Professional Documents
Culture Documents
MANUAL DE ESTADSTICA
Sistema de Gestin
de la Investigacin
UPN
MANUAL DE
ESTADSTICA
Profesor: MsC. Luis Alberto Rubio Jcobo
pg. - 2 -
PRESENTACIN
Este manual constituye un material de consulta bsica para docentes y estudiantes de las
diferentes carreras profesionales de nuestra universidad, posibilitando el uso adecuado de la
estadstica, requerida en diversos momentos del proceso investigativo.
pg. - 3 -
NDICE
PARTE 1: CONCEPTOS GENERALES ............................................................................................. - 6 1.
2.
3.
UNIVERSO: ............................................................................................................... - 6 -
4.
POBLACIN: ............................................................................................................. - 6 -
5.
MUESTRA ................................................................................................................. - 6 -
6.
MUESTREO .............................................................................................................. - 7 -
7.
8.
OBSERVACIONES .................................................................................................... - 7 -
9.
VARIABLE ................................................................................................................. - 7 -
10. PARMETRO ............................................................................................................ - 8 11. ESTIMADOR ............................................................................................................. - 8 12. TCNICAS DE RECOLECCIN DE DATOS:........................................................... - 8 13. INSTRUMENTOS DE RECOLECCIN DE DATOS ................................................. - 9 PARTE 2: PRESENTACIN DE LA INFORMACIN...................................................................... - 10 1.
2.
3.
4.
5.
6.
7.
8.
9.
10. TIPOS DE GRAFICOS ESTADSTICOS................................................................. - 22 11. CONSTRUCCIN DE GRFICOS ESTADSTICOS DE EXCEL ........................... - 22 PARTE 3: MEDIDAS ESTADSTICAS ............................................................................................. - 24 1. MEDIDAS DE TENDENCIA CENTRAL ..................................................................... - 24 2. MEDIDAS DE LOCALIZACIN ................................................................................. - 24 4. MEDIDAS DE VARIABILIDAD ................................................................................... - 25 5. MEDIDAS DE FORMA ............................................................................................... - 25 6. FRMULAS PARA CALCULAR LAS MEDIDAS DE TENDENCIA CENTRAL: ........ - 26 7. FRMULAS PARA CALCULAR LAS MEDIDAS DE DISPERSIN O VARIACIN . - 27 8. MEDIDAS ESTADSTICAS CON MEGASTAT .......................................................... - 28 9. APLICACIN: (Evaluacin de un caso) ..................................................................... - 28 -
pg. - 4 -
2.
2.
3.
4.
5.
ESTIMACION PUNTUAL......................................................................................... - 42 -
2.
3.
MUESTREO ............................................................................................................ - 47 -
2.
3.
5.
6.
7.
2.
3.
5.
6.
8.
9.
pg. - 5 -
DEFINICIN DE ESTADSTICA
La Estadstica es una ciencia que nos ofrece un conjunto de mtodos y tcnicas para recopilar,
organizar, presentar, analizar e interpretar un conjunto de datos respecto a variables en estudio
de una poblacin, con el fin de obtener conclusiones y tomar decisiones sobre determinados
hechos o fenmenos en estudio.
La estadstica es una rama de la matemtica y es parte del mtodo cientfico. En la actualidad,
para hacer investigacin cientfica se necesita conocer de estadstica.
2.
CLASIFICACIN DE LA ESTADSTICA
La Estadstica se clasifica de la siguiente manera:
2.1. Estadstica Descriptiva
Es aquella rea de la Estadstica que describe y analiza una poblacin, sin pretender
sacar conclusiones de tipo general. Es decir, las conclusiones obtenidas son vlidas slo
para dicha poblacin.
2.2. Estadstica Inferencial
Es aquella rea de la Estadstica, cuyo propsito es inferir o inducir leyes de
comportamiento de una poblacin, a partir del estudio de una muestra. Es decir las
conclusiones obtenidas a partir de una muestra, son vlidas para toda la poblacin.
3.
UNIVERSO:
Es el conjunto de individuos, objetos o entes que tienen caractersticas comunes, definidas en
forma general en un espacio y tiempo.
Ejemplo:
Conjuntos de alumnos, conjunto de docentes universitarios, conjunto de pacientes, conjunto de
clientes, conjunto de proveedores, conjunto de viviendas, conjunto de establecimientos,
conjunto de documentos, etc.; de una determinada regin o zona en un tiempo determinado.
4.
POBLACIN:
Es un conjunto grande y completo de individuos, elementos o unidades que presentan como
mnimo una caracterstica en comn y observable. Para definir una poblacin esta debe
contener los siguientes elementos: contenido, espacio y tiempo. Al nmero de elementos de
una poblacin de denota por N. Una poblacin puede clasificarse de la siguiente manera:
A.
Segn su extensin:
Poblacin Finita:
Es aquella que tiene un determinado nmero de elementos.
Poblacin Infinita:
Es aquella cuyos elementos no se pueden contar.
B.
Segn su mbito o naturaleza:
Poblacin Objeto:
Esta dada por los elementos que forman la poblacin.
Poblacin Objetivo: est dada por la informacin que da la poblacin objeto
Nota: De un universo se pueden desprender muchas poblaciones, pero operativamente se
pueden hablar indistintamente como poblacin o universo.
5.
MUESTRA
Es una parte o un subconjunto de la poblacin en estudio. Tambin se puede decir que es una
coleccin de unidades de muestreo seleccionados de un marco muestral o de varios marcos
muestrales. Al nmero de elementos de la muestra se denota por n. Una muestra tiene las
siguientes caractersticas:
a. Es representativa.
b. Es adecuada.
Para la determinacin del tamao de muestra se utilizan tcnicas de muestreo donde
dependiendo de esta, se utiliza correctamente las frmulas adecuadas.
pg. - 6 -
6.
MUESTREO
Es una tcnica estadstica por la cual se realizan inferencias o generalizaciones para una
poblacin examinando solo una muestra de ella. Es una tcnica empleada para seleccionar
elementos de una poblacin.
Su propsito es proporcionar diferente tipo de informacin estadstica de naturaleza cuantitativa
o cualitativa. Por su gran importancia los investigadores lo utilizan en los diferentes campos de
saber y tambin lo usamos en la vida diaria.
7.
UNIDAD DE ESTUDIO
Es el animal persona o cosa de quien se dice algo. Es el elemento quien nos va a dar la
informacin. Es el individuo u objeto del cual se toman las mediciones u observaciones.
Ejemplos:
Un docente, un auxiliar de educacin, un votante, una factura, una empresa, una botella de
cerveza, una universidad, una vaca, una gota de sangre, etc.
8.
OBSERVACIONES
Estadsticamente son los datos que se recolectan para un estudio. Una observacin o dato es
cuando una variable en s toma un valor especfico.
9.
