Manual Estadisticas

Manual de Estadstica para Negocios
Manual de Estadstica para

Negocios

Desarrollo de Negocios, rea de Mercadotecnia

M.C. Mario Coronado Rosales
Yannet Alvarado Villalobos
Laura Elizabeth Gaytn Villalobos
Nancy Dinorah Robles Puentes


1

PROGRAMA
Unidad I
INTRODUCCIN A LA ESTADSTICA
1.1 Identificacin de los conceptos de la estadstica
1.2 Poblaciones y variables
1.3 Tcnicos y tpicos de muestra
Unidad II
ESTADSTICA DESCRIPTIVA
1.1 Ordenamiento de datos
1.2 Medidas estadsticas de tendencias central y dispersin
1.3 Distribucin normal
Unidad III
ESTADSTICA INFERENCIAL
1.1 Estimacin
1.2 Prueba de hiptesis
Unidad IV
FUNDAMENTOS DE PRONSTICOS
1.1 Conceptos de Pronsticos
1.2 Pronsticos cuantitativos
BIBLIOGRAFA
Probabilidad y estadstica
Octavio Snchez
Estadstica Bsica
Guillermo pastor

2

CONTENIDO

INTRODUCCIN .............................................................................................................................. 3
UNIDAD I. INTRODUCCIN A LA ESTADSTICA ..................................................................... 4
CONCEPTOS ESTADSTICOS ................................................................................................. 4
PROBLEMAS PROPUESTOS ................................................................................................... 5
UNIDAD II. DATOS NO AGRUPADOS ........................................................................................ 7
MEDIDA DE TENDENCIA CENTRAL ....................................................................................... 7
MEDIDAS DE DISPERSIN O DE VARIABILIDAD ............................................................... 8
DISTRIBUCIN NORMAL ........................................................................................................ 10
MUESTREO ALEATORIO ........................................................................................................ 17
ESTIMACIN .............................................................................................................................. 18
PROBLEMAS PROPUESTOS ................................................................................................. 23
UNIDAD III. ...................................................................................................................................... 25
PRUEBA DE HIPTESIS PARA MEDIAS ............................................................................. 25
PRUEBA DE HIPTESIS PARA MUESTRAS PEQUEAS ............................................... 28
PRUEBA DE HIPTESIS PARA DIFERENCIAS DE MEDIAS .......................................... 30
PRUEBA DE HIPTESIS PARA DIFERENCIAS DE MEDIAS .......................................... 32
PROBLEMAS PROPUESTOS ................................................................................................. 35
UNIDAD IV. PRONSTICOS ....................................................................................................... 37
REGRESIN LINEAL ................................................................................................................ 37
Problemas de mnimos cuadrados ...................................................................................... 37
ERROR ESTNDAR DEL AJUSTE ........................................................................................ 40
DISTRIBUCIN F, DISTRIBUCIN DE FISHER ............................................................... 43
PROMEDIO MVIL SIMPLE .................................................................................................... 44
MEDIA PONDERADA ................................................................................................................ 46
TABLAS ....................................................................................................................................... 48


3

INTRODUCCIN

Todo lo que hasta remotamente tiene que ver con la recoleccin, procesamiento,
anlisis e interpretacin de datos numricos pertenece al dominio de la
estadstica, que comprende, por ejemplo, el clculo del aumento en promedio de
las utilidades de una importante compaa qumica en los ltimos 10 aos.
La palabra estadstica, por s sola, se utiliza en varias formas. En un contexto
significa un conjunto de datos como los que se pueden encontrar en las pginas
financieras de los diarios o en el Compendio Estadstico de Estados Unido. Y, en
otro mbito, se refiere a la totalidad de los mtodos que se aplican en la
recoleccin, procesamiento, anlisis e interpretacin de cualquier tipo de datos. En
este ltimo sentido, la estadstica es una rama de las matemticas aplicadas.


4

UNIDAD I. INTRODUCCIN A LA ESTADSTICA
CONCEPTOS ESTADSTICOS

El estudio de la estadstica puede dividirse en dos grandes ramas
Estadstica Descriptiva.- Es la que estudia las caractersticas de un grupo de
datos para conocer los valores que los describan, por ejemplo: media aritmtica
(), desviacin estndar ().
Estadstica inferencial.- Analiza los datos de una muestra para conocer, a partir
de estos datos las caractersticas de la poblacin de la cual se tomaron.
Tambin permite conocer anticipadamente las caractersticas de una muestra si se
conocen algunas propiedades de la poblacin de la cual se tom la muestra.
Poblacin.- Es el total de elementos de un grupo que se estudia.
Muestra.- Es el conjunto de elementos extrados de un conjunto mayor llamado
poblacin.
Una poblacin puede dosificarse en finita (Cuando se pueden contar el total de
elementos), infinita (Cuando no se pueden contar el total de elementos).
Una muestra puede ser grande cuando n>30 (n= Nmero de elementos de una
muestra) pero es muestra pequea cuando n<30.
Muestreo.- Puede ser destructivo y no destructivo.
Tambin el muestreo puede realizarse con remplazo o sin remplazo, con remplazo
el elemento se remplaza y se regresa a la muestra de donde se tom; sin
remplazo, el elemento seleccionado no se regresa a la poblacin o a la muestra
donde se tom.
Estimacin.- Est estrechamente ligado a la estimacin, el cual consiste en
determinar la naturaleza de una poblacin, con base a los datos que se obtengan
de la muestra.

