Modelos para la Toma de Decisiones 2 - SEPTIEMBRE 2013 ALFA.pdf

1

Pontificia Universidad Católica Madre y Maestra Recinto Santo Tomás de Aquino Vice Rectoría de Post Grado

M G-617-T M odelos para la Toma de Decisiones en hon or a Carl os Dr eyfu s

I ng. Rubé n Darío Estrella Sá nchez, M BA Cavaliere dell’ordine al Merito della Repubblica Italiana

I ngeniero de Sistemas (UN I BE ), Admin istrador (PU CM M ), Matemático (PUCM M ), Teólogo (UNE V) y M aestro (SALOM E UREÑA)

[email protected] ; [email protected]

www.atalayadecristo.org SEPTI EM BRE, 20 13

[Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

1

2

 Bibliograf ía de Modelos Estadísticos. o

o

o

WEBSTER, Allen L. Estadística Aplicada a los Negocios y la Economía. McGraw-Hill: Tercera Edición. 2000. LIND Douglas A., MARCHAL William G. and WATHEN Samuel A. Estadística Apl icada a l os Negocios y a la Economía. McGraw-Hill. 15ª Edición. 2012. ANDERSON David, SWEENEY Dennis and WILLIAMS Thomas. Estadística para Negocios y Economía. CENGAGE Learning: 11ª Edición . 2012.

o

TRIOLA, Mario F. Estadística. PEARSON Addison Wesley. 11ª Edición . 2013.

o

TRIOLA, Mario F. Estadística. PEARSON Addison Wesley. Décima Edición. 2009.

o

o

o

o

o

o

o

o

o

o

SPIEGEL Murray, SHILLER John and SRINIVASAN R. Alu. Pr obabili dad y E stadística . Mc Graw Hill. 3ª. Edición – Serie Shaum. 2010. NIEVES Antonio and DOMINGUEZ Federico. Pr obabili dad y Estadística par a I ngeni ería un enf oque moderno . Mc Graw Hill. 2010. HERNANDEZ SAMPIERI Roberto, FERNANDEZ COLLADO Carlos and BAPTISTA LUCIO Pilar. M é todos de la I nvestigación. Mc Graw Hill. Quinta Edición. 2010. GUTIERREZ PULIDO Humberto and DE LA VARA SALAZAR Román. Contr ol E stadístico de Cali dad y Seis Sigma 6 . Mc Graw Hill. 2004 JONSON Robert and KUBY Patricia. Estadística E lemental L o Esencial . International Thomson Editores, S. A.: Tercera Edición 2004. LIPSCHUTS Seymour and LIPSON Marc. PROBABILIDAD . Mc Graw Hill. Segunda Edición. 2001. MILTON J. Susan and ARNOLD Jesse C. PROBABILI DAD Y ESTADI STI CA. Mc Graw Hill. Cuarta Edición. 2004. MONTIEL A. M., RIUS F. And BARON F.J. Elementos Básicos de Estadística E conómica y Empresarial . Prentice Hall: 1997. HOPKINS Kenneth, HOPKINS B.R. and GLASS Gene. Estadística B ásica para l as Ciencias Social es y del Comportam iento . Prentice Hall: Tercera Edición. 1997. LAPIN Lawrence L. Statistics for M odern Business. The Dryden Press: 1995.


2

3

Conceptos Generales de Estadística L a Estadísti ca:

Es una colección de métodos para planear experimentos, obtener datos y luego organizar, resumir, presentar, analizar, interpretar y llegar a conclusiones con base en esos datos. -

Se ocupa de los métodos y procedimientos para recoger, clasificar, resumir,

hallar regularidades y analizar los datos, siempre y cuando la variabilidad e incertidumbre sea una causa intrínseca de los mismos; así como de realizar inferencias a partir de ellos, con la finalidad de ayudar a la toma de decisiones y en su caso formular predicciones. - Es el arte y la ciencia de reunir, analizar, presentar e interpretar datos. - Es un cuerpo de métodos y teorías que es aplicado con evidencia numérica, cuando se toman decisiones en presencia o situaciones de incertidumbre. Estadísti ca Descriptiva:

Es el proceso de recopilación, organización y presentación de datos de alguna manera que describa con rapidez y facilidad. - Describe, analiza y representa un grupo de datos utilizando métodos numéricos y gráficos que resumen y presentan la información contenida en ellos. - La estadística descriptiva proporciona herramientas para organizar, simplificar y resumir información básica a partir de un conjunto de datos que de otra forma seria poco manejable. Esta incluye la tabulación, representación y descripción de conjuntos de datos. - La estadística es descriptiva cuando los resultados del análisis estadístico no pretende ir mas allá del conjunto de datos investigados.


3

4

Estadísti ca I nf erenci al:

Implica la utilización de una muestra para extraer alguna inferencia o conclusión sobre la población correspondiente. - Apoyándose en el calculo de probabilidades y a partir de datos muestrales, efectúa estimaciones, decisiones, predicciones y otras generalizaciones sobre un conjunto mayor de datos. La estadística es inferencial cuando se derivan conclusiones generales para un conjunto de datos más amplio a partir de la información proporcionada por los datos estudiados. Es el proceso de reunir datos obtenidos de una muestra para hacer estimaciones o probar hipótesis acerca de las características de una población. Estadísti ca Descriptiva

Obtener datos o recopilación Organizar y resumir Presentar Estadísti ca I nf erenci al

Analizar Interpretar Llegar a conclusiones


4

5

Uso de la E stadísti ca en: - Mercadeo.

- Investigación de mercado. - Encuestas - Combinación de productos y existencias. - Publicidad. - Gerencia de Operaciones.

- Pronósticos. - Gestión de Calidad Total (TQM). - Minimización de costos. - Eliminación de desperdicios. - Localización. - Ruta critica. - Productividad. - Simulación. - Teorías de colas. - Finanzas

- Análisis financieros. - Economía.

- Análisis económicos. - Impuestos y Gastos públicos. - Producción nacional. - Inflación. - Macroeconomía. - Comercio internacional. - Localización o Ubicación de Negocios.


5

6

Conceptos Elementales de Estadísti ca.

Es la colección completa de todos los elementos (puntajes, personas, mediciones, etc.) que se van a estudiar. Población:

- Es una colección completa de todas las observaciones de interés para el investigador. Censo: Es la colección de datos de cada elemento de una población. Muestra: Es un subconjunto de elementos extraídos de una población.

- Es una porción representativa de la población, que se selecciona para su estudio porque la población es demasiado grande para analizarla en su totalidad. Parámetro:

Es una medición numérica que describe alguna característica de una

población. - Medida descriptiva de la población completa de observaciones que tienen interés para el investigador. Estadístico:

Es una medición numérica que describe alguna característica de una

muestra. Variable: Característica de la población que se analiza en

el estudio estadístico.

- Característica observable de un aspecto discernible en un objeto de estudio que puede adoptar diferentes valores o expresarse en varias categorías. Clasificación de las variables.

Según el modo como se presentan estas características o propiedades las variables se pueden clasificar de esta forma: - Cualitativas o Cuantitativas - Continuas o discontinuos (discretas) - Dependientes o independientes -- Explicatorias o externaso empíricas Generales, intermedias [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

6

7

Variables cualitativas: Son aquellas variables cuyos elementos de variación tienen un

carácter cualitativo no susceptible de medición numérica, por ejemplo el sexo de los estudiantes de estadística, el estado civil de los solicitantes de prestamos, preferencia religiosa, etc. Se pueden dividir en diferentes categorías que se distinguen por alguna característica no numérica. Una variable cualitativa se mide por medios no numéricos. Los datos cualitativos emplean la escala de medición nominal o la ordinal y pueden ser no numéricos o numéricos. Si la variable es cualitativa, el análisis estadístico es bastante limitado. Podemos resumir los datos cualitatitativos al contar el número de observaciones en cada categoría cualitativa, o bien, al calcular la proporción de observaciones en cada categoría cualitativa. Son aquellas cuyas características o propiedades pueden presentarse en diversos grados o intensidad y tienen un carácter numérico, como por ejemplo nivel de ingresos, deserción escolar, las calificaciones que los estudiantes reciben en el examen final, el número de kilómetros que recorren los que asisten a la universidad, etc. Variables cuantitativas:

Según el número de valores que pueden tomar las variables cuantitativas se distingue variables continuas y discontinuas. Son las que pueden tomar cualquier valor dentro de un intervalo dado. Por muy próxima que puedan estar dos observaciones, si el instrumento de medida tiene la precisión suficiente siempre puede haber una tercera observación que caiga entre las dos primeras. Los valores de una variable continua proceden en general de mediciones, por ejemplo las cantidades de leche que las vacas producen son datos continuos porque son mediciones que pueden asumir cualquier valor dentro de un intervalo continuo. Variables continuas:

Se pueden obtener de un número infinito de posibles valores que pueden asociarse a puntos de una escala continua, de tal manera que no haya huecos ni interrupciones.


7

8

Son las que pueden tomar valores intermedios entre otros dos valores dados, han de hacerlo siempre con valores enteros, por ejemplo el número de alumnos de una escuela, los socios de una cooperativa, etc. Variables discontinuas o discretas:

Se obtienen de un número finito de posibles valores o bien de un número de posibles valores que pueden contarse. Sólo puede tomar determinados valores, por lo general números enteros. Puede ser resultado de la enumeración o del conteo. En ninguno de los casos se observaran valores fraccionarios. Consideradas conforme a la posición que une a las variables entre sí, se distingue entre variables dependientes e independientes. Reciben este nombre las variables a explicar, o sea, el objeto de la investigación, que se trata de explicar en función de otros elementos. Variables dependientes (Y):

Son las variables explicativas, o sea, los factores o elementos susceptibles de explicar las variables dependientes (en un experimento son las variables que se manipulan). Variables independientes (X):

Variables explicatorias: Son las propiedades que

interesan directamente al investigador

en términos de su modelo. Son las que están fuera del interés teórico inmediato y que pueden afectar los resultados de la investigación empírica. Variables externas:

Variables generales: Se refieren a

realidades no inmediatamente medibles.

Expresan algunos aspectos parciales de las variables generales, pero más concretos y cercanos a la realidad. Variables intermedias o intervenientes:

En algunos casos de análisis de relación causa-efecto, se introducen una o más variables de enlace interpretativo entre las variables dependientes e independientes. Se trata de variables vinculadas funcionalmente a la variable dependiente y a la variable independiente y que producen un efecto en la relación existente entre esas variables. Variables empíricas: Representan aspectos directamente medibles y observables.


8

9

Clasificación de las Variables según el N ivel de M edición

Los datos se reúnen mediante una de las siguientes escala de medición: nominal, ordinal, intervalo y de razón. La escala o nivel de medición permite determinar la cantidad de información que contienen los datos e indica el resumen de los datos y el análisis estadístico más apropiado. La escala para medir una característica tiene implicaciones en la forma de presentar y resumir la información; también determina el método estadístico escogido para analizar los datos. Ni vel de medición n omin al:

Se caracteriza por datos que consisten exclusivamente en nombres, rótulos o categorías. Los datos no pueden acomodarse según un esquema de ordenamiento. Nombres o clases que se utilizan para organizar los datos en categorías separadas y distintas. La escala de medició para una variable es nominal cuando los datos son etiquetas o nombres que se emplean para identificar un atributo del elemento. Ejemplos: El sexo de los estudiantes de esta clase de estadística. Las bebidas gaseosas refrescantes se pueden clasificar en: Coke, Pepsi, 7-Up o Country Club. La escala de medición es nominal aun cuando los datos son mostrados como valores numéricos.

1. Coke 2. Pepsi 3. 7-Up 4. Country Club El partido político al que pertenecen los miembros de las cámaras de senadores y diputados del país.


9

10

Los datos evaluados en escala nominal en ocasiones suelen llamarse observacones cualitativas, porque describen una cualidad de la persona o casa estudiada, y observaciones categóricas, si los valores caen en categorías. En general, los datos nominales o cualitativos se describen en términos de porcentajes o proporciones. A menudo se utilizan las tablas de contingencia y las gráficas de barras para mostrar este tipo de información. Nivel de medici ón or din al.

La escala de medición para una variable es ordinal si los datos tienen propiedades de datos nominales y el orden de los datos es significativa. Mediciones que jerarquizan los datos en categorías, ordenadas en virtud de un determinado criterio. Implica datos que pueden acomodarse en algún orden, pero no es posible determinar diferencias entre los valores de los datos, o tales diferencias carecen de significado. Los datos para una escala ordinal podrían ser no numéricos o numéricos. Este nivel ordinal proporciona información sobre comparaciones relativas, pero los grados de las diferencias no se pueden usar en cálculos. Ejemplos: Los productos de un determinado almacén pueden ser clasificados como "buenos", "mejores" y "óptimos". Un editor califica algunos manuscritos como "excelentes", otros como "buenos" y algunos como "malos". (No podemos encontrar una diferencia cuantitativa especifica entre "bueno" y "malo"). La Revista Money clasificación las inversiones a partir de los niveles de riesgos "bajo", "alto" y "muy alto". Nivel de medición de intervalos.

La escala de medición para una variable es una escala de intervalo si los datos tienen las propiedades de datos ordinales y el intervalo entre observaciones se expresa [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

10

11

en términos de una unidad fija de medida. Los datos de intervalos siempre son numéricos. Es como el nivel ordinal, con la propiedad adicional de que podemos determinar magnitudes de diferencias entre los datos que tienen algún significado. Sin embargo, no hay un punto de partida o cero inherente (natural) en el que la cantidad este totalmente ausente. Mediciones respecto de una escala numérica en la cual el valor del cero es arbitrario, pero la diferencia de valores es importante. La escala Fahrenheit de temperaturas es un ejemplo de escala de intervalos: 70 grados no sólo significan una temperatura mayor que 60 grados, sino que existe la misma diferencia de 10 grados que entre 100 y 90 grados Fahrenheit. Las temperaturas promedian anuales (en grados Celsius) de las capitales de todos los estados de los Estados Unidos. Los años 1000, 2000, 1776 y 1944.

Nivel de medición de proporción o de razón.

de medición es una de razón si los tienen todas La las Escala propiedades de lospara datosunadevariable intervalos y elescala cociente de los dosdatos valores es significativa. Variables como distancia, peso, altura y tiempo emplean la escala de razón. Un requisito de esta escala es que pede contener un valor cero que indica que no existe nada para una variable en el punto cero. Mediciones numéricas en las cuales el cero es un valor fijo en cualquier escala y la diferencia de valores es importante. Es el nivel de intervalo modificado para incluir el punto de partida o cero inherente (donde cero indica que nada de la cantidad esta presente). Para los valores de este nivel, tanto las diferencias como las razones tienen significado. De los cuatro niveles de medición, sólo la escala de proporción o de razón se basa en un sistema numérico en el cual el cero tiene sentido. Por consiguiente, las operaciones aritméticas de multiplicación y división también adquieren una interpretación racional. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

11

12

Mediciones tales como el peso, el tiempo y la distancia se miden en escala de proporción, puesto que el cero ocupa un lugar natural. Ejemplo: Distancia (en kilómetros) recorridas por automóviles en una prueba de consumo de combustible. Longitudes (en minutos) de películas de cine. Los valores de cada una estas colecciones de datos se pueden acomodar en orden, las diferencias pueden calcularse y existe un punto de partida o cero inherente. Este nivel se denomina "razón" porque el punto de partida hace que las razones o cocientes tengan significado. Nivel Nominal

Ordinal

De Intervalo

De Razón

Resumen Sólo categorías. Los datos no pueden acomodarse en un esquema de ordenamiento. Las categorías están ordenadas, pero no es posible determinar diferencias, o éstas carecen de significado. Se pueden calcular diferencias entre valores, pero no existe un punto de partida inherente. Los cocientes no tienen significado. Igual que el intervalo, pero con un punto de partida inherente. Los cocientes tienen significado

Ejemplo

Observación

Autos de estudiantes: Sólo categorías o 10 Mercedes Benz nombres 20 BMW 40 Toyota Vehículos de los estudiantes: 10 compactos 20 medianos 40 grandes

Se determina un orden con “compactos, medianos y grandes”.

Temperaturas: 45º C 80º C 90º C

90º no es dos veces más caliente que 45º C.

Pesos de deportistas 140 kg es dos veces universitarios: 70 kg. 70 kg 85 kg 140 kg


12

13

En este estudio primero se identifican las variables de interés. Luego se identifican o controlan una o más variables, de modo que se puedan obtener datos de cómo influyen en la variable de interés. Por ejemplo, a una empresa farmacéutica le puede interesar un experimento para determinar la forma en que una nueva medicina afecta la presión sanguínea. Estudio Experimental:

Es cuando aplicamos algún tratamiento y luego procedemos a observar su efecto sobre los sujetos. No se trata de controlar las variables de interés, ni de influir sobre ellas. Quizás el tipo más común de estudio observasional es la encuesta. Por ejemplo, para una encuesta personal se identifican primero las preguntas de investigación; a continuación se diseña un cuestionario y se administra a una nuestra de individuos. Estudio estadístico No Experimentales u Observasionales:

En este estudio observamos y medimos características especificas, pero no intentamos manipular ni modificar los sujetos que estamos estudiando. Muestra: Es un subconjunto de elementos extraídos de una población.

- Es una porción representativa de la población, que se selecciona para su estudio porque la población es demasiado grande para analizarla en su totalidad. Se seleccionan los miembros de la población de modo que cada uno tenga la misma probabilidad de ser escogido. Muestra Aleatoria o Probabilística:

Son muestras en que los elementos a seleccionar se obtienen con base en la probabilidad. Cada elemento de una población tiene cierta probabilidad de ser elegido como parte de la muestra. Una muestra es seleccionada de modo que todos los elementos de la población tienen la misma probabilidad de ser elegidos. De igual manera, todas las muestras de tamaño n tienen la misma posibilidad de ser elegidas. La muestras aleatorias simples se obtienen por muestreo con reemplazo en una población finita o por muestreo sin reemplazo en una población sin reemprazo. Muestra Aleatoria Simple:

Una muestra aleatoria simple de n sujetos se selecciona de tal manera que toda posible muestra de tamaño n tenga la misma probabilidad de ser escogida.


13

14

Subdividimos la población en por lo menos dos subpoblaciones (o estratos) distintas que comparten categorías (como genero), y luego sacamos una muestra de cada estrato. Muestreo Estratificado:

Si los tamaños de muestra de los distintos estratos reflejan la población general, decimos que tenemos un muestreo proporcional. Muestra que se obtinen al estratificar el marco muestral y luego seleccionar un número fijo de elementos de cada uno de los estratos pro promedio de una técnica de muestreo aleatorio simple. Muestra que se obtinene al estratificar el marco muestral y luego seleccionar de cada estrato un número de elementos en proporción al tamaño de los estratos, por medio de una técnica de muestreo aleatorio simple. Muestreo Proporcional:

Cuando se extrae una muestra aleatoria proporcional, el marco muestral se subdivide en varios estratos y luego de cada estrato se extrae una submuestra. Una forma conveniente de expresar el concepto de muestreo proporcional es establecer una proporción. Por ejemplo, “uno de cada 150”, le induce a seleccionar un (1) elemento por cada 150 elementos en el estrato. Seleccionamos un punto inicial y luego seleccionamos cada késimo (digamos, cada quincuagésimo) elemento de la población. Muestreo sistemático:

La técnica sistemática es fácil de describir y ejecutar; no obstante, conlleva algunos peligros cuando el marco muestral es repetitivo o de naturaleza cíclica. En estas condiciones, puede que los resultados no se aproximen a una muestra aleatoria simple. Muestreo por cúmulos o conglomerados: Muestreo

que se obtiene al muestrear algunas, pero no todas, las subdivisiones posibles que hay dentro de una población. Estas subdivisiones, denominadas conglomerados, a menudo ocurren de manera natural dentro de la población. Primero dividimos el área de la población en secciones (o cúmulos) y luego seleccionamos aleatoriamente unas cuantas de esas secciones escogiendo todos los miembros de las secciones seleccionadas. Una diferencia importante muestreo por cúmulos y el estratificado es que en el muestreo por cúmulos se entre usan el todos los miembros de cúmulos seleccionados, [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

14

15

mientras que en el muestreo estratificado se usa una muestra de miembros de cada estrato. Muestreo de conveniencia o de juicio:

Simplemente utilizamos resultados que ya están

disponibles. Las muestras son elegidas con base en el hecho de que son típicas. Cuando se obtiene una muestra de juicio, la persona que elabora la muestra elige unidades que considera representativas de la población. La validez de los resultados de una muestra de juicio refleja la solidez del juicio del recolector de datos. Es la diferencia entre el resultado de una muestra y el verdadero resultado de la población; tal error es consecuencia de las fluctuaciones aleatorias de las muestras. Error de muestreo:

Este error ocurre cuando los datos de una muestra se obtienen, registran o analizan de forma incorrecta. Tal error es consecuencia de una equivocación y no de una fluctuación aleatoria y predispuesta, cuando se usa un instrumento de medición defectuoso, cuando se hacen preguntas predispuestas en una encuesta, cuando mucha gente se niega a responder o cuando se cometen errores al copiar los datos de la muestra. Error de muestreo:

Tendencia a favorecer la elección de unos determinados elementos de la muestra en detrimento de otros. Sesgo muestral:

Este análisis de las muestras conduce a distinguir entre las dos ramas principales del análisis estadístico: 1) Estadística descriptiva o deductiva, y 2) Estadística inferencial o inductiva.


15

16

Tabla de Frecuencias y Gráficos Estadísticos Herramientas estadísticas que resultan de particular utilidad para organizar los datos. - Tabla de frecuencia es un resumen tabular de un conjunto datos donde se muestra la frecuencia (o cantidad) del objeto de estudio en cada una de varias clases. 270 278 250 278 290 274 242 269 257 272 265 263 234 270 273 270 277

273 201 275 260 286 272 284 282 278 268 263 273 282 285 289 268 208

258 264 281 262 278 265 241 267 295 283 281 209 276 273 263 218 271

204 265 271 273 283 275 276 282 270 256 268 259 272 269 270 251 208

254 223 263 274 262 263 200 272 268 206 280 287 257 284 279 252 280

228 274 277 286 277 251 278 277 286 277 289 269 267 276 206 284 269

282 230 275 236 295 289 283 261 262 252 283 277 204 286 270 278 270

294 279 268 230 268 278 268 262

292 275 279 276 242 285 273 268

289 223 217 225 283 292 270 262

290 220 259 282 277 282 256 293

215 281 291 276 285 287 297 290

284 268 291 289 293 277 280 274

283 272 281 288 248 266 256 292


16

17

TABLA DE FRECUENCIA

CLASES FREC. FREC. FREC . LI LS ABS. REL. ABS. ACU M. 1 200 209 9 0,051 9 2 210 219 3 0,017 12 3 220 229 5 0,029 17 4 230 239 4 0,023 21 5 240 249 4 0,023 25 6 250 259 14 0,080 39 7 260 269 32 0,183 71 8 270 279 52 0,297 123 9 280 289 38 0,217 161 10 290 299 14 0,080 175 TOTALE 175 1,000 S

FREC. MARCA

FREC.

REL. DE X MARCA ACUM. CLASE DE CLASE 0,0514 204,5 1.840,50 0,0686 214,5 643,50 0,0971 224,5 1.122,50 0,1200 234,5 938,00 0,1429 244,5 978,00 0,2229 254,5 3.563,00 0,4057 264,5 8.464,00 0,7029 274,5 14.274,00 0,9200 284,5 10.811,00 1,0000 294,5 4.123,00 46.757,50

- Gráficos que pueden proporcionar una representación visual de los datos. Gráficos.


17

18

HISTOGRAMA.

Consiste en una escala horizontal para valores de los datos que se están representando, una escala vertical para las frecuencias, y barras que representan la frecuencia de cada clase de valores. El eje horizontal pueden ser colocadas las marcas de clase. Coloca las clases de una distribución de frecuencia en el eje horizontal y las frecuencias en el eje vertical. 60

52

50 38

40 FRECUENCIAS

32

30 20 10

14

9 3

5

4

4

214,5

224,5

234,5

244,5

14

0 204,5

254,5

264,5

274,5

284,5

MARCAS DE CLASES TABLA DE FRECUENCIA


FREC. MARCA

FREC.



18

294,5

19

HISTOGRAMA DE FRECUENCIA RELATIVA.

Tiene la misma forma y escala horizontal que un histograma, pero la escala vertical se marcara con frecuencias relativas en lugar de frecuencias reales o absolutas.

FRECUENCIAS RELATIVAS

0,350 0,300 0,250 0,200

0,297 0,217

0,183

0,150 0,100 0,050 0,000

0,051

20

5 4,

21

0,080

0,080

0,017 0,029 0,023 0,023 5 4,

22

5 4,

23

5 4,

24

5 4,

25

5 4,

26

5 4,

27

5 4,

28

MARCAS DE CLASES

TABLA DE FRECUENCIA


FREC. MARCA

FREC.



19

5 4,

29

5 4,

20

DIAGRAMA DE BARRAS.

Este puede mostrar cantidades o porcentajes para dos o más valores sobre el eje vertical. Es una forma de gráfica de representar datos cualitativos que se han resumido en una distribución de frecuencias, de frecuencias relativas o porcentuales. Para los datos cualitativos, las barras deben estar separadas par enfatizar el hecho de que cada clase (categoría) es separada. Relacion Ingresos/Costos 30000 20000

Ingresos

10000

Costos

0 10

20

30

40

50

60

70

80

90 100 110 120 130 140 150 160 170 180 190 200

Unidades Produc idas y Ve ndidas

ANALISIS DE PUNTO DE EQUILIBRIO

CANTIDAD COSTO PRECIO COSTO COSTO UNIDADES UNITARIO FIJO VARIABL TOTAL E

PRECIO UNITARI INGRESOS BENEFICI O O

10 20 30 40 50 60 70 80 90 100 110 120 130 140

60 60 60 60 60 60 60 60 60 60 60 60 60 60

7.500 7.500 7.500 7.500 7.500 7.500 7.500 7.500 7.500 7.500 7.500 7.500 7.500 7.500

600 1.200 1.800 2.400 3.000 3.600 4.200 4.800 5.400 6.000 6.600 7.200 7.800 8.400

8.100 8.700 9.300 9.900 10.500 11.100 11.700 12.300 12.900 13.500 14.100 14.700 15.300 15.900

130 130 130 130 130 130 130 130 130 130 130 130 130 130

1.300 2.600 3.900 5.200 6.500 7.800 9.100 10.400 11.700 13.000 14.300 15.600 16.900 18.200

-6.800 -6.100 -5.400 -4.700 -4.000 -3.300 -2.600 -1.900 -1.200 -500 200 900 1.600 2.300

150 160 170

60 60 60

7.500 7.500 7.500

9.000 9.600 10.200

16.500 17.100 17.700

130 130 130

19.500 20.800 22.100

3.000 3.700 4.400


20

21

180 190 200

60 60 60

7.500 7.500 7.500

10.800 11.400 12.000

18.300 18.900 19.500

130 130 130

23.400 24.700 26.000

5.100 5.800 6.500

DIAGRAMA DE TALLO Y HOJAS.

En una grafica de tallo y hojas ordenamos los datos según un patrón que revela la distribución subyacente. Dicho patrón implica separar un numero (como 257) en dos partes, por lo regular el primer digito o los dos primeros (25) y los demás dígitos (7). El tallo consiste en los dígitos de la izquierda (en este caso 25) y las hojas consisten en los dígitos de la derecha (en este caso 7). DIAGRAMA DE TALLOS Y HOJAS 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 20 21 22 23 24 25 26 27 28 29

0 5 0 0 1 0 0 0 0 0

1 7 3 0 2 1 1 0 0 0

4 8 3 4 2 1 2 0 0 0

4 6 6 8 8 9 5 6 8 2 2 0 1 1

8

2 2 0 1 1

4 2 0 1 2

6 2 0 1 2

6 3 0 2 2

6 3 1 2 3

7 3 1 2 3

7 3 2 2 4

8 3 2 2 5

9 4 2 2 5

9 5 5 5 6 7 7 8 8 8 8 8 8 8 8 8 9 9 9 9 2 2 3 3 3 3 3 3 4 4 4 4 5 5 5 5 6 6 6 6 6 7 7 7 7 7 3 3 3 3 3 3 4 4 4 4 5 5 5 6 6 6 6 7 7 8 9 9 9 9 9 7


21

22

POLIGONOS DE FRECUENCIA Y POLIGONO DE PORCENTAJE.

El proceso de construcción de un polígono de frecuencias es similar al del histograma excepto que sólo un punto sobre el punto medio de cada intervalo se utiliza para indicar la frecuencia y los puntos adyacentes se conectan mediante segmentos de líneas.

FRECUENCIAS

60 50 40 30 20 10 0

52 38

32 9

14 3

5

4

14

4

204,5 214,5 224,5 234,5 244,5 254,5 264,5 274,5 284,5 294,5 MARCAS DE CLASES

TABLA DE FRECUENCIA


FREC. MARCA

FREC.



22

23

GRAFICA DE SERIES DE TIEMPO.

Es una grafica de línea en la que la línea base representa el tiempo. ESTUDIANTES MATRICULADOS EN EL NIVEL SUPERIOR, POR INSTITUCION. INSTITUCIÓ N

A O DE AÑOS FUNDACIO N

UASD

1538

PUCMM

1962

UNPHU

1967

INTEC

1974

UNIBE

1982

1994

1995

1996

1997

41.139

51.432

62.058

81.753

8.560

8.816

9.081

9.438

6.124

6.171

6.220

6.044

3.074

2.369

2.335

2.803

1.747

1.665

1.910

1.947


23

24

ESTUDIANTES MATRICULADOS EN EL NIVEL SUPERIOR 90.000 80.000 70.000 60.000 50.000 40.000 30.000 20.000 10.000 -

UASD PUCMM UNPHU INTEC UNIBE 1994

1995

1996

1997


24

25

CURVA DE OJIVA.

FRECUENCIAS ACUMULADAS

1,2000 1,0000 0,8000 0,6000 0,4000 0,2000 0,0000

0,9200 0,7029 0,4057 0,0971 0,0514

0,1200

0,1429

0,2229

0,0686

204,5 214,5 224,5 234,5 244,5 254,5 264,5 274,5 284,5 2 MARCAS DE CLASES

Es una gráfica de una distribución acumulada. Los valores de los datos están en el eje horizontal y las frecuencias acumuladas, frecuencias relativas acumuladas se muestran en el eje vertical. TABLA DE FRECUENCIA

CLASES FREC. FREC. FREC FREC. MARCA . LI 1 2 3 4 5 6 7 8 9 10

LS

ABS.

200 209 210 219 220 229 230 239 240 249 250 259 260 269 270 279 280 289 290 299 TOTALE S

9 3 5 4 4 14 32 52 38 14 175

REL. ABS. ACU M. 0,051 9 0,017 12 0,029 17 0,023 21 0,023 25 0,080 39 0,183 71 0,297 123 0,217 161 0,080 175 1,000

FREC.

REL. CLASE DE X MARCA ACUM. DE CLASE 0,0514 204,5 1.840,50 0,0686 214,5 643,50 0,0971 224,5 1.122,50 0,1200 234,5 938,00 0,1429 244,5 978,00 0,2229 254,5 3.563,00 0,4057 264,5 8.464,00 0,7029 274,5 14.274,00 0,9200 284,5 10.811,00 1,0000 294,5 4.123,00 46.757,50


25

26

DIAGRAMA DE PARETO.

Es una grafica de barras en la que las barras se acomodan en orden según la frecuencia. Al igual que los histogramas, las escalas verticales de los diagramas de Pareto pueden representar frecuencias o frecuencias relativas. En este la barra mas alta queda a la izquierda, y la más pequeña a la derecha. Paises o territorios con mayor numero de inmigrantes 25.000.000

20.000.000

15.000.000

10.000.000

5.000.000

0

s o id n U s o d a t s E

ia c n a r F

ia n a m le A

a d a n a C

a it d u a S ia b a r A

o d i n

U o n i e R

n a r I

io r o v A a t s o C

g n o K g n o H

a n it n e g r A

a li a t I

Países o territorios con el mayor numero de inmigrantes Datos del 1990 País o territorio Numero de Inmigrant es Estados Unidos 19.602.72 5 Francia 5.897.370 Alemania 5.037.072 Canadá 4.265.626 Arabia Saudita 4.037.518 Reino Unido 3.718.295 Irán 3.587.697 Costa Avorio 3.440.419 Hong Kong 2.271.226 Argentina 1.675.033 Italia 1.549.259 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

26

27

DIAGRAMA CIRCULAR, DE SECTORES O TORTAS.

Es de especial utilidad para mostrar proporciones (porcentajes) relativas de una variable. Se utiliza para representar variables cualitativas. Por ejemplo si una determinada categoría representa el 57.8% del total de los datos u observaciones, el ángulo central deberá ser de 0.578 x 360º = 208º. TABLA DE FRECUENCIA

CLASES FREC. FREC. FREC FREC. MARCA . LI 1 2 3 4 5 6 7 8 9 10

LS

ABS.

200 209 210 219 220 229 230 239 240 249 250 259 260 269 270 279 280 289 290 299 TOTALE S

9 3 5 4 4 14 32 52 38 14 175

8%

REL. ABS. ACU M. 0,051 9 0,017 12 0,029 17 0,023 21 0,023 25 0,080 39 0,183 71 0,297 123 0,217 161 0,080 175 1,000

5%

REL. CLASE DE X MARCA ACUM. DE CLASE 0,0514 204,5 1.840,50 0,0686 214,5 643,50 0,0971 224,5 1.122,50 0,1200 234,5 938,00 0,1429 244,5 978,00 0,2229 254,5 3.563,00 0,4057 264,5 8.464,00 0,7029 274,5 14.274,00 0,9200 284,5 10.811,00 1,0000 294,5 4.123,00 46.757,50

3% 2%

200 - 209

2% 2%

8%

22%

FREC.

210 - 219 220 - 229 230 - 239 240 - 249 250 - 259 260 - 269

18%

270 - 279 280 - 289 30%

290 - 299


27

28

PICTOGRAMA.

Expresan con dibujos alusivos al tema de estudio las frecuencias de las modalidades de la variable. Estos gráficos se hacen representado en diferentes escalas un mismo dibujo. La escala de los dibujos debe ser tal que el area de cada uno de ellos sea proporcional a la frecuencia de la modalidad que representa. Se utiliza para representar variables cualitativas. DIAGRAMA DE DISPERSION O DISPERSIOGRAMA.