VARIABLE
Una variable es una caracterstica de estudio de una poblacin. Una variable es lo que se
quiere evaluar en una investigacin. Las caractersticas toman diferentes valores que varan de
individuo a individuo o de objeto a objeto. Aquellas caractersticas que permanecen inalterables
en las unidades de estudio reciben el nombre de constantes.
Generalmente, las variables se designan con las ltimas letras maysculas del abecedario: X,
Y, Z; y los valores de las variables se designan con letras minsculas: xi, yi, etc.
Las variables se clasifican de la siguiente manera:
Por su relacin: variable dependiente - variable independiente.
Por su escala de medicin: Nominal Ordinal Intervalo Razn.
Por su naturaleza: Cuantitativas - Cualitativas.
Ejemplos:
Unidad de estudio
Variable
Estudiante
Peso, talla, edad, ci, nmero de hermanos, raza, color de ojos, tipo de
sangre, etc.
Empresa
Ganancia, costos, produccin, nmero de trabajadores, nmero de
computadoras, etc.
PYME
Nmero de trabajadores, aos de funcionamiento, ganancias, etc.
pg. - 7 -
10.
PARMETRO
Es un valor, una cantidad, un indicador que se obtiene con informacin de la poblacin. Dentro
de estos tenemos:
a. El promedio poblacional
b. La varianza poblacional.
c. La proporcin poblacional, etc.
11.
ESTIMADOR
Es un valor, una cantidad, un indicador que se obtiene con informacin de la muestra. Dentro
de estos tenemos:
a. El promedio muestral.
b. La varianza muestral.
c. La proporcin muestral, etc.
12.
pg. - 8 -
pg. - 9 -
2.
3.
hi
fi
n
hi(%)
fi
x100
n
pg. - 10 -
.............................................
Fj = f1 + f2 + f3 + ....... + fi
4. Frecuencia relativa acumulada
Se denota Hi. Resulta de la suma de las frecuencias relativas simples hasta la
frecuencia del intervalo considerado. As:
H4 = h1 + h2 + h3 + h4
H6 = h1 + h2 +....+ h6
Para fines interpretativos estas frecuencias se expresan en % (Hi%)
d. Marca de clase
Se denota por Yi. Es el promedio de los valores correspondientes a los lmites inferior y
superior de cada uno de los intervalos determinados.
4.
PROPIEDADES DE UN CDF
a. Las fi y Fi son siempre nmeros enteros positivos. Es decir: fi, Fi 0.
b. Las hi y Hi son siempre nmeros fraccionarios positivos comprendidos entre 0 y 1, es decir
0 hi, Hi 1.
c. F1 siempre es igual f1 y H1 siempre es igual a h1.
d. La suma de todas las fi es igual a n y la suma de las hi es igual a 1.
e. Fm siempre es igual a n y Hm siempre es igual a 1.
5.
m =
1 + 3.322 log ( n )
A = R/m
Este valor est en funcin de la estructura de la base de datos (tomar el
inmediato superior)
PASO 4. Determinar el nuevo rango R2 (Solamente si se tom un inmediato
superior)
R2 = A * m
A: es la amplitud teniendo en cuenta el inmediato superior.
PASO 5. Determinar los intervalos y finalmente construir el cuadro.
b. Cdf para una variable cuantitativa discreta
Para la construccin de un CDF para una variable cuantitativa discreta (valores
discretos) ya no se utiliza los pasos anteriores solamente colocar en los intervalos a los
diferentes valores discretos.
c. Cdf para una variable cualitativa
Para la construccin de un CDF para una variable cualitativa se sigue los mismos pasos
que para una variable cuantitativa discreta, es decir, solamente colocar en los en los
intervalos a las diferentes categoras de la variable cualitativa.
pg. - 11 -
6.
B.
pg. - 12 -
GRFICO ESTADSTICO
Un grfico estadstico es una representacin pictrica, cuyo objetivo es expresar el
comportamiento de una variable en estudio.
Los grficos estadsticos son representaciones de informacin real que existe en nuestro
mundo, es una expresin artstica de datos reales y observados.
Un grfico sirve
tambin
para
comparar
visualmente
el
comportamiento de
dos o ms variables
similares
o
relacionadas.
8.
9.
pg. - 21 -
10.
11.
pg. - 22 -
Luego seleccionar el rango de los datos a evaluar, sealando correctamente las series que
estn evaluando.
Luego debemos configurar los aspectos que conciernen a la presentacin del grfico,
aportando una vista preliminar del mismo. As, se determinan el ttulo, las inscripciones de los
ejes, la apariencia de stos, la leyenda, la aparicin o no de tabla de datos y los rtulos. Las
opciones de <Atrs, Siguiente> y Finalizar son las mismas que en los otros cuadros.
Finalmente hacer clic en el botn Finalizar, el grfico aparece ya en el lugar seleccionado. Si
se quiere desplazar a algn otro lugar sobre la propia hoja en que se encuentra basta
seleccionar todo el grfico y arrastrarlo con el mouse.
pg. - 23 -
2.
es decir, cada
ya sea sin son
MEDIDAS DE LOCALIZACIN
2.1. CUARTILES
Se denotan por Qk, donde k=1,2,3
Son valores que dividen a un conjunto de datos en 4 partes iguales, es decir, cada
sector tiene el 25% de los datos.
Para calcular la media aritmtica se utilizan las frmulas adecuadas ya sea si son
datos agrupados o datos no agrupados.
2.2. DECILES
Se denotan por Dk, donde k=1,2,3,4,5,6,7,8,9
Son valores que dividen a un conjunto de datos en 10 partes iguales, es decir, cada
sector tiene el 10% de los datos.
2.3. PERCENTILES
Se denotan por Pk, donde k=1,2,3,4,5,6,7,8,9,10, , 99
Son valores que dividen a un conjunto de datos en 100 partes iguales, es decir,
cada sector tiene el 1% de los datos.
Para calcular la media aritmtica se utilizan las frmulas adecuadas ya sea sin son
datos agrupados o datos no agrupados.
pg. - 24 -
4.
MEDIDAS DE VARIABILIDAD
3.1. RANGO
Se denota por R y la medida de variabilidad ms fcil de calcular.
Es la diferencia que existe entre el valor mximo y el valor mnimo del conjunto de
datos.
3.2. VARIANZA
Mide la variabilidad de un conjunto de datos respecto a un valor central (promedio)
Mide la variabilidad pero en unidades elevadas al cuadrado, por lo tanto es ilgica
su interpretacin.
Para calcular la media aritmtica se utilizan las frmulas adecuadas ya sea sin son
datos agrupados o datos no agrupados.
3.3. DESVIACIN ESTNDAR
Mide la variabilidad de un conjunto de datos respecto a su valor central pero en
unidades originales.
Esta es la medida de variabilidad que tiene una interpretacin lgica.