5

La estimacin de parmetros poblacionales estadsticos mustrales puede
hacerse por medio de estimadores puntuales o por intervalos. Los primero
consisten en 1 solo valor por ejemplo al calcular y . La estimacin por intervalos
consiste en identificar los limites superior e inferior por ejemplo, la media aritmtica
esta entre 6.5 y 6.8 cm.
Esta es la forma ms comn y ms til de hacer estimaciones estadsticas.

EJEMPLO 1
Los siguientes son los dimetros de 44 llantas para carros de juguetes.
Obtener:
Media aritmtica ()
Moda (Mo)
Mediana (Md)
Desviacin estndar ()
Histograma
Polgono de frecuencias
Percentiles P
25
, P
50
y P
75

1 Paso. Clculo del rango.
R =V
M
- V
m
= 56 - 34 = 22
2 Paso. Calcular el N de intervalos.
NI =1 +3.3 Log(n)
NI = 1+3.3 Log (44) = 6.42 6
48 38 45 53
40 44 39 56
47 46 43 55
42 51 56 36
46 48 50 49
49 35 48 46
50 52 47 42
37 41 52 51
53 54 46 52
43 45 34 44
39 54 55 38
NOTA: el nmero se
redondear a nmero entero
ms prximo.

6

3 Paso. Calcular el ancho de intervalo (ancho de clase).

4 Paso. Llenando de la tabla de frecuencias (TF para datos agrupados).
Columna 1. Calcular los lmites reales de clase.

Columna 2. Calcular la marca de clase.

Columna 3. Es la cantidad de nmeros que hay entre los lmites inferior y
superior.
Columna 4. Es la frecuencia acumulada (se van sumando las frecuencias
de una en una).
Columna 5. Obtener la frecuencia relativa multiplicando la columna 3 por
100 y se divide entre el nmero de datos.
)
Columna 6. La frecuencia relativa acumulada se obtiene con la suma de
cada una de las cantidades de la columna 5.
Columna 7. Es la multiplicacin de la columna 2 por la columna 3.
Columna 8. Se obtiene con el valor absolute de la resta de la marca de
clase menos la media aritmtica.
||
Columna 9. La multiplicacin de la columna 3 y la columna 8.
Columna 10. Es la columna 8 elevada al cuadrado.
||

NOTA: el nmero se
redondear a la dcima ms
prxima.

7

Columna 11. Es la multiplicacin de la columna 3 por la columna 10.


1 2 3 4 5 6 7 8 9 10 11
Lmites
reales de
clase
Marcas
de
clase
Frec.
Absolutas
Frec.
Acumulada
Frec.
Relativas
Frec.
Relativas
Acum.
fm |m - | f | m - | (m - ) f ( m - )
2

Li - Ls m (x) f Fa Fr% Fra%
33.95-37.65 35.8 4 4 9.09 9.09 143.2 10.51 42.04 110.46 441.84
37.65-41.35 39.5 6 10 13.63 22.72 237.0 6.81 40.86 46.37 278.22
41.35-45.05 43.2 8 18 18.18 40.9 345.6 3.11 24.88 9.67 77.36
45.05-48.05 46.9 9 27 20.45 61.35 422.1 0.59 5.31 .34 3.06
48.05-52.45 50.6 9 36 20.45 81.8 455.4 4.29 38.61 18.40 165.6
52.45-56.15 54.3 8 44 18.18 99.98 434.4 7.99 63.92 63.84 294.72

= 44 =99.98 =2037.7 =1260.8

(
) (2)(3) 2-fm (3)(8)
(3)(10)

5 Paso. Realizar el histograma.
Otra forma de representar la informacin que nos permite una rpida
interpretacin es mediante un histograma.