Hay ocasiones en que tenemos datos apareados de manera que se establece una correspondencia entre cada valor de un conjunto de datos y un valor de un segundo conjunto de datos. Un diagrama de dispersión es una grafica de los datos (x,y) apareados con un eje "x" horizontal y un eje "y" vertical. En un diagrama de dispersión cada marca (punto o raya) representa la intersección de dos valores - hay una marca para cada par de observaciones de los temas. El propósito principal de la grafica es mostrar de manera grafica la relación entre dos. La relación no es lineal sino curvilínea. CAMPA A PUBLICITARIA PARA VENTAS DE PASAJES AEREOS Y X Y OBSERVACI VENTAS PUBLICIDA 4.38625+1.08132 S. D X MES 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 TOTALES

EN EN MILES MILES 15 10 17 12 13 8 23 17 16 10 21 15 14 10 20 14 24 19 17 10 16 11 18 13 23 16 15 10 16 12 268 187

15,20 17,36 13,04 22,77 15,20 20,61 15,20 19,52 24,93 15,20 16,28 18,44 21,69 15,20 17,36


28

29

Pasajes Aereos vendidos en base a la publicidad 30,00 25,00 20,00 15,00 10,00 5,00 0,00

Pasajes Aereos

0

5

10

15

20


29

30

Medidas de Tendencias Central Una medida de tendencia central es un valor que está en el centro o punto medio de un conjunto de datos. Es una medida que ubica e identifica el punto alrededor del cual se centran los datos. Es un valor númerico que localiza, de alguna manera el centro de un conjunto de datos.

La Media Aritmética

La Media Aritmética o Promedio de un conjunto de puntajes es el valor que se obtiene

sumando los puntajes y dividiendo el total entre el numero de puntajes. La media es el punto que menos dista de todas las observaciones. Por esta razón a veces se le considera como el centro de gravedad de los datos. La media es un una medida más confiable que la mediana y la moda, porque tiene un menor error de muestreo. Además la media también tiene más facilidad para un tratamiento estadístico posterior que la mediana o la moda. Es una medida que toma en consideración todos los valores de la distribución. Esto es positivo, pero por la misma razón es muy sensible a la presentación de observaciones extremas que hacen que la media se desplace hacia ellas. En consecuencia no es recomendable usar la media como medida de tendencia central en estos casos, pues la cantidad obenida no es representativa del total de los datos. Tiene la ventaja de que es la única y siempre se puede calcular. Pero cuando se trabaja con datos agrupados, la división en intervalos influye en el valor resultatne de la media. La media es el estadístico de centralización más utilizado para realizar inferencias debido a una buena propiedad matemática que posee: es el centro de gravedad de la distribución. Depende de todas y cada una de las observaciones. El valor de la media puede no coincidir con uno de los valores de la variable. Si consideramos una variable discreta, por ejemplo, “número de hijos en las familias de un

barrio” de el la valor de la media puede resultar x’=2.5 hijos, que no pertenece al conjunto de valores variable. La media es el promedio más utilizado. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

30

31

Para datos no agrupados:

Media Poblacional  = Xi/N =(X1 + X2 + X3...XN)/N Media Muestral  = Xi/n=(X1 + X2 + X3...XN)/n Para datos agrupados:

Media  = *M/n=M/=(1*M1+2*M2+...n*Mn)/

La Mediana o Media Posicional de un conjunto de puntajes es el valor que esta en medio, cuando los puntajes se acomodan en orden de magnitud creciente (o decreciente). La Mediana o Media Posicional

La mediana deja a un lado y al otro lado de la distribución el mismo número de observaciones. Como medida descriptiva, tiene la ventaja de no estar afectada por las observaciones extremas, ya que no depende de los valores que toma la varible, sino del orden de los mismos. Por ello, es adecuado su uso en distribuciones que presentan observaciones extremadamente grandes o pequeñas. La mediana es la medida de localización que se utiliza con más frecuencia para datos de ingreso anual y valores catastrales, pues con unos pocos ingreos o con propieades extremadamente grandes se puede inflar la media. En esos casos, la mediana es una mejor medida de la tendencia central. La mediana es el valor de la variable que deja por encima y por debajo la misma cantidad de datos (una vesz que éstos han sido ordenados de menor a mayor). Al contrario de la media, en su cálculo no interviene más que el valor (o valores centrales). Esta particularidad ofrece: Ventajas: No se ve afectada por la aparición de observaciones anómalas. Por ello, en tales casos la podemos considerar como una medida más representativa de la mayor parte de los datos que la media. Inconvenientes: No utiliza toda la información de los datos (sólo los valores centrales).


31

32


Posición de la Mediana = (n + 1)/2 1.- Si el numero de puntajes es impar, la mediana es el numero que esta situado exactamente a la mitad de la lista. 2.- Si el numero de puntaje es par, la mediana se obtiene calculando la media de los dos números que están a la mitad. Para datos agrupados:

Me = LImd + [(n/2 - F)/fmd] (C) md = clase mediana Clase Mediana es la clase cuya frecuencia acumulada es mayor que o igual a n/2. LImd = limite inferior de la clase de la mediana. F = frecuencia acumulada de la clase que antecede a la clase de la mediana. fmd = es la frecuencia de la clase de la mediana. C = Es la anchura de la clase (es la diferencia entre dos LS consecutivos o entre dos LI consecutivos).

La Moda La Moda de un conjunto de datos es el puntaje que ocurre con mas frecuencia.

La observación modal es la observación que ocurre con mayor frecuencia. Es el punto donde donde se concentra el mayor número de observaciones. Se puede calcular para todo tipo de variables, incluidas las cualitativas. Puede no ser única. Cuando hay dos o más modas hablamos de distribuciones bimodales o plurimodales respectivamente.


32

33


Mo = Mayor Frecuencia Para datos agrupados:

Mo = LImo + [1/(2+1)]*(C) mo = clase modal Clase Modal es la clase que tiene la mayor frecuencia. LImo = limite inferior de la clase modal 1 = diferencia entre la frecuencia de la clase modal y la clase que la antecede. 2 = diferencia entre la frecuencia de la clase modal y la clase que le sigue. C = Es la anchura de la clase (es la diferencia entre dos LS consecutivos o entre dos LI consecutivos).

La Mediana Ponderada Media de una colección de puntajes a los que se asignado diferentes grados de importancia. Media Ponderada w = (X*W)/W W = es el peso o ponderación asignada a cada Observación. Media Ponderada:

La Media Geométrica Media Geométrica de números positivos.puede utilizarse para mostrar los cambios porcentuales en una serie

La media geométrica proporciona una medida precisa de un cambio porcentual promedio en una serie de números. MG = X1*X2*X3*...Xn La media geométrica se utiliza con mas frecuencia para calcular la tasa de crecimiento porcentual promedio de algunas series dadas, a través del tiempo. TAREA: RELACION ENTRE LA MEDIA, MEDIANA Y MODA. VENTAJAS Y DESVENTAJAS OBSERVACIONES PARA EL USO DE LAS MISMAS. Observaciones: 1. La media se usa para datos numéricos y distribuciones simétricas (no sesgadas o cargadas). 2. La mediana se utiliza para datos ordinales o para datos numéricos si la distribución está cargada o sesgada. 3. La moda se utiliza principalmente para distribuciones bimodales. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

33

34

MEDIA ARITMETICA: Para datos no agrupados:

Media Poblacional  = Xi/N =(X1 + X2 + X3...XN)/N Media Muestral  = Xi/n=(X1 + X2 + X3...XN)/n Para datos agrupados:

Media  = *M/n=M/=(1*M1+2*M2+...n*Mn)/ MEDIANA Para datos no agrupados:

Posición de la Mediana = (n + 1)/2 Para datos agrupados:

Me = LImd + [(n/2 - F)/fmd] (C) md = clase mediana Clase Mediana es la clase cuya frecuencia acumulada es mayor que o igual a n/2.

LImd = limite inferior de la clase de la mediana. F = frecuencia acumulada de la clase que antecede a la clase de la mediana. fmd = es la frecuencia de la clase de la mediana. C = Es la anchura de la clase (es la diferencia entre dos LS consecutivos o entre dos LI consecutivos). MODA Para datos no agrupados: Mo = Mayor Frecuencia Para datos agrupados:

Mo = LImo + [1/(2+1)]*(C) mo = clase modal Clase Modal es la clase que tiene la mayor frecuencia. LImo = limite inferior de la clase modal 1 = diferencia entre la frecuencia de la clase modal y la clase que la antecede. 2 = diferencia entre la frecuencia de la clase modal y la clase que le sigue. C = Es la anchura de la clase (es la diferencia entre dos LS consecutivos o entre dos LI consecutivos).


34

35

MEDIDAS DE DISPERSION O VARIABILIDAD.

Las medidas de dispersión miden que tanto se dispersan las observaciones alrededor de su media. El propósito de estas es cuantificar el grado de variación entre el conjunto de valores de una distribución. La variabilidad se refiere a que tan grandes son las diferencias entre los valores evaluados. EL RANGO O RECORRIDO (INTERVALO).

Es la medida de dispersión más simple y menos útil. Esta se obtiene de la diferencia entre la observación más alta y la mas baja. Re = X máx – X mín VALORES DE DESVIACION.

Para la variabilidad, se consideran las diferencias entre la media y cada valor. Estas diferencias se llaman valores de desviación. Valores de desviación = X- _ Valores de desviación = X-X VARIANZA.

Es el promedio de las observaciones respecto a su media elevadas al cuadrado. Es la media de la diferencia cuadráticas de N puntuaciones en relación a su media aritmética. La varianza es útil para comparar la dispersión, o variabilidad, de dos conjuntos de tatos. Al comparar conjuntos de datos, el que tiene mayor varianza tiene mayor dispersión o variabilidad. La Varianza para una Población ( ² = suma de cuadrados).

²=[(Xi-)²]/N ²  0 Procedimiento para calcular La Varianza para una Población ( ² = suma de cuadrados) [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

35

36

1. Encuentre la desviación de cada valor de la media: Valores de desviación = X 2. Eleve al cuadrado cada valor de desviación: (Xi-)² 3. Realice la sumatoria de cada valor de desviación elevado al cuadrado: (Xi- )² 4. Encuentre la varianza dividiendo la sumatoria anterior entre N (totalidad de las observaciones). La Varianza para una muestra de datos no agrupados (s²).

s²=[(Xi-X)²]/n-1 La Varianza de la muestra de datos agrupados (s²).

s²=[M²-nX²]/n-1 LA DESVIACION ESTANDAR.

Es la raíz cuadrada de la varianza. Es una medida importante de la dispersión de los datos. Esta regresa a la medición de los valores srcinales, así tiene mas valor descriptivo directo. La desviación estándar es más útil para describir la variabilidad de un conjunto de datos que la varianza. La desviación estándar lleva las mismas unidades que los valores srcinales. La Desviación Estándar para una población.

=² La Desviación Estándar para una muestra.

s=s²


36

37

La Desviación Media o Absoluta.

Se define como el promedio de la suma de las diferencias en valor absoluto de los valores de la variable con respecto a la media. Desviación media= |Xi-X|/n Coeficiente de Variación.

Este sirve como medida relativa de dispersión. Determina el grado de dispersión de un conjunto de datos relativo a su media. CV = s/X(100)


37

38

Los Cuantiles.

Cuando los valores ordenados de una variable han de ser divididos en grupos homogéneos en cuanto al tamaño, se suelen utilizar los cuantiles. Entre los cuantiles más utilizados se encuentran: Los cuartiles Q Los deciles D Los percentiles P Cuartiles.

Así como la mediana divide los datos en dos partes iguales, los tres cuartiles, denotados por Q1, Q2 y Q3, dividen los puntajes clasificados en cuatro partes iguales. (Los puntajes se clasifican cuando se acomodan en orden). A grandes rasgos: Q1 separa el 25% inferior de los puntajes clasificados del 75% superior; - al menos el 25% de los datos es <= Q1 - al menos el 75% de los datos es >= Q1 - N/4 = 25 - Q1 = P25 Q2 es la mediana; - 2N/4 = 50 - Q2 = P50 Q3 separa el 25% superior del 75% inferior - al menos el 75% de los datos es <= Q3 - al menos el 25% de los datos es >= Q3 - 3N/4 = 75 - Q3 = P75 Los Deciles.

Hay nueve deciles, denotados por D1, D2, D3, D4, D5, D6, D7, D8, D9, que dividen los datos en 10 grupos con aproximadamente el 10% de los datos en cada grupo.


38

39

El primer decil es la observación debajo de la cual se encuentra el 10% de las observaciones, mientras que el 90% restante se encuentra encima de este. - al menos el 10% de los datos es <= D1 - al menos el 90% de los datos es >= D1 D1 = P10 D2 = P20 D3 = P30 : . D9 = P90 Los Percentiles.

Hay 99 percentiles (P1, P2, P3 ... P99), que dividen los datos en 100 grupos con aproximadamente el 1% de los puntajes en cada grupo. - al menos el 1% de los datos es <= P1 - al menos el 99% de los datos es >= P1 Ubicación de un Percentil.

Lp = (n + 1) (P/100) Lp es el sitio del percentil deseado en una serie ordenada. n es el numero de observaciones P es el percentil deseado Percentil de un puntaje.

Percentil del puntaje x = numero de puntajes menores que x . 100 numero total de puntajes Otras Medidas de Tendencia Central con los Cuantiles.

intervalo intercuartiles = Q3 - Q1 intervalo semiintercuartiles = Q3 - Q1 (desviación del cuartil) 2 cuartil medio = Q3 2 + Q1 intervalo de percentiles 10-90 = P90 - P10 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

39

40

L os cuar ti les (Q) para datos agrupados TABLA DE FRECUENCIA

CLASES FREC. FREC. FREC FREC. MARCA FREC. . LI LS ABS. REL. ABS. REL. DE X MARCA ACU ACUM. CLASE DE M. CLASE 12 3 4 5 6 7 8 9 10

200 210 209 219 220 229 230 239 240 249 250 259 260 269 270 279 280 289 290 299 TOTALE S

93 5 4 4 14 32 52 38 14 175

0,051 0,017 0,029 0,023 0,023 0,080 0,183 0,297 0,217 0,080 1,000

9 12 17 21 25 39 71 123 161 175

0,0514 0,0686 0,0971 0,1200 0,1429 0,2229 0,4057 0,7029 0,9200 1,0000

204,5 214,5 224,5 234,5 244,5 254,5 264,5 274,5 284,5 294,5

1.840,50 643,50 1.122,50 938,00 978,00 3.563,00 8.464,00 14.274,00 10.811,00 4.123,00 46.757,50

Q1 = L I + N/4 – Fi-1 * C fi N/4 = 43. 75; prim era F i > N/4 = 71

Q1 = 260 + 43.75 – 39 * (10) = 261.48 32 Q2 = L I + 2N/4 – Fi-1 * C fi 2N/ 4 = 87. 50; pri mera F i > 2N/4 = 123

Q2 = 270 + 87.50 – 71 * (10) = 273.17 52 Q3 = L I + 3N/4 – Fi-1 * C fi 3N/4 = 131 .25; pr imera F i > 3N/4 = 161

Q3 = 280 + 131.25 – 123 * (10) = 282.17 38 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

40

41

CUARTILES

DECILES

PERCENTILES

Q1

ALOR QUE OCUPA N/4

Q2

ALOR QUE OCUPA 2N/4

Q3

ALOR QUE OCUPA 3N/4

D1

ALOR QUE OCUPA N/10

D2

ALOR QUE OCUPA 2N/10

D9

ALOR QUE OCUPA 9N/10

P1 P2 P99

ALOR QUE OCUPA N/100 ALOR QUE OCUPA 2N/100 ALOR QUE OCUPA 99N/100


41

42

Usos frecuentes de la desviación estándar. Teorema de Chebyshev (matemático ruso P.L. Chebyshev 1821-1894)

La proporción (o fracción) de cualquier conjunto de datos que queda a menos de K desviaciones estándar de la media siempre es al menos 1 - 1/K², donde K es cualquier numero positivo mayor que 1. Para K = 2 y K = 3, obtenemos los dos resultados específicos siguientes: - Al menos 3/4 (o el 75%) de todos los puntajes quedan a menos de 2 desviaciones estándar de la media (x-2s a x+2s). - Al menos 8/9 (o el 89%) de todos los puntajes quedan a menos de 3 desviaciones estándar de la media (x-3s a x+3s).


42

43

La distribución normal (o gaussiana) y la regla empírica.

La distribución normal es una distribución de datos continuos(*) (no discretos) que produce una curva simétrica en forma de campana. La distribución gaussiana fue presentada por Karl Friedrich Gauss (1777-1855) en el 1812. L a campana de Gauss o cur va de distri buci ón n orm al, cur va de pr obabilidad nor mal ; se caracteriza por:

- Es unimodal. - Es simétrica (la simetría es perfecta). - La mitad izquierda de su histograma es aproximadamente una imagen especular de su mitad derecha. - La asimetría de la distribución es cero. - Las colas de la curva se aproximan mas, pero nunca tocan, el eje horizontal. - La media, la mediana y la moda son iguales. - La mitad de las observaciones esta por encima de la media y la mitad esta por debajo. - Si las observaciones están altamente dispersas, la curva en forma de campana se aplanara y se esparcirá. (* ) Vari ables conti nu as:

Son las que pueden tomar cualquier valor dentro de un intervalo dado. Por muy próxima que puedan estar dos observaciones, si el instrumento de medida tiene la precisión suficiente siempre puede haber una tercera observación que caiga entre las dos primeras. Los valores de una variable continua proceden en general de mediciones, por ejemplo las cantidades de leche que las vacas producen son datos continuos porque son mediciones que pueden asumir cualquier valor dentro de un intervalo continuo. Se pueden obtener de un numero infinito de posibles valores que pueden asociarse a puntos de una escala continua, de tal manera que no haya huecos ni interrupciones.


43

44

La Regla Empírica o Regla 68-95-99.

Esta regla solo aplica a un conjunto de datos cuya distribución tiene aproximadamente forma de campana. Esta afirma que: - Cerca del 68% de todos los puntajes u observaciones queda a menos de una desviación estándar de la media. - Cerca del 95% de todos los puntajes u observaciones queda a menos de dos desviaciones estándar de la media. - Cerca del 99.7% de todos los puntajes u observaciones que a menos de tres desviaciones estándar de la media. Distribuciones de Datos Sesgadas.

Una distribución de datos esta sesgada, si no es simétrica y se extiende mas hacia un lado que hacia otro. Sesgo describe la falta de simetría en una distribución.

Los datos sesgados a la izquierda se dice que tienen sesgo negativo; la media y la mediana están a la izquierda de la moda. Generalmente tiene la media a la izquierda de la mediana. Sesgo negativo describe distribuciones asimétricas en la que la mediana excede a la media; la cola de la distribución es hacia los valores bajos.

Los datos sesgados a la derecha se dice que tienen sesgo positivo; la media y la mediana están a la derecha de la moda. Sesgo positivo describe distribuciones asimétricas en las que la media excede la mediana; los valores se alargan hacia los valores altos.

En ambos casos, la moda es por definición la observación que ocurre con mayor frecuencia, por tanto esta en el pico de la distribución.


44

45

Observaciones:

1. Si la media y la mediana son iguales, la distribución de los resultados suele ser simetrica. 2. Si la media es mayor que la mediana, la distribución se carga a la derecha. 3. Si la media es menor que la mediana, la distribución se carga a la izquierda. Coeficiente de Sesgo de Pearson.

P = 3 (Media - Mediana) s Si P < 0, los datos están sesgados a la izquierda. Si P > 0, los datos están sesgados a la derecha. Si P = 0, los datos están distribuidos normalmente.


45

46

Ejer cici os Pr opuestos. Cal cul e los modelos de tendencia central, repr esente gr áficamente cada situ ación e i nterpr ete los r esul tados.

Caso I. El precio que acostumbran a pagar 500 usuarias de un determinado producto aparece en la siguiente tabla: NUMERO DE PRECIOS

PRECIOS

5.05

10.05

USUARIAS 38

10.05

15.05

167

15.05 20.05

20.05 25.05

143 92

25.05

30.05

37

30.05

35.05

17

35.05

40.05

6

1. Construya una tabla de frecuencia. 2. ¿Cuál es el precio más representativo? 3. ¿Cuál es el precio que representa al sector socioeconómico que está equidistante de los sectores extremos? 4. ¿Cuál fue el precio que más pagaron estas usuarias? 5. Grafique un diagrama circular. 6. Grafique un Histograma.

Caso II. Se considera la distribución de los ingresos mensuales de una muestra de directores de enseñanza básica, según muestra la siguiente tabla: NUMERO DE INGRESOS

DIRECTORES

7,000.00

7,999.00

8,000.00

8,999.00

6

9,000.00

9,999.00

10

10,000.00

10,999.00

18

11,000.00

11,999.00

30

12,000.00

12,999.00

25

13,000.00

13,999.00

40

14,000.00

14,999.00

80

15,000.00

15,999.00

15

1. 2. 3. 4. 5. 6.

6

Construya una tabla de frecuencia. ¿Cuál es el ingreso más representativo de estos directores? ¿Cuál es el ingreso que representa a los directores están equidistantes de los extremos? ¿Cuál es el ingreso que más recibieron los directores? Grafique una curva de ojiva. Grafique un Polígono de frecuencia. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

46

47

Caso III. Una organización está por revisar el monto que los estudiantes invierten en textos cada semestre. Cincuenta estudiantes reportaron las cantidades aproximadas en dólares: DOLARES

NUMERO DE

INVERTIDOS

ESTUDIANTES

100

124

8

125

149

11

150

174

8

175

199

6

200 225

224 249

10 6

250

274

TOTALES

1. 2. 3. 4. 5. 6. 7.

1 50

Construya una tabla de frecuencia. ¿Cuál es la cantidad de dinero invertida que más representa a todos los estudiantes? ¿Cuál es la inversión más común entre los estudiantes? ¿Cuál sería la cantidad que representa la mitad de la inversión de todos los estudiantes? Grafique un diagrama circular. Grafique un Histograma. Grafique una curva de ojiva.

Caso IV. Un analista de la Secretaría de Estado de Trabajo está evaluando los sueldos de los empleados dominicanos para recomendar un reajuste salarial. Para esto tomo una muestra de 140 empleados, en base a la siguiente tabla: SUELDOS USA$

USA$

305

609

65

610

914

30

915

1,219

22

1,220

1,524

10

1,525

1,829

5

1,830

2,134

3

2,135

2,439

2

2,440

2,744

2

2,745

3,049

TOTALES

1. 2. 3. 4. 5. 6.

EMPLEADOS

1 140

Construya una tabla de frecuencia. ¿Cuál es el sueldo más representativo de estos empleados? ¿Cuál es el sueldo que representa la mitad? ¿Cuál es el sueldo más común? Grafique una curva de ojiva. Grafique un Polígono de frecuencia. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

47

48

7. Usando el coeficiente de sesgo de Pearson determine si está sesgada. 8. ¿Cómo está sesgada? ¿Por qué? 9. ¿Es simétrica? ¿Por qué? 10. ¿Es una distribución normal? ¿Por qué?

Caso V. Un estudiante de quinto semestre de administración de empresas está cursando 5 asignaturas, y estos estiman obtener las siguientes calificaciones: ASIGNATURA

NOTA

LETRA

CREDITOS

CONTABILIDAD DE COSTOS

80

B=3

5

INTR. AL DERECHO LAVORAL

90

A=4

3

METODOS CUANTITATIVOS

85

B=3

4

METODOG. DE LA INVESTIGACION

95

A=4

3

MERCADEO II

90

A=4

3

Determine cuál será el índice académico del semestre. Caso VI. Un fabricante de circuitos eléctricos ha producido el siguiente número de unidades en los siguientes años: 1995

1996

1997

1998

1999

12,500

13,250

14,310

15,741

17,630

1. Calcule el incremento porcentual de cada año con relación al anterior. 2. Determine la media tomando en consideración los incrementos porcentuales. Caso VII. Un inversionista extranjero ingresar yenasíalgún sector económico de la República Dominicana, paraestá ellointeresado seleccionóen 4 sectores evaluar su comportamiento. Este se basó en los datos del Banco Central de la R. D. según el informe de la economía dominicana ene-dic 1999 del producto interno bruto (PIB) durante los años 1995-1999. Estos sectores crecieron de la siguiente manera: SECTORES

1995

1996

1997

1998

1999

MANUFACTURA

839.4

866.4

929.9

987.5

1053.6

COMERCIO

554.8

603.9

661.9

733.4

800.1

COMUNICACIONES

159.7

185.7

221.5

267

308.7

HOTELES, BARES Y REST.

259.4

292.6

343.6

359.7

395.6

1. Tomando como base la tasa de crecimiento porcentual promedio de cada sector, ¿en cuál sector usted le recomendaría invertir? 2. Haga un diagrama de serie de tiempo que represente simultáneamente todos los sectores.


48

49

Caso VIII. Calcule la desviación estándar de los siguientes tiempos de espera (en minutos) de los clientes del Banco BHD, basados en una muestra. Calcule la Mediana y la Moda. 6.5

6.6

6.7

6.8

7.1

7.3

7.4

7.7

7.7

7.7

Caso IX. Se utilizan dos procesos para producir discos de computadoras, pero han surgido problemas respecto a la variación en los tamaños de tales discos. Con base en los datos de muestra aquí presentados de ocho tamaños de discos en pulgadas para cada proceso. Explique en cuál proceso aconsejaría usted si su objetivo es minimizar la desviación en el tamaño de los discos. PROCESO I

PROCESO II

3.41 3.74 3.89

3.22 3.06 3.65

3.81 3.26 3.07

3.26 3.79 3.14

3.65

3.33

3.35

3.51

Caso X. Los salarios en miles de dólares de los directores ejecutivos de las mejores corporaciones de los Estados Unidos de América reportados por la edición de la revista Forbes de la edición del 24 de mayo de 1997 aparecen en la siguiente tabla de frecuencias: SALARIOS DIRECTORES (EN MILES DE US$) EJECUTIVOS 90 439 6 440 789 8 790 1,139 10 1,140 1,489 12 1,490 1,839 10 1,840 2,189 8 2,190 2,539 6 TOTALES 1. 2. 3. 4. 5. 6.

Haga un Histograma. ¿Cuál es el salario más común de los directores ejecutivos? Haga un Diagrama Circular e Interprételo. Determine si está sesgada. ¿Cuál es el salario que está equidistante de los dos extremos? ¿Es una distribución normal? ¿Por qué?

7. si regla es normal o el sesgo. 8. Represente Compruebegráficamente si se cumple la empírica.


49

50

Caso XI. Un inversionista extranjero está interesado en ingresar en algún sector económico de la República Dominicana, para ello seleccionó 5 sectores y así evaluar su comportamiento. Este se basó en los datos del Banco Central de la R. D. según el informe de la economía dominicana ene-dic 2002 del producto interno bruto (PIB) durante los años 1996-2002. Estos sectores crecieron de la siguiente manera: BANCO CENTRAL DE LA REPUBLICA DOMINICANA Departamento de Cuentas Nacionales y Estadísticas Económicas PRODUCTO INTERNO BRUTO POR SECTORES DE ORIGEN 1996-2002 Millones de RD$

Sectores CONSTRUCCIÓN COMERCIO COMUNICACIONES ELECTRICIDAD FINANZAS

1996 1997 1998 702.1 603.9 664.2 743.3 185.7 221.5 266.7 106.0 120.7 228.8 236.2 245.7

TASAS DE CRECIMIENTO (%) SECTORES CONSTRUCCIÓN COMERCIO COMUNICACIONES ELECTRICIDAD FINANZAS

1999 826.2 805.7 308.3 130.5 256.0

2000 2001* 2002* 872.8 876.9 904.9 875.8 885.0 915.1 355.7 442.0 518.9 139.5 165.1 178.0 264.4 271.9 279.7

97/ 96 98/97 99/98 00/99 01/00* 02/01* 17.7 5.6 0.5 3.2 10.0 11.9 8.4 8.7 1.1 3.4 19.3 20.4 15.6 15.4 24.2 17.4 13.8 8.1 7.0 18.3 7.8 3.2 4.0 4.2 3.2 2.8 2.9

1. Tomando como base la tasa de crecimiento porcentual promedio de cada sector, ¿en cuáles sectores usted le recomendaría invertir? 2. Haga un diagrama de serie de tiempo que represente simultáneamente todos los sectores. Caso XII. Un analista de la Secretaría de Estado de Trabajo está evaluando los sueldos de los empleados dominicanos en la rama “Industrias y Manufactureras” para recomendar un reajuste salarial. Para esto tomo una muestra de 464 empleados, en base a la siguiente tabla: Ingresos por rama de actividad económica según el Banco Central Fuente: Encuesta Nacional de Fuerza de Trabajo, Abril 2002. Ingresos por Hora (RD$) Empleados 6 9 18 10 13 35 14 17 60 18 21 61 22 25 64 26 29 53

30 34 38 42

33 37 41 45

48 49 36 40 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

50

51

1. 2. 3. 4. 5. 6. 7. 8.

Construya una tabla de frecuencia. ¿Cuál es el sueldo más representativo de estos empleados? ¿Cuál es el sueldo que representa la mitad? ¿Cuál es el sueldo más común? Grafique un Polígono de frecuencia Usando el coeficiente de sesgo de Pearson determine si está sesgada. ¿Cómo está sesgada? ¿Por qué? ¿Es una distribución normal? ¿Por qué? Diga 5 razones.

Caso XIII. El informe Nielsen sobre Tecnología Domestica (20 de febrero de 1996) describió las tecnologías caseras y su empleo por parte de personas de 12 años o más. Los datos siguientes son las horas de empleo de computadoras personales durante una semana, para una muestra de 50 personas. 4.1 3.1 4.1 10.8 7.2

1.5 4.8 4.1 2.8 6.1

10.4 2.0 8.8 9.5 5.7

5.9 14.8 5.6 12.9 5.9

3.4 5.4 4.3 12.1 4.7

5.7 4.2 3.3 0.7 3.9

1.6 3.9 7.1 4.0 3.7

6.1 4.1 10.3 9.2 3.1

3.0 11.1 6.2 4.4 6.1

3.7 3.5 7.6 5.7 3.1

Resuma estos datos formando: a. Construya una tabla de distribución de frecuencias, empleando anchura de clase igual a 3 horas. b. Un histograma. c. Una Ojiva. d. Un diagrama circular. e. Un Polígono de Frecuencia. f. Haga comentarios acerca de lo que indican los datos respecto al uso de computadoras en el hogar. g. ¿Cuál es el tiempo más empleado? h. ¿Qué tiempo está a la mitad? i. ¿Cuál es el más representativo de los tiempos?


51

52

Caso XIV. Los sueldos de los dominicanos expresados en dólares USA$ oscilan dentro de la siguiente distribución de valores: 105 145 185 225 265

305 345 385 425 465

505 545 585 625 665

705 905 1,105 745 945 1,145 785 985 1,185 825 1,025 1,225 865 1,065 1,265

1,305 1,345 1,385 1,425 1,465

1,505 1,545 1,585 1,625 1,665

1,705 1,745 1,785 1,825 1,865

1,905 1,945 1,985 2,025 2,065

2,105 2,145 2,185 2,225 2,265

2,305 2,345 2,385 2,425 2,465

1. Determine los cuartiles Q1, Q2 y Q3 2. Determine el percentil 70 3. 4. 5. 6.

Determine decil del cuartil Determine el la sexto desviación Determine el percentil del valor US$1,425 Determine la mediana

Caso XV. Los salarios inicial para recién graduados de licenciatura en contabilidad, durante 1996 y 1997, fue US$30,393 (US Online, U.S. News and World Report, diciembre 1997). A continuación vemos una muestra de salarios iniciales, en miles de dólares. 30.7 28.8 29.1 31.1 30.1 29.7 30.7 30.0 30.6 30.5 31.2 32.1 30.2 30.3 32.9 32.2 29.9 28.9 30.6 31.8 32.2 30.3 30.4 32.3 33.3 32.7 29.3 30.3 30.9 30.3 a. ¿Cuál es el salario promedio inicial para datos no agrupados? b. ¿Cuál es la mediana de salario inicial para datos no agrupados? c. ¿Cuál es la moda de salario inicial para datos no agrupados? d. ¿Cuál es el primer cuartil? e. ¿Cuál es el segundo cuartil? f. ¿Condicen estos resultados con lo que afirma U.S. News & World Report? Caso XVI. Dos modos que usan los empleados para ir a trabajar diariamente son el transporte público y el automóvil. A continuación vemos unas muestras de tiempos de cada modo. Las cifras son en minutos.

Transporte público Automóvil

28.0 29.0 32.0 37.0 33.0 25.0 29.0 32.0 41.0 34.0 29.0 31.0 33.0 32.0 34.0 30.0 31.0 32.0 35.0 33.0 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

52

53

a. Calcule la media de la muestra del tiempo que se lleva en cada modo de transporte. b. Calcule la desviación estándar de la muestra para cada modo de transporte. c. Con base en los resultados de los incisos a y b, ¿qué modo de transporte debe preferirse? Explique sus razones? Caso XVII. Como estadístico residente en Air Santo Domingo, el director de análisis estadístico le pide recolectar y agrupar los datos sobre el número de pasajeros que han decidido viajar con Air Santo Domingo. Tales datos correspondientes a los últimos 50 días aparecen en la tabla siguiente. Sin embargo, con estos datos en bruto, es improbable que el director pueda obtener información útil y significativa respecto a las operaciones de vuelo. Los datos no están organizados y es difícil llegar a una conclusión significativa simplemente revisando una serie de números anotados en un papel. Es preciso agrupar y presentar los datos de manera concisa y reveladora para facilitar el acceso a la información que contienen.

68 72 50 70 65

71 74 60 84 72

77 57 70 59 85

83 67 66 75 79

79 69 76 94 71

83 77 78 80 93

84 73 74 78 82 93 81 79 90 84 91 101 92 102 80

97 95 83 86 69

9. Haga un Histograma. 10.¿Cuál es el número de pasajeros que ocurre con más frecuencia? 11.¿Qué tan dispersos están los datos? 12.Haga un Diagrama Circular e Interprételo. 13.Determine si está sesgada. 14.¿Qué cantidad de pasajeros está equidistante de los dos extremos? 15.¿Es una distribución normal? ¿Por qué? 16.Represente gráficamente si es normal o el sesgo.