Se obtiene al obtener la raz cuadrada de la varianza.
3.4. COEFICIENTE DE VARIACIN
Se denota por C.V.
El C.V. sirve para determinar si un conjunto de datos tiene un comportamiento
homogneo o heterogneo.
Para llegar a determinar la homogeneidad se compara con un valor convencional
del 33%.
Si el CV 33% el conjunto de datos tiene un comportamiento homogneo.
Si el CV > 33% el conjunto de datos tiene un comportamiento heterogneo.
5.
MEDIDAS DE FORMA
4.1. ASIMETRA
La asimetra se entiende como la deformacin horizontal de un conjunto de datos.
Para conocer esta asimetra se calcula el coeficiente de asimetra As.
En un conjunto de datos pueden presentar los siguientes casos:
a. As= 0, el conjunto de datos es simtrica.
b. As<0, el conjunto de datos es asimtrica negativa.
c. As>0, el conjunto de datos es asimtrica positiva.
As
X Mo
S
As
3( X Me)
S
As
Q3 2Q2 Q1
Q3 Q1
4.2. KURTOSIS
Se entiende por Kurtosis a la deformacin vertical de un conjunto de datos, es decir,
mide el apuntamiento o achatamiento de un conjunto de datos.
Para conocer qu tipo de asimetra tiene un conjunto de datos, se utilizan las
siguientes formulas:
A. Kurtosis en funcin de los momentos
Si K1>3, el conjunto de datos es leptocrtica.
Si K1=3, el conjunto de datos es mesoctica.
Si K1<3, el conjunto de datos es platicrtica.
K1
M4
(M 2 )2
pg. - 25 -
K2
M4
3
( s) 2
As
6.
Q3 Q1
2( P90 P10 )
PROMEDIO
xi
i 1
Xi: datos
n = nmero de datos
Procedimiento:
Observar la base de datos y determinar
el valor que ms se repite.
Y f
i
i i
1
Mo Li A
1 2
Li: lmite inferior del intervalo modal.
A: amplitud intervlica
MODA
1 f j f j 1
2 f j f j 1
MEDIANA
Procedimiento:
Ordenar la serie en forma
ascendente
Cuando n impar:
Me = valor central
Cuando n par:
Me = promedio de los valores
centrales
n / 2 F j 1
Me Li A
fj
n / 2 es el elemento determinante
Fj-1: Frecuencia acumulada anterior al intervalo mediano
fj: Frecuencia abs. simple del intervalo mediano
pg. - 26 -
QUARTILES
kn / 4 F j 1
QK Li A
fj
CUANTILES
DECILES
kn / 10 F j 1
DK Li A
fj
PERCENTIL
ES
kn / 100 F j 1
PK Li A
fj
7.
RANGO
R V max V min
POBLACIONAL
i 1
R LS LI
Ls: Lmite superior
Li: Lmite inferior
m
(X
u)
(Y u)
i 1
Xi : Datos de la poblacin
u : promedio poblacional
N: Nmero de elementos de la poblacin
VARIANZA
s2
(x
i 1
x)
* fi
Yi : Marca de clase
u : promedio poblacional
N: Nmero de elementos de la poblacin
fi: frecuencia absoluta simple
m
(y
i 1
y)2 * fi
n 1
n 1
MUESTRAL
Xi : Datos de la muestra
x : promedio muestral
n : Nmero de elementos de la muestra
Frmulas
abreviadas
DESVIACIN ESTNDAR
( xi ) 2
n
1
s2
xi2 i1n
n 1 i 1
2
D.E. Poblacional
COEFICIENTE DE
VARIACIN
C.V .
*100
C.V. Poblacional
( yi f i ) 2
m
1
s2
yi2 fi i1 n
n 1 i 1
s s2
D.E. Muestral
C.V .
s
*100
x
C.V. Muestral
pg. - 27 -
8.
9.
pg. - 28 -
3. Un criterio inicial en RUBIOJA S.A era mantener la calificacin promedio de grado de los contratados
por encima de 14.00. Se sigue manteniendo este criterio?
4. Otro criterio era mantener por lo menos un tercio de los contratados que provengan de escuelas de
categora 2. Se sigue manteniendo este criterio?
5. Son diferentes los rendimientos en la prueba de entrada para las diferentes calidades de escuelas de
donde provienen los candidatos? Y en la Evaluacin del rendimiento del segundo ao?
Si Ud. fuera el analista que conclusiones le dara a Grecia Rubio respecto al anlisis que
realiz. Utilice la siguiente base de datos.
No.
Gnero
Edad
Calificacin
Calidad Universitaria
ndice-xito
Rendimiento 2
22
15,41
62
72
26
15,71
60
71
22
12,45
80
66
23
15,69
86
91
25
16,05
86
48
26
16,21
64
95
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
40
41
42
43
44
45
46
0
1
1
1
1
0
0
1
0
1
1
1
1
1
0
1
1
0
1
0
1
1
1
0
1
1
1
1
1
0
1
0
1
0
1
1
1
1
1
1
27
23
23
26
24
24
36
27
26
24
26
23
24
24
25
23
23
26
25
25
24
23
22
30
24
25
23
24
26
23
26
26
26
23
22
26
24
26
25
24
14,42
12,87
13,08
16,30
15,82
14,85
13,31
16,67
16,35
12,50
12,32
14,72
13,94
16,92
13,14
14,92
13,81
15,53
15,33
12,95
12,24
14,94
12,57
12,92
15,94
13,80
14,42
14,72
12,60
14,53
14,76
13,12
13,35
14,76
15,27
17,00
16,57
14,02
13,08
13,93
2
3
2
3
4
3
4
4
2
1
1
2
2
2
3
3
2
3
3
2
4
4
3
3
1
4
3
2
3
3
4
3
4
2
4
2
2
3
1
3
54
80
62
77
61
67
95
62
50
62
81
76
87
73
85
57
89
70
65
89
87
89
94
71
63
67
96
73
92
88
82
84
86
72
82
77
66
73
85
58
82
92
73
81
67
95
96
59
79
88
52
71
75
75
93
84
90
83
73
97
88
81
74
67
80
64
82
82
81
77
89
95
58
74
89
68
77
67
99
96
47
25
14,17
58
97
48
49
0
1
24
22
14,65
13,92
3
1
79
50
92
95
pg. - 29 -
50
51
1
1
25
25
13,28
12,96
3
2
93
75
67
52
52
23
13,97
82
82
53
54
55
1
1
1
25
24
24
13,92
14,92
16,33
3
3
2
57
67
60
83
87
73
56
57
0
1
23
23
14,25
15,29
4
1
56
94
67
72
58
59
1
1
26
26
15,23
15,73
3
3
92
81
66
95
60
61
23
12,94
73
82
24
15,96
91
84
62
24
16,96
72
98
63
27
12,23
85
93
64
22
15,35
96
87
65
23
16,77
85
57
66
1
0
24
25
16,12
14,34
2
3
89
92
85
81
67
68
24
14,69
66
95
69
22
14,67
85
90
70
23
15,56
54
80
71
22
12,35
85
48
72
24
13,39
65
71
73
26
16,99
76
63
74
28
15,29
63
87
75
26
15,93
89
97
76
1
1
25
25
13,41
15,55
3
2
83
57
97
79
25
13,97
96
71
0
1
23
24
12,81
12,99
4
2
72
73
72
89
1
1
25
23
15,67
12,47
2
3
53
86
94
78
77
78
79
80
81
82
83
24
12,77
64
89
84
24
14,67
80
84
85
25
13,94
77
91
86
24
14,90
52
69
87
23
15,44
70
89
88
23
16,03
90
91
89
29
12,15
74
89
90
0
0
0
0
1
22
26
22
30
25
13,42
12,02
13,04
14,35
13,65
2
4
3
4
2
95
84
68
92
52
94
95
78
84
85
91
92
93
94
95
23
12,66
82
69
96
26
13,22
56
71
97
23
13,43
85
58
98
22
15,54
85
93
99
1
1
26
23
16,51
16,91
3
3
64
61
97
83
100
pg. - 30 -
ANLISIS DE CORRELACIN
El anlisis de correlacin es una tcnica estadstica que mide el grado de asociacin o
afinidad entre las variables cuantitativas consideradas en un estudio.