6 Paso. Calcular la desviacin estndar ()

7 Paso. Clculo de percentiles.

Percentil 25
(162.8)(0.25)=40.7
40.7 37 = 3.7 (rea necesaria)

Percentil 50
(162.8)(0.50)= 81.4
81.4 66.6 = 14.8 (rea necesaria)

0
1
2
3
4
5
6
7
8
9
10
F
R
E
C
U
E
N
C
I
A

A
B
S
O
L
U
T
A

LMITES REALES DE CLASE
Polgono de
frecuencias
Mediana

Percentil 75
(162.8)(0.25)=40.7
40.7 37 = 3.7 (rea necesaria)

8 Paso. Calcular la moda
(

)
(

)

EJEMPLO 2
Pesos en Kg del grupo DN22M.
Obtener:
Media aritmtica ()
Moda (Mo)
Mediana (Md)
Histograma
Percentiles P
25
, P
50
y P
75

1. R=45 Kg
2. NI = 1.33 log (31) = 5.92 6
3.

4. Tabla de frecuencias

56 57 75 65
84 80 77 75
55 70 78 90
62 69 57 67
58 75 68 45
85 51 71 88
60 63 83 87
63 56 50

1 2 3 4 5 6 7 8 9 10 11
Lmites
reales de
clase
Marcas
de
clase
Frec.
Absolutas
Frec.
Acum.
Frec.
Relativas
Frec.
Relativas
Acum.
fm |m - | f |m - | (m - ) f ( m - )
2

Li - Ls m (x) f Fa Fr% Fra%
44.9552.55 48.75 3 7 9.67 9.67 146.25 19.61 58.33 384.55 1153.65
52.5560.15 56.35 7 10 22.58 32.25 394.45 12.01 84.07 144.24 1009.68
60.15-67.75 63.95 5 15 16.12 48.37 319.75 4.41 22.05 19.44 97.2
67.7575.35 71.55 7 22 22.58 70.95 500.85 3.19 22.33 10.17 71.19
75.3582.95 79.15 3 25 9.67 80.62 237.45 10.79 32.37 116.42 349.26
82.9590.55 86.75 6 31 19.35 99.97 520.5 18.39 110.34 338.19 2029.14
= 44 =99.97 =2119.25 =4710.12
(2)(3) 2-fm (3)(8)
(3)(10)

5. Histograma.

6.

7.
P
25
= (235.6) (0.25) = 58.9
58.9 22.8 = 36.11 (rea necesaria)

P
50
= (235.6) (0.50)= 117.8
117.8 114 = 3.8 (rea necesaria)

P
75
= (235.6) (0.75) = 176.7
176.7 167.2 = 95 (rea necesaria)

8. (
) (
)

0
1
2
3
4
5
6
7
8
F
R
E
C
U
E
N
C
I
A

A
B
S
O
L
U
T
A

LMITES REALES DE CLASE
Polgono de
frecuencias
Mediana

PROBLEMAS PROPUESTOS

Obtener:
Media aritmtica ()
Moda (Mo)
Mediana (Md)
Histograma
Percentiles P
25
, P
50
y P
75

1. Pesos en miligramos de 50 cpsulas.

40 50 47 54 49
57 66 57 56 51
45 56 51 68 55
60 61 59 62 43
50 52 67 74 63
60 58 54 56 57
41 48 63 52 47
65 61 58 69 59
58 53 45 53 48
42 53 72 64 55

2. Las siguientes son las calificaciones de un examen
8 10 10 9 10 9 7
10 9 8 8 8 8 7
5 8 7 7 7 8 9
6 7 6 7 6 7 10
7 5 4 6 5 6 7


3. Datos de pesos en libras (lb)

58 70 77
105 90 128
88 100 127
118 100 187
117 120 149
137 140 169
157 160 149
169 160 157
149 170 177
202 190 190


Cuando el nmero de datos
es impar
Cuando el nmero de datos
es par
UNIDAD II. DATOS NO AGRUPADOS
MEDIDA DE TENDENCIA CENTRAL

Media aritmtica:

Ejemplo:
Si tenemos que

Entonces:

Mediana

Ejemplo:
5, 6, 7, 8
Entonces:

3, 4, 5, 5, 5, 6, 7

Moda
Es el nmero que ms se repite
Ejemplo:
60, 75, 75, 90

Mo= 75


MEDIDAS DE DISPERSIN O DE VARIABILIDAD

Desviacin Estndar ()

EJEMPLO 1
Durante un mes determinado del ao, 8 vendedores de aparatos
elctricos vendieron el siguiente nmero de ventiladores.

| |

5 -5.5 5.5 30.25
8 -2.5 2.5 6.25
8 -2.5 2.5 6.25
11 0.5 0.5 0.25
11 0.5 0.5 0.25
11 0.5 0.5 0.25
14 3.5 3.5 2.25
16 5.5 5.5 2.25

NOTA: Para qu sirve la desviacin estndar ()?
La desviacin estndar () estima la variabilidad de los datos, la media
aritmtica () estima el valor central de los datos. Si es muy pequea la
desviacin estndar () significa que hay muy poca dispersin de los datos
respecto a la tendencia central, en caso contrario los datos son ms dispersos.
Por ejemplo:
Si tenemos dos vendedores el vendedor A tiene las siguientes ventas:
A= (7, 8, 9, 10 y 11), el vendedor B= (6, 10, 4, 10 15)
A
= 9
B
= 9