53

54

Caso XVIII. En Aeromar se aceptaron reservaciones telefónicas de vuelos. En la tabla siguiente vemos las duraciones de las llamadas en minutos, para una muestra de reservaciones telefónicas. 2.1 3.3 5.3 5.9 7.5 a) b) c) d) e) f) g) h) i) j) k) l)

4.8 3.5 5.5 6.6 6.0

5.5 4.8 2.8 7.8 4.5

10.4 5.8 3.6 10.5 4.8

¿Qué tan dispersos están los tiempos de estas llamadas? ¿Cuál es el tiempo que está equidistante de los extremos? Determine el primer Cuartil. Determine el quinto Decil. Determine el percentil de la duración 7.8 Construya una tabla de frecuencia. Determine si está sesgada analíticamente. ¿Es una distribución normal? ¿Por qué? Diga 5 razones. Represente gráficamente el comportamiento de esta distribución. Haga una curva de ojiva. Construya un diagrama circular e interprételo. Se puede comprobar la Regla Empírica.

Caso XIX. Los siguientes datos representan el tiempo, en segundos, para pasar de 0 a 60 mi/h para una muestra de 15 automóviles hechos en Alemania y 20 hechos en Japón: Automóviles Alemanes 10.0 10.9 6.4 7.9 8.5 6.9 5.5 6.4 5.1 6.0

4.8 8.9 7.1 8.7 7.5

Automóviles Japoneses 9.4 9.5 7.1 8.9 7.7 10.5 6.7 9.3 5.7 7.2 9.1 8.3 8.5 6.8 9.5

8.0 6.5 12.5 8.2 9.7

Compare y describa las diferencias en tiempos de aceleración de automóviles alemanes y japoneses, en términos de sus estadísticas de tendencia central, estadísticas de dispersión y los cuartiles. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

54

55

Caso XX. 5 compras de una materia prima en los últimos 3 meses: Costo por libra Cantidad Compra Dólares de libras 1 3.00 1,200 2 3.40 500 3 2.80 2,500 4 2.90 1,000 5 que el 3.25 Observe costo por800 libra cambió de 3.4 a 2.80 dólares, ya que la cantidad comprada varió de 500 a 2,500 libras. Suponga que un administrador pidió información sobre el costo promedio por libra de la materia prima. Caso XXI. El Colmado Gazcue vende cinco tipos de limpiadores para desagües. En la tabla se muestra cada tipo junto con la utilidad por lata y el número de latas vendidas: Utilidad Volumen de Limpiador por lata ventas en latas Glunk Out 2.00 3 Bubble Up Dream Drain Clear More Main Drain

3.50 5.00 7.50 6.00

7 15 12 52

Determ in e la u til idad prome dio por l ata.

Caso XXII. Los miembros de un Club deben pagar cuotas con base en su peso promedio. De los 60 miembros, 12 pesan 110 libras, 25 pesaron 120 libras, 18 hicieron girar la balanza hasta 150 y el resto registraron 180 libras. Si los miembros deben pagar US$5 por cada libra que pesan en promedio, ¿cuánto debe desembolsar cada uno? Número de Libras Miembros 110 12 120 150 180

25 18 5 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

55

56

Caso XXIII. Aplicando el Teorema de Chebyshev. La media de una línea aérea es de 78.7 pasajeros por día, con una desviación estándar de 12.14. Para programar los tiempos de para una nueva ruta que abrió, la gerencia desea saber con qué frecuencia los pasajeros están dentro de K = dos desviaciones estándar de la media, y cuál es dicho intervalo. Caso XXIV. Suponga que las calificaciones del examen de aptitudes de 100 candidatos a las posiciones vacantes en su organización, tuvieron un promedio de 70 y una desviación estándar de 5. ¿Cuántos candidatos tuvieron calificaciones entre 60 y 80? ¿cuántos entre 58 y 82? Caso XXV. Wageweb lleva a cabo encuesta de salarios y presenta resúmenes en su sitio de la red. Con los datos de salarios, Wageweb informó que los salarios de los gerentes de beneficios variaron entre 50,935 a 79,577 dólares. Suponga que los datos siguientes son una muestra de los salarios anuales para 30 gerentes de beneficios (los datos están en miles de dólares).

57.7 63.0 64.2 63.0

64.4 64.7 63.3 66.7

62.1 61.2 62.2 60.3

69.1 66.8 61.2 74.0

71.1 61.8 59.4 62.8

68.7 59.3

63.8 69.5

59.2 61.7

60.3 58.9

56.6 63.1

17.Haga un Histograma. 18.¿Cuál es el número de pasajeros que ocurre con más frecuencia? 19.¿Qué tan dispersos están los datos? 20.¿Qué representa esta dispersión? 21.Haga un Diagrama Circular e Interprételo. 22.Determine si está sesgada. 23.¿Qué cantidad de pasajeros está equidistante de los dos extremos? 24.¿Es una distribución normal? ¿Por qué? Diga por lo menos 5 razones. 25.Represente gráficamente si es normal o el sesgo por pedio de un poligono de frecuencia. 26.Determine el tercer Cuartil. 27. Determine el octavo Decil. 28. Demuestre y diga si se cumple la regla empírica. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

56

57

29.Utilice el Teorema de Chebyshev para determinar el porcentaje de los gerentes con un salario anual entre 53,000 y 71,000 dólares. 30.Utilice la regla empírica para determinar el porcentaje de gerentes con un salario anual entre 50,000 y 71,000 dólares. Compare sus resultados con el punto anterior. 31.¿Al parecer es razonable suponer que la distribución de salarios se puede aproximar a una distribución de Gauss?


57

58

Introducción a las Probabilidades Gran parte de la vida del hombre se caracteriza por la incertidumbre. Muchos fenómenos del mundo parecen estar dominados por el comportamiento aleatorio. Casi todas las decisiones se toman en un entorno caracterizado por la ausencia de un conocimiento completo de la situación. Así, una decisión acerca de la cantidad de unidades a fabricar se basa en las estimaciones del número de unidades que se espera vender. Si se conociera este últimosincon decisión sería elaborarCon exactamente cantidad, queanticipación, hubiera ni la escasez ni excedentes. todo, en esa las situaciones concretas de la toma de decisiones rara vez puede recabarse información tan precisa. Estadística Inferencial:

Implica la utilización de una muestra para extraer alguna inferencia o conclusión sobre la población correspondiente. - Apoyándose en el calculo de probabilidades y a partir de datos muestrales, efectúa estimaciones, decisiones, predicciones y otras generalizaciones sobre un conjunto mayor de datos. La estadística es inferencial cuando se derivan conclusiones generales para un conjunto de datos más amplio a partir de la información proporcionada por los datos estudiados. Experimento.

Experimento es cualquier proceso que permite a los investigadores obtener observaciones. Es el proceso que produce un evento o suceso.


58

59

Experimento

Resultados experimentales

Lanza una moneda Seleccionar una parte para inspección Lanzar un dado Jugar un partido de pelota

Cara, cruz Defectuosa, no defectuosa 1, 2, 3, 4, 5, 6 Ganar, perder, empatar

Experimento Aleatorio o de azar.

Es un proceso que produce uno de varios resultados posibles. Decimos que un experimento es aleatorio si se verifican las siguientes condiciones: a. Se puede repetir indefinidamente, siempre en las mismas condiciones. b. Antes de realizarlo, no se puede predecir el resultado que se va a obtener. c. El resultado que se obtenga, pertenece a un conjunto de resultados posibles conocido previamente. A este conjunto de resultados posibles, lo denominamos como espacio muestral. Los elementos del espacio muestral se denominan sucesos elementales. Ensayo: Es cada repetición de un experimento. Suceso o Evento.

Es cualquier colección de resultados de un experimento. Es una colección de puntos muestrales (resultados experimentales). El suceso o evento es un subconjunto del Espacio Muestral. Suceso Simple.

Es un resultado o un suceso que no puede desglosarse. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

59

60

Espacio muestral.

El conjunto de todos los posibles resultados para un experimento. Probabilidad.

Los conceptos de probabilidad pueden resultar de suma utilidad cuando nos hallamos frente a la incertidumbre que caracteriza a al mayor parte de los ambientes en que se adoptan decisiones. Es una medida numérica de la posibilidad de que ocurrirá un evento. Es la posibilidad numérica de que ocurra un evento, medida entre 0 y 1. Es la frecuencia relativa con la que puede esperarse que ocurra ese evento. Las probabilidades de los diferentes resultados posibles de un ensayo deben sumar uno. Las probabilidades son siempre mayores que o iguales a cero (es decir, las probabilidades nunca son negativas) y son menores que o iguales a uno. Cuanto más pequeña sea la probabilidad, tanto menos posibilidad tendrá el evento. Suceso seguro o evento cierto.

Es aquel que siempre se verifica después de un experimento aleatorio. Entre mayor sea la probabilidad de que ocurra un evento, su probabilidad asignada estará más próxima a 1. La probabilidad de certeza es 1.


60

61

Suceso imposible o evento imposible.

Es aquel que nunca se verifica como resultado del experimento aleatorio. La única posibilidad es que el suceso imposible sea el conjunto vació. La probabilidad de una imposibilidad es 0. Formas de Enfocar la Probabilidad.

1. Probabilidad de Laplace o Clásica (a priori) 2. Probabilidad Frecuencial o Frec. Relativa (a posteriori) 3. Probabilidad Subjetiva 4. Probabilidad Axiomática 1. Probabilidad de Laplace o Clásica (a priori=antes del hecho).

Según la Regla del marques Laplace (1789-1827) en su obra "Theorie analytique des probabilites" de 1812: Si un experimento cualquiera puede dar lugar a un numero finito de resultados posibles, y no existe ninguna razón que de privilegio a unos resultados en contra de otros - tiene una estructura de un juego de azar entonces la probabilidad de un evento aleatoria A es el cociente entre el numero de formas o casos en las que puede ocurrir un evento (favorables), y el numero de todos los posibles resultados del experimento. P(A) = Numero de formas en las que puede ocurrir un evento Numero total de posibles resultados Ejemplos: La probabilidad de obtener una cara en un solo lanzamiento de una moneda. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

61

62

La probabilidad de sacar un numero x al lanzar un dado. La probabilidad de sacar una carta de una baraja de 52 cartas. 2. Probabilidad Frecuencial o Frec. Relativa (a posteriori).

Esta fue establecida por autores como el ingles Ronald A. Fisher (18901962) y el austriaco Richard von Mises (1883-1953) Utilizacondatos se han algún observado frecuencia que que ha ocurrido evento empíricamente, en el pasado yregistra estima la probabilidad de que el evento ocurra nuevamente con base en estos datos históricos. Esta se determina mediante: P(E) = Numero de veces que ha ocurrido el evento en el pasado Numero total de observaciones 3. Probabilidad Subjetiva.

Cuando se estudian fenómenos aleatorios en los que no hay posibilidad de repetición o experimentación, la probabilidad sujetiva es la cuantificación (basada en supuesto) que una persona (o grupo) hace de un evento, utilizando la información que posee. Esta conceptualizacion de la probabilidad es muy aplicada en la empresa, en la estadística bayesiana, la teoría de la decisión y la teoría de juegos. Ha sido tratada por autores como Keynes (1921), Ramsey (1926), de Finetti (1937), Koopman (1940) y Savage (1954). El modelo subjetivo requiere establecer la probabilidad de algún evento con base en la mejor evidencia disponible. En muchos casos esto puede ser apenas una conjetura hecha sobre cierta base. Esta se utiliza cuando se desea asignar probabilidad a un evento que nunca ha ocurrido. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

62

63

4. Probabilidad Axiomática.

El concepto axiomático de probabilidad fue formulado por Kolmogorov 1933. Para ello preciso ciertas leyes o axiomas que debe cumplir una función de probabilidades. Los axiomas deberían implicar, entre otras, las siguientes cuestiones: a. La probabilidad solo puede tomar valores comprendidos entre 0 y 1.

0 <= P(A) <= 1 b. La probabilidad del suceso seguro es 1. La probabilidad de dos sucesos incompatibles (de intersección vacía) debe ser la suma de sus posibilidades respectivas. c.

d. La probabilidad de la intersección de dos sucesos es menor o igual que la probabilidad de cada uno de los sucesos por separado, es decir,

P(AB) <= P(A) ; P(AB) <= P(B) La probabilidad de lose.sucesos separados.de la unión de sucesos es mayor que la de cada uno P(AB) >= P(A) ; P(AB) >= P(A) Mas aun, si los sucesos son disjuntos (incompatibles) ocurre que: AB =   P(AB) = P(A) + P(B) f. La probabilidad del suceso contrario a A, es

P(A') = 1 - P(A)


63

64

Operaciones básicas con sucesos aleatorios.

Que es un conjunto? Que es AB? Que es AB? Que es A-B o A\B? Que es AB o A\B  B\A? Que es A'? Que es un diagrama de Venn?


64

65 Caso I.

(Probabilidad Clásica, Frecuencial, Subjetiva o Axiomática)

La Nike Corporation quiere probar un nuevo material que se usará para hacer zapatos deportivos. Un grupo de prueba consistente en 20 hombre y 30 mujeres. Si se escoge aleatoriamente a una persona de este grupo de prueba, calcule la probabilidad o posibilidad de no escoger a un hombre. Caso II.


La Compañía de Seguros (PROSEGUROS) estudia causas de muertes accidentales en el hogar y compilo un archivo que incluye 160 muertes por caídas, 120 muertes causadas por veneno y 70 muertes causadas por incendios y quemadas. Si se escoge aleatoriamente una de estas muertes, calcule la probabilidad de que se haya debido a veneno. Caso III.


Un estudio de 500 vuelos de American Airlines escogidos aleatoriamente mostró que 430 llegaron a tiempo (Basados en datos del Departamento de Transporte de los Estados Unidos). Estime la probabilidad de que un vuelo de American Airlines llegue a tiempo. ¿Describiría usted ese resultado como muy bueno? Caso IV.


En un estudio de reconocimiento de marcas, 831 consumidores sabían de las sopas Campbell, 18 no habían oído de ellas (Basados en datos de Total Research Corporation). Utilice estos resultados para estimar la probabilidad de que un consumidor seleccionado aleatoriamente reconozca las sopas Campbell. ¿Cómo cree usted que sea este valor en comparación con los valores típicos de otras marcas comerciales? Caso V.


MasterCard Internacional realizó un estudio de fraudes con tarjeta de crédito. Si se escoge al azar un caso de fraude en la tabla siguiente, calcule la probabilidad de que el fraude se haya basado en el uso de una tarjeta falsa. Tarjeta Robada 243 Tarjeta Falsa 85 Pedido por Correo 52 Otro 46 TARJETA ROBADA TARJETA ROBADA

243 243

Caso VI.


Un encuesta Gallup produjo los datos de muestra de la tabla que aparece a continuación. Si se escoge aleatoriamente a uno de los encuestados, calcule la probabilidad de que sea una persona que se cepilla los dientes tres veces al día, tal y como recomiendan los dentistas. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

65

66

Cepilladas de Dientes Al Día Número

1 2 3

Caso VII.

228 672 240


Si asumimos que los 35 puntos evaluados hasta el momento representan el 100% de la evaluación. En base a su calificación obtenida hasta el momento. ¿Cuál es la probabilidad de que apruebe la asignatura? Caso VIII.


En base a su experiencia como estudiante que ha cursado diferentes asignaturas y al ritmo de estudio que dedica a esta materia en particular. ¿Cuál es la probabilidad de que no apruebe Métodos Cuantitativos?


66

67

Eventos mutuamente excluyentes.

Los sucesos A y B son mutuamente exclusivos si no pueden ocurrir simultáneamente. Si la ocurrencia de un evento prohíbe la ocurrencia del otro. P(AUB) = P(A) + P(B) el lanzamiento moneda,dedos simples posibles son cara yEncruz. Puesto quedela una ocurrencia unaresultados cara excluye la posibilidad de cruz y a la inversa, los eventos “cara” y “cruz” son mutuamente excluyentes. Eventos colectivamente exhaustivo.

Se dice que un conjunto de eventos es colectivamente exhaustivo, si su unión explica todos los resultados posibles de un experimento. Consta de todos los posibles resultados de un experimento y constituye su espacio muestral. P(X) = 1 Eventos independientes.

Dos eventos son independientes si la ocurrencio o no ocurrencia de un evento de ninguna manera afecta a la posibilidad o probabilidad de ocurrencia del otro evento. Dos sucesos A y B son independientes si la ocurrencia de uno no afecta la probabilidad de ocurrencia del otro. La ocurrencia de uno no tiene que ver nada con la del otro. P(AB) = P(A) * P(B)


67

68

Eventos dependientes.

Dos eventos son dependientes si la probabilidad de ocurrencia de uno es afectada por la ocurrencia o no ocurrencia del otro. Si A y B no son independientes, se dice que son dependientes. P(AB) = P(A) * P(B\A) Eventos complementarios (Complemento de un evento).

Para un evento A, el complemento del evento A es el evento consistente en todos los puntos muestrales que no están en A. El complemento del suceso A, denotado por A', consiste en todos los resultados en los que el suceso A no ocurre. Si un evento no ocurre, el otro debe ocurrir. P(A) + P(A') = 1 P(A) == 11 -- P(A') P(A') P(A) P(AUA') = P(A) + P(A') Ejercicios 1-6 Págs. 79-80 Ejercicios 7-12 Págs. 81-82


68

69

Tabla de Contingencia.

Las tablas contingencias son aquellas que sirven para comparar dos variables. TABLA DE CONTIGENCIA

CLASIFICACION DE LOS EMPLEADOS GENERO HOMBRE (H)

ADMINISTR.(A) 120

LINEA (L) 150

AUXILIAR (O) 30

TOTAL 300

MUJER (M)

50

140

10

200

TOTAL

170

290

40

500

Tabla de Probabilidad.

Esta se obtiene dividiendo cada una de las entradas entre el total de las observaciones (que se encuentra en el extremo inferior de la diagonal). TABLA DE PROBABILIDAD

CLASIFICACION DE LOS EMPLEADOS GENERO HOMBRE (H)

ADMINISTR.(A)

LINEA (L)

AUXILIAR (O)

TOTAL

MUJER (M) TOTAL

L as probabil idades mar ginal es son los valores que se encuentran en las márgenes de la tabla. Se obtiene de la suma de las probabilidades conjuntas correspondientes. L as probabil idades conj un tas son las celdas de la estructura principal de la tabla. Estas muestran la probabilidad de la intersección de dos eventos. Ejercicios 13 al 15 - Págs. 83-84


69

70

Caso II. El Presidente Dr. Leonel Fernández Reina se basó en la opinión de 500 expertos en el área económica de diferentes Universidades, Empresas Privadas y Miembros del Gabinete de su Gobierno, para someter al Congreso un aumento al ITBIS de un 16%, con la finalidad de aumentar las recaudaciones y poder hacer frente al déficit fiscal que posee el Gobierno. Sin embargo, el Presidente tiene duda de que la medida impositiva afecte significativamente a la economía nacional. Los asesores económicos del Gobierno trataron de construir una tabla para organizar estas opiniones... Pero no pudieron... Trata de completarla... ECONOMISTAS

ESTABLE (E)

ACADEMICOS (A) 125 EMPRESAS PRIVADAS (P) GOBIERNO (G) 25 200 TOTAL

CONTRACCION EXPANSION(X)© TOTAL

100 35 40

110 65

1. Construya una tabla de probabilidades. 2. Determine: a. P(A) b. P(P) c. P(G) d. e. f. g. h. i.

P(E) P(X) P© P(AC) P(GX) P(X|A)


70

71

Probabilidad Condicional.

La probabilidad condicional de B dado A es la probabilidad de que el suceso B ocurra, dado que el suceso A ya ocurrió, y se puede calcular dividiendo la probabilidad de que ocurran ambos sucesos, A y B, entre la probabilidad del suceso A: P(B\A) = P(AB) P(A) P(AB) = P(A) * P(B\A) Es la probabilidad de que el evento B ocurra, dado que o a condición de que el evento A ya haya ocurrido. Ejemplo: La probabilidad de que un trabajador tomado aleatoriamente sea hombre es P(H)=0.60. Sin embargo, si se desea calcular la probabilidad de que el trabajador sea hombre dado que es un miembro del personal administrativo P(H\A). P(H\A) = P(HA)/P(A) = 0.24/0.34 = 0.71 Otra opción: P(H\A) =[P(H)*P(A\H)]/P(A)=(0.60 * 0.40)/0.34=0.71 0.60 --> 1 0.24 --> X Ejercicios 16 y 17 Pág. 85


71

72

Reglas de la probabilidad. A. Regla de la Multiplicación.

Consiste en determinar la probabilidad del evento conjunto P(A B), es decir de la probabilidad de "A y B". Esta se obtiene simplemente multiplicando sus respectiva probabilidades. El procedimiento depende de sí A y B son dependientes o independientes. Probabilidades de eventos independientes.

P(AB) = P(A) * P(B) Eventos independientes. Dos sucesos A y B son independientes si la ocurrencia de uno no afecta la probabilidad de ocurrencia del otro.

La ocurrencia de uno no tiene que ver nada con la del otro.

El 20% de los carros que pasan por el Km. 12 de la Carretera Sánchez, se detienen en un Motel, para alquilar una cabaña. ¿Cuál es la probabilidad de que los próximos dos carros se detengan? Asumiendo que estos son eventos independientes. P(C1C2) = 0.20 * 0.20 = 0.04 ¿Cuál es la probabilidad de que el primer carro se pare y que el segundo siga? P(C1C2) = 0.20 * 0.80 = 0.16


72

73

Probabilidad de Eventos dependientes.

P(AB) = P(A) * P(B\A) Eventos dependientes. Dos sucesos A y B son dependientes si la ocurrencia de uno afecta la probabilidad de ocurrencia del otro.

La ocurrencia de uno tiene que ver con la del otro.

Ejemplo: La probabilidad conjunta de que sea hombre y miembro administrativo. P(HA) = 0.24 P(HA) = P(H) * P(A\H) = 0.60 * 0.40 = 0.24 P(A\H) = P(AH)/P(H) = 0.24/0.60 = 0.40 Regla de la Adición.

Se utiliza para determinar la probabilidad de A o B, P(A B). La probabilidad del evento A o mutuamente excluyente).

B (cuando

los eventos no son

P(AB)= P(A) + P(B) - P(AB) La razón por la cual se debe restar la probabilidad conjunta es para evitar el doble conteo.


73

74

Eventos no mutuamente excl uyentes.

Los sucesos A y B son no mutuamente exclusivos si pueden ocurrir simultáneamente. Si la ocurrencia de un evento no prohíbe la ocurrencia del otro.

Ejemplo: La probabilidad de sacar un as o una de las tres cartas de corazones de una baraja. P(AC)=P(A)+P(C)- P(AC) P(AC)=(4/52) + (13/52) - (1/52) = 16/52 En un curso de Métodos Cuantitativos para la toma de decisiones. De 200 estudiantes inscritos en el curso, 160 aprobaron el examen parcial, 140 aprobaron el examen final y 124 aprobaron ambos. A = evento de aprobar el examen parcial B = evento de aprobar el examen final P(A) = 160/200 = 0.80 P(B) = 140/200 = 0.70 P(AB) = 124/200 = 0.62 P(AB)= P(A) + P(B) - P(AB) = 0.80 + 0.70 – 0.62 = 0.88 La probabilidad de que un hombre sea un trabajador hombre o un trabajador administrativo. P(HA)=P(H)+P(A)- P(HA) = 0.60+0.34-0.24 = 0.70 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

74

75

Probabilidad del evento A o del evento B (cuando los eventos son mutuamente excluyentes).

P(AUB) = P(A) + P(B) Eventos mutuamente excl uyentes. Los sucesos A y B son mutuamente exclusivos si no pueden ocurrir simultáneamente.

Si la ocurrencia de un evento prohíbe la ocurrencia del otro. Si A y B son mutuamente excluyente P(AB)= 0 Ejercicios 18 al 22 - Pág. 90


75

76

Teorema de Bayes.

Este fue desarrollado por el reverendo Thomas Bayes (1702-1761). Asumimos: Una industria X utiliza dos maquinas para producir su producto. La maquina A produce el 60% de la producción total. La maquina produceproducidas el 40% restante. El 2% de lasBunidades por A son defectuosas. Las unidades de B tienen un 4% de defectos. Podríamos decir: P(A) = 0.60 P(D\A) = 0.02 P(D'\A) = 0.98

P(B) = 0.40 P(D\B) = 0.04 P(D'\B) = 0.96

P(AD') = P(A) * (D'\A) = 0.60 * 0.98 = 0.588 P(AD) = P(A) * (D\A) = 0.60 * 0.02 = 0.012 P(BD') = P(B) * (D'\B) = 0.40 * 0.96 = 0.384 P(BD) = P(B) * (D\B) = 0.40 * 0.04 = 0.016 según la probabilidad condicional. P(A\D) = P(AD)/P(D) = [P(A) * P(D\A)]/P(D) Sin embargo, para la P(D) existen dos formas en las cuales la unidad puede ser defectuosa. Utilizando la regla de la adición. P(D) = P(AD) + P(BD) P(D) = P(A) * P(D\A) + P(B) * P(D\B) [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

76

77

Teorema de Bayes.

P(A\D) = P(AD)/P(D) P(A\D) = P(AD)/[P(AD) + P(BD)] P(A\D)=P(A)*P(D\A)]/[P(A)*P(D\A) + P(B)* P(D\B)] P(A\D)=0.012/(0.012+0.016)=0.429


77

78

Técnicas de conteo basadas en el Análisis Combinatorio. Permutaciones.

Son las diferentes agrupaciones que pueden formarse con n elementos, entrando todos en cada agrupación y diferenciándose una de otra sólo en el orden de colocación de los elementos. Las permutaciones pueden ser sin repetición si los n elementos dados son diferentes, y con repetición si entre los n elementos dados hay algunos o algunos aparecen es repetidos. La que permutación un arreglo ordenado de un conjunto de elementos. El numero de permutaciones de n elementos tomados r a la vez es: nPr = n!/(n-r)! Nota: La permutación considera el orden de los elementos de los subconjuntos. Combinaciones.

Son las diferentes formaciones que podemos hacer con n elementos diferentes entrando de n en r; pudiendo ser r <= n, de modo tal que dos formaciones solo se diferencian en la naturaleza de uno de sus elementos por lo menos. El numero de combinaciones de n elementos tomados r a la vez es: nCr = n!/r!(n-r)! Nota: La combinación no considera el orden de los elementos de los subconjuntos.


78

79

Caso I. Suponga que el 60% de los chips de computadora de una compañía se producen en una de sus fabricas (denotada por A) y 40% se producen en su otra fabrica (denotada A'). Para un chip seleccionado al azar, la probabilidad de que haya provenido de la fabrica A es de 0.60. Suponga que se entera de que el chip esta defectuoso y que las tasas de defectos para las dos fabricas son del 35% (para A) y del 25% (para A'). Podemos usar la formula del Teorema de Bayes para determinar que hay una probabilidad del 0.677 de que el chip defectuoso haya provenido de la fabrica A. Construya el diagrama de árbol. P(A|D)=[P(A)*P(D|A)]/[P(A)*P(D|A)+P(A')* P(D|A')]

Caso II. Una empresa manufactura recibe embarque de partes de dos proveedores distintos. Actualmente el 65% de las partes que compra proviene del proveedor 1 y el 35% restante del proveedor 2. Los datos históricos sugiere que la calidad de las partes varía según su origen. El desempeño en termino de calidad de los dos proveedores es el siguiente: Porcentaje de piezas buenas del proveedor 1 es de 98% Porcentaje de piezas buenas del proveedor 2 es de 95% A) Determine las probabilidades conjuntas de eventos dependientes de piezas buenas y malas según su srcen. B) las dos etapas antes Malas) mencionadas. C) Construya Demuestreeleldiagrama Teorema de de árbol Bayescon P(Proveedor 1 | Piezas


79

80

Caso III. La Autoridad Metropolitana de Transporte AMET está formada por 1200 oficiales, 960 hombres y 240 mujeres. El pasado 27 de febrero fueron ascendidos 324 oficiales, 288 hombres y 36 mujeres. A) Construya una tabla de contingencia tomando en consideración el genero y oficiales ascendidos y no ascendidos. B) Construya la tabla de probabilidades. C) Probabilidad de que un oficial seleccionado al azar sea hombre y también que sea ascendido. D) Probabilidad de que un oficial seleccionado al azar sea mujer y también que sea ascendido. E) Probabilidad de que un oficial seleccionado al azar sea hombre y también que no sea ascendido. F) Probabilidad de que sea ascendido dado que sea una mujer. G) Probabilidad de que no sea ascendido dado que sea una mujer. H) Probabilidad de que dos oficiales seleccionados al azar sean ascendidos. Caso IV. Una fabrica utiliza tres máquinas X, Y, Z para producir ciertos artículos. Supongamos que: 1. La máquina X produce el 50% de todos los artículos, de los cuales el 3% son defectuosos. 2. La máquina Y produce el 30% de todos los artículos, de los cuales el 4% son 3. defectuosos. La máquina Z produce el 20% de todos los artículos, de los cuales el 5% son defectuosos. a. Encuentre la probabilidad de que el artículo seleccionado aleatoriamente sea defectuoso. b. Suponga que se ha encontrado un artículo defectuoso, entre la producción. Encuentre la probabilidad de que este provenga de cada una de las máquinas, es decir, de X, Y, y Z. c. Construya el diagrama de árbol.


80

81

Caso V. Un fabricante de videorreproductoras de casete (VCR) compra un microchip en particular, llamado LS-24, a tres proveedores: Hall Electronics, Schuller Sales y Crawford Components. 30% de los chips LS-24 se compran a Hall Electonics, 20% a Schuller Sales y el 50% restante a Crawford Components. El fabricante tiene registro de los tres fabricantes y sabe que el 3% de los chips de Hall Electronics están defectuosos, el 5% de los chips de Schuller Sales tienen defectos y el 4% de los chips comprados a Crawford Components están defectuosos. Identifique los chips: A1 = El LS-24 de Hall Electronics A2 = El LS-24 de Schuller Sales A3 = El LS-24 de Crawford Components. B1 = El LS-24 está defectuoso B2 = El LS-24 no está defectuoso. 1. Construya un diagrama de árbol que incluya las probabilidades conjuntas. 2. Calcule la probabilidad de que la parte seleccionada provenga de de Crawford Components, debido a que era un chip aceptable. 3. Calcule la probabilidad de que el chip LS-24 provenga de Schuller Sales, dado el hecho de que el chip seleccionado estaba defectuoso.

Caso VI. Relación entre delincuente y victima Homicidios (H)

Robo (R)

Agresión (A)

Totales

12 39

379 106

727 642

1118 787

Extraño (E) Conocido o Pariente (C) No se sabe (N)

18

20

57

95

69

505

1426

2000

DETERMINE: P(E) P(C)

P(E|H) P(C|A)

P(N) P(H) P(R)

P(N|R) P(EH)

P(A)

P(CR) P(NA)


81

82 a) Construya la tabla de probabilidades. b) Si se escoge aleatoriamente a una persona, ¿qué probabilidad hay que haya sido victima de un extraño, dado que se escogió a una victima de robo? c) Dado que se selecciono a una victima de agresión, ¿qué probabilidad hay de que el delincuente sea un extraño? d) Calcule la probabilidad de que cuando se selecciona aleatoriamente a uno de los 2000 sujetos, la persona escogida haya sido robada por un conocido o un pariente. e) Si se escogen al azar dos sujetos distintos, calcule la probabilidad de que ambos hayan sido robados. f)

Si se selecciona al azar a una de las victimas de crímenes representadas en la tabla, calcule la probabilidad de obtener a una persona que fue victima de alguien a quien no conoce o que haya sido asesinada.

g) Si se selecciona al azar a una de las victimas de crímenes representadas en la tabla, calcule la probabilidad de obtener a una persona que fue victima de un homicidio, dado que el criminal fue un extraño. h) Si se selecciona al azar a una de las victimas de crímenes representadas en la tabla, calcule la probabilidad de obtener a una persona que fue victima de un extraño, dado que fue asesinada. i)

Si se escoge al azar dos sujetos distintos, calcule la probabilidad de que ambos hayan sido victimas de criminales desconocidos.


82

83

Distribución de Probabilidades L a Di str ibució n Bi nomial - U na D istr ibució n Di screta de Proba bili dad.

Desarrollada por Jacob Bernoulli (1654-1705). Esta se caracteriza por las siguientes propiedades: - Sólo debe haber dos posibles resultados. - La probabilidad de un éxito , sigue siendo constante de un ensayo al siguiente, al igual que lo hace la probabilidad de fracaso, 1 - . - La probabilidad de un éxito en un ensayo es totalmente independiente de cualquier otro ensayo. - El experimento puede repetirse muchas veces. Una distribución binomial. Cada ensayo en una distribución binomial termina en solo uno de dos resultados mutuamente excluyentes, uno de los cuales se identifica como un éxito y el otro como un fracaso. La probabilidad de cada resultado permanece constante de un ensayo al siguiente. Eventos mutu amente excl uyentes.

Los sucesos A y B son mutuamente exclusivos si no pueden ocurrir simultáneamente. Si la ocurrencia de un evento prohíbe la ocurrencia del otro. Probabilidad de una x n-x Distribución Binomial P(x)=nCx( )(1- )

n = numero de ensayos.  = probabilidad de un éxito. x = numero de éxitos.


83

84

Caso I.

Solo 20% de los empl eados de la población civil que estáen una base mi li tar restr ingi da, porta su identi ficación personal. Si ll egan 10 empleados, cual es la probabilidad de que el guardia de seguridad encuentre:

a. ¿Ocho empleados con identificación? Probabilidad de una x n-x Distribución Binomial P(x)=nCx( )(1- )

n = 10 empleados  = 0.20 x=8 8 10-8 P(x=8|n=10, =0.20)=10C8(0.20) (1-0.20) =

Use la Calcul adora o l a Tabl a de Distr ibuci ón Binomi al - Págs. 584-588

b. ¿Cuatro empleados con identificación? 4 10-4 P(x=4|n=10, =0.20)=10C4(0.20) (1-0.20)

=

c. ¿A lo sumo 5 empleados con identificación? P(x<=5|n=10, =0.20)= P(X=0)+P(X=1)+P(X=2)+ P(X=3)+P(X=4)+P(X=5)=0.9986 012345 678910 Evento A Distribución Binomial Acumulada esta comprende un rango de valores.