Se llamar CORRELACIN SIMPLE cuando se trata de analizar la relacin entre dos
variables. Se llamar CORRELACIN LINEAL O RECTILNEA si la funcin es una recta, y
de CORRELACIN NO LINEAL cuando la funcin es una curva o una funcin de grado
superior.
El COEFICIENTE DE CORRELACIN DE PEARSON, es el estadgrafo que mide el grado
de asociacin o afinidad entre las variables cuantitativas y se denota por r la cual se
define como:
n
n X iYi X i Yi
i 1
i 1
i 1
i 1
n X i2 ( X i ) 2
Interpretacin:
-1
-0.7
Perfecta Alta
-0.4
Regular
Baja
Baja
i 1
i 1
i 1
n Yi 2 ( Y1 ) 2
0.4
Regular
NEGATIVA
2.
0.7
Alta
+1
Perfecta
POSITIVA
ANLISIS DE REGRESIN
2.1.
n X i Yi
i 1
X Y
i 1
n
i 1
A Y BX
n X i2 ( X i ) 2
i 1
i 1
pg. - 31 -
2.3.
Y 0 1 X 1 2 X 2 ... K X K
Para encontrar este modelo, es decir, estimar sus coeficientes tambin se utiliza el
Mtodo de los Mnimos Cuadrados Ordinarios.
Los elementos de este modelo de regresin mltiple son los siguientes:
Y es la variable dependiente o variable respuesta.
A las Xs se le llama variables independientes.
Bs se les llama coeficientes de regresin.
En el ARLM se prueban las siguientes Hiptesis:
Ho: Los Bs son iguales a cero (No hay efecto de las variables independientes en Y);
H1: Los Bs son diferentes de cero (Por lo menos un X influye en Y).
Para dar respuesta a esta Hiptesis se utiliza el anlisis de varianza.
2.4.
Luego aparece la ventana de dilogo donde hay que ingresar el rango de Y, el rango de
X, activar rtulos, las opciones de salida y algunas alternativas de inters para el
investigador.
pg. - 32 -
APLICACIN 01
LA EMPRESA HIDRANDINA de la ciudad de Trujillo,
est haciendo un estudio sobre los consumos de energa
(en miles de kilowatts - hora) y el nmero de reas de
trabajo en un conjunto de Empresas Privadas. Para este
estudio se selecciona una muestra aleatoria de 10
Empresas Privadas, en la cual se obtuvo los siguientes
resultados: (ver cuadro)
Se solicita:
a. Estimar la ecuacin de regresin lineal.
b. Evaluar el consumo (en miles de kilowatts-hora), para
una Empresa que tiene 6 reas de trabajo.
N de casa
Nmero de
reas de
trabajo
1
2
3
4
5
6
7
8
9
10
Total
2
4
4
3
1
3
1
5
5
3
Consumo
de energa
(miles de
kw)
4
11
10
5
3
6
3
18
14
7
n
k
Dep. Var.
10
1
df
1
8
9
MS
196.2333
4.0833
coefficients
-1.8889
std. error
1.5763
t (df=8)
-1.198
p-value
.2651
3.2222
0.4648
6.932
.0001
p-value
.0001
confidence interval
95%
lower
95% upper
-5.5237
1.7460
2.1504
4.2941
APLICACIN 02:
N de
maquina
1
2
3
4
5
6
Tiempo de
antigedad
(aos)
1
1
2
2
3
3
Total
Costo de
mantenimiento.
($)
14
16
20
24
30
28
APLICACIN 03:
El jefe de personal de una empresa comercializadora cree que existe
una relacin entre la tardanza al trabajo y la edad del trabajador. Con el
propsito de estudiar el problema tom en cuenta la edad de diez
trabajadores escogidos al azar y contabiliz los das de tardanza
durante todo un ao. Los resultados fueron como se observa en la
tabla que sigue:
Se solicita:
a. Construir el diagrama de dispersin.
b. Obtener la ecuacin de la recta de regresin.
c. Si un docente tiene 38 aos, averiguar Cuntas tardanzas se
espera que tenga al ao?
d. Si un trabajador tiene 3 tardanzas al ao, averiguar Qu edad se
puede esperar que tenga este trabajador?
e. Determinar el grado de relacin entre las variables en estudio.
N
1
2
3
4
5
6
7
8
9
10
Total
Edad en
aos
25
50
35
20
45
50
30
40
62
40
N de Tardanza en
un ao
20
5
10
20
8
2
15
12
1
8
pg. - 33 -
LA DISTRIBUCIN BINOMIAL
P
P
P
P
P
P
P
(
(
(
(
(
(
(
Xa
X>a
Xa
X=a
aX
aX
a<X
pg. - 34 -
SOLUCIN:
Binomial distribution
X
0
1
2
3
4
5
5 n
0.25 p
cumulative
P(X) probability
0.23730
0.23730
0.39551
0.63281
0.26367
0.89648
0.08789
0.98438
0.01465
0.99902
0.00098
1.00000
1.00000
1.250 expected value
0.938 variance
0.968 standard deviation
P(X)
0.60
0.40
0.20
0.00
0
APLICACIN 02:
En la Universidad Privada del Norte Escuela de Postgrado se est aplicando un nuevo mtodo de
enseanza del aprendizaje del Idioma Portugus. Despus de completar con la aplicacin de este mtodo
se evala que el 1% sali desaprobado. El director acadmico selecciona en forma aleatoria estudiantes
al azar de la Universidad:
a. Cul es la probabilidad de que exista ms de 3 desaprobados?
b. Cul es la probabilidad de que exista menos de 3 desaprobados?
c. Cul es la probabilidad de que haya entre 2 y 4 desaprobados inclusive?
pg. - 35 -
APLICACIN 03:
Segn informacin de Secretara Acadmica de la UPN, el 65% de los estudiantes son de gnero
masculino y el resto del gnero femenino. Para la aplicacin de una encuesta por parte de la asistenta
social, se selecciona aleatoriamente a 10 estudiantes:
a. Cul es la probabilidad de encuestar a menos de 5 hombres?
b. Cul es la probabilidad de encuestar ms de 5 hombres?
c. Cul es la probabilidad de encuestar a 3 y 8 hombres inclusive?
d. Cul es la probabilidad de encuestar a ningn hombre?