EJEMPLO 2
Para una muestra de 15 clientes en un restaurante se determinaron las
siguientes cuentas en orden de magnitud. Obtener: , , Mo, Md.
x x- x- (x- )
2

1000 -11053,33 11053,33 122176104
1000 -11053,33 11053,33 122176104
2500 -9553,33 9553,33 91266114,1
2500 -9553,33 9553,33 91266114,1
2500 -9553,33 9553,33 91266114,1
3500 -8553,33 8553,33 73159454,1
4000 -8053,33 8053,33 64856124,1
5300 -6753,33 6753,33 45607466,1
9000 -3053,33 3053,33 9322824,09
12500 446,67 446,67 199514,089
13500 1446,67 1446,67 2092854,09
24500 12446,67 12446,67 154919594
27100 15046,67 15046,67 226402278
30900 18846,67 18846,67 355196970
41000 28946,67 28946,67 837909704
=2,287,817,333.0
= $12,053.33
= $12,349.94
Mo=$2500
Md= $5300


DISTRIBUCIN NORMAL

Tal vez el ms importante ejemplo de una distribucin continua, lo constituye la
distribucin normal. En esta grfica, el polgono de frecuencia, se hace una
lnea continua que encierra entre esta lnea y el eje x el rea del polgono de
frecuencias relativas y consecuentemente es 1.
La curva tiene puntos P(x, y) de tal modo que y= f(x) como lo indica la figura.
120 100 80 60 40 20
0,030
0,025
0,020
0,015
0,010
0,005
0,000
X
Grfica de distribucin
Normal; Media=75; Desv.Est.=15

NOTA: La curva es simtrica

Frmula para convertir a unidades tipificadas, para entrar a la tabla de la
distribucin normal:

EJERCICIO 1
Las calificaciones de un examen se distribuyen aproximadamente en forma
normal, con =75 y = 15. Encontrar las probabilidades.


0,030
0,025
0,020
0,015
0,010
0,005
0,000
X
y
60
0,472
80 75
0,030
0,025
0,020
0,015
0,010
0,005
0,000
X
D
e
n
s
i
d
a
d
75
0,131
80
NOTA:
Si z
1
y z
2
son de diferentes signos, las reas se suman.
Si z
1
y z
2
son de igual signo, las reas se restan.
Si la z es negativa, sumar 0.5 al lado derecho y restar al lado izquierdo.
Si la z es positiva, restar al lado derecho y sumar al lado izquierdo.

a) P(60x80)

Como el resultado de la z son de
signos diferentes, las reas se suman:

Z
1
+ Z
2
= 0.3413+ 0.1293= 0.4706(100)
= 47.06%
b) P(75X80)

(0.1293)(100)= 12.93%


0,030
0,025
0,020
0,015
0,010
0,005
0,000
X
D
e
n
s
i
d
a
d
60
0,341
75
0,030
0,025
0,020
0,015
0,010
0,005
0,000
X
60
0,589
85 75
0,030
0,025
0,020
0,015
0,010
0,005
0,000
X
85
0,161
95 75
c) P(60x75)

(

d) P(60x85)

(0.3413)+(0.2454)= 0.5867

(

e) P(85x95)

(0.4082)+(0.2454)= 0.1628

(


0,030
0,025
0,020
0,015
0,010
0,005
0,000
X
D
e
n
s
i
d
a
d
90
0,841
75
0,030
0,025
0,020
0,015
0,010
0,005
0,000
X
D
e
n
s
i
d
a
d
90
0,159
75
0,030
0,025
0,020
0,015
0,010
0,005
0,000
X
D
e
n
s
i
d
a
d
70
0,631
75
f) P(x90)

(0.3413)+(0.5)= 0.8413

(

g) P(x90)

(0.3413)-(0.5)= 0.1587

(

h) P(x70)

(0.1293)+(0.5)= 0.6293

(


0.05
0.04
0.03
0.02
0.01
0.00
X
D
e
n
s
i
d
a
d
68
0.343
76 72
Normal, Media=72, Desv.Est.=9
0,030
0,025
0,020
0,015
0,010
0,005
0,000
X
80
0,631
75
i) P(x80)

(0.1293)+(0.5)= 0.6293
(

EJERCICIO 2
La medida de los presos de 600 estudiantes es de = 9kg, con una desviacin
estndar =9kg. Encontrar cuntos de estos estudiantes pesan=

a) Entre 68 y 76 kg P (68X76)

=0.44=0.1700

(0.1700 ) + (0.1700) =
(0.34) (600)= 204 estudiantes


0.05
0.04
0.03
0.02
0.01
0.00
X
D
e
n
s
i
d
a
d
75
0.369
72
b) Ms de 70 kg P (X75)