Use la Calculadora o la Tab la de Di str ibución B in omial A cumul ada Págs. 589-598 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

84

85

d. ¿Por lo menos 4 empleados con identificación? P(x>=4|n=10, =0.20)=1-P(x<=3|n=10, =0.20) 0123 45678910 Evento A' Evento A

Use Calculadora o la Tab la de Di str ibución B in omial A cumul ada Págs.la589-598

no da directamente la probabilidad de que un numero de éxito sea igual o mayor que alguna cantidad. Distribución Binomial Acumulada

e. ¿Entre 4 y 7 empleados inclusive con identificación? P(4<=x<=7|n=10, =0.20)=P(x<=7|n=10, =0.20)P(x<=3|n=10, =0.20) Evento A 0123 P(X<=7) 4567 P(X<=3)

8910

Use la Calculadora o la Tab la de Di str ibución B in omial A cumul ada Págs. 589-598


85

86

Caso II.

El 80% de los estudiantes de M é todos Cuanti tativos I del m aestr o Rubé n Estr ella pueden conectar se a I NTERNET. ¿Cuál es la probabilidad de que en el próximo fin de semana de 10 estudiantes seleccionados aleator iamente, 6 esté n conectados para verificar si le llego el archivo de " distr ibució n de proba bili dades" ? Probabilidad de una P(x)=nCx( )(1x n-x Distribución Binomial )

n = 10 estudiantes  = 0.80 ==> 0.80 > 0.50 x=6 ¿Cuál es la probabilidad de que no estén conectados (de no éxito)?

'=1- 0 1 2 3 4 5 6 7 8 9 10 ( = 0.80) 10 9 8 7 6 5 4 3 2 1 0 (  = 0.20) en lugar de hallar x éxitos en , se halla: n-x f racasos a 1 -

6 éxitos a  = 0.80 = 4 fracasos a  = 0.20 P(x=6|n=10, =0.80)=P(x=4|n=10, =0.20)

Use la Calcul adora o l a Tabl a de Distr ibuci ón Binomi al - Págs. 584-588


86

87

Media de una Distribución Binomial. E(X)= =n

Varianza de una Distribución Binomial. ²=n (1- )

Caso III. Una universidad se enteró de que el 20% de sus alumnos se dan de baja del curso de Métodos Cuantitativos para Negocios. Suponga que en este cuatrimestre se inscribieron 32 alumnos. a. ¿Cuál es la probabilidad de que dos o menos se den de baja? b. ¿Cuál es la probabilidad de que se den de baja exactamente cuatro? c. ¿Cuál es la cantidad esperada o media de deserciones? d. ¿ Cuál es la probabilidad de que por lo menos 3 se den de baja? e. ¿Cuál es la probabilidad de que se den de baja entre 5 y siete inclusive? f. ¿ Cuál es la probabilidad de que a lo sumo 6 se den de baja? g. ¿Qué tan dispersos están los datos? Ejercicios 6 al 12 Pág. 113


87

88

L a Di str ibución hi pergeometr ica

Si se selecciona una muestra sin reemplazo de una población finita conocida y contiene una proporción relativamente grande de la población, de manera que la probabilidad de éxito sea perceptiblemente alterada de una selección a la siguiente, debe utilizarse la distribución hipergeometrica. La distribucion hipergeometrica de probabilidad se relaciona estrechamente distribucion binomial. La diferencialos principal las dos estriba en con que,lacon la distribucion hipergeometrica, intentosentre no son independientes, y en que la probabilidad de exito cambia de un intento a otro. P(x)=[(rCx)*(N-rCn-x)]/(NCn) N r n x (rCx)

es el tamaño de la población. es el numero de éxitos en la población. es el tamaño de la muestra. es el numero de éxitos en la muestra. representa la cantidad de manera en las que se puede seleccionar x

exitos de un total de r exitos de la poblacion. (N-rCn-x) representa la cantidad de maneras en que se pueden seleccionar nx fracasos de un total de N-r fracaso en la poblacion. (NCn) representa la cantidad de formas en las que se puede seleccionar una muestra de tamano n de un poblacion de tamano N.


88

89

Caso I.

Jovanna Meléndez como gerente de Recursos Humanos debe contratar a 10 personas entre 30 candidatos, 22 de los cuales tienen títulos universitarios. ¿Cuál es la probabilidad de que 5 de los que contrate tengan un titulo? N=30 candidatos r=22 candidatos con títulos n=10 candidatos a contratar x=5 con títulos Casocandidatos I. Jovanna Meléndez como gerente de Recursos Humanos debe contratar a 10 personas entre 30 candidatos, 22 de los cuales tienen títulos universitarios. ¿Cuál es la probabilidad de que 5 de los que contrate tengan un titulo? N=30 candidatos r=22 candidatos con títulos n=10 candidatos a contratar x=5 candidatos con títulos P(x)=[(rCx)*(N-rCn-x)]/(NCn) P(x=5)=[(22C5)*(30-22C110-5)]/(30C10) nCr = n!/r!(n-r)! B) ¿Cuál es la probabilidad de que a lo sumo 4 de los que contrate tengan un titulo? P(x<=4)=P(x=1)+P(x=2)+P(x=3)+P(x=4) Ejercicios del 13 al 17 - Pág. 115.


89

90

L a Di str ibuci ón de Poisson

Es una distribución de probabilidad discreta que aplica a ocurrencias de algún suceso dentro de un intervalo especificado. La variable aleatoria x es el numero de ocurrencias del suceso en el intervalo. El intervalo puede ser tiempo, distancia, área, volumen o alguna unidad similar. La distribucion de Poisson se utiliza frecuentemente para el modelado de tasas llegadas esperaSimeón en fila.Poisson (1781-1840). Fuedeideada poren el situaciones matemáticode francés Esta mide la probabilidad de un evento aleatorio sobre algún intervalo de tiempo o espacio. Se basa en dos supuestos: 1.- La probabilidad de ocurrencia del evento es constante para dos intervalos cualesquiera de tiempo o espacio de igual longitud. 2.- La ocurrencia del evento en un intervalo es independiente de la ocurrencia de otro intervalo cualquiera. Función de probabilidad x - de Poisson P(x)=( * e)/x! x es el numero de veces que ocurre el evento. es el numero promedio de ocurrencias por unidad de tiempo o de espacio. e = 2.71828, la base del logaritmo natural. La Media es  La desviación estándar es =


90

91

Caso I.

Carmín Guzmán, gerente de trafico de telecomunicaciones del Banco Popular, esta evaluando el flujo de las llamadas telefónicas recibidas. Para tal fin selecciona la central telefónica del Banco Popular de Plaza Central, a la cual llegan 2 llamadas por minuto promedio y se sabe que tiene distribución de Poisson. Si el operador se distrae por un minuto, cual es la probabilidad de que el numero de llamadas no respondidas sea: a) b) ¿cero? ¿Por lo menos 1? c) ¿Entre 3 y 5, inclusive? x - P(x)=( * e)/x!

Función de probabilidad de Poisson a) ¿cero?

=2 llamadas / minuto x=0 llamada no respondida e=2.71828 Función de probabilidad de Poisson

0 -2 P(x=0|=2)=(2 * 2.71828)/0!

Use la Cal cul adora o l a Tabla de Distr ibuci ón de Poisson - Págs. 599-604.

b) ¿Por lo menos 1? =2 llamadas / minuto x>=1 llamadas no respondidas e=2.71828 Función de probabilidad de Poisson P(x>=1|=2)=1-P(x=0) c) ¿Entre 3 y 5, inclusive?

=2 llamadas / minuto 3<=x<=5 llamadas no respondidas e=2.71828 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

91

92

Función de probabilidad de Poisson P(3<=x<=5|=2)=P(<=5)-P(x<=2) =P(x=0)+P(x=1)+P(x=2)+P(x=3)+P(x=4)+P(x=5)P(x=0)+P(x=1)+P(x=2) Evento A 012 345 P(X<=2)

678

P(X<=5)

Use la Cal cul adora o l a Tabla de Distr ibuci ón de Poisson - Págs. 599-604.

Caso II. El cable utilizado para asegurar las estructuras de los puentes tiene un promedio de 3 defectos por cada 100 yardas. Si usted necesita 50 yardas, a. ¿cuál es la probabilidad de que haya una defectuosa? b. ¿cuál es la probabilidad de que haya dos o más defectuosas? Ejercicios del 18 al 21 - Pág. 118.

Investigar la diferencia entre la distribución de Poisson y la distribución binomial. Para entregar:


92

93

Caso I. El gerente de Anthony, basado en su experiencia, estima que la probabilidad de que cualquier cliente compre es de 0.30. ¿Cuál es la probabilidad de que 4 de los de los siguientes 10 clientes que entren hagan una compra? Caso II. En una encuesta que se realizó se habló con cientos de estudiantes de edades de 18 a 28 años de finanzas personales. En la encuesta se encontró que 33% de los estudiantes tienen tarjeta de crédito. a. En una muestra de seis estudiantes, ¿Cuál es la probabilidad de que dos tengan tarjeta de crédito? b. En una muestra de seis estudiantes, ¿Cuál es la probabilidad de que por lo menos dos tengan tarjeta de crédito? c. En una muestra de diez estudiantes, ¿Cuál es la probabilidad de que ninguno tenga tarjeta de crédito? Caso III. El 50% de las industrias manufactureras de tamaño mediano planearon visitas de representantes de su administración a Canadá y México, para aprovechar las oportunidades que abrió el Tratado de Libre Comercio en Norteamérica. Un grupo exportador e importador de Toronto, Canadá, invitó a 20 manufactureras estadounidenses medianas a participar en una conferencia con el fin de investigar las oportunidades de negocios. a. ¿Cuál es la probabilidad de que 12 o más de estas empresas manden representantes? b. ¿Cuál es la probabilidad de que 5 de estas empresas, cómo máximo, manden representantes? Caso IV. El 40% de las personas que viajan por negocios llevan un teléfono celular o una computadora portátil (USA Today, 12 septiembre del 2000). En una encuesta de 15 personas, a. ¿Cuál es la probabilidad de que tres tengan un teléfono celular o una computadora portátil? b. ¿Cuál es la probabilidad de que doce no tengan ni teléfono celular ni una computadora portátil? c. ¿Cuál es la probabilidad de que por lo menos tres tengan un teléfono celular o una computadora portátil?


93

94

Caso V. Al departamento de reservaciones de American Airlines llegan en promedio 48 llamadas por hora. a. Calcule la probabilidad de recibir tres llamadas en un intervalo de cinco minutos. b. Calcule la probabilidad de recibir diez llamadas en un intervalo de quince minutos. Caso VI. El promedio anual de las veces que los clientes de Air Santo Domingo toman vuelos locales por motivos de personales es 4. a. ¿Cuál es la probabilidad de que un cliente tome dos vuelos locales en un año por motivos personales? b. ¿Cuál es la probabilidad de que un cliente tome uno o más vuelos locales en un semestre? Caso VII. Según la revista Beverage Digest, la Coca clásica y la Pepsi ocuparon el primero y segundo lugares en la preferencia de las personas (The Wall Street Journal Almanac, 1998). Suponga que en un grupo de 10 personas, seis prefieren Coca clásica y cuatro prefieren Pepsi. Se selecciona una muestra aleatoria de tres miembros de ese grupo. a. ¿Cuál es la probabilidad de que exactamente dos prefieran Coca clásica? b. ¿Cuál es la probabilidad de que la mayoría (dos o tres) prefieran Pepsi? Casoembarque VIII. de 10 artículos contiene dos unidades defectuosas y ocho no defectuosas. Un Al revisarlo, se tomará una muestra y las unidades se inspeccionarán. Si se encuentra una unidad defectuosa, se rechazará todo el embarque. a. Si se selecciona una muestra de tres artículos, ¿cuál es la probabilidad de rechazar el embarque? b. Si se selecciona una muestra de cuatro artículos, ¿cuál es la probabilidad de rechazar el embarque? c. Si se selecciona una muestra de cinco artículos, ¿cuál es la probabilidad de rechazar el embarque? d. Si la gerencia estuviera de acuerdo en que hubiera una probabilidad de 0.90 de rechazar un embarque con dos defectuosas y ocho no defectuosas?


94

95

Caso IX. De los 15 altos ejecutivos de un negocio de importaciones y exportaciones, se seleccionan 12 para ser enviados al Japón a estudiar un nuevo proceso de producción. Ocho de los ejecutivos ya tienen algo de entrenamiento en el proceso. ¿Cuál es la probabilidad de que 5 de los enviados tengan algo de conocimiento sobre el proceso antes de partir para el lejano oriente? Caso X. Supongamos que se está interesado en la probabilidad de que exactamente 5 clientes lleguen durante la siguiente hora. La observación simple de las últimas 80 horas ha demostrado que 800 clientes han entrado al negocio. Caso XI. Un fabricante en California le suministra un diseño de prototipo para una pieza de aeronave que requiere un negocio. Este nuevo producto, que es enviado en lotes de n = 12, sufre de una tasa de defectos de 40%. a. Si usted no desea un riesgo mayor del 10% en la probabilidad de que 5 de los 12 sean defectuosos ¿debería comprarle a ese distribuidor? b. Si usted no desea enfrentar un riesgo mayor del 20% de probabilidad de que más de 5 salgan defectuosos, debería comprarle a este proveedor? Caso XII. En el curso de una hora, una máquina especifíca llena 1,000 botellas de Cerveza Presidente. uno de los intervalos, se selecciona aleatoriamente de 20 botellas yEnsecada verifica el volumen del contenido en cada una. Sea Xuna el muestra número de botellas seleccionada con contenido insuficiente. Suponga que en una hora específica se producen 100 botellas llenadas en forma deficiente. Calcule la probabilidad de que al menos tres botellas con contenido deficiente se incluyan en las muestreadas. Caso XIII. Se lanza una moneda 100 veces. Encuentre la probabilidad de que ocurra cara entre 48 y 53 veces inclusive. Caso XIV. Suponga que hay 300 errores de impresión distribuidos aleatoriamente a lo largo de un libro de 500 páginas. Encuentre la probabilidad P de que una página dada contenga: a) Exactamente 2 errores de impresión. b) 2 o más errores de impresión. c) Entre 3 y 5 errores inclusive. d) Exactamente 7 errores de impresión. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

95

96

Caso XV. PlayTime Toys, Inc. emplea a 50 personas en el Departamento de Ensamblaje. Cuarenta de los empleados pertenecen al sindicato y diez no. Se seleccionan cinco empleados al azar para formar un comité que va a hablar a la gerencia acerca de los horarios en que inician los turnos. ¿Cuál es la probabilidad de que cuatro de los cinco empleados seleccionados para el comité pertenezcan a un sindicato?


96

97

L a distr ibuci ón nor mal (o gaussiana) y la r egla empírica

La distribución normal es una distribución de datos continuos(*) (no discretos) que produce una curva simétrica en forma de campana. La distribución gaussiana fue presentada por Karl Friedrich Gauss (1777-1855) en el 1812. a probabil campanaidad de nor Gauss va de distr cur vaLde mal ; osecur caracteriza poribuci : ón n ormal ,

- Es unimodal. - Es simétrica (la simetría es perfecta). - La mitad izquierda de su histograma es aproximadamente una imagen especular de su mitad derecha. - La asimetría de la distribución es cero. - Las colas de la curva se aproximan mas, pero nunca tocan, el eje horizontal. - La media, la mediana y la moda son iguales. - La mitad de las observaciones esta por encima de la media y la mitad esta por debajo. - Si las observaciones están altamente dispersas, la curva en forma de campana se aplanara y se esparcirá. La desviación estándar determina el ancho de la curva. A valores mayores de la desviación estándar se tienen curvas más anchas y bajas, que muestran una mayor dispersión en los datos. - El punto más alto de la curva normal es la media, que tambiés es la mediana y la moda de la distribución. - El área total bajo la curva de la distribución normal de probabilidad es 1. (* ) V ari ables conti nuas: Son las que pueden tomar cualquier valor dentro de un intervalo dado. Por muy próxima que puedan estar dos observaciones, si el instrumento de medida tiene la precisión suficiente siempre puede haber una tercera observación que [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

97

98

caiga entre las dos primeras. Los valores de una variable continua proceden en general de mediciones, por ejemplo las cantidades de leche que las vacas producen son datos continuos porque son mediciones que pueden asumir cualquier valor dentro de un intervalo continuo. Se pueden obtener de un numero infinito de posibles valores que pueden asociarse a puntos de una escala continua, de tal manera que no haya huecos ni interrupciones. La Regla Empírica o Regla 68-95-99.

Esta regla solo aplica a un conjunto de datos cuya distribución tiene aproximadamente forma de campana. Esta afirma que: - Cerca del 68% de todos los puntajes u observaciones queda a menos de una desviación estándar de la media. - Cerca del 95% de todos los puntajes u observaciones queda a menos de dos desviaciones estándar de la media. - Cerca del 99.7% de todos los puntajes u observaciones que a menos de tres desviaciones estándar de la media. La Desviación Normal o Formula Z. Z = (X - )/ Valor de Z

Es el numero de desviaciones estándar a las que una observación esta por encima o por debajo de la media. X es algún valor especifico de la variable aleatoria.  es la media  es la desviación estándar [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

98

99

Caso I.

Claudia Cáffaro en su viaje que realizo en el fin de semana pasado, para reunirse con los funcionarios de la Casa Matriz de diseño de modas a la cual pertenece, determinaron que el publico al cual se dirigen estaba en constante cambio en su tamaño físico y en sus proporciones. Por lo que realizaron un estudio y llegaron a la conclusión de que las estaturas de sus clientes estaban distribuidas normalmente alrededor de una media de 67 pulgadas, con una desviación estándar de 2 pulgadas. Si Claudia fuera a expresar en Valor de Z la estatura de dos de sus clientes, que tienen 64 y 73 pulgadas respectivamente. Que debe hacer? También represéntelo gráficamente. La Desviación Normal o Formula Z. Z = (X - )/

Si se selecciona aleatoriamente a un cliente del negocio de Claudia: 1. ¿Cuál es la probabilidad de que la estatura del mismo esté entre 67 y 69 pulgadas? 2. ¿Cuál es la probabilidad de que la estatura del cliente sea superior a 69 pulgadas? 3. ¿Cuál es la probabilidad de que la estatura del cliente sea inferior a 69 pulgadas? 4. ¿Cuál es la probabilidad de que la estatura de esté entre 64.5 y 70.3 pulgadas? 5. ¿Cuál es la probabilidad de que la estatura de esté entre 69.3 y 70.5 pulgadas? [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

99

100

Aproximación de la distribución Binomial a la distribución Normal.

Media de una Distribución Binomial. E(X) =  = n= np Varianza de una Distribución Binomial. ² = n(1- ) = npq _______ ____ ² = √n Desviacion (1- ) = √ npq Si n es muy grande.  = denota probabilidad tener éxito ende uno n ensayos. qp = denota la probabilidad dede fracasar en uno losden los ensayos. p+q=1 p=1–q q=1–p n > 5 np > 5 n(1- ) > 5 nq > 5 Si n es muy grande y np y nq son mayores que 5, p se aproxima a 0.5, podemos aproximar. Caso: El 40% de los sindicalistas del Sindicato quiere huelga. Si seleccionan 15 miembros ¿Cuál es la probabilidad de que 10 apoyen un paro? Probabilidad de una x n-x Distribución Binomial P(x) = nCx ( ) (1- ) 10 15-10 P(x=10|n=15, =0.40) = 15C10*(0.40)*(1-0.40) = 3003 * 0.0001049 * 0.07776 = 0.02449

1) Media de una Distribución Binomial. E(X) =  = n= np = 15 * 0.40 = 6 2) Varianza de una Distribución Binomial. ² = n(1- ) = npq = 15 * 0.40 * 0.60 = 3.6 ______ ____ 3) Desviacion  = √n(1- ) = √ npq = 1.89737 4)Factor de Correccion de Continuidad X – 0.5 = 10 – 0.5 = 9.5 X + 0.5 = 10 + 0.5 = 10.5 5) Z = (9.5 – 6) / 1.89737 = 1.85 Z = (10.5 – 6) / 1.89737 = 2.37

6) P(9.5 ≤ X ≤ 10.5) = P(1.85 ≤ Z ≤ 2.37) = 0.4911 – 0.4678 = 0.0233 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

100

101

Caso I. Los tiempos de reemplazo de los reproductores de CD tienen una distribucion normal con una media de 7.1 años y una desviacion estandar de 1.4 años (basados en datos de "Getting Things Fixed", Consumer Reports). Determine la probabilidad de que un reproductor de CD seleccionado al azar tenga un tiempo de reemplazo de menos de 8 años. Caso II. Suponga que los pesos del papel desechado por los hogares cada semana estan normalmente distribuidos con un media de 9.4 lbs y una desviacion estandar de 4.2 lbs. Determine la probabilidad de seleccionar aleatoriamente un hogar y obtener uno que desecha entre 5 y 8 lbs de papel en una semana. Caso III. Segun la International Mass Retail Association, las muchachas estadounidenses entre los 13 y 17 años gastan en promedio US$31.2 dolares al mes cuando van de compras. Suponga que las cantidades tienen una distribucion normal con una desviacion estandar de US$8.27 dolares. Si seleccionamos al azar a una muchacha perteneciente a esa categoria de edades, ¿que probabilidad hay de que gaste entre US$35 y US$40 dolares en un mes? Caso IV. Los puntajes de cociente intelectual (IQ) estan distribuidos normalmente con una media de 100 y una desviacion estandar de 15. Mensa es una organizacion para personas con cociente intelectual elevado, y solo acepta personas con un IQ mayor que 131.5. Si se escoge aleatoriamente a una persona, determine la probabilidad de que satisfaga el requisito de Mensa.


101

102

Caso V. VERIZON registro los mensajes telefónicos para sus clientes, los cuales promediaron 150 segundos, con una desviación estándar de 15 segundos. VERIZON desea determinar la probabilidad de que una sola llamada dure: a) Entre 145 y 150. b) Sea mayor que 145. c) Sea menor que 155. d) Entre 145 y 155. e) Sea Mayor que 155. f) Entre 160 y 170 g) Entre 140 y 145. Caso VI. Cerca del 4.4% de los accidentes fatales de vehículos motorizados se debe a neumáticos defectuosos (basados en datos del Consejo Nacional de Seguridad de Estados Unidos). Si un estudio de seguridad de autopistas inicia con la selección de 750 casos fatales de choque de vehículos motorizados, estime la probabilidad de que exactamente 35 de ellos hayan sido causados por neumáticos defectuosos. Represente gráficamente la situación planteada.

Caso VII. de los salarios en los bancos comerciales de New York es de El promedio US$22.87 por hora, con una desviación estándar de US$5.87. ¿Cuál debe ser su salario por hora si desea ganar (Represente gráficamente cada situación planteada: a. Más que el 80% de todos los empleados? b. Más que el 30% de todos los empleados? c. Menos que el 20% de todos los empleados? d. Más que el 50% de todos los empleados? Caso VIII. Los registros muestran que el 45% de todos los automóviles producidos por Ford Motor Company contiene partes importadas de Japón. ¿Cuál es la probabilidad de que los próximos 200 carros, 115 contengan partes japonesas. Represente gráficamente. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

102

103

Caso IX. El precio promedio del boleto de entrada a un juego de béisbol de ligas mayores fue de $11.98 dólares en 1998 (USA Today, 1 de noviembre de 1998). Sumando a los boletos el costo de alimentos, estacionamiento y souvenirs, el costo promedio aproximado fue de $110.00 dólares para una familia de 4 miembros, con una desviación de $20.00 dólares. a. ¿Cuál es la probabilidad de que una familia gaste más de $100.00 dólares? b. ¿Cuál es la probabilidad de que una familia gaste $90.00 dólares o menos? c. ¿Cuál es la probabilidad de que una familia gaste $80.00 dólares a 130 dólares? d. ¿Cuál es la probabilidad de que una familia gaste entre $120.00 dólares y 130 dólares? e. ¿Cuál es la probabilidad de que una familia gaste entre $95.00 dólares y 100 dólares? f. ¿Cuál debe ser el gasto de una familia que esta por encima del 80% de los datos evaluados? g. ¿Cuál debe ser el gasto del 50% de las familias de 4 miembros? h. ¿Cuál debe ser el gasto de una familia que separa el 40% del 60 restante de los datos evaluados? i. Si se toma una muestra de 50 familias, ¿cuál es la probabilidad de que gasten entre 115.00 dólares y 125.00 dólares? Caso X. ¿Cuál es el ingreso que separa el 10% de la gente más pobre del 90% restante de la población dominicana? Si el ingreso medio es de RD$5,200 y la desviación es de RD$1,300. Ejercicios 32, 34, 35 y 36 de las págs. 133-134 Caso XI. El 40% de los sindicalistas del Sindicato quiere huelga. Si seleccionan 15 miembros ¿Cuál es la probabilidad de que 10 apoyen un paro? Caso XII. Los registros muestran que 45% de todos los automóviles producidos por Ford Motor Company contienen partes importadas de Japón. ¿Cuál es la probabilidad de que los próximos 200 carros, 115 contengan partes japonesas? [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

103

104

El Teorema del Limite Central indica que en el caso de muestras grandes (n > 30), la distribución de las medias de muestra es aproximadamente normal con media  y desviación estándar /n. Provocando así una variación de la ecuación:

 = (X' - )/(/n) La regla general es que si n es por lo menos 30, el Teorema del Limite Central asegurara una distribución normal en las medias muestrales incluso si la población no es normal.


104

105

Distr ibuci ón t de Student L os factores como el costo y el ti empo a menu do li mi tan severamente el tamañ o de las muestras, y es posible que la distr ibuci ón n ormal no sea un a aproxi mación adecuada a la distr ibución de las medias de muestr as pequeñ as.

En muestras pequeñas, la media de muestra X' generalmente es el mejor estimado puntual de la media de la población . Es posible construir intervalos de confianza para muestras pequeñas utilizando la distribución normal con el mismo margen de error, siempre que la población srcinal tenga una distribución normal y se conozca la desviación estándar  de la población (condición que casi nunca se cumple en aplicaciones reales). Si tenemos una muestra pequeña (n 30) y queremos construir un intervalo de confianza pero no conocemos , a veces podemos usa la Distribución t de Student ideada por Willian Gosset (1876-1937). Gosset era un empleado de la cervecería Guiness necesitaba distribución de permitía usarse con muestrasque pequeñas. La una cervecería dondesusceptible trabajaba no la publicación de los resultados de investigaciones, así que Gosset publico bajo el pseudónimo Student. Condiciones para usar la Distribución t de Student.

1.- La muestra es pequeña (n 30). 2.- Se desconoce . 3.La población tieneseuna distribución esencialmente normal. (Dado quepadre a menudo desconoce la distribución de la [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

105

106

población padre, la estimamos construyendo un histograma con datos de muestra.) Propiedades importantes de la Distribución t de Student.

1.- La distribución t de Student es diferente para los diferentes tamaños de muestra. (Ver Figura 7.3 en la Pág. 177). 2.- La distribución t de Student tiene la misma forma general de campana simétrica que la (con distribución normalmás estándar, refleja la mayor variabilidad distribuciones amplias)pero que cabe esperar cuando la muestra es pequeña. 3.- La distribución t de Student tiene una media t=0 (así como la distribución normal estándar tiene una media de Z=0). 4.- La desviación estándar de la distribución t de Student varia con el tamaño de la muestra, pero es mayor que 1 (a diferencia de la distribución normal estándar, que tiene =1). Al igu al que la distr ibución Z , la distr ibución t ti ene un a media de cero, es simé tr ica respeto a la media y oscila entr e y + . Sin embar go, mi entras que la distr ibuci ón Z tiene un a varianza de ²=1, la var ianza de la distr ibuci ón t es mayor qu e 1.

5.- A medida que aumenta el tamaño de muestra n, la distribución t de Student se acerca mas a la distribución normal estándar. Con valores de n > 30, las diferencias son tan pequeñas que podemos utilizar los valores críticos de z en lugar de crear una tabla mucho más grande de valores críticos de t. Varianza de la distribución t

²= (n-1)/(n-3) [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

106

107

La varianza depende de los grados de libertad (g.l.), que definimos como el numero de observaciones que se pueden escoger libremente. Es el numero de observaciones menos el numero de restricciones impuestas sobre las observaciones, en donde una restricción es algún valor que tales observaciones deben poseer.

Grados de libertad.

El numero de grados de libertad de un conjunto de datos corresponde al numero de puntajes que puede variar después de haber impuestos ciertas restricciones a todos los puntajes. Es el numero de observaciones menos el numero de restricciones impuestas sobre tales observaciones. g.l. = n - 1

Podr ía par ecer un poco extrañ o que, con una población distr da nor mal mente, veces utilicemos la desconoce distr ibuci ón elt paraibui encontrar valor es crítiacos, pero cuan do se uso de s de una muestr a pequeñ a i ncorpor a otr a f uente de error. A f in de mantener el gr ado de conf ianza deseado, compensamos la variabilidad adicional ensanchando el intervalo de confianza mediante un proceso que sustituye el valor cri ti co Z por el valor criti co más grande de t. El estadístico t t = (X'- )/(s/ n)


107

108

Caso I.

Cuando se usan pruebas destructivas, los elementos de una muestra se destruyen durante el proceso de probarlos. Las pruebas de choques de automóviles son un ejemplo muy costoso de pruebas destructivas. Si usted estuviera encargado de tales pruebas de choque, no querría a su supervisor que necesita y destruir mas de 30 decirle automóviles para poder usar la chocar distribución normal. Supongamos que usted ha probado 12 automóviles deportivos Dodge Viper (Precio d lista actual: US$59,300 dólares) chocándolos en diversas condiciones que simulan colisiones representativas. Un análisis de los 12 automóviles dañados da como resultado costos de reparación cuya distribución al parecer tiene forma de campana, con una media de X'=US$26,227 y una desviación estándar de s=$15,873 (basado en datos de Highway Loss Data Institute). Determine lo siguiente. a) El mejor estimado puntual de la media de población , el costo de reparación medio de todos los Dodge Viper implicados en colisiones. b) El estimado de intervalo del 95% de , el costo de reparación medio de todos los Dodge Viper implicados en colisiones. Solución:

a) El mejor estimado puntual de la media de población  es el valor de la media de muestra X'. En este caso, entonces, el mejor estimado puntual de  es US$26,227 dólares. b) DATOS: n = 12 automóviles deportivos Dodge Viper X'=US$26,227 dólares costo de reparación sN.F.= =US$15,873 dolares 95% ===> t= ? I.C. para  = ? [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

108

109

Dada las condiciones anteriores:

1.- La muestra es pequeña (n 30). 2.- Se desconoce . 3.- La población padre tiene una distribución esencialmente normal. (Dado que a menudo se desconoce la distribución de la población padre, la estimamos construyendo un histograma con datos de muestra.) podemos usar la Distribución t de Student:

g.l. de libertad g.l. = = grados n-1 = 12-1 = 11 usando la tabla de la distribución t (Pág. 606) con los g.l.=11 y N.C.=95% cuyas colas equivalen a 5% (0.05) determinamos el valor critico t. g.l.=11; I.C. con N.C.=95% (0.950); dos colas=5% (0.050) ==> t=2.201 donde

E = t (s/ n) E = 2.201 (15,873/ 12) = US$10,085.29

El intervalo de confianza es: X' - E < < X' + E

US$26,227-US$10,085.29< US$16,142 <  < US$36,312 < US$26,227+US$10,085.29 [Este resultado también podría expresarse en el formato de  =US$26,227US$10,085.29 o como (US$16,142, US$36,312).] Con base en los resultados de muestr a dados, tenemos un 95% de confianza en que los limites de USD16,142 y USD36,312 contendr án r ealmente el valor de la media de poblaci ón . Estos costos de reparación parecen muy altos. Efecti vamente, el Dodge Viper es actualmente el automóvil más costoso de reparar despué s de una colisión. Tal informaci ón es importante para compañ ías que aseguran Dodge Vipers contr a choques. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

109

110

Utilice el grado de confianza y los datos de muestra dados para determinar (a) el margen de error y (b) el intervalo de confianza para la media de la población . 1) Estaturas de mujeres: confianza del 95%; n=10, x'=63.4 pulg., s=2.4 pulg. 2) Promedios de calificaciones: confianza del 99%; n=15, x'=2.76, s=0.88 3) Puntajes en una prueba: confianza del 90%; n=16, x'=77.6, Caso II.

s=14.2 4) Salarios de policías: confianza del 92%; n=19, x'=$23,228, s=$8,779 Caso III.

Ejercicios 12 al 18 Págs. 179-180 y Analizar figura 7.4 Pág. 179.


110

111

Análisis de Regresión y Cor relación

El modelo estadístico que nos permite representar la relación entre dos variables (dependiente e independiente) se denomina Ecuación de Regresión, ya que a través de el podemos regresar o proyectar datos sobre el posible comportamiento futuro del fenómeno. El primero en Francis desarrollar el (1822-1911). análisis de regresión fue el científico ingles Sir Galton Este estudio el fenómeno de la herencia y demostró que cuando matrimonios con estaturas altas o bajas tienen hijos, las estaturas de esos hijos tienden a exhibir regresión, es decir, a desplazarse hacia una estatura media más representativa.

Dada una colección de datos de muestra apareados, la ecuación de regresión

y = bo + bi x y = f(x)

describe la relación entre dos variables. La grafica de la ecuación de regresión se denomina línea de regresión (o línea de mejor ajuste, o línea de mínimos cuadrados). Esta definición expresa una relación entre "x" (variable independiente o variable predictoria) y "y" (llamada variable dependiente o variable de respuesta). Variable dependiente (Y): Es la variable que se desea explicar o predecir; también se le denomina regresando o variable de respuesta. Variable independiente (X): se utiliza para explicar a Y. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

111

112

Notación para la ecuación de regresión.

Parámetro Estadística de Poblac. de Muestra Ordenada al srcen de la ecuación de regresión

o

bo

1

b1

Pendiente de la la ecuación de regresión Ecuación de la línea

Y=o+ix

de Regresión

y=bo+bix

y = bo + bi x Donde bo es la ordenada de srcen y

bi es la pendiente.

bo y bi son estadísticas de muestra que sirven para estimar los parámetros de población o y ix. Mínimos cuadrados ordinarios (MCO).

El propósito del análisis de regresión es determinar una recta que se ajuste a los datos muestrales mejor que cualquier otra recta que pueda dibujarse. o y bi estosmatemático valores losque podemos determinar a través de un se denomina Mínimos Cuadrados bprocedimiento Ordinarios (MCO). MCO producirá una recta que se extiende por [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

112

113

el centro del diagrama de dispersión aproximándose a todos los puntos de datos mas que cualquier otra recta. Suma de los cuadrados de X.

SCx = (Xi-X')²

SCx = X² - [( X)²/n] Suma de los cuadrados de Y.

SCy = (Yi-Y')²

SCx = Y² - [( Y)²/n] Suma de los productos cruzados de X y Y.