2.
LA DISTRIBUCIN POISSON
La Distribucin de Poisson es otra de las distribuciones de probabilidad discretas ms
importantes porque se aplica en muchos problemas reales.
Esta distribucin se origina en problemas que consisten en observar la ocurrencia de
eventos discretos en un intervalo continuo (unidad de medida).
Ejemplos:
1. Nmero de manchas en un metro cuadrado de un esmaltado de un refrigerador.
2. Nmero de vehculos que llegan a una estacin de servicios durante una hora.
3. Nmero de llamadas telefnicas en un da.
4. Nmero de clientes que llegan a un banco durante las 10 y 12 p.m.
3
5. Nmero de bacterias en un cm de agua.
Esta distribucin tienen las siguientes caractersticas:
- Su variable aleatoria est definida como:
X: Nmero de ocurrencias en 1 unidad de medida (Tiempo, Volumen,
Superficie, etc)
- Su recorrido o rango es:
Rx = {0,1,2,3,4,5, .}
Su funcin de probabilidad est dada por:
P
P
P
P
P
P
P
(
(
(
(
(
(
(
Xa
X>a
Xa
X=a
aX
aX
a<X
pg. - 36 -
a.
b.
c.
d.
SOLUCIN:
Poisson distribution
24
X
0
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
P(X)
0.00000
0.00000
0.00000
0.00000
0.00000
0.00000
0.00001
0.00003
0.00010
0.00027
0.00066
0.00144
0.00288
0.00531
0.00911
0.01457
0.02186
0.03086
0.04115
0.05198
0.06238
0.07129
0.07777
0.08115
0.08115
0.07791
0.07191
0.06392
0.05479
0.04534
0.03628
0.90415
24.000
24.000
4.899
expected value
variance
standard deviation
pg. - 37 -
P(X)
0.08
0.06
0.04
0.02
0.00
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
X
APLICACIN 02
Si la secretaria de una Escuela de Postgrado, recibe un promedio de 2 llamadas cada 3 minutos por motivos
acadmicos. Calcular lo siguiente:
a. Cul es la probabilidad de que reciba ms de 3 llamadas en 3 minutos?
b. Cul es la probabilidad de que reciba menos de 2 llamadas en tres minutos?
c. Cul es la probabilidad de que reciba exactamente 2 llamadas en tres minutos?
d. Cul es la probabilidad de reciba 5 llamadas en 6 minutos?
e. Cul es la probabilidad de que reciba menos de 2 llamadas en un minuto?
APLICACIN 03
En un estudio por parte del Ministerio de Transporte y Comunicaciones (MTC), se ha determinado que en la
carretera panamericana con destino a Lima, hay en promedio 20 accidentes por semana (7 das), calcular las
siguientes probabilidades:
a. Cul es la probabilidad de que en una semana no haya ningn accidente?
b. Cul es la probabilidad de que en dos semanas haya 10 accidentes?
c. Cul es la probabilidad de que en 1semana ocurra menos de 15 accidentes?
d. Cul es la probabilidad de que en un da haya tres o menos accidentes?
e. Cul es la probabilidad de que en un da haya tres o ms accidentes?
APLICACIN 04
En el Centro de impresiones de la UPN se comete dos fallas en las impresiones debido a causas externas cada
vez que se imprimen 2,500 hojas como promedio. Con esta informacin determinar:
a. La probabilidad de que en una impresin de 500 hojas, ocurra uno ms errores.
b. La probabilidad de que no ocurrirn errores en una impresin de 50 hojas.
APLICACIN 05
Los clientes de una empresa llegan a la tienda de venta aleatoriamente, a una tasa de 300 personas por hora.
Calcular la probabilidad de que:
a. Una persona llegue durante un periodo de 1 minuto.
b. Por lo menos dos personas lleguen durante un periodo dado de un minuto.
c. Ninguna persona llegue durante un periodo de 1 minuto.
pg. - 38 -
3.
LA DISTRIBUCIN NORMAL
La distribucin normal, llamada tambin Curva de Gauss (en recuerdo al cientfico que la
descubri), es la distribucin de probabilidad ms importante en la Estadstica y por ende del
clculo de Probabilidades.
Esta distribucin de probabilidad es importante porque las variables aleatorias continuas
(peso, edad, talla, produccin, gasto en publicidad, temperatura, ventas, PBI, ganancias, etc.)
que son variables que ms se evalan en una investigacin cientfica o investigacin de
mercados se aproximan a esta distribucin de probabilidad.
Tambin es importante porque se utiliza como aproximacin de las distribuciones discretas
tales como: la Binomial, la Poisson, etc.
CARACTERSTICAS
1. Tiene como parmetros a y
2. Su funcin de probabilidad est dada por:
f ( x)
1 X
, X
Adems:
- < < +
y
>0
3. El promedio puede tomar valores entre y + mientras que > 0, entonces existen
infinitas curvas normales.
4. Esta funcin de probabilidad es asinttica con respecto al eje X, (a pesar de tener recorrido
infinito, la curva nunca toca el eje X); adems es unimodal y es simtrica con respecto a la
media .
5. El rea bajo esta funcin o curva es 1 100%, de la misma manera se sabe que las reas
comprendidas bajo la curva normal son:
1.
= 68.3%
2. 2 = 95.5%
3. 3 = 99%
2 1
4.
pg. - 39 -
1
2
f ( z)
e2
USO DE TABLA
Si se conoce el comportamiento de una variable, es decir, se sabe que tienen una distribucin
normal, para calcular las diferentes probabilidades se tiene que estandarizar la variable. Una vez
estandarizada la variable, recin utilizar la tabla de la distribucin normal estandarizada o tabla Z.
FRMULAS:
a.
b.
P( x a ) P(
) P( Z
P ( x a ) 1 P ( x a ) 1 P(
c. P(a x b) P( x b) P( x a) P(
5.