0.1293 - 0.5 = 0.3707 * 600=
222 estudiantes

c) Menos de 67 kg P (X 67)

0.4394 - 0.5 = 0.0606 * 600 =
36 Estudiantes

d) 77kg o ms P (X 77)

0.2088 - 0.5 =
175 Estudiantes

0.05
0.04
0.03
0.02
0.01
0.00
X
D
e
n
s
i
d
a
d
67
0.289
72
0.05
0.04
0.03
0.02
0.01
0.00
X
D
e
n
s
i
d
a
d
77
0.289
72

e) 77kg o menos P (X 77)

0.2088 + 0.5 = 0.7088 * 600
= 425 Estudiantes

f) Entre 55 y 70kg P ( 55 X 70)

.4699 - .0871 = 0.3828 *600
= 230 Estudiantes

g) Entre 80 y 90 kg P (80 X 90)

.3106 - .4772 = 0.166 * 600
= 100 Estudiantes

0.05
0.04
0.03
0.02
0.01
0.00
X
D
e
n
s
i
d
a
d
77
0.711
72
0.05
0.04
0.03
0.02
0.01
0.00
X
D
e
n
s
i
d
a
d
55
0.383
72 70
0.05
0.04
0.03
0.02
0.01
0.00
X
D
e
n
s
i
d
a
d
80
0.164
72 90

MUESTREO ALEATORIO

Cmo obtener una muestra efectivamente aleatoria?
Una forma ms sencilla que resulta efectiva es utilizar una tabla de nmeros
aleatorios (Tabla IV). Esta tabla contiene nmeros entre cero y uno distribuidos
uniformemente.

EJERCICIO 1
Obtener una muestra aleatoria, si escogemos un nmero cualquiera de la tabla
IV, por ejemplo, escogemos el sptimo nmero de la quinta columna
(0.246194) y a partir de l tomamos tantos nmeros como tenga la muestra;
para elegir una muestra de 6 de 20 individuos nos fijamos en los siguientes
cinco nmeros, los multiplicamos por 20 que es el tamao de la poblacin y
redondeamos a nmeros enteros. En la siguiente tabla se hacen los clculos:

ri .246194 .361474 .721938 .874239 .588587 .987107
(20) (ri) 4.92388 7.22948 14.43876 17.48478 11.77174 19.74214
Redondear 5 7 14 17 12 20

EJERCICIO 2
Obtener un nmero 4 de 19, escogiendo el 21 (rengln) y 3 (columna)
ri .592425 .158577 .007733 .097627 .463281
(20) (ri) 11.256075 3.012963 0.146927 1.95254 9.26562
Redondear 11 3 x 2 9

NOTA. Cuando un nmero se repita en la tabla de clculos, se pasar al
siguiente nmero aleatorio, al igual que cuando se obtenga un cero (como en
este caso).

ESTIMACIN

Intervalos de Confianza para medias (para datos no agrupados)
El objetivo de la estadstica inferencial es el de hacer generalizaciones basado
en muestras. Una de las aplicaciones ms frecuentes es la estimacin de
medias
EJEMPLO 1
Supongamos que tenemos una muestra de 30 lecturas durante cierto periodo
invernal del nivel de ozono en una zona de la ciudad de Mxico, los siguientes
son los datos
Paso 1: Se muestra la
m
(Media Muestral) y la (Desviacin Estndar)

x x-m (x-m)
2

178 -35.5 1260.25
193 -20.5 420.25
246 32.5 1056.25
190 -23.5 552.25
203 -10.5 110.25
227 13.5 182.25
228 14.5 210.25
215 1.5 2.25
211 -2.5 6.25
211 -2.5 6.25
226 12.5 156.25
195 -18.5 342.25
187 -26.5 702.25
231 17.5 306.25
202 -11.5 132.25
165 -48.5 2352.25
209 -4.5 20.25

212 -1.5 2.25
172 -41.5 1722.25
220 6.5 42.25
219 5.5 30.25
244 30.5 930.25
258 44.5 1980.25
216 2.5 6.25
229 15.5 240.25
278 64.5 4160.25
204 -9.5 90.25
208 -5.5 30.25
235 21.5 462.25
193 -20.5 420.25
m= 213.5
= 24.45

Clculo de los Intervalos de Confianza
Valores de Z
0

Probabilidad 90% Z
0
= 1.645
Probabilidad 95% Z
0
= 1.96
Probabilidad 99% Z
0
= 2.575

Frmula:
< <
m
+


Clculo del intervalo para 90% y Z
0
= 1.645
=213.5
= 24.45
213.5 -
< < 213.5 +

213.5 -
< < 213.5 +

213.5 7.35 < < 213.5 + 7.35
Intervalo para 90%
206.15 < < 220.85

213.5 -
< < 213.5 +

Intervalo para 95%
204.75 < < 222.24

213.5 -
< < 213.5 +

Intervalo para 99%
202.00 < < 224.99

EJEMPLO 2
Calcular los intervalos de confianza para los siguientes datos.
Las temperaturas medias registradas en unas temporadas en Mexicali, Baja
California, y en Cuernavaca, Morelos aparecen enseguida: Obtener la m y
para luego obtener los intervalos para 90%, 95% y 99%.