SCxy = (Xi-X')(Yi-Y')

SCxy = XY - [( X)( Y)/n] Vale la pena notar que las primeras porciones de cada una de estas formulas: SCx = (Xi-X')² | SCy = (Yi-Y')² | SCxy = (Xi-X')(Yi-Y') Ilustran como la recta MCO se basa en las desviaciones de las observaciones a partir de su media. Dadas las sumas de cuadrados y los productos cruzados, es sencillo calcular la pendiente de la recta de regresión y el intercepto, así: La Pendiente de la recta de regresión. El intercepto de la recta de regresión.

bi = SCxy/SCx bo = Y' - biX'

donde Y' y X' son las medias de los valores de Y y los valores de X. NOTA:

Estos cálculos son extremadamente sensibles a la

aproximación. Por hasta tanto,con se cinco aconseja encifras aras decimales. de la exactitud, efectuar los cálculos o seis [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

113

114

El error estándar de estimación Se.

Es una medida del grado de dispersión de los valores Yi alrededor de la recta de regresión. Mide la variación de los puntos de datos por encima y por debajo de la recta de regresión. Refleja la tendencia a desviarse del valor real de Y cuando se utiliza el modelo de regresión para fines predictivos. error estándar estimación mide variación promedio de losElpuntos de datos de alrededor de la rectala de regresión que se utiliza para estimar Y y por ende proporciona una medida del error que se presentara en dicha estimación. Se = (Yi-Yî)²/n-2

Suma de Cuadrados del Error - SCE SCE = SCy - (SCxy)²/SCx En un modelo de regresión simple, se imponen dos restricciones en el conjunto de datos, debido a que se deben dos parámetros, o y ix. Por tanto hay n-2 grados de libertad y CME es

Cuadrado Medio del Error CME = SCE/n-2

El Error Estándar Se = CME El error estándar siempre se expresa en las mismas unidades que la variable dependiente Y. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

114

115

Caso I.

La gerencia de Aeromar, considera que existe una relación directa entre los gastos publicitarios y el numero de pasajeros que escogen viajar por Aeromar. Para determinar si esta relación existe, y si es así cual podría ser la naturaleza exacta, los analistas decidieron utilizar los procedimientos de MCO para determinar el modelo de regresión. Represente gráficamente los resultados. y=bo+bix Datos de Regresión para AEROMAR Observación Publicidad Mes En miles US$ X 1 10 2 12 3 8 4 17 5 10 6 15 7 10 8 14 9 19 10 10 11 11 12 13 13 16 14 10 15 12 TOTALES 187

Pasajeros En miles Y 15 17 13 23 16 21 14 20 24 17 16 18 23 15 16 268

XY

X^2

Y^2


115

116

El valor positivo para un bi indica una relación directa. A medida que la publicidad aumenta, también lo hace el numero de pasajeros. Ahora es útil obtener una medida de la fuerza de esa relación. Esta es la función del Coeficiente de Correlación, desarrollada por Carl Pearson, a veces se le llama el Coeficiente de Correlación producto-momento de Pearson. El Coeficiente de Correlación r puede asumir cualquier valor entre -1 y +1, es decir, -1  r  +1 Un valor de r= -1 indica una relación negativa entre X y Y.

Suma de Cuadrados Total SCT = (Yi-Y')²

Suma de Cuadrados de la Regresión SCR = (Yî-Y')²

Suma de Cuadrado de Error SCE = (Yi-Yî)² Coeficiente de Correlación

r = SCR/SCT r = SCxy / (SCx)(SCy)


116

117

Caso II. Para apoyar las ventas de un producto de consumo masivo en un mercado altamente competitivo una empresa inicio a comienzos de año una intensa campaña publicitaria. La comparación entre la inversión publicitaria y las ventas del producto en 12 meses se colocan en la siguiente tabla: a) Formule la ecuación de regresión. b) Si invertimos posibles ventas? en publicidad $400,000 cual debería ser las MESES ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO AGOSTO SEPTIEMBRE OCTUBRE NOVIEMBRE DICIEMBRE TOTALES

VENTAS EN MILES Y 350 300 630 840 930 1060 1280 850 700 1160 1180 1500 10780

PUBLICIDAD EN MILES X 200 250 300 250 330 180 150 350 200 250 250 170 2880

XY

X^2

Y^2


117

118

Caso III. El departamento de ventas de una Compañía realiza un análisis comparativo entre el volumen de pedidos levantados y numero de visitas efectuadas. Por sus diez vendedores en cierto periodo de tiempo, todos los vendedores trabajan en zonas similares, en lo referente al numero de clientes que maneja cada uno y potencial de compra de dichos clientes. Los resultados obtenidos son los siguientes: a) Formule la ecuación de regresión. b) ¿Cuánto ascendería el posible monto de los pedidos si las visitas fueran 250? c) ¿Cuál es el grado de relación entre las variables? d) Determine el error estándar. e) Haga el diagrama de dispersión. f) Grafique la recta de regresión.

PEDIDOS EN MILES

VISITAS

VENDEDOR

US$

REALIZADAS

1

13,4

245

2

10,3

172

3

15,1

291

4 5

6,9 7,3

124 191

6

14,2

218

7

5,2

101

8

11,8

259

9

14,3

307

10

5,5

142


118

119

Caso IV. Suponga que se reunieron datos de una muestra de 10 restaurantes ubicados cerca de centros educativos. Para i-ésima observación o restaurante de la muestra, xi es el tamaño de la población estudiantil, en miles, y yi son las ventas trimestrales (en miles de dólares). Los valores de xi y yi para los 10 restaurantes de la muestra se resumen en la siguiente tabla: Ventas Población de Trimestrales Restaurante Estudiantes (miles) (miles de dólares 1 2 58 2 6 105 3 8 88 4 8 118 5 12 117 6 16 137 7 20 157 8 20 169 9 22 149 10 26 202 a. Trace un diagrama de dispersión para estos datos. b. ¿Qué indica el diagrama de dispersión que trazó anteriormente, acerca de la relación entre las dos variables? c. Formule la ecuación de regresión. d. Realice una interpretación de la pendiente de la ecuación de regresión. e. ¿Cuál es el grado de relación entre las variables? f. Determine el error estándar. g. Grafique la recta de regresión.


119

120

Caso V. Los datos siguientes muestran las ventas (en millones) de cajas y los gastos de publicidad (en millones de dólares) para 7 marcas principales de refrescos (Superbrands ’98, 20 de octubre de 1997). Gastos de Publicidad Ventas de cajas Marca (millones de dólares) (en millones) Coca-Cola Classic 131.3 1,929.2 Persi-Cola 92.4 1,384.6 Diet Coke 40.4 811.4 Sprite 55.7 541.5 Dr. Pepper 40.2 536.9 Mountain Dew 29.0 535.6 7-Up 11.6 219.5 a. Trace un diagrama de dispersión para estos datos. b. Formule la ecuación de regresión. c. Realice una interpretación de la pendiente de la ecuación de regresión. d. ¿Cuál es el grado de relación entre las variables? e. Determine el error estándar. f. Prediga las ventas para una marca que gaste 70 millones de dólares en publicidad. g. Grafique la recta de regresión.


120

121

Caso VI. En The Wall Street Journal Almanac 1998 aparecieron datos sobre el desempeño de las aerolíneas estadounidenses. A continuación vemos los datos sobre el porcentaje de vuelos que llegan puntuales y la cantidad de quejas por 100,000 pasajeros. Aerolínea % de Puntualidad Quejas Southwest 81.8 0.21 Continental 76.6 0.58 orthwest 76.6 0.85 US Airways 75.7 0.68 United 73.8 0.74 American 72.2 0.93 Delta 71.2 0.72 American West 70.8 1.22 TWA 68.5 1.25 a. Trace un diagrama de dispersión para estos datos. b. ¿Qué indica el diagrama de dispersión que trazó en el inciso a)? c. Formule la ecuación de regresión, que indique cómo se relaciona el número de quejas por cada 100,000 pasajeros con el porcentaje de vuelos que llegan a tiempo. d. Realice una interpretación de la pendiente de la ecuación de regresión. e. es el el grado relación entre las variables? f. ¿Cuál Determine errordeestándar. g. ¿Cuál es la cantidad estimada de quejas por 100,000 pasajeros, si el porcentaje de vuelos puntuales es de 80 porciento? h. Grafique la recta de regresión.


121

122

Caso VII. La empresa Nielsen Media Research reúne datos que muestran qué publicistas obtienen la mayor difusión durante las horas estelares de transmisión en 6 redes televisivas. A continuación se presentan los datos de la cantidad de familias espectadoras, en millones, y la cantidad de veces que salió el anuncio al aire durante la semana del 28 de abril al 4 de mayo de 1997 (USA Today, 5 de mayo de 1997). Veces que salió al Familias Marca Anunciada aire espectadoras Wendy's 28 191.7 Ford Escort 20 174.6 Ausin Powers movie 14 161.3 issan 16 161.1 Pizza Hut 16 147.7 Saturn 16 146.3 Father's Day Movie 11 138.2 a. Forme la ecuación de regresión estimada que describa cómo se relaciona la cantidad de veces que sale un anuncio con la cantidad de familia espectadoras. b. Proponga una interpretación de la pendiente de la ecuación de regresión estimada. c. ¿Cuál es la cantidad estimada de familias espectadoras si un anuncio sale 15 veces al aire en una semana.


122

123

Caso VIII. Un gerente de ventas reunió los datos siguientes relacionados con las ventas anuales y años de experiencia. Años de Ventas anuales Vendedor Experiencia (miles de dólares) 1 1 80 2 3 97 3 4 72 4 4 102 56 68 103 111 7 10 119 8 10 123 9 11 117 10 13 136 a. Trace un diagrama de dispersión para estos datos. b. Formule una ecuación de regresión estimada con la que se puedan predecir las ventas anuales, dados los años de experiencia. c. Use la ecuación de regresión para predecir las ventas anuales de un vendedor con 9 años de experiencia. Caso IX. El gerente de ventas de Copier Sales of America, que tiene una fuerza de ventas muy numerosa en Estados Unidos y Canadá, quiere determinar si existe una relación entre el número de llamadas de ventas que se realizan al mes y el número de copiadoras que se venden durante ese mes. El gerente selecciona una muestra aleatoria de 10 representantes y determina el número de llamadas de ventas que cada uno hizo el pasado y la cantidad de copiadoras vendidas. La información de la muestra se presenta a continuación: Número de Llamadas

Número de Copiadoras

Representante de Ventas

de Ventas

Vendidas

Tom Keller Jeft Hall Brian Virost Greg Fish Susan Welch Carlos Ramírez Rich Niles Mike Kiel Mark Reynolds Soni Jones

20 40 20 30 10 10 20 20 20 30

30 60 40 60 30 40 40 50 30 70


123

124

h. Trace un diagrama de dispersión para estos datos. i. ¿Qué indica el diagrama de dispersión que trazó anteriormente, acerca de la relación entre las dos variables? j. Formule la ecuación de regresión. k. Realice una interpretación de la pendiente de la ecuación de regresión. l. ¿Cuál es el grado de relación entre las variables? m. Determine el error estándar. n. Grafique la recta de regresión. o. Prediga las ventas para 15, 35 y 60 llamadas.

Caso X. La humedad influye en la evaporación, de modo que el equilibrio de solventes de las pinturas base agua durante su rocío se ve afectado por la humedad. Se emprende un estudio controlado para examinar la relación de la humedad con la magnitud de la evaporación del solvente. El conocimiento de esta relación es útil para que el pintor ajuste el aspersor de pintura de modo de considerar la humedad. Se obtienen los datos siguientes: OBSERVACION

HUMEDAD RELATIVA (%)

EVAPORACION SOLVENTE (% DE PESO)

1 2 3 4 5 6

35.3 29.7 30.8 58.8 61.4 71.3

11.0 11.1 12.5 8.4 9.3 8.7

7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

74.4 76.7 70.7 57.5 46.4 28.9 28.1 39.1 46.8 48.5 59.3 70.0 70.0 74.4 72.1 58.1 44.6

6.4 8.5 7.8 9.1 8.2 12.2 11.9 9.6 10.9 9.6 10.1 8.1 6.8 8.9 7.7 8.5 8.9

24 25

33.4 28.6

10.4 11.1


124

125

Las estadísticas de resumen para estos datos son: Sumatoria de x = 1,314.90 Sumatoria de y = 235.70 Sumatoria de x*x = 76,308.53 Sumatoria de y*y = 2,286.07 Sumatoria de x*y = 11,824.44 i. Trace un diagrama de dispersión para estos datos. j. ¿Qué indica el diagrama de dispersión que trazó en el inciso a)? k. Formule la ecuación de regresión, que indique cómo se relaciona la humedad con la evaporación. l. Realice una interpretación de la pendiente de la ecuación de regresión. m. ¿Cuál es el grado de relación entre las variables? n. Determine el error estándar. o. ¿Cuál es la magnitud de la evaporación del solvente cuando la humedad relativa es 50%? Grafique la recta de regresión.


125

126

Di str ibució n M uestr al

Generalmente las poblaciones son demasiado grandes como para ser estudiadas en su totalidad. Es necesario seleccionar una muestra representativa de un tamaño más manejable. Esta muestra se utiliza luego para sacar conclusiones sobre la población. Distribución Muestral:

Es una lista de todos los valores posibles para un estadístico y la probabilidad relacionada con cada valor. Error de Muestreo:

Es la diferencia entre el parámetro poblacional y el estadístico de la muestra para estimar el parámetro. X'-X" X'- Par ámetro: Es una

medición numérica característica de una población.

que

describe

alguna

- Medida descriptiva de la población completa de observaciones que tienen interés para el investigador. Estadístico: Es una medición numérica característica de una muestra.

que

describe

alguna

El estadístico se utiliza como estimador del parámetro. Al confiar en una muestra para sacar alguna conclusión o inferencia sobre la población. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

126

127

Caso I.

Las ventas en miles de dólares de Electrom, S.A. durante los últimos 6 meses fueron de 70, 77, 73, 78, 85 y 80. Asumiendo que estos cinco meses constituyen una población, la media claramente es  = 77.17. El director de Marketing desea estimar esta media "desconocida" tomando una muestra de tamaño n=4. Se espera que el error de muestreo que es probable que ocurra sea relativamente pequeño. Realice la distribución muestral. 1º Podemos obtener muchas muestras de tamaño 4.

Específicamente 6C4 = 15 Construya la tabla en base a la cantidad de muestra del primer punto, indicando los elementos muestrales (Xi), y Medias Muestrales (X') 2º

3º Construya la tabla con la Probabilidad de cada media muestral. 4º Calcule la media de las medias muestrales. La Media de las Medias Muestrales:

X"= estándar de las medias muestrales/K. Varianza de Muestrales:

la

Distribución

Muestral

de

las

Medias

²x'=(X'-X")²/K Error Estándar de la Muestral de las Medias Muestrales:

x'=²x' Una aproximación cercana puede obtenerse mediante: ²x'=²/n [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

127

128

x'=/n Si el tamaño de la muestra es mas del 5% de la población, n>0.05N, debe aplicarse el factor de corrección para poblaciones finitas (fpc). Error Estándar utilizando el fpc:

x'=(/n)((N-n/N-1)) (N-n/N-1) es el fpc. 70

73

77

78

80

85

TABLA DE DISTRIBUCION MUESTRAL POBLACION

VENTAS

NUMERO

ELEMENTOS DE

MEDIA (X')

MENSUALES

MUESTRA

LA MUESTRA (X)

MUESTRAL MUESTREO (X'-X")

70

70

73

77

78

70

73

77

80

70

73

77

85

70

73

78

80

85

1 2 3 4 5

70

73

78

85

80

6

70

73

80

85

7 8 9 10 11 12 13 14

70

77

78

80

70

77

78

85

70

77

80

85

70

78

80

85

73

77

78

80

73

77

78

85

73

77

80

85

73

78

80

85

15

77

78

80

85

77 73 78

77.17

MEDIA VARIANZA DESVICION

MEDIA DE X'

ERROR DE

CUADRADO DEL ERROR (X'-X")

VARIANZA ERROR ESTANDAR


128

129

TABLA DE PROBABILIDADES NUM. MEDIAS (NX')

MUESTRAL MEDIA (X')

NX'/K P(X')

Ejercicios 1 al 5 - Págs. 149-150 Teorema del Limite Central.

A medida que n se vuelve más grande, la distribución de las medias muestrales se aproxima a una distribución normal con una media X"= y un error estándar de x'=/n. A mayor n menor x' Por tanto, incluso si la población no esta distribuida normalmente, la distribución de muestreo de las medias muestrales será normal si n es lo suficientemente grande. La reglaCentral generalasegurara es que si nuna es por lo menos 30, el Teorema del Limite distribución normal en las medias muestrales incluso si la población no es normal. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

129

130

En síntesis:

Teorema del Limite Central: Dado que: 1.- La variable aleatoria x tiene una distribución (que podría ser o no normal) con media  y una desviación estándar . 2.Se seleccionan aleatoriamente muestras de tamaño n de esa población. Conclusiones: 1.- A medida que aumenta el tamaño de las muestras, la distribución de las medias de muestra se acercara a una distribución normal. 2. - La media de las medias de muestra será la media de la población X"=. 3.- La desviación estándar de las medias de muestra será x'=/ n. Reglas prácticas de uso común: 1.- Para muestras de tamaño n mayor que 30, la distribución de las medias de muestra se puede aproximar razonablemente bien con una distribución normal. La aproximación es más exacta a medida que aumenta el tamaño de muestra n. 2.- Si la población srcinal también esta distribuida normalmente, las medias de muestra tendrán una distribución normal para cualquier tamaño de muestra n. El Teorema del Limite Central indica que en el caso de muestras grandes (n > 30), la distribución de las medias de muestra es aproximadamente normal con media  y desviación estándar /n. Provocando así una variación de la ecuación: [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

130

131

 = (X' - )/(/n) La regla general es que si n es por lo menos 30, el Teorema del Limite Central asegurara una distribución normal en las medias muestrales incluso si la población no es normal.

Caso I. Orange registró los mensajes telefónicos de sus clientes, los cuales promedian 150 segundos, con una desviación de 15 segundos, por lo que planea instalar nuevos equipos que mejorarían la eficiencia de sus operaciones. Sin embargo, antes que los ejecutivos puedan decidir si dicha inversión será eficaz en función de los costos, deben determinar la probabilidad de que la media de una muestra de n = 35: a. Esté entre 145 y 150. b. Sea mayor que 145. c. Sea menor que 155. d. Esté entre145 y 155. e. Sea mayor que 155.


131

132

Distr ibuci ón de Pr oporci ones M uestr ales

Muchos asuntos de negocios tratan la proporción de la población . Una firma de marketing puede querer averiguar si un cliente (1) compra o (2) no compra el producto. Un banco con frecuencia debe determinar si un depositante (1) pedirá o (2) no pedirá un crédito para auto. Muchas firmas deben determinar la probabilidad de que un proyecto para presupuestar capital (1) generara o (2) no generara un rendimiento positivo. un cliente (1) compra (p = ) o (2) no compra el producto (q = 1 - ) un depositante (1) pedirá un crédito para auto (p = ) o (2) no pedirá un crédito para auto (q = 1 - ) Valor esperado (media) de la Distribución Muestra de la Proporción: E(p) =

= ∑p/K

Error estándar de la Distribución _______ ____ Muestra de la Proporción: p = (1- )/n = pq/n

Si el tamaño de la muestra es mas del 5% de la población, n>0.05N, debe aplicarse el factor de corrección para poblaciones finitas (fpc). Error estándar de la Distribución _______ ________ Muestra de la Proporción: p = (1- )/n * (N-n/N-1)

____

________ p = pq/n * (N-n/N-1)


132

133

Caso I. Publicidad Sarmiento pregunta a toda la población N=4 clientes si vieron el anuncio publicitario de Sarmiento en el periódico de esta mañana. Se registro una respuesta “si”como éxito, y “no”como fracaso. Los cuatros clientes S1, N2, N3 y S4. La proporción poblacional de éxitos es = 0.5. Se tomaron muestras de tamaño n = 2, y la proporción de éxitos se registra en la siguiente tabla: p = x/n Xi

Núm. De éxitos

p

1

S1, N2

1

0.50

2

S1, N3

1

0.50

3 4

S1, S4 N2, N3

2 0

1.00

5

N2, S4

1

0.50

6

N3, S4

1

0.50

TOTAL

3.00

-

Valor esperado (media) de la Distribución Muestra de la Proporción: E(p) =

= ∑p/K

= 3/6 = 0.5

Muestra de la Proporción:

________

p=

(1- )/n * (N-n/N-1)

_______

p = 0.5*0.5/2 * (4-2/4-1)

p = 0.35355339 * 0.81649658 = 0.289 Z = (p - )/p [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

133

134

Caso II. BellLabs adquiere componentes para sus teléfonos celulares en lotes de 200 de una firma en Palo Alto. El componente tiene una tasa de defectos del 10%. Una política establecida recientemente por BellLabs establece que si el siguiente envío tiene: a. Más del 12% de defectos, definitivamente buscará un nuevo suplidor. b. Entre el 10 y el 12% de defectos, considerará un nuevo proveedor. c. Entre el 5 y 10% de defectos, definitamente no conseguirá un nuevo proveedor. d. Menos del 5% de defectos, incrementará sus pedidos. i. Cúal decisión es más probable que tome BellLabs? a. Más del 12% de defectos, definitivamente buscará un nuevo suplidor. Valor esperado (media) de la Distribución Muestra de la Proporción: E(p) =

= 0.10

Muestra de la Proporción: p= __________ p = 0.1*0.9/200 = 0.021

(1- )/n

P(p > 0.12):

Z = (p - )/p Z = (0.12 – 0.10)/0.021 = 0.95 Z = 0.95



área de 0.3289

P(p > 0.12) = P(Z > 0.95) = 0.5 - 0.3289 = 0.1711 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

134

135

b. Entre el 10 y el 12% de defectos, considerará un nuevo proveedor. Valor esperado (media) de la Distribución Muestra de la Proporción: E(p) =

= 0.10

Muestra de la__________ Proporción:

p=

(1- )/n

p = 0.1*0.9/200 = 0.021 P(0.10 <= p <= 0.12):

Z = (p - )/p Z = (0.12 – 0.10)/0.021 = 0.95 Z = 0.95  área de 0.3289 P(0.10 <= p <= 0.12) = 0.3289

c. Entre el 5 y 10% de defectos, definitamente no conseguirá un nuevo proveedor. Valor esperado (media) de la Distribución Muestra de la Proporción: E(p) =

= 0.10


(1- )/n

P(0.05 <= p <= 0.10):

Z = (p - )/p Z = (0.05 – 0.10)/0.021 = -2.38 Z = 2.38  área de 0.4913 P(0.05 <= p <= 0.10) = 0.4913 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

135

136

d. Menos del 5% de defectos, incrementará sus pedidos. Cúal decisión es más probable que tome BellLabs? Valor esperado (media) de la Distribución Muestra de la Proporción: E(p) =

= 0.10


(1- )/n

P(p < 0.05):

Z = (p - )/p Z = (0.05 – 0.10)/0.021 = -2.38 Z = 2.38  área de 0.4913 P(p < 0.05) = 0.5 - 0.4913 = 0.0087

Webster: Ejercicios 9 al 12 - Pág. 157 Webster: Ejercicios 13 al 17 - Pág. 160 Investigar los siguientes Métodos de Muestreo y dar dos Ejemplos: Valor 2 adicionales a los 100.

-

Muestreo Aleatorio Simple Muestreo Sistemático Muestreo Estratificado Muestreo por Conglomerados Muestreo de Conveniencia


136

137

Métodos de Muestreo Muestra: Es un subconjunto de elementos extraídos de una población.

- Es una porción representativa de la población, que se selecciona para su estudio porque la población es demasiado grande para analizarla en su totalidad. Muestra Aleatoria o Probabilística:

Se seleccionan los miembros de la

población de modo que cada uno tenga la misma probabilidad de ser escogido. Son muestras en que los elementos a seleccionar se obtienen con base en la probabilidad. Cada elemento de una población tiene cierta probabilidad de ser elegido como parte de la muestra. Una muestra es seleccionada de modo que todos los elementos de la población tienen la misma probabilidad de ser elegidos. De igual manera, todas las muestras de tamaño n tienen la misma posibilidad de ser elegidas. La muestras aleatorias simples se obtienen por muestreo con reemplazo en una población finita o por muestreo sin reemplazo en una población sin reemprazo. Muestra Aleatoria Simple:

aleatoria simple de n sujetos se selecciona de tal maneraUna quemuestra toda posible muestra de tamaño n tenga la misma probabilidad de ser escogida.

Subdividimos la población en por lo menos dos subpoblaciones (o estratos) distintas que comparten categorías (como genero), y luego sacamos una muestra de cada estrato. Muestreo Estratificado:

Si los tamaños de muestra de los distintos estratos reflejan la población general, decimos que tenemos un muestreo proporcional. Muestra que se obtinen al estratificar el marco muestral y luego seleccionar un número fijo de elementos de cada uno de los estratos promedio de una técnica de muestreo aleatorio simple.


137

138

Muestra que se obtinene al estratificar el marco muestral y luego seleccionar de cada estrato un número de elementos en proporción al tamaño de los estratos, por medio de una técnica de muestreo aleatorio simple. Muestreo Proporcional:

Cuando se extrae una muestra aleatoria proporcional, el marco muestral se subdivide en varios estratos y luego de cada estrato se extrae una submuestra. Una forma conveniente de expresar el concepto de muestreo proporcional es establecer una proporción. Por ejemplo, “uno de cada 150”, le induce a seleccionar un (1) elemento por cada 150 elementos en el estrato. Seleccionamos un punto inicial y luego seleccionamos cada k-ésimo (digamos, cada quincuagésimo) elemento de la población. Muestreo sistemático:

La técnica sistemática es fácil de describir y ejecutar; no obstante, conlleva algunos peligros cuando el marco muestral es repetitivo o de naturaleza cíclica. En estas condiciones, puede que los resultados no se aproximen a una muestra aleatoria simple. Muestreo por cúmulos o conglomerados:Muestreo

que se obtiene al muestrear algunas, pero no todas, las subdivisiones posibles que hay dentro de una población. Estas subdivisiones, denominadas conglomerados, a menudo ocurren de manera natural dentro de la población. Primero dividimos el área de la población en secciones (o cúmulos) y luego seleccionamos aleatoriamente unas cuantas de esas secciones escogiendo todos los miembros de las secciones seleccionadas. Una diferencia importante entre el muestreo por cúmulos y el estratificado es que en el muestreo por cúmulos se usan todos los miembros de cúmulos seleccionados, mientras que en el muestreo estratificado se usa una muestra de miembros de cada estrato. Muestreo de conveniencia o de juicio: Simplemente utilizamos resultados

que ya están disponibles. Las muestras son elegidas con base en el hecho de que son típicas. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

138

139

Cuando se obtiene una muestra de juicio, la persona que elabora la muestra elige unidades que considera representativas de la población. La validez de los resultados de una muestra de juicio refleja la solidez del juicio del recolector de datos. Error de muestreo: Es la diferencia entre el resultado de una muestra y el

verdadero resultado de la población; tal error es consecuencia de las fluctuaciones aleatorias de las muestras. Este error ocurre cuando los datos de una muestra se obtienen, registran o analizan de forma incorrecta. Tal error es consecuencia de una equivocación y no de una fluctuación aleatoria y predispuesta, cuando se usa un instrumento de medición defectuoso, cuando se hacen preguntas predispuestas en una encuesta, cuando mucha gente se niega a responder o cuando se cometen errores al copiar los datos de la muestra. Error de muestreo:

Tendencia a favorecer la elección de unos determinados elementos de la muestra en detrimento de otros. Sesgo muestral:

Este análisis de las muestras conduce a distinguir entre las dos ramas principales del análisis estadístico: 1) Estadística descriptiva o deductiva, y 2) Estadística inferencial o inductiva.


139

140

Estimados y Tamaño de Muestra Estadística Inferencial:

Implica la utilización de una muestra para extraer alguna inferencia o conclusión sobre la población correspondiente. - Apoyándose en el calculo de probabilidades y a partir de datos muestrales, efectúa estimaciones, predicciones y otras generalizaciones sobre un conjuntodecisiones, mayor de datos. La estadística es inferencial cuando se derivan conclusiones generales para un conjunto de datos más amplio a partir de la información proporcionada por los datos estudiados. L as dos aplicaciones principales de la estadísti ca inf erenci al i mpl ican el uso de datos de muestr a para (1) esti mar el val or de un parámetr o de poblaci ón y (2) l legar a un a concl usión acerca de una pobl ación.

es una estadística de muestra (como la media de muestra) que se usa para aproximar un parámetro de población. Estimador:

Existen dos tipos de estimadores que se utilizan normalmente: - Estimador puntual - Estimador por intervalo es un valor individual (o punto) que se usa para aproximar un parámetro de población. Estimado puntual:

utiliza un numero único o valor para localizar una estimación del parámetro. Estimador Puntual:

La media de muestra es el mejor estimado de la media de población. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

140

141

Podemos decir que la media de la muestra es un estimador de la media de la población, lo que quiere decir que la distribución de las medias de muestra tiende a centrarse alrededor del valor de la media de la población. (Es decir, las medias de muestra no tienden a sobreestimar sistemáticamente el valor de , y tampoco tienden a subestimar sistemáticamente dicho valor. En vez de ello, tienden a centrarse en el valor de  no predispuesto

misma). especifica el rango dentro del cual esta el parámetro desconocido. Estimación por intervalo:

Intervalo de Confianza:

denota un rango dentro del cual puede

encontrarse el parámetro. Es una gama (o un intervalo) de valores que probablemente contiene el valor verdadero del parámetro de población. Un intervalo de confianza se asocia a un grado de confianza, que es una medida de la certeza que tenemos de que nuestro intervalo contiene el parámetro de población. es la probabilidad 1- (a menudo expresada como el valor porcentual equivalente) de que el intervalo de confianza contiene el verdadero valor del parámetro. Nivel de confianza (grado o coeficiente de confianza):

Existen tres niveles de confianza relacionados comúnmente con los intervalos de confianza: 99, 95 y 90%, denominados coeficientes de confianza.


141

142

: Es la probabilidad de error o la probabilidad de que un intervalo dado no contenga la media poblacional desconocida. Valor Alfa

/2: Es el numero que esta en la frontera que separa las estadísticas de muestra que probablemente ocurrirán, de aquellas que probablemente no ocurrirán. Es un puntaje  con la propiedad de que separa un área de /2 de la cola derecha de la Valor Critico

distribución normal estándar. Margen de Error : Es la máxima diferencia probable (con una probabilidad de 1-) entre la media de muestra observada y el verdadero valor de la media de población . El margen de error también se denomina error máximo de la estimación y puede obtenerse multiplicando el valor critico y la desviación estándar de las medias de muestras.

= /2 * /n = /2 * x' Intervalo de confianza para estimar desconocida) cuando es conocido.

(media poblacional real

I.C. para estimar  = X'   Caso I.

Para estimar el gasto promedio de los clientes en el McDonald's local, los estudiantes de Métodos Cuantitativos II toman una muestra de 200 clientes y encuentran un gasto promedio de US$5.67, con una desviación estándar poblacional de US$1.10. ¿Cuál es el intervalo de confianza del 95% para los gastos promedio de todos los clientes? Interprete sus resultados.


142

143

Caso I.

Para estimar el gasto promedio de los clientes en el McDonald's local, los estudiantes de Métodos Cuantitativos II toman una muestra de 200 clientes y encuentran un gasto promedio de US$5.67, con una desviación estándar poblacional de US$1.10. ¿Cuál es el intervalo de confianza del 95% para los gastos promedio de todos los clientes? Interprete sus resultados. Datos: =/2*/n=1.96*1.10 / 200=0.15 n=200 N.C.=95% I.C. para estimar  = X'   x'=US$5.67 I.C.=? = US$5.670.15 =US$1.10 = US$5.52    US$5.82 Interpretación del Caso:

Los estudiantes poseen un 95% de confianza de que la media poblacional desconocida del gasto de los clientes del McDonal's evaluados se encuentra entre el intervalo US$5.52    US$5.82. Cn intervalos de confianza, el construyen los Npoblacional 95% Si de se ellos contendrátodos la media desconocida. Esto por supuesto significa que el 5% de todos los intervalos estaría errado - no contendrían la media poblacional, el Valor alfa . Calculo del poblacional):

cuando se desconoce

(desviación estándar

Si n > 30, podemos sustituir  de la formula del  por la desviación estándar de la muestra s.

= /2 * s/n = /2 * sx' [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

143

144

Procedimiento para construir un intervalo de confianza para (basado en una muestra grande: n > 30).

1. Encuentre el valor critico confianza deseado.

/2

que corresponda al grado de

2. Evalúe el margen de error  = /2 * x'. Si se desconoce la desviación estándardede la población use nel> 30. valor de la , que desviación estándar la muestra s, siempre 3. Con el valor del margen de error calculado  y el valor de la media de muestra X', obtenga los valores de X'- y X'+. Sustituya estos valores en el formato general del intervalo de confianza: X'-    X'+  = X'   (X'-,X'+) 4. Redondee los valores resultantes aplicando la regla de redondeo. Regla de Redondeo para intervalos de confianza empleados para estimar .

1. Si usa el conjunto de datos srcinal para construir un intervalo de confianza, redondee los limites del intervalo de confianza a una posición decimal mas que las empleadas en el conjunto de datos srcinal. 2. Si desconoce el conjunto de datos srcinal y solo usa las estadísticas resumidas (n,x',s), redondee los limites del intervalo de confianza de acuerdo al mismo numero de posiciones decimales que se usan para la media de muestra. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

144

145

La idea básica en que se apoya la construcción de intervalos de confianza tiene que ver con el teorema del limite central, que indica que en el caso de muestras grandes (n > 30), la distribución de las medias de muestra es aproximadamente normal con media  y desviación estándar /n. El formato de los intervalos de confianza en realidad es una variación de la ecuación:  = (X' - )/(/n) Justificación:

X' --  ==((//n)n)- X' (-1) = X' -

( / n)

Un intervalo estrecho ofrece mayor precisión, aunque la probabilidad de que contenga  se reduce. Precisión:

Caso I.

Una muestra consiste en 75 televisores adquiridos hace varios años. Los tiempos de reemplazo de esos televisores tienen una media de 8.2 años y una desviación estándar de 1.1 años (basados en datos de "Getting Things Fixed", Consumer Reports). Construya un intervalo delos confianza del de 90% el tiempo de reemplazo medio de todos televisores esa para época. Caso II.