) 1 P( Z
) P(
APLICACIN 01:
El rendimiento acadmico de los estudiantes de una Universidad, tiene una distribucin normal con media igual a
15 y varianza igual a 4. Si se selecciona un estudiante de esta Universidad, encuentre la probabilidad de que:
a. El rendimiento sea menor que 16.
b. El rendimiento sea menor que 14.
c. El rendimiento este entre 14 y 18.
d. El rendimiento sea mayor 15.5.
SOLUCIN
pg. - 40 -
Reemplazando valores:
APLICACIN 02:
Los salarios mensuales de los trabajadores administrativos tiene un comportamiento normal cuya media es S/.
2100 y una desviacin estndar de S/. 50. Cuntos trabajadores tienen salarios:
a. Menores de S/. 2150.
b. Menores de S/. 2200.
c. Mayores a S/. 2180.
d. Entre 2080 y 2150 soles.
APLICACIN 03:
El tiempo de duracin de los focos elctricos de los caones proyectores tienen una distribucin normal con una
media de 1000 horas y una desviacin estndar de 250 horas. Determinar la probabilidad de que:
a. Un foco tomado al azar se queme antes de las 990 horas de funcionamiento.
b. Un foco se queme entre 980 y 1120 horas de funcionamiento.
c. Un foco dure ms de 998 horas.
APLICACIN 04:
NEUMA Per, es una empresa que produce llantas para automviles en nuestro pas. La vida til de estas llantas
se distribuye aproximadamente como una normal con media y desviacin estndar iguales a 32000 y 1000 millas
respectivamente. Esta empresa quiere exportar estas llantas por lo que empieza a hacer ciertos clculos acerca
de la calidad de estas llantas, para lo cual se hace las siguientes preguntas:
a. Cul es la probabilidad de que una llanta producida por esta empresa tenga una vida til de 31900 millas?
b. Cul es la probabilidad de que una llanta producida por esta empresa tenga una vida til desde 31000 y
33000 millas?
c. Si la empresa fija una garanta de 30000 millas. Qu porcentaje de esta produccin necesitar ser
reemplazada?
pg. - 41 -
1.
ESTIMACION PUNTUAL
Es aquel nico valor que se obtiene de la muestra, es decir, que para su clculo se debe tener
informacin muestral. Las frmulas para calcular o realizar estas estimaciones son las siguientes:
PROMEDIO
PARMETRO
VARIANZA
PROPORCIN
ESTIMACIN
PUNTUAL
2.
x
i 1
s
2
(x
i 1
x )2
n 1
a
P p
n
ESTIMACIN INTERVLICA
Al realizar una estimacin, siempre se va a cometer un error. Entonces, cuando estimamos un
parmetro nunca va a ser exacto, ese valor ser mayor o menor al verdadero. Entonces se
obtendr un intervalo de valores posibles. Ese intervalo se llama estimacin intervlica. A esa
diferencia mayor o menor se llama error de estimacin, el cual est en relacin directa con la
variabilidad del estimador y el nivel de confianza determinado por el investigador. La estimacin
intervlica para un parmetro en general, est dada por:
Z / 2
Z / 2
Error de Estimacin
Error de estimacin
: Z / 2
Para determinar este intervalo se necesita de:
a. La estimacin puntual.
b. La desviacin estndar del estimador.
c. Nivel de confianza, el cual ser repartido para cada lado del intervalo.
pg. - 42 -
: x Z / 2
: x t ( / 2, n 1)
s
n
P : p Z / 2
PQ
n
P : p Z / 2
pq
n
1 2 : ( x1 x 2 ) Z / 2
12
n1
22
n2
B. Si las muestras son de tamao n1<30 y n2<30 (pequeas) y adems las varianzas
poblacionales DESCONOCIDAS:
1 2 : ( x1 x2 ) t( / 2, n n
1
2)
sc2 (
1 1
)
n1 n2
Donde:
(n 1 1)s 12 (n 2 1)s 22
sc
n1 n 2 2
2
P1 P2 : ( p1 p 2 ) Z / 2
p1 q1 p 2 q 2
n1
n2
pg. - 43 -
3.
RESPECTO AL PROMEDIO:
APLICACIN 01:
Los estudiantes de Administracin de una Universidad realizaron un trabajo de aplicacin respecto a los sueldos
de los trabajadores de la mina YANACOCHA, para lo cual seleccionaron una muestra aleatoria de 24
2
trabajadores en la cual se determin que el sueldo promedio semanal es de $160 y una varianza de 10 dolares .
a. Calcular un intervalo de confianza para el sueldo promedio con el 90% de confianza.
b. Calcular un intervalo de confianza para el sueldo promedio con el 95% de confianza.
SOLUCIN:
pg. - 44 -
APLICACIN 02:
La Gerencia de la empresa HAMILTON LIGH est interesado en conocer el contenido de nicotina promedio de
su marca de cigarrillos. Para lo cual selecciona una muestra de 14 cigarros obteniendo un promedio de 25
2
miligramos y una varianza de 16 miligramos .
a. Calcular un intervalo de confianza para el sueldo promedio con el 99% de confianza.
b. Calcular un intervalo de confianza para el sueldo promedio con el 95% de confianza.
c. Calcular un intervalo de confianza para el sueldo promedio con el 90% de confianza.
APLICACIN 03:
Nuestro amigo BRUNO se dedica al negocio de los AUTOS, el sospecha que su margen de beneficios mensual
promedio por auto vendido est por debajo del promedio nacional de S/. 700. Para evaluar su margen de
beneficio toma informacin (muestra) respecto a 8 meses cuya informacin es la siguiente:
MES
BENEFICIO
800
840
780
850
810
790
805
800
Promedio
Varianza
a. Calcular un intervalo de confianza para el margen de beneficio promedio con el 99% de confianza.
b. Calcular un intervalo de confianza para el margen de beneficio promedio con el 95% de confianza.
c. Calcular un intervalo de confianza para el margen de beneficio promedio con el 90% de confianza.
RESPECTO A LA PROPORCIN:
APLICACION 04:
Segn un vendedor de automviles, de todos los vehculos adquiridos por los docentes universitarios, en ms del
80% de los casos el color es elegido por la mujer. Para verificar esta hiptesis se toma una muestra de 400
parejas que han comprado autos nuevos durante el ltimo ao, hallndose que en 310 casos el color fue en
efecto elegido por la dama. Calcular:
a. El intervalo confidencial para la proporcin considerando el 99 % de confianza.
b. El intervalo confidencial para la proporcin considerando el 90% de confianza.