x x-
m
(x-
m
)
2

11.9 -10.9 118.81
18.8 -4 16
13.4 -9.4 88.36
19.8 -3 9
17.1 -5.7 32.49
22.8 0 0
20.5 -2.3 5.29
24.8 2 4
24.6 1.8 3.24
24.5 1.7 2.89
28.9 6.1 37.21
21.8 -1 1
32.6 9.8 96.04
20.9 -1.9 3.61
32.4 9.6 92.16
21.2 -1.6 2.56
29.3 6.5 42.25
20.2 -2.6 6.76
22.6 -0.2 0.04
20.1 -2.7 7.29
17.1 -5.7 32.49
19.5 -3.3 10.89
13.6 -9.2 84.64
18.5 -4.3 18.49
29.2 6.4 40.96
32.4 9.6 92.16
22.4 -0.4 0.16
27.8 5 25
35.7 12.9 166.41
21.8 -1 1
m
= 22.8

22.8 -
< < 22.8 +

Intervalo para 90%
21.05 < < 24.54

22.8 -
< < 22.8 +

Intervalo para 95%
20.71 < < 24.88

22.8 -
< < 22.8 +

Intervalo para 99%
20.06 < < 25.53

= 5.8298


1. El nmero de automviles que vendi uno de los vendedores de una
distribuidora en un mes especfico, en orden ascendente es: 2, 4, 7, 10,
10, 12, 12, 14, 15. Obtener: Media aritmtica, desviacin estndar,
moda, mediana y rango.
2. En una maderera hay 900 tramos de madera, la longitud promedio es
de =87 cm y su desviacin estndar es de =11 cm. De esos 900
tramos, cuntos miden:
Ms de 97 cm
Entre 85 y 93 cm
Entre 78 y 84 cm
Menos de 89 cm
Ms de 92 cm
80 cm o ms
80 cm o menos
Entre 75 y 95 cm
3. Muestra pequea: los tiempos de 6 ensayos que a un ladrn le tomo
abrir y encender un auto fueron:
4
5.3
6.2
4.5
7.3
5.7

4. Muestra pequea: Una compaa de reparto de paquetera efecta una
muestra de tamao n=20 del nmero de paquetes que se entregan por
da una camioneta. Si se obtuvo una media de 26.8 paquetes y una

desviacin estndar de 1.4 paquetes constituye los intervalos de
confianza de 90, 95, 98, y 99%
5. Muestra grande: El municipio efecta una muestra aleatoria de n=40
usuarios de tomas de agua que tienen adeudos pendientes y obtuvo una
media de $38 y una desviacin estndar de $8.20. Si hay ms de 1300
deudores, encuentra los intervalos de confianza para 90, 95 y 99%
6. Una muestra aleatoria de 64 latas de aceitunas tiene un peso medio
drenado de 88 y una desviacin de 5 gr. Cules son los intervalos?
7. Un centro de verificacin vehicular efecta una muestra aleatoria de 25
vehculos con una media de 7.2 minutos y una desviacin de 0.8,
Determina los intervalos.


0.10
0.08
0.06
0.04
0.02
0.00
X
D
e
n
s
i
d
a
d
37.46
0.025
53.54
0.025
45.5
Normal, Media=45.5, Desv.Est.=4.1
UNIDAD III.
PRUEBA DE HIPTESIS PARA MEDIAS

En el primer caso, al rechazar una hiptesis verdadera, cometemos un erro que
llamamos Error tipo I mientras que en segundo caso, al aceptar una hiptesis
falsa cometemos un error que se conoce como Aceptacin y a la regin de
sombreado se llama Regin de rechazo.
A la hiptesis que deseamos aceptar o rechazar le llamamos Hiptesis nula y la
estaremos confrontando con la hiptesis alternativa. La frmula que
utilizaremos es la de . El valor de la lo comparamos contra el valor de
siguiente tabla de valores segn corresponda.
Tabla muestras grandes (n30)

Tipo
de Pruebas
Nivel de significancia
0.05 0.01
Bilateral 1.96 2.575
Unilateral 1.645 2.33

UNILATERAL
BILATERAL
Menor
Mayor

EJEMPLO 1
Un ingeniero de produccin de una maquiladora desea verificar si el tiempo
promedio de ensamblado de un circuito es efectivamente 42 segundos (),
como lo asegura el reporte de otra planta semejante. El ingeniero realiza una
muestra aleatoria de tamao n= 40 y obtiene una media = m= 44.5 segundos
y una desviacin estndar =4.1 segundos. Si el ingeniero le interesa basar su
decisin en un nivel de significancia de 0.05 Debe aceptar el tiempo promedio
de ensamblado de 42 segundos como correcto?
Solucin
La hiptesis nula es = 42 segundos y la hiptesis alternativa es 42
segundos. Es diferente () porque al ingeniero le interesa tanto la posibilidad de
que 42 segundos como 42 segundos.
Nota: Cuando la hiptesis alternativa tenga el smbolo entonces ser bilateral
y cuando contenga los smbolos o entonces ser unilateral.