Utilice el grado de confianza y los datos de muestra dados para determinar (a) el margen de error y (b) el intervalo de confianza para la media de la población . 1. Estaturas de mujeres: confianza del 95%; n=50, x'=63.4 pulgs., s=2.4 pulgs. 2. Promedios de calificaciones: confianza del 99%; n=75, x'=2.76, s=0.88. 3. Puntajes en una prueba: confianza del 90%; n=150, x'=77.6; s=14.2. Ejercicios de la Seccion 1 al 10 pags. 175 y 176. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

145

146

Estimación de una proporción de población.

Las decisiones dependen con frecuencia de parámetros que son binarios, parámetros con solo dos posibles categorías dentro de las cuales pueden clasificarse las respuestas. En este evento, el parámetro de interés es la proporción poblacional. Tanto las proporciones como las probabilidades se expresan en forma decimal fraccionaria.omitiendo Al trabajar con porcentajes, convertimos en oproporciones el signo de por cientolos y dividiendo entre 100. Por ejemplo, la tasa del 48% de personas que no compran libros puede expresarse en forma decimal como 0.487. Estimado puntual para la proporción de población.

La proporción de muestra p es el mejor estimado puntual de la proporción de población. p = x/n

proporción de muestra de x éxitos en una muestra de tamaño n. Intervalo de confianza para la proporción poblacional.

Muchos asuntos de negocios tratan la proporción de la población . Una firma de marketing puede querer averiguar si un cliente (1) compra o (2) no compra el producto. Un banco con frecuencia debe determinar si un depositante (1) pedirá o (2) no pedirá un crédito para auto. Muchas firmas deben determinar la probabilidad de que un proyecto para presupuestar capital (1) generara o (2) no generara un rendimiento positivo. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

146

147

Repasando:

p= p = denota probabilidad de tener éxito en uno de los n ensayos. q = denota la probabilidad de fracasar en uno de los n ensayos. p+q=1 p=1-q q=1-p n > 5 np > 5 n(1-) > 5 nq > 5 Si n y muestrales n(1-) sonserá mayores la distribución de las proporciones normalque y la5,distribución muestal de la proporción muestral tendrá una media igual a la proporción poblacional  y error estándar de: Error estandar de la distribución muestral de las proporciones muestrales: p=

(1- )/n = pq/n

Estimación del Error estándar de la distribución muestral de las proporciones muestrales: sp = p(1-p)/n = pq/n [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

147

148

Margen de error del estimado de la proporción de la población: E = ( )( pq/n)

Regla redondeo de para estimados de intervalo de confianza para lade proporción población

Redondee los limites del intervalo de confianza a tres dígitos significativos. Intervalo de poblacional.

confianza

I.C. para estimar la proporción poblacional

para

=p

estimar

la

proporción

E

Caso I.

En una encuesta de 1068 estadounidenses, 673 dijeron que tenían contestadoras telefónicas (basados en datos de International Mass Retail Association, informados en USA Today). Utilizando estos resultados de muestra, determine: a. El estimado puntual de la proporción de la población de todos los estadounidenses que tienen contestadora telefónica. b. El estimado de intervalo del 95% de la proporción de todos los estadounidenses que tienen contestadora telefónica. a. Estimado puntual para la proporción de población. p = x/n = 673/1068 = 0.630 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

148

149

b. Intervalo de confianza para estimar la proporción poblacional. E = ( )( pq/n) E = 1.96 ( (0.630)(0.370)/1068) = 0.0290 I.C. para estimar la proporción poblacional

=p

E

0.630 - 0.0290 <  < 0.630 + 0.0290 0.601 <  < 0.659 Este resultado a menudo se informa en el formato siguiente: "Se estima que el porcentaje de los estadounidenses que tiene contestadora telefonica es del 63%, con un margen de error de mas o menos 2.9 puntos porcentuales. También debe informarse el nivel de confianza, pero eso casi nunca se hace en los medios de comunicación. EJERCICIOS DE LA SECCION 20 AL 25 - PAG. 182.

Determi nación del tamañ o apropiado de la muestr a

El tamaño de la muestra juega un papel importante al determinar la probabilidad de error así como en la precisión de la estimación. Una vez se ha seleccionado el nivel de confianza, los factores importantes influyen en el tamaño muestral: (1) la varianza de la población ² y (2) el tamaño del error tolerable que el investigador esta dispuesto a aceptar.


149

150

Tamaño de la muestra para estimar .

 = (X' - )/x'  = (X' - )/(/n) X' -  =  (/n) n(X' - ) =  n = /(X' - ) n = ² ²/(X' - )² n = [ /E]² E = Error de Muestreo El tamaño de la muestra debe ser entero. Regla de redondeo para el tamaño de muestra n.

Al calcular el tamaño de muestra n, si la formula anterior no produce un numero entero, siempre debe aumentarse el valor de n al siguiente numero entero mayor. El tamañ o de la muestra no depende del tamañ o de la población (N); el tamañ o de muestr a depende del grado de conf ianza deseado, el mar gen de error deseado y del valor de la desviación estándar . L a duplicación del mar gen de error hace que el tamañ o de la mu estr a r equerida se reduzca a la cu arta par te de su valor origin al. Por otr o lado, si se reduce a la mi tad el mar gen de error se cuadruplicara el tamañ o de la muestr a. L o que esto impl ica es que si queremos resultados más exactos, es preciso aumentar sustancialmente el tamañ o de la muestr a. Dado que las muestr as grandes generalmente r equi eren mas tiempo y dinero, a menudo es necesario efectuar un tr ueque entr e el tamañ o de la muestr a y el mar gen de error E.


150

151

Caso I.

Un economista desea estimar los ingresos medios durante el primer año de trabajo de un graduado universitario que, en un alarde de sabiduría, tomo un curso de estadística. ¿Cuantos de tales ingresos es necesario encontrar si queremos tener una confianza del 95% en que la media de muestra este a menos de US$500 dólares de la verdadera media de la población? Suponga que un estudio previo revelo que, para tales ingresos,  =US$6250. DATOS: N.C.=95% ===> Z=1.96 Queremos que la media de la muestra este dentro de un margen de US$500 de la media de la población. E=US$500 =US$6,250 n = ² ²/(X' - )² n = [(1.96)²*(6250)²]/(500)²= n = [ /E]² n = [(1.96 * 6250)/500]²= Caso II.

¿Que tan grande se requiere que sea una muestra para que proporcione una estimación del 90% del numero promedio de graduados de las universidades de la nación con un error de 2000 estudiantes si una muestra piloto reporta que s=8,659? Caso III.

Nielsen Media Research quiere estimar la cantidad media de tiempo (en horas) que los estudiantes universitarios de tiempo completo dedican a ver televisión cada día entre semana. Determine el tamaño de muestra necesario para estimar esa media con un margen de error de 0.25 horas (15 minutos). Suponga que se desea un grado de confianza del 96%, y que un estudio piloto indico que la desviación estándar se estima en 1.87 horas. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

151

152

¿QUE PASA SI SE DESCONOCE ?

1.-

Podemos

utilizar

la

REGLA

PRACTICA

DE

INTERVALO.

En conjuntos de datos representativos, el intervalo del conjunto tiene una anchura aproximada de cuatro desviaciones estándar (4s), así que la desviación estándar se puede aproximar de la siguiente manera: desviación estándar  intervalo/4   intervalo/4 Esta expresión proporciona una estimación burda de la desviación estándar, si conocemos los puntajes máximo y mínimo. Si conocemos el valor de la desviación estándar, podemos usarlo para entender mejor los datos, obteniendo estimaciones burdas de los puntajes máximo y mínimo como se indica. 2.- Realizar un estudio piloto iniciando el proceso de muestreo. Con base en la primera recolección de por lo menos 31 valores de muestra seleccionados al azar, calculamos la desviación estándar de la muestra s y la usamos en lugar de . Este valor puede refinarse a medida que se obtengan mas datos de muestra. mínimo  (media) - 2 * (desviación estándar) máximo  (media) + 2 * (desviación estándar)


152

153

Caso I.

Si razonamos que los precios de los libros de textos universitario típicamente varían entre US$10 y US$90 dólares. Usted planea estimar el precio de venta medio de un libro de texto universitario. ¿Cuantos libros de textos deberá muestrear si desea tener una confianza del 95% en que la media de la muestra estará a menos de US$2 dólares de la verdadera media de la población DATOS: ?   intervalo/4   (US$90-US$10)/4  US$20 N.C.=95% ===> Z=1.96 E=US$2 dólares n = ² ²/(X' - )² n = [(1.96)²*(20)²]/(2)²= n = [ /E]² n = [(1.96 * 20)/2]²=

Caso II.

Boston Marketing Company lo acaba de contratar para realizar una encuesta con el fin de estimar la cantidad media de dinero que los asistentes al cine de Massachussets gastan (por película). Primero use la regla practica del intervalo para hacer un estimado burdo de la desviación estándar de las cantidades gastadas. Es razonable suponer que las cantidades típicas varían entre US$3 dólares y unos US$15 dólares. Luego utilice esa desviación estándar para determinar el tamaño de muestra que corresponde a una confianza del 98% y a un margen de error de 25 centavos de dólar. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

153

154

Tamaño de poblacional.

la

muestra

para

estimar

la

proporción

Si despejamos a "n" de la expresión del margen de error E. E = ( )( pq/n) E² = ( )²( pq/n)² E² = ( )²(pq/n) E²n = ( )²(pq) n = [( )²(pq)]/E²

Cuando se puede obtener un esti mado r azonabl e de p utilizando muestr as previas, un estu dio pil oto o los conoci mi entos de algún experto se uti liza la f ormu la anteri or. Cuando no se conoce el estimado puntual p: n = [( )²* 0.25]/E²

Si no se puede conj eturarse un val or, puede asignar se el valor de 0.5 tanto a p como a q, con lo que el tamañ o de muestr a resultan te será al menos tan gr ande como necesita ser . L a justi ficación para la asignación de 0.5 es la siguiente: el valor mas alto posible del producto p* q es de 0.25, y ocur re cuan do p=0.5 y q= 0.5 como se puede observar en la sigui ente tabl a que usted debe compl etar : p q p* q 0.1 0.9 0.09 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

154

155

Caso I.

Las compañías de seguros se están preocupando porque el creciente uso de teléfonos celulares esta teniendo como resultado un mayor numero de accidentes automovilísticos, y están considerando implementar tarifas mas altas para conductores que usan tales aparatos. Queremos estimar, con un margen de error de tres puntos porcentuales, el porcentaje de conductores que hablan por teléfono mientras conducen. Suponiendo que queremos tener una confianza del 95% en nuestros resultados, ¿cuantos conductores deberán encuestar? a. Supongamos que tenemos un estimado de p basado en un estudio previo que indico que el 18% de los conductores habla por teléfono (basados en datos de la revista Prevention). b. Suponga que no tenemos información previa que sugiera un posible valor de p. SOLUCION: a) DATOS: p=0.18 q=0.82 N.F.=95% ==> Z=1.96 E=0.03 = tres puntos porcentuales n = [( )²(pq)]/E² n = [(1.96)²(0.18*0.82]/(0.03)² n=

b) DATOS: N.F.=95% ==> Z=1.96 E=0.03 = tres puntos porcentuales n = [( )²* 0.25]/E² n = [(1.96)²* 0.25]/(0.03)² n=

Si comparamos estos dos resultados de tamañ o de muestr a vemos que, si no tenemos conoci mi ento de un estudio anter ior, se requiereque unacuan muestr a puede más grande obtener resultados do se esti marpara el valor de p. los mi smos [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

155

156

Caso II.

Una compañía de comunicaciones esta considerando un proyecto para prestar servicio telefónico de larga distancia. Se le pide a usted realizar un sondeo de opinión para estimar el porcentaje de los consumidores que esta satisfecho con su servicio telefónico de larga distancia actual. Usted quiere tener una confianza del 90% en que su porcentaje de muestra estará a menos de 2.5 puntos porcentuales del valor real para la población, y un sondeo sugiere que el porcentaje en cuestión anda alrededor del 85%. ¿Que tan grande deberá ser la muestra?

Caso III. Planeta Azul proporciona agua embotellada, en contenedores de 15 galones, a las casas de un sector del Distrito Nacional. El gerente desea estimar el número promedio de contenedores que una casa típica utiliza cada mes. Se toma una muestra de 75 casas y se registra el número de contenedores. La media es 3.2, con una desviación de 0.78. a. ¿Qué revelaría un intervalo de confianza del 92%? b. Sin embargo, el gerente siente que el intervalo anterior es demasiado amplio. ¿Cuántas casas deben tomar como muestra para estar 99% seguro de que el intervalo no estará errado en más de 0.10 contenedores? c. Se selecciona una muestra pequeña de 10 casas para estimar el número promedio de miembros de la familia por casa. Los resultados son 1,3,4,7,2,2,3,5,6 y 6 personas en cada casa. ¿Cuáles son los resultados de un intervalo de 99% para el número promedio de miembros de la familia? d. De las 75 casas de la muestra, 22 tienen ablandadores de agua en casa. ¿Cuál es el estimado del intervalo del 95% de la proporción de todas las casas del sector que tiene ablandadores? e. Si el intervalo oscila entre el 18.8% y el 39.2% de todas las casas que tienen ablandadores y carece de precisión, ¿qué tan grande debe tomarse una muestra para producir un intervalo de sólo el 10%?


156

157

Caso IV. Se pidió a 200 personas de una muestra identificar su principal fuente de información de noticias; 110 dijeron que esa fuente es los noticiarios televisivos. a. ¿Cuál es el estimado puntual de la proporción poblacional? b. Determine un intervalo de confianza de 95% para la proporción de las personas en la población que consideran a la televisión como su principal fuente de información noticiosa. Interprete los resultados. a. ¿Qué tamaño debe tener una muestra para estimar la proporción de la población, con un margen de error igual a 0.05 y un nivel de confianza de 95%?

Caso V. Al ensayar un nuevo método de producción, se seleccionaron 18 empleados al azar, y se les pidió lo probaran. La tasa de producción promedio muestral para los 18 empleados fue 80 partes por hora, y la desviación estándar muestral fue de 10 partes por hora. Suponiendo que la población tiene una distribución de probabilidad normal. a. Determine un intervalo de confianza de 90% de la tasa de producción promedio poblacional con el nuevo método, Interprete los resultados y Represente gráficamente. b.

Construya un intervalo de confianza de 95% de la tasa de producción promedio poblacional con el nuevo método, Interprete los resultados y Represente gráficamente.

c.

Construya un intervalo de confianza de 99% de la tasa de producción promedio poblacional con el nuevo método, Interprete los resultados y Represente gráficamente.

d. ¿Cuál es estimado puntual de la tasa de producción promedio poblacional con el nuevo método?


157

158

Caso VI. Media Metrix, Inc., vigila a los usuarios de Internet en siete países: Australia, Gran Bretaña, Canadá, Francia, Alemania, Japón y Estados Unidos. Según las cifras de medición recientes, los usuarios estadounidenses ocupan el primer lugar en el uso de Internet con un promedio de 13 horas por mes. Suponga que en un estudio de seguimiento en el participaron 145 usuarios de Internet canadienses, la media muestral fue de 10.8 horas por mes y la desviación estándar muestral fue de 9.2 horas. a. Formule las hipótesis nula y alternativa que servirán para determinar si los datos de la muestra sustentan la conclusión de que los usuarios de Internet canadienses tienen una media poblacional menor que el promedio estadounidenses de 13 horas por mes. b. Con un nivel de significancia de 0.01 ¿Cuál es el valor crítico para comprobar la estadística de prueba, y ¿cuál es la regla de rechazo? c. ¿Basado en la estadística de prueba y regla de decisión la información es correcta? d. Interprete los resultados, de sus conclusiones. e. Represente gráficamente la situación.

Caso VII. Una compañía de comunicaciones esta considerando un proyecto para prestar servicio telefónico de larga distancia. Se le pide a usted realizar un sondeo de opinión para estimar el porcentaje de los consumidores que esta satisfecho con su servicio telefónico de larga distancia actual. Usted quiere tener una confianza del 90% en que su porcentaje de muestra estará a menos de 2.5 puntos porcentuales del valor real para la población, y un sondeo sugiere que el porcentaje en cuestión anda alrededor del 85%. ¿Que tan grande deberá ser la muestra?


158

159

Estimadores y Estimaciones.

Un estimador es el proceso mediante el cual se obtiene la estimación. Una estimación es el resultado numérico del estimador. es una estadística de muestra (como la media de muestra) que se usa para aproximar un parámetro de población. Estimador:

Existen dos tipos de estimadores que se utilizan normalmente: - Estimador puntual - Estimador por intervalo es un valor individual (o punto) que se usa para aproximar un parámetro de población. Estimado puntual:

utiliza un numero único o valor para localizar una estimación del parámetro. Estimador Puntual:

La media de muestra es el mejor estimado de la media de población. Podemos decir que la media de la muestra es un estimador de la media de la población, lo que quiere decir que la distribución de las medias de muestra tiende a centrarse alrededor del valor de la media de la población. (Es decir, las medias de muestra no tienden a sobreestimar sistemáticamente el valor de , y tampoco tienden a subestimar sistemáticamente dicho valor. En vez de ello, tienden a centrarse en el valor de  misma). no predispuesto

Estimación por intervalo:

especifica el rango dentro del cual

esta el parametro desconocido. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

159

160

Intervalo de Confianza:

denota un rango dentro del cual puede

encontrarse el parámetro. Los Estimadores deben ser: 1) Insesgados 2) Eficientes 3) Consistentes 4) Suficientes Estimador Insesgado.

Un estimador es insesgado si la media de su distribución muestral es igual al parámetro correspondiente. E(') = 

 = al parámetro que se intenta estimar '= estimador E(X') = X" =  E(X') -  = 0 X"= estándar de las medias muestrales. Si E(X') -   0 , si excede  es un estimador sesgado (hacia arriba).


160

161

REPASO: Distribuciones de Datos Sesgadas.

Una distribución de datos esta sesgada, si no es simétrica y se extiende mas hacia un lado que hacia otro. Sesgo describe la falta de simetría en una distribución.

Los datos sesgados a la izquierda se dice que tienen sesgo negativo; la media y la mediana están a la izquierda de la moda. Generalmente tiene la media a la izquierda de la mediana. Sesgo negativo describe distribuciones asimétricas en la que la mediana excede a la media; la cola de la distribución es hacia los valores bajos.

Los datos sesgados a la derecha se dice que tienen sesgo positivo; la media y la mediana están a la derecha de la moda. Sesgo positivo describe distribuciones asimétricas en las que la media excede la mediana; los valores se alargan hacia los valores altos.

En ambos casos, la moda es por definición la observación que ocurre con mayor frecuencia, por tanto esta en el pico de la distribución. Coeficiente de Sesgo de Pearson.

P = 3 (Media - Mediana) s Si P < 0, los datos están sesgados a la izquierda. Si P > 0, los datos están sesgados a la derecha. Si P = 0, los datos están distribuidos normalmente. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

161

162

Estimador Eficiente.

La eficiencia de un estimado depende de su varianza.

'1 y '2 son dos estimadores insesgados, pero será un estimador eficiente aquel cuya varianza en muestreo repetidos con un tamaño muestral dado es menor.

Varianza de Muestrales:

la

Distribución

Muestral

de

las

Medias

²x'=(X'-X")²/K Si '1 es un estimador eficiente en relación a '2, la varianza de la distribución muestral de '1 es menor que la de '2. Los valores posibles para '2 están más dispersos. Estimador consistente.

Un estimador es consistente si, a medida que n aumenta, el valor del estadístico se aproxima al parámetro. Para que un estimado sea consistente, debe ser insesgado y su varianza debe aproximarse a cero a medida que n aumenta. La varianza de la distribución muestral de las medias muestrales es ²x' es ²/n. A medida que n aumenta, ²x' se aproximara a cero. Por tanto, se puede decir que X' es un estimador consistente de . Estimador suficiente. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

162

163

Un estimador es suficiente si utiliza toda la información relevenate sobre el parámetro contenida en la muestra. Es decir, ningún otro estimador puede proporcionar mas información sobre el parámetro.


163

164

En secciones anteriores determinamos (1) el estimado puntual, (2) intervalo de confianza y (3) determinamos el tamaño de la muestra para medias y proporciones, en esta sección los aplicaremos a la varianza de población ² o desviación estándar de población . Muchas situaciones reales, como el control de calidad en un proceso de fabricación, requiere estimar valores de varianzas o desviaciones estándar de población. Además fabricar productos cuyas mediciones producen una media de deseada, el fabricante debe elaborar productos con una calidad uniforme que no abarquen toda la gama desde extremadamente buenos hasta extremadamente deficientes. Dado que tal uniformidad a menudo se puede medir por la varianza o la desviación estándar, estas se convierten en estadísticas vitales para mantener la calidad de los productos. Di str ibución Chi cuadrada

En una población distribuida normalmente con varianza ², de tamaño nseleccionamos y calculamosaleatoriamente la varianza de muestras muestras independientes s² para cada muestra. La estadística de muestra ²=(n-1)s²/² tiene una distribución llamada distribución Chi cuadrada.

²=(n-1)s²/² n = tamaño de muestra s²= varianza de muestra ²= varianza de población La distribución Chi cuadrada esta determinada por el numero grados de libertad, por el momento usaremos n-1 grados dedelibertad. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

164

165

Propiedades de la Distribución de la estadística Chi cuadrada.

1.- La Distribución Chi cuadrada no es simétrica, a diferencia de las distribuciones normal y t Student (A medida que aumenta el número de grados de libertad, la distribución se vuelve más simétrica). 2.Los valores de Chi cuadrada pueden ser cero o positivos, pero no pueden ser negativos. 3.- La distribución Chi cuadrada es diferente para cada número de grados de libertad, que es gl=n-1. A medida que aumenta el numero de grados de libertad, la distribución Chi cuadrada se acerca a una distribución normal. Caso I. Usando la tabla H Distribución Chi-cuadrado.

Encuentre los valores críticos de ² que determinan regiones criticas que contienen un área de 0.025 en cada cola. Suponga que el tamaño de de muestra numero de grados libertadpertinente es 10-1=9es de 10, de modo que el El valor critico de la derecha ( ²=19.023) se obtiene directamente localizando 9 en la columna de grados de libertad de la izquierda y 0.025 en la fila superior. El valor critico de  ²=2.700 de la izquierda también corresponde a 9 en la columna de grados de libertad, pero es preciso localizar 0.975 (que se obtiene de restar 0.025 a 1) en la fila superior porque los valores de esa fila siempre son áreas a la derecha del valor critico. Solución:


165

166

Al obtener valores críticos de Chi cuadrada de la H Distribución Chi-cuadrado, obsérvese que los números de grados de libertad son enteros consecutivos del 1 al 30, seguidos de 40, 50, 60, 70, 80, 90 y 100. Si no se encuentra en la tabla un numero de grados de libertad (digamos 52), por lo regular puede usarse el valor critico más cercano. Por ejemplo, si el numero de grados de libertad es de 52,grados remítase la tablaesta y use 50 grados adelalibertad. (Si el numero de alibertad exactamente mitad entre dos valores de la tabla, como 55, simplemente calcule la media de los dos valores de ².) Para numeros de grados de libertad mayores que 100, use la ecuación siguiente:

²=1/2 [Z+(2k-1)]² donde k es el numero de grados de libertad. Caso II.

Encuentre los valores críticos ²L y ²R que corresponden al grado de confianza y tamaño de muestra dados. 1. 95%;n=26 2. 99%;n=17 3. 90%;n=60 4. 95%;n=50 Estimadores de ².

Dado que las varianzas de muestras s² (que se obtienen con la formula s²=[(x-x')²]/(n-1)) tienden a centrarse alrededor del valor de la varianza de la población ², decimos que s² es un estimador no predispuesto de ². Es decir, las varianzas de muestras s² no tienden a sobreestimar sistemáticamente ²; en vez de ello, tienden a centrarse en el valor de ² mismo. Además, los valores s² tienden a producir errores más pequeños al estar mas cerca de ² que otras medidas de variación. Por estas razones, el [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

166

167

valor s² es el mejor valor individual (o estimado puntual) de las diversas estadísticas que podríamos usar para estimar ². La varianza de muestra s² es el mejor estimado puntual de la variación de la población ².

Dado que s² es el mejor estimado puntual de ², seria natural esperar que s sea el mejor estimado puntual de , pero no sucede así, porquedes es un estimador predispuesto de . Por parte, si el tamaño muestra es grande, la predisposición es otra tan pequeña que podemos usar s como un estimado razonablemente bueno de . Aunque s² es el mejor estimado puntual de ², no tenemos una indicación de lo bueno que es realmente. Para compensar esta deficiencia, deducimos un estimado de intervalo (o intervalo de confianza) que es mas revelador. Intervalo de confianza (o estimado de intervalo) para la varianza de población ².

²=(n-1)s²/² Despeje: ²=(n-1)s²/² El intervalo de confianza es:

(n-1)s²/²R < ² < (n-1)s²/²L El intervalo de confianza para la desviación estándar se obtiene calculando la raíz cuadrada de cada componente anterior: [(n-1)s²/²R] <

< [(n-1)s²/²L]


167

168

Con un área total de  dividida equitativamente entre las dos colas de una distribución Chi cuadrada, ²L denota el valor critico de cola izquierda y ²R denota el valor critico de cola derecha. Los limites de intervalos de confianza para ² y se deben redondear aplicando la regla de redondeo siguiente:

1. Si usa el conjunto de datos srcinal para construir un intervalo de confianza, redondee los limites del intervalo de confianza a una posición decimal mas que las empleadas en el conjunto de datos srcinal. 2. Si desconoce el conjunto de datos srcinal y solo usa las estadísticas resumidas (n,s), redondee los limites del intervalo de confianza al mismo numero de posiciones decimales que se usan para la desviación estándar o varianza de muestra. Caso I.

La Pepin bizcochos que se en cajasPanificadora cuyos rótulos dicenproduce contienen 12 bizcochos conempacan un total de 42 onzas. Si la variación entre los bizcochos es demasiado grande, algunas cajas pesaran menos de lo debido (engañando a los clientes) y otras pesaran más (reduciendo las utilidades). El supervisor de control de calidad determino que puede evitar problemas si los bizcochos tienen una media de 3.50 onzas y una desviación estándar de 0.06 onzas o menos. Se seleccionan aleatoriamente doce bizcochos de la línea de producción y se pesan, con los resultados que se dan aquí (en onzas). Construya un intervalo de confianza del 95% para ² y un intervalo de confianza del 95% para , y luego determine si el supervisor de control de calidad3.43 esta3.37 en problemas. 3.58 3.50 3.68 3.61 3.42 3.52 3.66 3.50 3.36 3.42 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

168

169

Solución: Con base en los datos de muestra, la media de X'=3.504 parece excelente porque esta muy cerca del valor deseado. Los puntajes dados tienen una desviación estándar de s=0.109, que podría parecer mayor que el valor deseado de 0.06 o menos. Procedamos a obtener el intervalo de confianza para ². Con una muestra de 12 puntajes tenemos 11 grados de libertad. Con un grado entre de confianza del de95%, dividimos ²y=0.05 equitativamente las dos colas la distribución nos remitimos a los valores de 0.975 y 0.025 en la fila superior. Los valores críticos de ² son ²L=3.816 y ²R=21.920. Utilizando estos valores críticos junto con la desviación estándar de muestra s=0.109 y el tamaño de muestra de 12 construimos el intervalo de confianza del 95% evaluando lo siguiente: (n-1)s²/²R < ² < (n-1)s²/²L (12-1)(0.109)²/21.920 <²< (12-1)(0.109)²/(3.816) 0.006 < ² < 0.034 Si sacamos la raíz cuadrada de cada parte (antes de redondear) obtenemos: 0.077 <  < 0.185 Con base en el intervalo de confianza del 95% para , parece que la desviación estándar es mayor que el valor deseado de 0.06 o menos, así que el supervisor de control de calidad esta en problemas y deberá tomar medidas correctivas para hacer que el peso de los bizcochos sea mas uniforme. El intervalo de confianza de 0.077 <  < 0.185 también puede expresarse como (0.077,0.185), pero el formato de =sE no puede usarse porque el intervalo de confianza no tiene a s en su centro. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

169

170

Caso II.

Un recipiente anticongelante para automóvil supuestamente contiene 3,785 ml del liquido. Consciente de que las fluctuaciones son inevitables, la gerente de control de calidad quiere estar muy segura de que la desviación estándar sea de menos de 30 ml; De lo contrario, algunos recipientes se desbordaran, mientras que otros no tendrán suficiente anticongelantes. Ella selecciona aleatoriamente una muestra, con los resultados que se de danconfianza aquí. Utilice estos para construir el intervalo del 99% pararesultados el verdadero valor de . ¿Sugiere este intervalo de confianza que las fluctuaciones están en un nivel aceptable? 3,761 3,861 3,769 3,772 3,675 3,861 3,888 3,819 3,788 3,800 3,720 3,748 3,753 3,821 3,811 3,740 3,740 3,839 n = 18 X'=3,787.0 s =55.4 Caso III. a) Los valores que se listan son tiempos de espera (en minutos) de clientes del BHD, donde los clientes se forman en una sola fila que alimenta tres ventanillas. Construya un intervalo de confianza del 95% para la desviación estandar de la población . 6.5 6.6. 6.7 6.8 7.1 7.3 7.4 7.7 7.7 7.7 b) Los valores que se listan son tiempos de espera (en minuto) de clientes del Banco Popular, donde los clientes pueden formarse en cualquiera de tres filas distintas que se han formado frente a tres ventanillas distintas. Construya un intervalo de confianza del 95% para  y compare los resultados con el intervalo de confianza para los datos del Banco BHD. ¿Sugieren los intervalos de confianza alguna diferencia en la variación de los tiempos de espera de cada banco? ¿Cuál sistema parece mejor: el de fila única o el de múltiples filas? 4.2 5.4 5.8 6.2 6.7 7.7 7.7 8.5 9.3 10.0

Caso IV. Se espera que un proceso estandarizado produzca arandelas con una desviación muy pequeña en su espesor. Suponga que se tomaron 10 de estas arandelas y sus espesores, en pulgadas fueron: 0.123

0.124

0.126

0.120

0.130

0.133

0.125

0.128

0.124

0.126

¿Cuál es un intervalo de confianza de 90 por ciento para la desviación estándar del espesor de una arandela producida mediante este proceso? [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

170

171

Determinación del tamaño de muestra.

Los procedimientos para encontrar el tamaño de muestra necesario para estimar ² son muchos más complejos que los procedimientos que se dieron antes para las medias y proporciones. En lugar de aplicar procedimientos muy complicados, usaremos la tabla 6-2. Caso I. Con una

confianza del 95%, queremos estimar  dentro de un margen de error del 10%. ¿Qué tamaño deberá tener la muestra? Supongamos que la población esta distribuida normalmente. Solución: En la tabla 6-2 vemos que una confianza del 95% y un error del 10% para  corresponde a un tamaño de muestra de 191. Deberemos seleccionar aleatoriamente 191 valores de la población. Caso II.

Determine el tamaño de muestra mínimo necesario para tener una confianza del 95% en que la desviación estándar de la muestra s estará a menos del 30% de . Caso III.

Determine el tamaño de muestra mínimo necesario para tener una confianza del 99% en que la desviación estándar de la muestra s estará a menos del 20% de . Caso IV.

Determine el tamaño de muestra mínimo necesario para tener una confianza del 99% en que la varianza de la muestra estará a menos del 30% de la varianza de la población. Caso V.

Determine el tamaño de muestra mínimo necesario para tener una confianza del 95% en que la varianza de la muestra estará a menos del 40% de la varianza de la población.


171

172

El an álisis de varianza (A NOV A)

Es un método para probar la igualdad de dos o más medias de población analizando varianzas de muestra. Distribución F

Los métodos de ANOVA emplean la distribución F, que tiene las siguientes propiedades: 1. La distribución F no es simétrica; esta sesgada hacia la derecha. 2. Los valores de F pueden ser 0 o positivos, pero no pueden ser negativos. 3. Hay una distribución F distinta para cada par de grados de libertad del numerador y el denominador. Esta fue denominada así en 1924 en honor a Sir Ronald A. Fisher (1890-1962). La estadística de prueba F es el cociente de dos estimados, de modo que una estadística de prueba F significativamente grande (situada muy a la derecha en la grafica de la distribución F) es un indicio en contra de que las medias de población sean iguales. Estadística de Prueba para ANOVA. F=varianza entre muestras/varianza dentro de las muestras

El numerador mide la variación entre las medias de muestra. El estimado de la varianza del denominador depende solo de las varianzas de las muestras y no resulta afectado por las diferencias entre las medias de las muestras. Por consiguiente, si las medias [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

172

173

de muestra tienen valores muy parecidos, la estadística de prueba F tiene un valor cercano a 1, y concluimos que no hay diferencias significativas entre las medias de muestra. En cambio, si el valor de F es excesivamente grande, rechazamos la afirmación de que las medias son iguales. Cálculos con tamaños de muestra iguales. F=varianza entre muestras/varianza dentro de las muestras

Si todos los conjuntos de datos tienen el mismo tamaño de muestra como se presenta en la tabla a continuación. Primero calculamos la varianza entre muestras evaluando ns², donde s² es la varianza de las medias de muestra. INTERVALOS DE TIEMPO (EN MINUTOS ENTRE ERUPCIONES DEL VOLCAN "EL VIEJO FIEL" GEISER OLD FAITHFUL - PARQUE NAC. YELLOWSTONE

N

1951

1985

1995

1996

74

89

86

88

60

90

86

86

74

60

62

85

42

65

104

89

74

82

62

83

52

84

95

85

65

54

79

91

68

85

62

68

62

58

94

91

66

79

79

56

62

57

86

89

60

88

85

94

12

12

12

12

MEDIA X'

63,3

74,3

81,7

83,8

DESVIACION

9,4

14,2

13,7

10,9

BASADOS EN DATOS DEL GEOLOGO RICK HUTCHINSON Y EL SERVICIO NACIONAL DE ESTADOS UNIDOS


173

174

Por ejemplo las medias de las muestras de la tabla anterior son 63.3, 74.3, 81.7, 7 83.8. Esos cuatro valores tienen una desviación estándar de s=9.26116, así que varianza entre muestras = ns² = 12 (9.26116) ² = 1,029.23 A continuación, estimamos la varianza dentro de las muestras calculando s²p, que es la varianza conjunta que se obtiene calculando mediadedemuestra las varianzas de 13.7 muestra. desviaciones laestándar son 9.4, 14.2, y 10.9, Las así que varianza dentro de las muestras = s²p =(9.4² + 14.2² + 13.7² + 10.9²)/4 =149.125

Por ultimo, evaluamos la estadística de prueba F como sigue: F=varianza entre muestras/varianza dentro de las muestras

F=1,029.23/149.125 = 6.9018 Si llevamos mas posiciones decimales obtendremos una estadística de prueba más exacta: F=6.9018 El valor critico de F se obtiene suponiendo una prueba de cola derecha, ya que los valores grandes de F corresponden a diferencias significativas entre las medias. Con k muestras cada una de las cuales tiene n puntajes, los números de grados de libertad se calculan como sigue: Grados de libertad con k muestras del mismo tamaño n.

grados de libertad del numerador = k - 1 grados de libertad del denominador = k (n-1) [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

174

175

Para los datos de muestra de la tabla anterior k=4 y n=12, así que los grados de libertad son 3 para el numerador y 44 para el denominador. Con un =0.05, 3 grados de libertad para el numerador y 44 grados de libertad para el denominador, el valor critico es F = 2.84 (La tabla de Distribución F no incluye 44 grados de libertad para el denominador, así que usamos el valor más cercano, que corresponde a 40 grados de libertad). Regla 2.84". de decisión: "No rechazar si F  2.84. Rechazar sí F > Con base a estos resultados, rechazamos la hipótesis nula de que las medias son iguales. Hay suficientes indicios para justificar que se rechace la afirmación de que las cuatro muestras provienen de poblaciones cuyas medias son iguales.