SOLUCIN
pg. - 45 -
La SUNAT est haciendo auditora en ciertos grifos gasolineros. Selecciona en forma aleatoria 05 grifos de 2
empresas diferentes (Texaco y Repsol). Los ingresos en miles de soles semanales se presentan a
continuacin:
TEXACO
: 90 85 95 76 80
REPSOL
: 84 87 90 92 90
a. Estimar un intervalo de confianza para la diferencia de medias (DIFERENCIA DE LOS INGRESOS
PROMEDIOS) con el 90% de confianza.
b. Estimar un intervalo confidencial para la diferencia de medias (DIFERENCIA DE LOS INGRESOS
PROMEDIO) con el 99% de confianza.
Se toman muestras independientes para determinar el la proporcin de personas que esta a favor de un
impuesto al combustible. La primera muestra consiste en 100 personas que solamente trabajan en Trujillo y
la segunda muestra es de 100 personas del cercado de Trujillo. Se determina que 50 y 60 personas de las
respectivas muestras estn de acuerdo con el aumento.
a. Calcular un intervalo de confianza para la diferencia de proporciones considerando el 99% de
confianza.
b. Calcular un intervalo de confianza para la diferencia de proporciones considerando el 90% de
confianza.
pg. - 46 -
MUESTREO
Es una TCNICA ESTADSTICA por la cual se realizan inferencias a la poblacin examinando solo
una parte de ella, sta parte recibe el nombre de MUESTRA, la cual debe ser estadsticamente
representativa y adecuada.
Ventajas:
Desventajas:
Costo reducido
Presencia del error de muestreo
Mayor rapidez y exactitud
Presencia de gran variabilidad de las observaciones.
Minimiza los costos.
2.
TCNICAS DE MUESTREO
Existen 2 tipos de tcnicas de muestreo:
A. TECNICAS PROBABILSTICAS:
B. TECNICAS NO PROBABILSTICAS
Muestreo aleatorio simple
El muestreo a criterio o juicio.
Muestreo aleatorio estratificado
El muestreo por cuotas.
Muestreo sistemtico
El muestreo por conveniencia.
Muestreo por conglomerados
etc.
Etc.
3.
Para determinar el tamao, primero hay que identificar la variable a estudiar (cuantitativa o
cualitativa). Luego depende de cuatro factores o elementos que son los siguientes:
pg. - 47 -
5.
VARIABLE
Cualitativa
(Proporcin Poblacional)
Cuantitativa
(Promedio Poblacional)
POBLACIN
INFINITA
(Cuando no se
conoce N)
Z 2 P(1 P)
n0
E2
Z 2S 2
n0
E2
Z 2 P(1 P) N
n 2
E ( N 1) Z 2 P(1 P)
Z 2S 2 N
n 2
E ( N 1) Z 2 S 2
POBLACIN
FINITA
(Cuando se
conoce N)
Z= es el valor de la distribucin normal estandarizada para un nivel de confianza fijado por el investigador.
S= Desviacin estndar de la variable fundamental del estudio o de inters para el investigador. Obtenida por estudios
anteriores, muestra piloto, criterio de experto o distribucin de la variable de inters.
P= es la proporcin de la poblacin que cumple con la caracterstica de inters.
E= % del estimador o en valor absoluto (unidades). Fijada por el investigador.
N= Tamao de la poblacin.
6.
n0
N
n0
5% , entonces la muestra definitiva es n0 (muestra previa)
N
n
Si 0 5% , entonces se ajusta la muestra.
N
Si
n0
n
1 0
N
, n es la muestra final.
pg. - 48 -
TABLA N 01
VALORES DE LA DISTRIBUCIN NORMAL
ESTANDARIZADA(Z)
Valor Z
Nivel de confianza
(1-)
Nivel de significancia
()
Bilateral
Unilateral
90% = 0.90
95% = 0.95
98% = 0.98
99% = 0.99
10% = 0.10
5% = 0.05
2% = 0.02
1% = 0.01
1.64
1.96
2.32
2.57
1.28
1.64
2.05
2.32
B. Clculo del Valor de P: Se calcula este valor cuando la variable de estudio es cualitativa.
TABLA N 02
P
0.05
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
0.95
COMPORTAMIENTO DE P y Q
Q=1-P
0.95
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.05
PQ
0.0475
0.090
0.160
0.210
0.240
0.250
0.240
0.210
0.160
0.090
0.0475
C. Clculo del valor de la varianza (Si la variable es CUANTITATIVA): este valor es obtenida
por estudios anteriores, muestra piloto, criterio de experto o distribucin de la variable de
inters.
D. Clculo del error de estimacin: generalmente se asume 2%, 5%, y 8% de error. Este valor
es fijado por el investigador. Es la diferencia entre el parmetro (poblacin) y el estimador
(muestra). Es decir: E o o .Este error puede ser absoluto o relativo. Si E=0.35 se
denomina error absoluto. Si consideramos un error del 10% de la media, es decir, E=10%
( x )= 0.10 (3.5)=0.35 se denomina error relativo.
7.
APLICACIN 01
Cul ser el tamao de corridas de produccin adecuado si se requiere estimar el tiempo promedio para
efectuar la produccin de un producto qumico con una confianza del 95%? Adems en un estudio piloto se
encontr x 3.5 horas y s = 2.2 horas y adems el investigador asume E = 0.35 horas.
APLICANDO MEGASTAT
pg. - 49 -
APLICACIN 02
El Director de la seccin de control de la rabia del Dpto. de salud pblica de la ciudad de Chiclayo desea obtener
una muestra de los registros de dicho Dpto. acerca de las mordidas de perro reportadas durante el ao anterior,
para estimar la edad media de las personas mordidas. El director desea una seguridad del 95%, con un E=2.5 y
en base a estudios anteriores conoce que la desviacin estndar es de 15 aos. De qu tamao debe ser la
muestra?
APLICACIN 03
Se desea estimar el tiempo medio de duracin de artefactos elctricos (focos) producidos por la empresa
PHILIPS. Se sabe por un estudio piloto de 10 focos que la desviacin estndar del tiempo de duracin es de 20
meses. De qu tamao debe ser la muestra para estimar el tiempo medio de duracin con un error mximo de
4 meses y con una confianza del 95%?
APLICACIN 04
Por estudios cientficos se sabe que el Coeficiente de Inteligencia promedio para jvenes segn la escala de
Weshler es de 100 puntos con una desviacin estndar de 15 puntos. Determinar el tamao de muestra para
realizar una investigacin sobre niveles de inteligencia en la UPN, si se admite un error del 2% del promedio y
una seguridad del 95%.
APLICACIN 05
Se desea estimar la proporcin de jvenes de la ciudad de CHICLAYO que hacen uso de Internet como mnimo
una hora diaria con un 95% de confianza. De estudios anteriores se conoce que P=0.70 y se desea un E = 5%.