Conclusin: Se rechaza la hiptesis nula (se encuentra dentro de la zona de
rechazo)
EJEMPLO 2
Un bilogo sospecha que la acidez de la lluvia en cierta regin tiene Ph menor
que el valor de 5.7 que indica la Secretara del Medio Ambiente . Al analizar
una muestra aleatoria de 36 precipitaciones pluviales, el bilogo obtiene un
acidez media de 5ph (potencial de hidrgeno) y desviacin Estndar = 1.4
PH. Si el bilogo emplea un nivel de significancia de 0.05 Debe rechazar la
hiptesis nula = 5.7 Ph y acepta la hiptesis alternativa 5.7Ph?

0.10
0.08
0.06
0.04
0.02
0.00
X
-3.9 -1.96 1.96 Media
Normal, Media=42, Desv.Est.=4.1
Zona de rechazo
Zona de rechazo
Zona de Aceptacin

GRAFICA

Conclusin: se rechaza la hiptesis nula.
PRUEBA DE HIPTESIS PARA MUESTRAS PEQUEAS

EJEMPLO 1
El gerente de compras de una tienda de autoservicio analiza la cantidad de
azcar de azcar de un lote de naranjas de Hermosillo para determinar su
precio de venta. De acuerdo con el productor, el contenido de azcar de las
naranjas es en promedio =12.5%. El gerente enva analizar una muestra
aleatoria de n=20 Naranjas y los resultados del laboratorio arroj una media

11.9% de azcar y una desviacin estndar = 0.9%. Debe el gerente
aceptar la afirmacin del productor de que el promedio de azcar es de 12.5%
si el nivel de significancia es de 0.05 o 0.01?
La hiptesis nula
= 12.5%
La hiptesis alternativa
12.5%

Bilateral 0.05 = 1.729
Nivel de significancia 0.05
0.30
0.25
0.20
0.15
0.10
0.05
0.00
X
-3.04 -1.645 5.7
t=

Se obtiene de la tabla V de valores
de t para muestra pequeas. n-1
Zona de rechazo


t=
t=
t=-3

Conclusin: La hiptesis nula se rechaza.

0.5
0.4
0.3
0.2
0.1
0.0
-3 -1.729 1.729 Media


Nivel de significancia de 0.01
2.539

Conclusin: La hiptesis nula se rechaza

PRUEBA DE HIPTESIS PARA DIFERENCIAS DE MEDIAS

Se utiliza la misma tabla vista anteriormente para medias muestras grandes
(para ).

Tipo
de Pruebas
Nivel de significancia
0.05 0.01
Bilateral 1.96 2.575
Unilateral 1.645 2.33

Para estudiar si hay diferencia entre las alturas promedio de nios de 7 aos de
regiones. En la primer regin el tamao de la muestra fue de
=150 y la
media muestral
= 6.1cm, mientras que para la segunda

0.5
0.4
0.3
0.2
0.1
0.0
-3 -2.539 2.539 Media


0.10
0.08
0.06
0.04
0.02
0.00
-1.96 1.96 2.38 0.05
Normal, Media 1) 122.3 2) 123.9 Desv.Est.=6.3
0.10
0.08
0.06
0.04
0.02
0.00
-2.575 2.38 2.575 0.01
Normal, Media 1) 122.3 2) 123.9 Desv.Est.=6.3
regin los parmetros de la muestra fueron
= 180
123.9 cm y
=6.3cm
Cmo un nivel de significancia del 0.05 y 0.01 debemos rechazar la hiptesis
nula
y aceptar la hiptesis alternativa
= -2.38

Conclusin: Se rechaza la hiptesis nula
Hay diferencias en los estudio

EJERCICIO 1
Una empresa que desea verificar si efectivamente el empleo de un aditivo para
gasolina, aumenta el rendimiento de los vehculos repartidores. Si la media

=9.7 km/Lto y = 0.9 km/Lto y
=36 vehculos. Mientras que la muestra dos

de
= 32 vehculos,
= 10.1 km/Lto y
= 0.85, con un nivel de significancia

del 0.05 y 0.01. Se debe rechazar la hiptesis nula
y aceptar la
hiptesis alternativa
? (unilateral)