175

176

Caso I. ¿Que concluye usted acerca de la aseveración de que las tres poblaciones correspondientes a los tres grupos de edades tienen la misma temperatura corporal media? TEMPERATURAS CORPORALES (ºF) POR EDAD

18-20

21-29

30 o más

98,0

99,6

98,6

98,4

98,2

98,6

97,7

99,0

97,0

98,5

98,2

97,5

97,1

97,9

97,3

n

5

5

5

X'

97,940

98,580

97,800

s

0,568

0,701

0,752

BASADOS EN DATOS DEL DOCTOR PHILIP MACKOWIAK, EL DR. STEVEN WASSERMAN Y EL DR. MYRON LEVINE DE LA UNIVERSITY OF MARYLAND.

Caso II. La City Resouce Recovery Company (CRRC) recolecta desperdicios desechados por los hogares de la región. Los desperdicios deben separarse en las categorías de metal, papel, plástico y vidrio. Al planificar que equipo necesita para recolectar y procesar la basura, la CRRC consulta los datos que se resumen en la siguiente tabla: En el nivel de significancia de 0.05, pruebe la afirmación de que las cuatro poblaciones especificas tienen la misma media. Con base en los resultados, ¿cree usted que las cuatro categorías requieran los mismos recursos para su recolección y procesamiento? METAL

PAPEL

PLASTICO

VIDRIO

n

62

62

62

62

X'

2,218

9,428

1,911

3,752

s

1,091

4,168

1,065

3,108


176

177

Cálculos con tamaños de muestra desiguales. F=varianza entre muestras/varianza dentro de las muestras

F= [ (ni(X'i-X")²) / k-1 ] / [ ((ni-1)s²i) / (ni-1)] donde: X" = media de todos los puntajes de muestra combinados k = numero de medias de población que se comparan ni = numero de valores en la i-esima muestra N = numero total de valores en todas las muestras combinadas X'i = media de los valores de la i-esima muestra s²i = varianza de los valores de la i-esima muestra


177

178

Pr ueba de H ipótesis L as hi pótesis indican lo que estamos buscando o tratando de probar y pueden definirse como explicaciones tentativas del fenómeno investigado formuladas a manera de proposiciones. L as hipótesis no necesariamente son verdaderas, pueden o no serlo, pueden o no comprobarse con hechos. Son

explicaciones tentativas, no los hechos en sí. Dentro de la investigación científica, las hipótesis son proposiciones tentativas acerca de las relaciones entre dos o más variables y se apoyan en conocimientos organizados y sistematizados.

Sampieri H., Roberto. "Metodología de la Investigación". McGraw Hill: Segunda Edición. 1998 BEST SELLER INTERNACIONAL. son, en cierto modo, el reverso de las hipótesis de investigación. También constituyen proposiciones acerca de la relación entre variables; que sirven solo para refutar o negar lo que afirma la hipótesis de investigación. Hipótesis nulas

como su nombre lo indica, son posibilidades "alternas" ante las hipótesis de investigación y nula: Ofrece otra descripción o explicación distintas a las que proporcionan estos tipos de hipótesis. Hipótesis

alternativas,

Si la hipótesis de investigación establece: "esta silla es roja", y podrían formularse una o más hipótesis alternativas: ""esta silla es azul", "esta silla es verde", "esta silla es amarilla", etcétera.


178

179

son las transformaciones de las hipótesis de investigación, nulas y alternativas en símbolos estadísticos. Se pueden formular solo cuando los datos del estudio que se van a recolectar y analizar para probar o rechazar las hipótesis son cuantitativos (números, porcentajes, promedios). Es decir, el investigador traduce su hipótesis de investigación y su hipótesis nula (y cuando se formulan hipótesis alternativas, también estas) en términos estadísticos. Hipótesis estadísticas

En estadística, una hipótesis es una afirmación o declaración que se hace acerca de una propiedad de una población. Componentes de una Prueba de Hipótesis.

es una declaración acerca del valor de un parámetro de población (como la media) y debe contener la condición de igualdad escrita con el símbolo =,  o . (Al efectuar realmente la prueba, operaremos bajo el supuesto de que el parámetro es igual a algún valor especifico.) En el caso de la media, la hipótesis nula se expresara en una de estas tres Hipótesis nula (denotada por Ho)

posibles formas: Ho: = algún valor Ho:  algún valor Ho:  algún valor Por ejemplo, la hipótesis nula que corresponde a la creencia común de que la temperatura corporal media es 98.6ºF se expresa como Ho:=98.6. Probamos la hipótesis nula directamente en el sentido de que suponemos que es verdad y llegamos a una conclusión que puede ser rechazar Ho o bien en no rechazar Ho. Nunca aceptarnula la hipótesis nula como verdadera. El no rechazosedepuede la hipótesis solamente significa que la evidencia [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

179

180

muestral no es lo suficientemente fuerte como para llegar a su rechazo. Antes que se rechace la hipótesis nula, la media muestral debe diferir significativamente de la media poblacional planteada como hipótesis. Es decir, que la evidencia debe ser muy convincente y concluyente. Una conclusión con base en un rechazo de la hipótesis nula es más significativa que una que termine en una decisión de no rechazo. Diferencia estadísticamente insignificante

En la diferencia entre el valor de la media poblacional bajo la hipótesis y el valor de la media muestral que es lo suficientemente pequeña como para atribuirla a un error de muestreo. es la declaración que debe ser verdad si la hipótesis nula es falsa. En el caso de la media, la hipótesis alternativa se expresara en una de tres posibles formas: Hipótesis Alternativa (denotada por Ha)

 algún valor Ha: > Ha: < algún valor Obsérvese que Ha es lo contrario de Ho. Por ejemplo, si Ho se da como =98.6, se sigue que la hipótesis alternativa esta dada por Ha98.6. Errores Tipo I y Tipo II.

Al probar una hipótesis nula, llegamos a una conclusión de rechazarla o no rechazarla. Tales conclusiones a veces son correctas y a veces equivocadas. Hay dos tipos de errores que podemos cometer. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

180

181

Error Tipo I.

El error de rechazar la hipótesis nula, dado que es verdadera. La probabilidad de cometer un error tipo I es igual al nivel de significancia, o valor  en el que se prueba la hipótesis.

Error Tipo II.

Es no rechazar una hipótesis nula que es falsa. Usamos el símbolo  para representar la probabilidad de error tipo II. Como controlar los errores tipo I y tipo II. Consideraciones practicas que podrían ser pertinentes:

1. Para cualquier  fija, un aumento en el tamaño de muestra n hace que  disminuya. Es decir, una muestra más grande reduce la posibilidad de cometer el error de no rechazar la hipótesis nula, dado que en realidad es falsa. 2. Para cualquier tamaño de muestra fijo n, una disminución de  causara un incremento en . Por otra parte, un incremento en  causara una disminución en . 3. Si queremos reducir tanto  como , deberemos aumentar el tamaño de muestra. Estadística de Prueba.

Una estadística de muestra o un valor basado en los datos de una muestra. Se utiliza una estadística de prueba para tomar la decisión de rechazar o no la hipótesis nula.  = (X' - )/(/n)  = (X' - )/(s/n) [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

181

182

Región critica.

El conjunto de todos los valores de la estadística de prueba que nos harían rechazar la hipótesis nula. Valor critico.

El valor o valores que separan la región critica de los valores la estadística de prueba no nosde harían rechazar de la hipótesisdenula. Los valores críticosque dependen la naturaleza la hipótesis nula, la distribución de muestreo pertinente y el nivel de significancia . Prueba de dos colas para

Hay cuatro pasos involucrados en una prueba: Paso 1: Plantear las hipótesis. Paso 2: Con base en los resultados de la muestra, calcular el valor del estadístico de Z. Paso prueba 3: Determinar la regla de decisión con base en los valores críticos de Z. Paso 4: Interpretación y conclusiones. Caso I.

Como gerente de compras de una gran empresa de seguros usted debe decidir si actualizar o no los computadores de la oficina. A usted se le ha dicho que el costo promedio de los computadores es de US$2,100. Una muestra de 64 minoristas revela un precio promedio de US$2,251, con una desviación estándar de US$812. ¿A un nivel de significancia del 5% parece que su información es correcta? [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

182

183

Datos:

Ho:=US$2,100 n=64 minoristas X'=US$2,251 precio promedio (de los computadores) de la muestra s=US$812 =5%=0.05 (nivel de significancia) Paso 1: Plantear las hipótesis. El gerente de compra desea probar

la hipótesis de que la media poblacional es =US$2,100 bajo un nivel de significancia  =5%=0.05. Debido a que se plantea la hipótesis de que  =US$2,100, la hipótesis nula y la alternativa son: Ho: = 2,100 Ha:  2,100 Paso 2: Con base en los resultados de la muestra, calcular el valor del estadístico de prueba Z.

Para probar la hipótesis, se calcula el estadístico de prueba Z, y se compara con los valores críticos de Z.

 = (X' - H)/(/n)  = (X' - H)/(s/n) en donde X' es la media muestral H es el valor de la media poblacional bajo hipótesis nula /n es el error estándar de la distribución muestral Ho: = 2,100 n=64 minoristas X'=US$2,251 s=US$812  = (2,251 - 2,100)/(812/8)  = (151)/(101.5)  = 1.49 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

183

184

Paso 3: Determinar la regla de decisión con base en los valores críticos de Z.

El nivel de significancia del 5% se divide en dos colas. El 95% restante se divide por 2 para hallar el área de 0.4750. En la tabla Z esta área de 0.4750 da los valores críticos de Z de  1.96. La Decisión es: "No se rechaza la hipótesis 1.96Regla  Z  de 1.96. Se rechaza sí Z<-1.96 o Z>1.96.

nula sí -

Vale la pena destacar que las zonas de rechazo están en ambas colas. Si Z<-1.96 o Z>1.96, se rechaza la hipótesis nula. Paso 4: Interpretación y conclusiones.

El paso final en la prueba de hipótesis es donde cae el valor del estadístico para la muestra y determinar si la hipótesis nula debería rechazarse o no. El valor del estadístico para la muestra es X'=US$2,251 produce una Z=1.49 ==> 1.49<1.96 y cae dentro de la zona de no rechazo. Interpretación:

La diferencia entre el valor de la media poblacional bajo la hipótesis nula de  = 2,100 y el valor de la media muestral de X'=US$2,251 es estadísticamente insignificante. Podría resultar simplemente del error de muestreo. De hecho sí =2,100; el 95% de todas las muestras de tamaño n=64 producirán valores de Z entre 1.96. Caso II.

Un contrato de manejo laboral exige una producción diaria de 50 unidades. Una muestra de 150 días revela una media de 47.3, con una de 5.7 del unidades. Fije =5% y determine si se desviación cumple conestándar la disposición contrato. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

184

185

Caso III.

Un gerente de una empresa considera que los empleados gastan un promedio de 50 minutos para llegar al trabajo. Se toma una muestra de 70 empleados que se toman en promedio 47.2 minutos con una desviación estándar de 18.9 minutos. Fije  en 1% y pruebe la hipótesis. TAREA: Ejercicios 1 al 16 Págs. 204-205. Para entregar en la próxima clase.

L as colas de una di str ibuci ón son l as regiones extremas delimi tadas por val ores críti cos. Rechazamos la hi pótesis nula H o si nuestr a estadísti ca de prueba esta en l a región cr iti ca o área de rechazo porque eso indica una discrepancia signi ficativa entre la hi pótesis nu la y l os datos de la muestr a.

Algunas pruebas son de cola izquierda, con la región critica situada en la región de extrema izquierda de la curva; otras podrían ser de cola derecha, con la región critica en la región de la extrema derecha bajo la curva. En las pruebas de dos colas, el nivel de significancia  se divide equitativamente entre las dos colas que constituyen la región critica o área de rechazo. En las pruebas de cola derecha o izquierda, el área de la región critica es . Si examinamos la hipótesis nula Ho, deberemos poder deducir si una prueba es de cola derecha, de cola izquierda o de dos colas. La cola corresponderá a la región critica que contenga los valores que podrían contradecir significativamente la hipótesis nula.

Vale la pena destacar que tanto en la prueba de cola a la izquierda como a la derecha el signo igual se coloca en la hipótesis nula. Esto es porque la hipótesis nula se esta probando a [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

185

186

un valor  especifico (como 5%) y el signo igual da a la hipótesis nula un valor especifico para probarla. Una prueba de cola a la izquierda tiene una zona de rechazo solo en la cola izquierda y se da bajo la condición de: Ho: algún valor Ha: < algún valor

Una prueba de cola a la derecha tiene una zona de rechazo solo en la cola derecha y se da bajo la condición de: Ho: algún valor Ha: > algún valor

Caso I.

Determinación de valores críticos o zona de no rechazo: Muchos pasajeros de cruceros usan parches cutáneos que suministran dramamina al cuerpo con el fin de evitar el mareo. Se prueba una aseveración a la Las dosis media con de significancia respecto de  = 0.05. condiciones son un talesnivel que es posible usar la distribución normal estándar (porque aplica el teorema del limite central). Encuentre el o los valores críticos de z si la prueba es (a) de dos colas, (b) de cola izquierda y (c) de cola derecha. Represente gráficamente el valor critico y la región critica.


186

187

Caso II.

Baskin-Robbins, la franquicia de helados, afirma que el numero de tiendas que se abre se ha incrementado por encima del promedio semanal de 10.4 experimentado en tiempo de escasez (The Wall Street Journal, febrero de 1997). ¿Existe alguna evidencia para sustentar esta afirmación si 50 semanas muestran una media de 12.5 y una desviación estándar de 0.66 tiendas? La gerencia esta dispuesta a aceptar una probabilidad del 4% de rechazo Datos: de la hipótesis nula si esta es cierta. n=50 semanas X'=12.5 tiendas de la muestra s=0.66 tiendas =4%=0.04 (nivel de significancia) Paso 1: Plantear las hipótesis.

La afirmación de que el incremento es por encima del promedio semanal de 10.4 sirve como hipótesis alternativa debido a que  >10.4 no contiene el signo igual. Una prueba de cola a la derecha tiene una zona de rechazo solo en la colaalgún derecha y se da bajo la condición Ho: valor Ha: > algúnde: valor Ha: > 10.4 tiendas semanal Ho:  10.4 tiendas semanal Paso 2: Con base en los resultados de la muestra, calcular el valor del estadístico de prueba Z.

Para probar la hipótesis, se calcula el estadístico de prueba Z, y se compara con los valores críticos de Z.  = (X' - H)/(/n)  = (X' - H)/(s/n) en donde X' es la media muestral es el valor de la media poblacional Hbajo hipótesis nula /n es el error estándar de la distribución muestral [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

187

188

Ho:  10.4 tiendas semanal n=50 semanas X'=12.5 tiendas de la muestra s=0.66 tiendas =4%=0.04 (nivel de significancia)  = (12.5 - 10.4)/(0.66/50)  = 2.1/0.093

 = 22.5 Paso 3: Determinar la regla de decisión con base en los valores críticos de Z.

El nivel de significancia del 4%. El 50% se resta de 4% para hallar el área de 0.46. En la tabla Z esta área de 0.46 da el valor critico de Z de 1.75. "No se rechaza la hipótesis nula sí Z  1.75. Se rechaza sí Z>1.75. La Regla de Decisión es:

Paso 4: Interpretación y conclusiones.

El paso final en la prueba de hipótesis es donde cae el valor del estadístico para la muestra y determinar si la hipótesis nula debería rechazarse o no. El valor del estadístico para la muestra produce una Z=22.5 ==> 22.5>1.75 y cae dentro de la zona de rechazo o región critica. Interpretación:

La hipótesis nula se rechaza ya que en tiempo de escasez no se abren mas de 10.4 tiendas semanal


188

189

Caso III.

Según Wall Street Journal (mayo 12 de 1997) muchas compañías de ropa deportiva están tratando de comercializar sus productos entre los mas jóvenes. El articulo sugirió que la edad promedio de los consumidores había caído por debajo de la media de 34.4 años que caracterizo los comienzo de la década. Si una muestra de 1000 clientes reporta una media de 33.2 años y una desviación de 9.4, ¿qué se concluye a un nivel de significancia de del 4%? Datos: n=1000 clientes

X'=33.2 años (edad promedio de la muestra de los consumidores de ropa deportiva) s=9.4 años =4%=0.04 (nivel de significancia) Paso 1: Plantear las hipótesis.

La afirmación de que la edad de los consumidores estaba por debajo de 34.4 años sirve como hipótesis alternativa debido a que  < 34.44 no contiene el signo igual. Una prueba de cola a la izquierda tiene una zona de rechazo solo en la cola izquierda y se da bajo la condición de: Ho: algún valor Ha: < algún valor Ha: < 34.4 años (edad promedio de los

consumidores de ropa deportiva) Ho:  34.4 años Paso 2: Con base en los resultados de la muestra, calcular el valor del estadístico de prueba Z.

Para probar la hipótesis, se calcula el estadístico de prueba Z, y se compara con los valores críticos de Z. - H)/(/n)   == (X' H)/(s/n) (X' -  en donde [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

189

190

X' es la media muestral H es el valor de la media poblacional bajo hipótesis nula

/n es el error estándar de la distribución muestral Ho:  34.4 años n=1000 X'=33.2 clientes años (edad promedio de la muestra de los consumidores de ropa deportiva) s=9.4 años =4%=0.04 (nivel de significancia)

 = (33.2 - 34.4)/(9.4/1000)  = -1.2/0.297254  = -4.04 Paso 3: Determinar la regla de decisión con base en los valores críticos de Z.

El nivel de significancia del 4%. El 50% se resta de 4% para hallar el área de 0.46. En la tabla Z esta área de 0.46 da el valor critico de Z de 1.75. "No se rechaza la hipótesis nula sí Z  1.75. Se rechaza sí Z<1.75. La Regla de Decisión es:

Paso 4: Interpretación y conclusiones.

El paso final en la prueba de hipótesis es donde cae el valor del estadístico para la muestra y determinar si la hipótesis nula debería rechazarse o no. El valor del estadístico para la muestra produce una Z=-4.04 ==> -4.04<1.75 y cae dentro de la zona de rechazo o región critica. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

190

191

Interpretación:

La hipótesis nula se rechaza ya que la edad promedio no ha caído por debajo del grupo de edad de 34.4 años. Ejercicios 17 al 26 - Pág. 209 para entregar en la próxima clase.


191

192

Condiciones para usar la Distribución t de Student en Prueba de Hipótesis.

1.- La muestra es pequeña (n30). 2.- Se desconoce . 3.- La población padre tiene una distribución esencialmente normal. (Dado que a menudo se desconoce la distribución de la población padre, la estimamos construyendo un histograma con datos de muestra.) Propiedades importantes de la Distribución t de Student.

1.- La distribución t de Student es diferente para los diferentes tamaños de muestra. (Ver Figura 7.3 en la Pág. 177). 2.- La distribución t de Student tiene la misma forma general de campana simétrica que la distribución normal estándar, pero refleja la mayor variabilidad (con distribuciones más amplias) que cabe esperar cuando la muestra es pequeña. 3.- La distribución de Student media t=0 (así como la distribución normaltestándar tienetiene unauna media de Z=0). 4.- La desviación estándar de la distribución t de Student varia con el tamaño de la muestra, pero es mayor que 1 (a diferencia de la distribución normal estándar, que tiene =1). Al igu al que la distr ibución Z , la distr ibu ción t ti ene un a media de cero, es simé tr ica respeto a la media y oscila entr e y + . Sin embar go, mi entras que la distr ibuci ón Z tiene un a varianza de ²=1, la var ianza de la distr ibuci ón t es mayor qu e 1.

5.- A medida que aumenta el tamaño de muestra n, la distribución t de Student se acerca mas a la distribución normal estándar. Con [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

192

193

valores de n > 30, las diferencias son tan pequeñas que podemos utilizar los valores críticos de z en lugar de crear una tabla mucho más grande de valores críticos de t. Grados de libertad.

El numero de grados de libertad de un conjunto de datos corresponde al numero de puntajes que puede variar después de haber impuestos ciertas restricciones a todos los puntajes. Es el numero de observaciones menos el numero de restricciones impuestas sobre tales observaciones. g.l. = n - 1

Podr ía par ecer un poco extrañ o que, con una población distribuida normalmente, a veces utilicemos la distribución t para encontrar valor es críti cos, pero cuan do se desconoce el uso de s de una mu estr a pequeñ a i ncorpora otra fuente de error. A f in de mantener el gr ado de conf ianza deseado, compensamos la variabilidad adicional intervalo de confianza mediante un procesoensanchando que sustituye elel valor cri ti co Z por el valor criti co más grande de t. El estadístico t t = (X'- )/(s/ n) Prueba de dos colas para

Hay cuatro pasos involucrados en una prueba: Paso 1: Plantear las hipótesis. Paso 2: Con base en los resultados de la muestra, calcularZ.el valor del estadístico de prueba Paso 3: Determinar la regla de decisión con base [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

193

194

en los valores críticos de Z. Paso 4: Interpretación y conclusiones. Caso I

Un distribuidor de bebidas plantea la hipótesis de que las ventas por mes promedian US$12,000. Diez meses seleccionados como muestra reportan una media de US$11,277 y una desviación estándar de US$3,772. Si se utiliza un valor  del 5%. ¿Que puede concluir acerca de la impresión que tienen el distribuidor sobre las condiciones del negocio? Ejercicios 33 al 40 Págs. 215-216.


194

195

El Método de valor P para probar hipótesis.

Dado una hipótesis nula y datos de muestra, el valor p refleja la verosimilitud de obtener los valores de muestra en cuestión suponiendo que la hipótesis nula realmente es verdad. es la probabilidad de obtener un valor de la estadística de prueba que será al menos tan extremo Valor P (o valor de probabilidad)

como se obtiene a partir de los datos de muestra, suponiendo que la hipótesis es verdad. es el nivel más bajo de significancia (valor  mínimo) al cual se puede rechazar la hipótesis nula. Es el área en la cola que está más allá del valor del estadístico para la muestra. Valor P

Los valores P miden la confianza que sentimos al rechazar una hipótesis nula. Por ejemplo, un valor P de 0.0002 nos llevaría a rechazar la hipótesis nula, pero también sugeriría que los resultados de muestra son extremadamente inusitados si el valor que se asegura que tiene  es en realidad correcta. En contraste, dadoresultados un valor Pdedemuestra 0.40, nopodrían rechazamos hipótesis nula los ocurrirla fácilmente si elporque valor que se asegura que tiene  si es el correcto. Algunos criterios de decisión basados exclusivamente en el valor P:

- Rechazar la hipótesis nula si el valor P es menor que el nivel de significancia, o igual a él. - No rechazar la hipótesis nula si el valor P es mayor que el nivel de significancia.


195

196

Valor P

Interpretación

Menor que 0.01

Muy significativo estadísticamente Indicios muy claros en contra de la hipótesis nula

0.01 a 0.05

Estadísticamente significativo Suficientes la hipótesis indicios nula en contra de

Mayor que 0.05

Insuficientes indicios en contra de la hipótesis nula

Caso I.

A comienzo de los años 90 Sony Corporation introdujo su Play Station de 32 bits en el mercado de los juegos de video. La gerencia esperaba que el nuevo producto incrementara las ventas mensuales en Estados Unidos por encima de los US$283,000,000 que Sony había experimentado en la década anterior. Una muestra de 40 meses reporto una media de US$297,000,000. Se asume una desviación estándar de US$97,000,000. Pruebe la hipótesis nula a un nivel de significancia del 1%. Calcule e interprete el valor p. Datos:

n=40 meses X'=US$297,000,000 ventas de la muestra s=US$97,000,000 =1%=0.01 (nivel de significancia) Paso 1: Plantear las hipótesis.

La afirmación de que el nuevo producto incrementara las ventas por encima de US$283,000,000 sirve como hipótesis alternativa debido a que  > US$283,000,000 no contiene el signo igual. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

196

197

Una prueba de cola a la derecha tiene una zona de rechazo solo en la cola derecha y se da bajo la condición de: Ho: algún valor Ha: > algún valor Ha: > US$283,000,000 (ventas mensuales)

Ho:  US$283,000,000 (ventas mensuales) Paso 2: Con base en los resultados de la muestra, calcular el valor del estadístico de prueba Z.

Para probar la hipótesis, se calcula el estadístico de prueba Z, y se compara con los valores críticos de Z.

 = (X' - H)/(/n)  = (X' - H)/(s/n) en donde X' es la media muestral H es el valor de la media poblacional bajo hipótesis nula

/n es el error estándar de la distribución muestral Ho:  US$283,000,000 (ventas mensuales) n=40 meses X'=US$297,000,000 ventas de la muestra s=US$97,000,000 =1%=0.01 (nivel de significancia)

 = (297,000,000 - 283,000,000)/(97,000,000/40)  = 14,000,000/15,337,047.42  = 0.91 El valor Z para el nivel de insignificancia de 1% se obtiene en la tabla después de restar 0.5-0.01= 0.49, el cual corresponde a 2.33 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

197

198


En la tabla Z el valor Z de 0.91 tiene el área de 0.3186. Por lo tanto el: valor P = 0.5 - 0.3186 = 0.1814

La Regla de - Rechazar la Decisión hipótesis es: nula

si el valor P es menor que el nivel de

significancia, o igual a él. - No rechazar la hipótesis nula si el valor P es mayor que el nivel de significancia. Paso 4: Interpretación y conclusiones.

El paso final en la prueba de hipótesis es donde cae el valor del estadístico para la muestra y determinar si la hipótesis nula debería rechazarse o no. Como el valor de significancia es menor que 0.1814 para la muestra de Z=0.91 cae en la zona de no rechazo. Interpretación:

La hipótesis nula no se rechaza. Ejercicios 27 al 32 Pág. 213.


198

199

Caso II.

En el verano de 1997, el Congreso de USA aprobó un presupuesto federal que contenía varias partidas para reducciones de impuestos. Los analistas afirmaron que ahorraría al contribuyente promedio US$800.00 dólares. Una muestra de 500 contribuyentes demostró una reducción promedio en los impuestos de US$785.10 con una desviación estándar de US$277.70. Pruebe la hipótesis a un nivel de significancia del 5%. Calcule e Interprete el valor p. Datos:

n= 500 contribuyentes X'=US$785.10 s=US$277.70 =5%=0.05 (nivel de significancia) Paso 1: Plantear las hipótesis. Ha: = US$800.00

Ho:  US$800.00 Paso 2: Con base en los resultados de la muestra, calcular el valor del estadístico de prueba Z.

 = (X' - H)/(/n)  = (X' - H)/(s/n)  = (785.10 – 800.00)/(277.70/500)  = -14.9/12.42  = - 1.20 El valor Z para el nivel de insignificancia de 5% se divide entre dos. Se obtiene en la tabla el valor de Z = 1.96.


199

200


En la tabla Z, el valor Z de 1.20 tiene el área de 0.3849. Por lo tanto el: 0.5 - 0.3849 = 0.1151 valor P = 2 * 0.1151 = 0.2302 La Regla de Decisión es:

- Rechazar la hipótesis nula si el valor P es menor que el nivel de significancia, o igual a él. - No rechazar la hipótesis nula si el valor P es mayor que el nivel de significancia. Paso 4: Interpretación y conclusiones.

El paso final en la prueba de hipótesis es donde cae el valor del estadístico para la muestra y determinar si la hipótesis nula debería rechazarse o no. Como el valor de significancia es menor que 0.2302 para la muestra de Z = -1.20 cae en la zona de no rechazo. Interpretación:

La hipótesis nula no se rechaza. Ejercicios 27 al 32 Pág. 213.


200

201

Caso III.

Forbes (Septiembre 1996) reportó que Freddie Maman,

representante de la cantante de pop Madonna, estimó que las ventas diarias de su nuevo álbum excedería las de su éxito más grande de 1994, Like a Virgin, el cual tuvo un promedio de ventas de 27,400 copias.

¿Freddie está en lo cierto a un nivel de

significancia del 10% si 50 observaciones (días) poseen un media de 28,788 copias con una desviación estándar de 3,776? Calcule e interprete el valor p. Y Represente gráficamente incluyendo el valor P. Caso IV.

La Asociación Internacional de Transporte Aéreo pide

a los viajeros de negocios que califiquen los aeropuertos internacionales trasatlánticos. La calificación máxima posible es 10.

Una revista dedicada a los viajes desea clasificar a los

aeropuertos según la calificación que reciben. De los que tienen una calificación de media de población de 7 ó más se consideran que ofrecen un servicio superior. Suponga que a una muestra aleatoria de 12 viajeros se les pidió calificar al aeropuerto Heathrow de Londres, y que las calificaciones obtenidas son 7, 8, 10, 8, 6, 9, 6, 7, 7, 8, 9 y 8. Suponiendo que la población de calificaciones se puede aproximar con una distribución normal, ¿puede decirse que Heathrow ofrece un servicio superior? Usando un nivel de significancia de 0.05, necesitamos una prueba que determine si la media de la población de calificaciones para el aeropuerto es mayor de 7. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

201

202

Pr uebas con dos Pobl aciones Esti maci ón con muestr as gr andes Intervalo de confianza para la diferencia entre dos medias poblacionales para muestras grandes:

I.C. para (µ1-µ2) = (X’1 – X’2) ± Zσx’1-x’2 Error Estándar de las diferencias entre medias muestrales:

σx’1-x’2 = √ (σ12/n1) + (σ22/n2)

Estimación del error estándar de la diferencia entre medias muestrales:

sx’1-x’2 = √ (s12/n1) + (s22/n2) Intervalo de confianza cuando las varianzas son desconocidas:

I.C. para (µ1-µ2) = (X’1 – X’2) ± Zsx’1-x’2 Caso I. Vimenca transporta remesas entre Santo Domingo y Samana por dos rutas. Una muestra de 100 camiones enviados por la ruta del Este reveló un tiempo promedio de tránsito X’este=17.2 horas con una desviación estándar Seste=5.3 horas, mientras que 75 camiones que utilizan la ruta Norte necesitaron un promedio de

X’norte=19.4

horas

con

una

desviación

estándar

de

Snorte=4.5horas. El transportador de Vimenca, desea desarrollar un intervalo de confianza del 95% para la diferencia en el tiempo promedio entre estas dos rutas alternas. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

202

203

N este = 100 camiones

Nnorte= 75 camiones

X’este = 17.2 horas

X’norte= 19.4 horas

Seste = 5.3 horas

Snorte= 4.5 horas

N.C. 95% RUTA

ESTE

NORTE

UNIDADES

X'

17.2

19.4

HORAS

S

5.3

4.5

HORAS

N

100

75

CAMIONES

Debido a que las desviaciones poblacionales son desconocidas, el error estándar es:

sx’1-x’2 = √ (s12/n1) + (s22/n2) sx’1-x’2 = √ (5.32/100) + (4.52/75) sx’1-x’2 = √ (0.2809) + (0.27) sx’1-x’2 = 0.7422 Intervalo de confianza cuando las varianzas son desconocidas:

I.C. para (µ1-µ2) = (X’1 – X’2) ± Zsx’1-x’2 I.C. para (µ1-µ2) = (17.2 – 19.4) ± (1.96)(0.7422) I.C. para (µ1-µ2) = – 2.2 ± 1.4547 -3.7 ≤ (µ1-µ2) ≤ -0.75 horas El transportador puede tener un 95% de confianza en que la ruta del norte toma entre 0.75 horas y 3.7 horas más. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

203

204

Pr uebas con dos Pobl acion es Esti maci ón con muestr as pequeñ as con varianzas poblaci onales iguales

Estimado mancomunado de la varianza común a ambas poblaciones:

Sp2 = s12 (n1 - 1) + s22 (n2 - 1) n1 + n 2 – 2

Intervalo de confianza para la diferencia entre medias poblacionaes cuando σ12 = σ22 desconocidas:

I.C. para (µ1-µ2) = (X’1 – X’2) ± t √ (sp2/n1) + (sp2/n2) Caso II. En la cafetería de los estudiantes de PUCMM, una máquina expendedora de bebidas dispensa bebidas en tazas de papel. Una muestra de 15 tazas da una media de 15.3 onzas con una varianza de 3.5. Después de ajustar la máquina, una muestra de 10 tazas produce un promedio de 17.1 onzas con una varianza de 3.9. Si se asume que s2 (varianza) es constante antes y después del ajuste, construya un intervalo de confianza del 95% para la diferencia entre los contenidos promedio de llenado. Se asume que las cantidades dispensandas están distribuidas normalmente. Entonces, = N151 tasas

N

X’1 = 15.3 onzas 2

=S3.5 onzas 1

2

= 10 tazas

X’2 = 17.1 onzas S

2

2

= 3.9 onzas


204

205 TIPO

llenado 1

llenado 2

UNIDADES

X'

15.3

17.1

ONZAS

S2

3.5

3.9

ONZAS

N

15

10

TAZAS

Sp2 = s12 (n1 - 1) + s22 (n2 - 1) n 1 + n2 – 2 2

Sp = 3.5 (15 - 1) + 3.9 (10 - 1) 15 + 10 – 2 Sp2 = 3.66 Intervalo de confianza para la diferencia entre medias poblacionaes cuando σ12 = σ22 desconocidas:

Con un α = 0.05 (un nivel de confianza del 95%) y n1 + n2 – 2 = 23 g.l., la tabla t indica un valor de 2.069.