Cul debe ser el tamao de muestra?
pg. - 50 -
DEFINICIONES PRELIMINARES
a. HIPTESIS: es una respuesta a priori a un problema.
b. HIPTESIS ESTADSTICA: en un enunciado acerca del valor de un parmetro
poblacional.
c. PRUEBA DE HIPOTESIS: es un procedimiento basado en la informacin muestral y en la
teora de probabilidad, para determinar si una hiptesis estadstica debe ser aceptada o
rechazada.
2.
CLASES DE HIPTESIS
2.1.
HIPTESIS NULA.
Se denota por Ho.
Es una afirmacin o enunciado tentativo que se realiza acerca del valor de un
parmetro poblacional.
Por lo comn es una afirmacin acerca del parmetro de poblacin cuando toma un
valor especfico.
Ho verdadera
Ho falsa
Decisin correcta
Error tipo II
Error tipo I
Decisin correcta
pg. - 51 -
5.
/2
Ho: = 0
H1: 0
/2
Ho: = 0
H1: > 0
6.
MTODO TRADICIONAL
1.
2.
3.
4.
5.
6.
MTODO MODERNO
1.
2.
pg. - 52 -
8.
Z t Z / 2
(distribucin normal)
n
B.
x
s
n
t t t ( / 2, n 1)
(distribucin t de student)
pP
PQ
n
Z t Z / 2
Esta frmula es tanto para muestras grandes como para muestras pequeas.
III. PRUEBA DE HIPTESIS PARA LA DIFERENCIA DE MEDIAS
C. Si las muestras son de tamao n1>30 y n2>30 (grandes) y adems las varianzas poblacionales se
CONOCEN:
Estadstico de prueba:
( x1 x 2 ) D
1
n1
D.
Z t Z / 2
2
n2
Si las muestras son de tamao n1<30 y n2<30 (pequeas) y adems las varianzas poblacionales
DESCONOCIDAS:
( x1 x 2 ) D
Sc
t t t ( / 2, n 1)
1
1
n1
n2
(distribucin t de student)
Donde :
(n 1 1)s 12 (n 2 1)s 22
sc
n1 n 2 2
2
( p1 p 2 ) D
p1 q1 p 2 q 2
n1
n2
Z t Z / 2
Esta frmula es tanto para muestras grandes como para muestras pequeas.
pg. - 53 -
9.
pg. - 54 -
pg. - 55 -
Realizar una prueba de hiptesis para verificar si las ganancias de este ltimo grupo son superiores a
las ganancias de las empresas de nuestro medio. Para probar esta hiptesis utilice un = 0.05.
SOLUCIN: (Aqu se utiliza la prueba T para muestras independientes)
T2
22.088 mean
1.637 std. dev.
8 n
16
-7.7975
5.3911
2.3219
1.1014
0
-7.08
2.61E-06
df
difference (T1 - T2)
pooled variance
pooled std. dev.
standard error of difference
hypothesized difference
t
p-value (two-tailed)
APLICACIN 02
Jorge Melndez, Administrador del BCP, est interesado en saber si existe diferencia significativa entre los
tiempos de atencin al cliente de los mismos empleados que trabajan en los dos turnos: maana y tarde. Al
respecto, ayer personalmente registr los tiempos que utilizaron los empleados para atender a sus clientes en
ambos turnos. Los tiempos en minutos que registr fueron los siguientes:
Maana
2.10
4.10
4.70
3.70
6.00
3.90
Tarde
4.00
4.50
3.70
4.00
4.10
3.45
A la luz de estos resultados, a qu conclusin lleg Jorge Melndez? Utilice un nivel de confianza del 95%.
pg. - 56 -
0.23 t
.8244 p-value (two-tailed)
APLICACIN 03
Un fabricante de microcircuitos est interesado en determinar si dos diseos diferentes producen un flujo de
electricidad equivalente. El ingeniero responsable ha obtenido la siguiente informacin:
Diseo 1
20.3
22.5
23.3
29.1
26.5
22.1
20.8
28.6
23.3
21.5
Diseo 2
23.5
26.5
23.6
21.5
26.4
27.9
22.5
25.5
26.7
23.9
Diseo 3
29.1
26.5
22.1
25.6
23.5
26.5
25.5
26.7
20.3
22.5
Diseo 4
20.3
22.5
25.5
26.7
28.9
17.3
21.5
20.4
27.9
26.5
Con =0.01, se desea determinar si existe alguna diferencia significativa en el flujo de electricidad entre los dos
diseos.
pg. - 57 -
23.80
10
Std. Dev
3.163 Diseo 1
24.80
10
2.089 Diseo 2
24.83
10
2.657 Diseo 3
23.75
10
3.865 Diseo 4
24.30
40
2.944 Total
SS
df
MS
p-value
0.40
0.7558
ANOVA table
Source
Treatment
10.833
3.6110
Error
327.266
36
9.0907
Total
338.099
39
Comparison of Groups
30.00
25.00
20.00
15.00
Diseo 1
Diseo 2
Diseo 3
Diseo 4
APLICACIN 04
Una compaa desea estudiar el efecto que tiene la pausa para el caf, sobre la productividad de sus obreros.
Selecciona 6 obreros y mide su productividad en un da cualquiera (sin pausa para el caf), y luego mide la
productividad de los mismos 6 obreros en un da que se concede la pausa para el caf. Las cifras que miden la
productividad son las que siguen: Con = 0,05. A qu conclusin llegar la compaa?.
TRABAJADOR
1
2
3
4
5
6
Sin pausa
23
35
29
33
43
32
Con pausa
28
38
29
37
42
30
APLICACIN 05
En fecha reciente fue descubierto un neurotransmisor cerebral endgeno llamado galanina. Segn parece, ste
afecta de manera directa el deseo de ingerir alimentos con un alto contenido de grasa. Mientras ms alta sea la
cantidad de este neurotransmisor de origen natural en un individuo, mayor ser el apetito que este sienta por la
comida con alto contenido de grasa. Recientemente una compaa farmacutica desarroll una sustancia
experimental que bloquea la galanina sin alterar el apetito por otros alimentos ms saludables (es decir con
menos grasas). Un neurocientfico piensa que esa sustancia experimental ser muy til para controlar la
obesidad. Se realiza un experimento para lo cual se elige 10 mujeres obesas todas ellas voluntarias y se les
administra el medicamento experimental durante 06 meses. Se registra el peso inicial y el peso final (despus de
6 meses) de cada persona. Los pesos se presentan en la siguiente tabla. Probar si el uso del medicamento
experimental produce prdida de peso en las personas. Utilice un nivel de significancia de 0.05.
Persona
PESO INCIAL (libras)
PESO FINAL (libras)
1
165
145
2
143
137
3
175
170
4
135
136
5
148
141
6
155
138
7
158
137
8
140
125
9
172
161
10
164
156
pg. - 58 -
REFERENCIAS BIBLIOGRFICAS
Investigacin
del
comportamiento.
Editorial
McGraw-
pg. - 59 -