinar a un nivel de confianza del 90% si hay diferencia entre las medias de tiempos de
limpieza de mquina A y mquina B. Se toman muestras para comprobar la afirmacin.
Mquina A Mquina B
25.2 18.0
17.4 22.9
22.8 26.4
21.9 24.8
19.7 26.9
23.0 17.8
19.7 24.6
23.0 21.0
19.7
16.9
21.8
23.6
2. Los tiempos de terminacin del programa para dos departamentos se muestran a continuacin:
Probar a un 90% de nivel de confianza si sus varianzas y promedios son iguales.
Depto. A Depto. B
300 276
280 222
344 310
385 338
372 200
360 302
288 317
321 260
376 320
290 312
301 334
283 265
Pgina 60 de 61
TALLER DE ESTADSTICA Y PROBABILIDAD P. REYES / SEPT. 2006
3. Los tiempos de terminacin para la tarea con un mtodo mejorado y actual son, para el mismo
empleado son los siguientes. Probar a un 90% de nivel de confianza si los mtodos dan los mismos
resultados.
Antes Despus
5 6
4 6
7 7
3 4
5 3
8 9
5 7
6 6
5. A dos grupos de personas se les pidi que indicaran el porcentaje de recortatorio de dos avisos:
Probar a un 5% si son iguales los dos grupos.
6. Se hizo una encuesta para determinar el porcentaje de personas que usaban Internet en el
trabajo: En Mxico se encontr que el 40% de los adultos usa Internet de una muestra de 240.
En Monterrey el 32% de los adultos usaba Internet de una muestra de 250.
Para un nivel de significancia del 10%, es mayor la proporcin que usa Internet en Mxico que en
Monterrey?
Pgina 61 de 61