I.C. para (µ1-µ2) = (X’1 – X’2) ± t √ (sp2/n1) + (sp2/n2) I.C. para (µ1-µ2) = (15.3 – 17.1) ± 2.069 √ (3.66/15) + (3.66/10) I.C. para (µ1-µ2) = – 1.8 ± 1.61

-3.41 ≤ (µ1-µ2) ≤ -0.19 onzas Se puede tener un nivel de confianza del 95% en que el ajuste incrementó el nivel del contenido entre 0.19 onzas y 3.41 onzas.


205

206

Pr uebas con dos Pobl acion es Esti maci ón con muestr as pequeñ as con var ianzas poblaci onales desiguales

Grados de libertad cuando las varianzas poblacionales non son iguales.

(s12/n1 + s22/n2)2______

g.l. = 2

(s1

/n1)

2

2

2

(n1-

/ 1) + (s2 /n2) / Intervalo para la diferencia entre medias poblacionales:

(n2- 1)

I.C. para (µ1-µ2) = (X’1 – X’2) ± t √ (s12/n1) + (s22/n2) Caso III.

El Listin Diario describió dos programas de

entrenamiento utilizados por GBM Dominicana. Doce ejecutivos a quienes se les dio primer tipo de entrenamiento obtuvieron un promedio de 73.5 en la prueba de competencia.

Aunque el

artículo de noticias no reportó la desviación estándar para estos 12 empleados, se asume que la varianza en los puntajes parae este grupo fue de 100.2. Quince ejecutivos a quienes se les administró el sugundo programa de entrenamiento obtuvieron un promedio 79.8. Se asume una varianza de 121.3 para este segundo grupo. Haga un intervalo de confianza del 95% para la diferencia en los puntajes promedio para todos los ejecutivos que ingresaron a estos programas: =N 121 ejecutivos

N

X’1 = 73.5 puntos 2

=S100.2 puntos 1

2

= 15 ejecutivos

X’2 = 79.8 puntos S

2

2

= 121.3 puntos


206

207 TIPO

PROGRAM 1

PROGRAM 2

UNIDADES

X'

73.5

79.8

EJECUTIVOS

S

100.2

121.3

PUNTOS

N

12

15

PUNTOS

Grados de libertad cuando las varianzas poblacionales non son iguales.

g.l. =

(s12/n1 + s22/n2)2______ (s12/n1) 2 / (n1- 1) + (s22/n2) 2 / (n2- 1)

g.l. =

(100.2/12 + 121.3/15)2______ = 24.55 (100.2/12)2 / (12-1) + (121.3/15) 2 / (14-1)

Si g.l. es fraccionario, se aproxima hacia abajo, hacia el entero inmediatamente anterior. G.L. = 24.

Con un α = 0.05 (un nivel de confianza del 95%) y g.l. = 24, la tabla t indica un valor de 2.064. Intervalo para la diferencia entre medias poblacionales:

I.C. para (µ1-µ2) = (X’1 – X’2) ± t √ (s12/n1) + (s22/n2) I.C. para (µ1-µ2) = (73.5 – 79.8) ± 2.064√ (100.2/12) + (121.3/15) I.C. para (µ1-µ2) = - 6.3 ± 8.36

-14.66 ≤ (µ1-µ2) ≤ 2.06 puntos Debido a que el intervalo contiene cero, no existe una fuerte evidencia de que exista diferencia alguna en la efectividad de los programas de entrenamiento.


207

208

Pr uebas con dos Pobl acion es I ntervalos de conf ianza para la di ferenci a entre dos Proporciones

Error Estándar de la diferencia entre dos proporciones muestrales:

Sp1-p2 = √(p1(1-p1))/n1) + p2(1-p2))/n2) Intervalo para la diferencia entre proporciones poblacionales:

I.C. para π1 – π2 = (p1 – p2) ± (Z) Sp1-p2

Caso IV. Una empresa realiza un estudio para determinar si el ausentismo de los trabajadores en el turno del día es diferente al de los trabajadores del turno de la noche. Se realiza una comparación de 150 trabajadores de cada turno. Los resultados muestran que 37 trabajadores diurnos han estado ausentes por lo menos cinco veces durante el ano anterior, mientras que 52 trabajadores nocturnos han faltado por lo menos cinco veces. ¿Qué revelan estos datos sobre la tendencia al ausentismo entre los trabajadores? Calcule un intervalo de confianza del 90% para la diferencia entre las proporciones de trabajadores de los dos turnos que faltaron cinco veces o más. N turno día = 150

p1 = 37/150 = 0.25

N turno noche = 150

p2 = 52/150 = 0.35

Error Estándar de la diferencia entre dos proporciones muestrales: Sp1-p2 = √(0.25*0.75/150) + (0.35*0.65/150) = 0.0526 [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

208

209

Intervalo para la diferencia entre proporciones poblacionales:

I.C. para π1 – π2 = (p1 – p2) ± (Z) Sp1-p2 I.C. para π1 – π2 = (0.25 – 0.35) ± (1.65) (0.0526) I.C. para π1 – π2 = – 0.10 ± 0.087

-18.7% ≤ (π1 – π2) ≤ - 1.3% La empresa puede estar 90% segura de que la proporción de trabajadores nocturnos ausentes en cinco o más oportunidades está entre 1.3% y 18.7% más alta que los del turno diurno. Pruebas de H ipótesis para dos medias con muestr as independientes

Hay cuatro pasos involucrados en una prueba: Paso 1: Plantear las hipótesis. Ho:1 = 2 Ha:1  2 O el equivalente 1 2 Ho: Ha:1 -- 2 = 00 Paso 2: Con base en los resultados de la muestra, calcular el valor del estadístico de prueba Z o t. Z = (X’1-X’2) – (µ1-µ2)

SX’1-X’2 Paso 3: Determinar la regla de decisión con base en los valores críticos de Z o t. Paso 4: Interpretación y conclusiones.


209

210

Caso V. Weaver Ridge Golf Course desea ver si el tiempo promedio en horas que requieren los hombres para jugar los 18 hoyos es diferente al de las mujeres. Se mide el tiempo de cincuenta partidos dobles de hombres y 45 de mujeres obteniendo, pruebe a nivel de confianza del 95%: SEXO

HOMBRES MUJERES

X'

3.5

4.9

S

0.9

1.5

N

50

45

Paso 1: Plantear las hipótesis.

Ho:1 = 2 Ha:1  2 Paso 2: Con base en los resultados de la muestra, calcular el valor del estadístico de prueba Z o t.

Z = (X’1-X’2) – (µ1-µ2) S X ’1 X ’2

Estimación del error estándar de la diferencia entre medias muestrales:

sx’1-x’2 = √ (s12/n1) + (s22/n2) sx’1-x’2 = √ (0.92/50) + (1.52/45) = 0.257 Z = (3.5-4.9) – (0) 0.257 Z = - 5.45


210

211

Paso 3: Determinar la regla de decisión con base en los valores críticos de Z o t.

Si α = 0.05 (con un nivel de confianza del 95%), el valor crítico de Z es ± 1.96. Regla de decisión: “No rechazar Z si esta entre ± 1.96. Rechazar si Z es menor que -1.96 o mayor que 1.96”. La Ho se rechaza porque la Z de la estadística de prueba es menor que – 1.96 de la Regla de Decisión. Paso 4: Interpretación y conclusiones.

La evidencia sugiere que las mujeres toman más tiempo en promedio. Vale la pena notar también que el valor p relacionado con la prueba es virtualmente cero. Pruebas de Hipótesis para dos medias con muestr as pequeñ as con vari anzas igual es

Prueba de hipótesis con muestras pequeñas cuando σ22 = σ22 (desconocidas): t = (X’1-X’2) – (µ1-µ2) √ (sp2/n1) + (sp2/n2)


211

212

Caso VI. Las negociaciones salariales entre su empresa y el sindicato de sus trabajadores están a punto de romperse. Existe un desacuerdo considerable sobre el nivel salarial promedio de los trabajadores en la planta de Atlanta y en la planta de Newport News, Virginia. Los salarios fueron fijados por el antigua acuerdo laboral de hace tres anos y se basan estrictamente en la antigüedad. Debido a que los salarios están controlados muy de cerca por el contrato laboral, se asume que la variación en los salarios es la misma en ambas plantas y que los salarios están distribuidos normalmente. Sin embargo, se siente que existe una diferencia entre los niveles salariales promedio debido a los patrones de antigüedad diferentes entre las dos plantas. El negociador laboral que representa a la gerencia desea que usted desarrolle un intervalo de confianza del 98% para estimar la diferencia entre los niveles salariales promedio. Si existe una diferencia en las medias, deben hacerse ajustes para hacer que los salarios más bajos alcancen el nivel de los más altos.

Dados los siguientes datos, ¿qué ajustes se

requieren, si es el caso? Las muestras de trabajadores tomadas de cada planta revelan la siguiente información: Planta de Atlanta

Planta de Newport News

= N231 empleados

N

X’1 = US$17.53 por hora 2

= 92.10 S1

2

= 19 empleados

X’2 = US$15.5 por hora S

2

2

= 87.10


212

213 PLANTA

ATLANTA NEWPORT NEW

UNIDADES

X'

17.53

15.5

TRABAJADORES

S2

92.1

87.1

US$/HORA

N

23

19

US$/HORA



t = (X’1-X’2) – (µ1-µ2) √ (sp2/n1) + (sp2/n2)

Estimado mancomunado de la varianza común a ambas poblaciones: Sp2 = s12 (n1 - 1) + s22 (n2 - 1) n 1 + n2 – 2 Sp2 = 92.10 (23 - 1) + 87.10 (19 - 1) 23 + 19 – 2 Sp2 = 89.85 t = (17.53-15.5) – (0) √ (89.85/23) + (89.85/19)

t = 0.69


213

214

Paso 3: Determinar la regla de decisión con base en los valores críticos de Z o t.

Si α = 0.02 (con un nivel de confianza del 98%), g.l. = n1 + n 2 – 2 = 23+19-2 = 40, el valor crítico de t es ± 2.423. Regla de decisión: “No rechazar t si esta entre ± 2.423. Rechazar si t es menor que -2.423 o mayor que 2.423”. La Ho se acepta porque la t de la estadística de prueba está dentro del rango ± 2.423 de la Regla de Decisión. Paso 4: Interpretación y conclusiones.

Parece que no hay diferencia en el salario promedio.

Esta

conclusión se confirma por el hecho de que intervalo contenía cero.


214

215

Pruebas de Hipótesis para dos medias con muestr as pequeñ as con varianzas desigual es

Prueba de hipótesis con muestras pequeñas cuando σ 22 ≠ σ22: t = (X’1-X’2) – (µ1-µ2) √ (s21/n1) + (s22/n2)

Caso VII. Un negocio vende dos tipos de amortiguadores de caucho para coches de bebés.

Las pruebas de desgaste para medir la

durabilidad revelaron que 13 amortiguadores de tipo 1 duraron un promedio de 11.3 semanas, con una desviación estándar de 3.5 semanas; mientras que 10 del tipo 2 duraron un promedio de 7.5 semanas, con una desviación estándar de 2.7 semanas. El tipo 1 es más costoso para fabricar y el CEO (Director Ejecutivo) de Acme no desea utilizarlo a menos que tenga un promedio de duración de por lo menos ocho semanas más que el tipo 2. El CEO tolerará una probabilidad de error de sólo el 2%. No existe evidencia que sugiera que las varianzas de la duración de los dos productos sean iguales. =N13 1 amortiguadores

N

X’1 = 11.3 semanas = 3.5 S1 semanas

2

= 10 amortiguadores

X’2 = 7.5 semanas S

2

= 2.7 semanas


215

216



t = (X’1-X’2) – (µ1-µ2) √ (s21/n1) + (s22/n2)

t = (11.3-7.5) – (0) √ (3.5/13) + (2.7/10)

t = 2.94 Paso 3: Determinar la regla de decisión con base en los valores críticos de Z o t.

Si α = 0.02 (con un nivel de confianza del 98%)

Grados de libertad cuando las varianzas poblacionales non son iguales. g.l. =

(s12/n1 + s22/n2)2______ (s12/n1) 2 / (n1- 1) + (s22/n2) 2 / (n2- 1)

g.l. =

(3.52/13 + 2.72/10)2______ (3.52/13) 2 / (13- 1) + (2.72/10) 2 / (10- 1)

g.l. = 20.99 = 20 el valor crítico de t es ± 2.528.


216

217

Regla de decisión: “No rechazar t si esta entre ± 2.528. Rechazar si t es menor que -2.528 o mayor que 2.528 ”. La Ho no se acepta porque la t de la estadística de prueba es mayor que 2.528 de la Regla de Decisión. Paso 4: Interpretación y conclusiones.

La sugiere que elmayor tipo 1durabilidad. de amortiguador de caucho paraevidencia coche de bebé presenta


217

218

Pr uebas de H ipótesis para la di ferenci a entre dos propor ciones

Z = (p1 – p2) - (π1 – π2) Sp1-p2 Error Estándar de la diferencia entre dos proporciones muestrales:

Sp1-p2 = √(p1(1-p1))/n1) + p2(1-p2))/n2) Caso VIII. Un minosta desea probar la hipótesis de que la proporción de sus clientes masculinos, quienes compran a crédito, es igual a la proporción de las mujeres que utilizan el crédito. Él selecciona 100 clientes hombres y encuentra que 57 compraron a crédito miestras que 52 de las 110 mujeres lo hicieron. Pruebe a un nivel del 1%. Paso 1: Plantear las hipótesis.

Ho:π1 = π2 Ha:π1  π2 Paso 2: Con base en los resultados de la muestra, calcular el valor del estadístico de prueba Z o t. p1 = 57/100 = 0.57 hombres p2 = 52/110 = 0.473 mujeres

Z = (p1 – p2) - (π1 – π2) Sp1-p2

Error Estándar de la diferencia entre dos proporciones muestrales: [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

218

219

Sp1-p2 = √(p1(1-p1))/n1) + p2(1-p2))/n2) Sp1-p2 = √(0.57 * 0.43/100) + (0.473 *0.527/110) Sp1-p2 = 0.069 Z = (0.57 – 0.473) – 0 0.069 Z = 1.41 Paso 3: Determinar la regla de decisión con base en los valores críticos de Z o t.

Si α = 0.01 (con un nivel de confianza del 99%), el valor crítico de Z es ± 2.58. Regla de decisión: “No rechazar Z si esta entre ± 2.58. Rechazar si Z es menor que -2.58 o mayor que 2.58”. La Ho no se rechaza porque la Z de la estadística está dentro del rango de ± 2.58 de la Regla de Decisión. Paso 4: Interpretación y conclusiones.

El minorista no puede concluir a un nivel del 1% que las proporciones de hombres y mujeres que compran a crédito difieren.


219

220

Pr uebas no paramé tricas

En la practica, surgen muchas situaciones en las cuales simplemente no es posible hacer de forma segura ningún supuesto sobre el valor de un parámetro o sobre la forma de la distribución poblacional. Mas bien se deben utilizar otras pruebas que no dependan de un solo tipo de distribución o de valores de parámetros específicos. Estas pruebas se denominan Pr uebas no paramé tr icas o libres de distr ibución. Pruebas no paramétricas.

Son procedimientos estadísticos que pueden utilizarse para contrastar hipótesis cuando no son posibles los supuestos respecto a los parámetros o a las distribuciones poblacionales. Experimento multinomial.

Es un experimento que satisface las siguientes condiciones. 1. El numero de ensayos es fijo. 2. Los ensayos son independientes. 3. Todos los resultados de ensayos individuales se deben clasificar en una y sólo una de varias categorías distintas. 4. Las probabilidades de las diferentes categorías se mantienen constantes para cada ensayo. Distribución Chi-cuadrado

Las dos aplicaciones más comunes de Chi-cuadrado son: 1. Pruebas de bondad de ajuste. 2. Pruebas de independencia.


220

221

Prueba de bondad de ajuste.

Sirve para probar la hipótesis de que una distribución de frecuencia observada se ajusta a (o concuerda con) alguna distribución propuesta. Medidas sobre que tan cerca se ajustan los datos muestrales observados a una forma de distribución particular planteada como hipótesis. Si sielexiste ajuste es razonablemente concluirse que la forma de distribución cercano, planteada puede como hipótesis. Por ejemplo, se puede plantear la hipótesis que la distribución poblacional es uniforme y que todos los valores posibles tienen la misma probabilidad de ocurrir. Las hipótesis que se probarían son: Ho: La distribución poblacional es uniforme. Ha: La distribución poblacional no es uniforme. Si existe una gran diferencia entre lo que realmente se observa en la muestra y lo que se esperaría observar si la hipótesis nula fuera correcta, en tal caso es menos probable que la hipótesis nula sea verdadera. Es decir, la hipótesis nula debe rechazarse cuando las observaciones obtenidas en la muestra difieren mucho del patrón que se espera que ocurra si la distribución planteada como hipótesis si se presenta. En las pruebas de bondad de ajuste usaremos la siguiente notación: Oi representa la frecuencia observada de un resultado. E representa la frecuencia esperada de un resultado. k representa el numero de diferentes categorías o resultados. n representa el numero de ensayos total. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

221

222

La prueba Chi-cuadrado tiene k-m-1 grados de libertad, en donde m es el numero de parámetros a estimar. En muchos casos, podemos determinar una frecuencia esperada multiplicando la probabilidad p de una categoría por el numero de ensayos distintos n: E = np

Por ejemplo, si probamos la aseveración de que un dado es equitativo lanzándolo 60 veces, tendremos n = 60 (porque hay 60 ensayos) y p = 1/6 (porque un dado es equitativo sí los seis posibles resultados son igualmente probables, con la misma probabilidad de 1/6). Por tanto, la frecuencia esperada para cada categoría o celda es: E = np E = 60(1/6) = 10 Supuestos.

Los supuestos siguientes aplican cuando probamos una hipótesis de que la proporción de población para cada una de las k categorías (de un experimento multinomial) es la que se asegura. 1. Los datos constituyen una muestra aleatoria. 2. Los datos de muestra consisten en conteos de frecuencia para las k diferentes categorías. 3. Para cada una de las k categorías, la frecuencia esperada es por lo menos 5. La prueba de Chi-cuadrado de bondad de ajuste es confiable solo si todo Ei es por lo menos 5. Estadística de prueba para pruebas de bondad del ajuste en experimentos multinomiales.

²=[(Oi-Ei)/Ei] [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

222

223

Valores Críticos.

1. Los valores críticos se encuentran en la tabla de Chi-cuadrado usando k-1 grados de libertad, donde k es el numero de categorías. 2. Las pruebas de hipótesis de bondad del ajuste siempre son de cola derecha. La forma de la estadística de prueba ² es tal que una concordancia cercana entre los valores observados y los esperados produce un valor pequeño de ². Un valor grande de ² indica una fuerte discrepancia entre los valores observados y los esperados. Por tanto, un valor significativamente alto de ² hará que se rechace la hipótesis nula de que no hay diferencia entre las frecuencias observadas y esperadas. Entonces, la prueba es de cola derecha porque el valor critico y la región critica se encuentran a la extrema derecha de la distribución. A diferencia de pruebas de hipótesis previas en las que teníamos que odeterminar si latodas prueba erapruebas de coladeizquierda, de cola derecha de dos colas, estas bondad del ajuste son de cola derecha.


223

224

Caso I.

Jennifer Calcaño gerente de crédito del BHD, en la torre Principal en Santo Domingo, trata de seguir una política de extender un 60% de sus créditos a empresas comerciales, un 10% a personas naturales y un 30% a prestatarios extranjeros. Para determinar si la política se estaba siguiendo, José Rondón, vicepresidente de mercadeo, selecciona 85 créditos que se aprobaron recientemente. Encuentra que 62 de tales créditos se otorgaron a negocios, 10 a personas naturales, y 13 a prestatarios extranjeros. Al nivel del 10%, ¿parece que el patrón de cartera deseado se preserva? Pruebe la hipótesis de que: Ho: Se mantuvo el patrón deseado: 60% son créditos comerciales, 10% son prestamos personales y 30% son créditos extranjeros. Ha: El patrón deseado no se mantuvo. Tabla de Tipo de Crédito. Tipo de Credito

Oi

Ei

Comercial Personal

62,00 10,00

51,00 8,50

Extranjero

13,00

25,50

Total

85,00

85,00

Estadística de prueba para pruebas de bondad del ajuste en experimentos multinomiales. El valor ² es

²=[(Oi-Ei)²/Ei] ²=[(62-51)²/51]+[(10-8.5)²/8.5]+[(13-25.5)²/25.5] =

8.76


224

225

Valores Críticos.

1. Los valores críticos se encuentran en la tabla de Chi-cuadrado usando k-1 grados de libertad, donde k es el numero de categorías. 2. Las pruebas de hipótesis de bondad del ajuste siempre son de cola derecha. Con un  = 10% y k = 3 categorías de crédito (comerciales, privados y extranjeros), existen k-m-1= 3-0-1=2 grados de libertad, el valor critico es ² 0.10,2 = 4.605

"No rechazar la hipótesis nula ² Rechazar sí la hipótesis nula ² > 4.605. Regla de decisión:

4.605.

Interpretación.

Las diferencias entre lo que el VP José Rondón observo y lo que esperaba observar si el patrón de crédito deseado se alcanzaba era demasiado grande como para ocurrir por simple azar. Existe solo un 10% de probabilidad de que una muestra de 85 créditos seleccionados aleatoriamente pudieran producir las frecuencias observadas aquí demostradas, si el patrón deseado en la cartera de crédito del banco se estuviera manteniendo.


225

226

Caso II. Prueba de normalidad.

Las especificaciones para la producción de tanques de aire utilizados en inmersión requieren que los tanques se llenen a una presión de 600 libras por pulgadas cuadradas (psi). Se permite una desviación de 10 psi. Las especificaciones de seguridad permiten una distribución normal en los niveles de llenado. Usted acaba de ser contratado por Aqua Lung, un importante fabricante de equipos de inmersión. Su aprimera tarea es determinar los niveles de llenado se ajustan una distribución normal. si Aqua Lung esta seguro de que media de 600 psi y la desviación estándar de 10 psi prevalecen. En este esfuerzo se miden n=1000 tanques y se halla la distribución presentada en la siguiente tabla. Sus hipótesis son:

Ho: Los niveles de llenado están distribuidos normalmente. Ha: Los niveles de llenado no están distribuidos normalmente. Tabla de llenado para los tanques de buceo.

Frecuencia Probabilidades PSI

Real Oi

0 y por debajo de 580

20


142


310


370


128

6200 y por encma

30

Totales

1000

pi

Frecuencias Esperadas Ei

O-E

(O-E)^2

[(O-E)^2]/E

Determine la probabilidad para cada clase mediante la formula Z y complete la tabla de probabilidades y frecuencias esperadas.


226

227

Valor Critico.

Se desea probar la hipótesis al nivel del 5%. Debido a que tanto la media poblacional como la desviación estándar son dadas y no tienen que estimarse, m = 0. Existe k = 6 clases en la tabla de frecuencias, de manera que los grados de libertad son k-1=5. Se encuentra que el valor critico es ² 0.05,5 =11.07 rechazarnula la hipótesis nula sique menor ² es que 11.07. Rechazar"No la hipótesis si ² es mayor 11.07" Regla de decisión:

Estadística de prueba para pruebas de bondad del ajuste en experimentos multinomiales. Determine el valor ²

²=[(Oi-Ei)/Ei] Interpretación: Si la hipótesis nula sese acepta. Las diferencias lo que se observo y lo que espera observar si los entre contenidos estuvieran distribuidos normalmente con una media de 600 y una desviación estándar de 10 pueden atribuirse al error de muestreo. Si la media poblacional y la desviación estándar no fueran conocidas, se hubieran tenido que estimar de los datos muestrales de la tabla. Entonces m=2, y los grados de libertad serian k-2-1 o 6-2-1=3.


227

228

Tablas de contingencia. Una prueba de independencia. Tabla de Contingencia o tabla de frecuencia bidireccional.

Es una tabla en la que las frecuencias corresponden a dos variables. (Se utiliza una variable para clasificar las filas y otra para clasificar las columnas). Las dos tablas contingencias son aquellas que sirven para comparar variables. Prueba de independencia.

Una prueba de independencia prueba la hipótesis nula de que la variable de fila y la variable de columna de una tabla de contingencia no están relacionadas. (La hipótesis nula es la declaración de que las variables de fila y de columna son independientes.) Es muy importante reconocer que, en este contexto, la palabra contingencia se refiere a dependencia, pero solo se trata de una dependencia estadística y no puede usarse para establecer un vinculo directo de causa y efecto entre las dos variables en cuestión. Supuestos.

Al probar la hipótesis nula de independencia entre las variables de fila y de columna de una tabla de contingencia, aplican los supuestos siguientes (Obsérvese que estos supuestos no exigen que la población padre tenga una distribución normal ni alguna otra distribución especifica.) 1. Los datos de muestra se escogen aleatoriamente. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

228

229

2. La hipótesis nula Ho es la declaración de que las variables de fila y de columna son independientes; la hipotesis alternativa Ha es la declaracion de que las variables de fila y de columna son dependientes. 3. Para cada celda de la tabla de contingencia, la frecuencia esperada E es de por lo menos 5. Estadística de prueba para prueba de independencia. El valor ² es

²=[(Oi-Ei)/Ei] Valores críticos.

1. Los valores críticos se encuentran en la tabla usando: grados de libertad = (r-1)(c-1) 2. Las pruebas de independencia con tablas de contingencia solo implican regiones criticas de cola derecha. Frecuencia esperada para una tabla de contingencia.

Frecuencia esperada columna)]/Gran Total

(E)=

[(Total

de

fila)*(Total

de

La estadística de prueba nos permite medir el grado de discrepancia entre las frecuencias observadas y las que esperaríamos en teoría si las dos variables son independientes. Valores pequeños de la estadística de prueba ² indican coincidencia entre las frecuencias observadas y las frecuencias esperadas con variables de fila y de columna independientes. Los valores de la estadística de prueba la derecha ² están a diferencias de la grandes distribución Chi-cuadrada y reflejan significativas entre las frecuencias observadas y las esperadas. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

229

230

En muestreos grandes repetidos, la distribución de la estadística de prueba ² se puede aproximar con la distribución Chi-cuadrada, siempre que todas las frecuencias esperadas sean de por lo menos 5. Caso I.

Santo Domingo Motors desea determinar si existe alguna relación entre el ingreso de los clientes y la importancia que dan al precio de los automóviles de lujo. Los gerentes de la compañía desean probar la hipótesis de que: del precio son independientes. Ho: Ingreso e importancia Ha: Ingreso e importancia del precio no son independientes. Atributo b: Atributo a: Nivel de Importancia Grande

Ingresos Bajo

Medio

Alto

Total

83

62

37

182

52

71

49

172

63

58

63

184

198

191

149

538

Frecuencia Esperada Moderado

Frecuencia Esperada Poco

Frecuencia Esperada Totales

Los clientes están agrupados en tres niveles de ingreso y se les pide asignar un nivel de significancia para poner precio a la decisión de compra. Los resultados se muestran en la siguiente tabla de contingencia. Debido a que 182/538=33.83% de todos los datos que respondieron a la encuesta agregan a un nivel de importancia "grande" al precio, entonces si el ingreso y el precio no están relacionados, se esperaría que 33.83% de ellos, en cada clasificación de ingresos respondan que el precio era de "gran" importancia. Por tanto, los Ei para un nivel de importancia "bajo" son (198)(0.3383)=66.98, (191)(0.3383)=64.62 y (149)(0.3383)=50.41 De forma similar los demás niveles de importancia. [Métodos Cuantitativos para Negocios I] | Ing. Rubén Darío Estrella, MBA – Cavaliere I ngeniero de Sistemas, Adm in istrador , M atemático, T eólogo y M aestro

230

231

El valor ² es

²=[(Oi-Ei)/Ei] Valores críticos.

1. Los valores críticos se encuentran en la tabla usando: grados de libertad = (r-1)(c-1) 2. Las pruebas de independencia con tablas de contingencia solo implican regiones criticas de cola derecha. Si se determina  en 1%, y con (f-1)(c-1)=(3-1)(3-1)=4 grados de libertad ²0.01,4=13.277 "No rechazar la hipotesis nula si ² es menor Rechazar la hipótesis nula si ² es mayor que

Regla de decisión:

que 13.277. 13.277"

Interpretación.

La hipótesis nula se rechaza. Existe solo 1% de probabilidad de que si no existe relación entre ingreso y significancia del precio, las diferencias entre Oi y Ei serian lo suficientemente grandes como para producir un Chi-cuadrado más grande que 13.277. Existe evidencia de una relación entre el ingreso de los clientes y la importancia dada al precio de un auto de lujo.


231

232

Caso I Jesús Diequez, Gerente de Calidad de Mars, Inc. asegura que sus dulces M&M están distribuidos según los porcentajes de color de 30% marrón, 20% amarillo, 20% rojo, 10% anaranjado, 10% verde y 10% azul. Usando los datos de muestra de la siguiente tabla y un nivel de significación de 0.905 pruebe la afirmación de que la distribución de colores es la que el gerente de calidad asegura. FRECUENCIAS DE LOS DULCES M&M CATEGORÍA

FREC.

FREC.

DE COLOR

OBSERVADA

ESPERADA

MARRON

33

AMARILLO

26

ROJO

21

ANARANJADO

8

VERDE

7

AZUL

5

Caso II.

A los compradores del centro comercial local se les pide calificar un nuevo producto en una escala continua que comienza en cero. Con base en los siguientes datos agrupados, ¿puede usted concluir al nivel del 5% que los datos están distribuidos normalmente, con una media de 100 y una desviación estándar de 25? CALIFICACIÓN

FRECUENCIA

MENOS DE 50

1

50-70

51

70-90

112

90-110

151

110-130

119

130-150

43

150-170

21

MAS DE 170

2


232

233

Caso III. Aída Henríquez, gerente de mercadeo de Trans World Airways (TWA) desea determinar si existe alguna relación entre el numero de vuelos que las personas toman y su ingreso. ¿A que conclusión llega al nivel del 1% con base en los datos para 100 viajeros en la tabla de contingencia? FRECUENCIA DE VUELOS INGRESO

NUNCA

RARA VEZ

CON FRECUENCIA

TOTALES

MENOS DE US$30,000

20

15

2

US30,000-US$50,000

8

5

1

US50,000-US70,000

7

8

12

MAS DE US$70,000

2

5

15

Totales

Caso IV. A los compradores del centro comercial local se les pide calificar un nuevo producto en una escala continua que comienza en cero. Con base a los siguientes datos agrupados, ¿puede usted concluir al nivel del 5% que los datos están distribuidos normalmente, con una media de 100 y una desviación de 25? CALIFICACION FRECUENCIA

MENOS DE 50 50-70 70-90 90-110 110-130 130-150 150-170 MAS DE 170

1 5 112 151 119 43 21 2


233

234

Caso V. En un análisis de segmentación de mercado para tres cervezas, el grupo de investigación encargado ha planteado la duda de si las preferencias para las tres cervezas son diferentes entre los consumidores hombres y mujeres. Si la preferencia de las cervezas fuera independiente del sexo del consumidor, se iniciaría una campaña publicitaria para todas las cervezas. Sin embargo, si la preferencia depende del sexo del consumidor, se ajustarán los promociones para tener en cuenta los distintos mercados metas. Pruebe el supuesto a un nivel de significancia de un 5%. Los datos de la tabla constituyen las frecuencias observadas para las seis clases o categorías. CERVEZA PREFERIDA SEXO

HOMBRE MUJER

LIGERA CLARA OSCURA 20 40 20 30 30 10

Caso VI. La empresa National Computer Products, Inc. (NCP) fabrica impresoras y máquinas de fax en plantas de Atlanta, Dallas y Seattle, Estados Unidos. Para evaluartotal los se conocimientos de sus aleatoria empleados de administración de calidad tomó una muestra deacerca seis empleados en cada planta y se les sometió a un examen de conciencia de la calidad. Las calificaciones de esos 18 empleados se presentan a continuación. Con estos datos, los gerentes desean probar la hipótesis de que la media de la calificación del examen es igual para las tres plantas con un nivel de significancia de un 5%. PLANTA 1 ATLANTA

PLANTA 2 DALLAS

PLANTA 3 SEATTLE

85 75 82 76

71 75 73 74

59 64 62 69

71 85

69 82

75 67


234

235

Caso VII. Proquín contrata, anualmente, unos 400 empleados para sus cuatro plantas en todo el país. El director de personal pregunta si se podría aplicar una distribución normal a la población de las calificaciones obtenidas. Si se pudiera aplicar esa distribución, sería muy útil para evaluar calificaciones específicas. Esto es, las calificaciones de 20% superior, 40% inferior, etc., se podrían identificar con rapidez. En consecuencia se desea probar la hipótesis nula de que la población de calificaciones en la prueba de actitud se apega a una distribución de probabilidad normal. Si se toma una muestra una muestra de 50 calificaciones, cuya media es de 68.42 y su desviación estándar es de 10.41. Los datos se muestra a continuación en la siguiente tabla. Interprete los resultados. INTERVALO DE FRECUENCIA CALIFICACIONES OBSERVADA MENOS DE 55.1 5 55.1 59.68 5 59.68 63.01 9 63.01 65.82 6 65.82 68.42 2 68.42 71.02 5 71.02 73.83 2 73.83 77.16 5 77.16 81.74 5 81.74

O MAS TOTAL

6 50


235

236

Caso VIII. Decoración Ruddy se especializa en arreglos de jardines residenciales. El costo estimado de mano de obra en determinada oferta de decoración se basa en la cantidad de árboles, arbustos, etc., que se plantan en el proyecto. Para fines de estimación de costos, los gerentes aplican dos horas de mono de obra plantar un árbol mediano. Los tiempos reales, en horas, para una muestra de 10 árboles plantados durante el mes pasado son los siguientes: 1.9 1.7 2.8 2.4 2.6 2.5 2.8 3.2 1.6 2.5 Con un nivel de significancia de 0.05, pruebe si la media del tiempo de plantación de árboles es mayor de dos horas. A. Establezca las hipótesis nulas y alternativa. B. ¿Cuál es el valor crítico para la prueba y cuál es la regla de decisión? C. Calcule la media muestral. D. Determine la desviación estándar. E. del estadístico de prueba. F. Calcule ¿Cuál eselsuvalor conclusión?


236

Modelos para la Toma de Decisiones 2 - SEPTIEMBRE 2013 ALFA.pdf

Recommend Documents