Conclusin: Se acepta la hiptesis
nula

0.10
0.08
0.06
0.04
0.02
0.00
-1.88-1.645
0.05
0
Normal, Media 1) 9.7 2) 10.1Desv.Est.=1)0.9 2) 0.85
= -1.88

Conclusin: Se acepta la
hiptesis nula

PRUEBA DE HIPTESIS PARA DIFERENCIAS DE MEDIAS

Para muestras pequeas (n30). Se utilizar la tabla valores de t, utilizada
anteriormente.
Con el fin de evaluar la eficiencia de dos cursos de capacitacin para montajes
de motores en una planta automotriz se someti a dos grupos de empleados
recin contratados a estos cursos. Una vez terminados los cursos se observ
que en el grupo
= 12 empleados que tom el curso, el tiempo promedio de

montaje de un motor fue de
= 23.4 minutos y la desviacin estndar
= 3.2
0.10
0.08
0.06
0.04
0.02
0.00
-2.33 -1.88
0.01
0
Normal, Media 1) 9.7 2) 10.1Desv.Est.=1)0.9 2) 0.85
Conclusin: Se rechaza la
hiptesis nula

0.10
0.08
0.06
0.04
0.02
0.00
-2.086 1.54 2.086 Media
Normal, Media=1)=23.4, 2) 21.2 Desv.Est.=3.2
minutos. En el grupo
=10 empleados que tomaron el segundo curso se

observ un tiempo medio de montaje
=21.2 minutos y la desviacin

estndar
= 3.5 minutos.
Con un nivel de significancia del 0.05 debemos rechazar la hiptesis nula
y aceptar la hiptesis
?
t=
(

)

)

Grados de libertad

, para entrar a la tabla

)
t=
)

Para entrar a la tabla

= 12+10-2=20
0.05/2= 0.025= 2.086 (tabla)

Conclusin: Se acepta la
hiptesis nula, los cursos son
eficientes.

2) 2.845

Conclusin: La hiptesis nula se acepta, los dos cursos son eficientes

0.10
0.08
0.06
0.04
0.02
0.00
-2.845 1.54 2.845 Media
Normal, Media=1)=23.4, 2) 21.2 Desv.Est.=3.2



8. El nmero de automviles que vendi uno de los vendedores de una
distribuidora en un mes especfico, en orden ascendente es: 2, 4, 7, 10,
10, 12, 12, 14, 15. Obtener: Media aritmtica, desviacin estndar,
moda, mediana y rango.
9. En una maderera hay 900 tramos de madera, la longitud promedio es
de =87 cm y su desviacin estndar es de =11 cm. De esos 900
tramos, cuntos miden:
Ms de 97 cm
Entre 85 y 93 cm
Entre 78 y 84 cm
Menos de 89 cm
Ms de 92 cm
80 cm o ms
80 cm o menos
Entre 75 y 95 cm
10. Muestra pequea: los tiempos de 6 ensayos que a un ladrn le tomo
abrir y encender un auto fueron:
4
5.3
6.2
4.5
7.3
5.7

11. Muestra pequea: Una compaa de reparto de paquetera efecta una
muestra de tamao n=20 del nmero de paquetes que se entregan por
da una camioneta. Si se obtuvo una media de 26.8 paquetes y una

desviacin estndar de 1.4 paquetes constituye los intervalos de
confianza de 90, 95, 98, y 99%
12. Muestra grande: El municipio efecta una muestra aleatoria de n=40
usuarios de tomas de agua que tienen adeudos pendientes y obtuvo una
media de $38 y una desviacin estndar de $8.20. Si hay ms de 1300
deudores, encuentra los intervalos de confianza para 90, 95 y 99%
13. Una muestra aleatoria de 64 latas de aceitunas tiene un peso medio
drenado de 88 y una desviacin de 5 gr. Cules son los intervalos?
14. Un centro de verificacin vehicular efecta una muestra aleatoria de 25
vehculos con una media de 7.2 minutos y una desviacin de 0.8,
Determina los intervalos.


UNIDAD IV. PRONSTICOS
REGRESIN LINEAL
Problemas de mnimos cuadrados

EJEMPLO 1
En la siguiente tabla tenemos los ndices de productividad de la industria
manufacturera de nuestro pas de 1988 a 1995, segn estadsticas del INEGI.
Tiempo 1988 1989 1990 1991 1992 1993 1994 1995
Productividad 88.5 91.5 94.4 96.7 98.6 100 106.3 106.3

La grfica de una funcin lineal es una recta o una curva en el plano. Las
rectas corresponden a grficas de funciones lineales, es decir, donde a cada
nmero x se le asocia el nmero mx + b como en el caso de la funcin f.
Una recta est determinada por una ecuacin de la forma y = mx + b, donde
m representa la pendiente y b representa la ordenada en el origen.
Frmulas:

Coeficiente de correlacin:

(
)(
)

NOTA: Cuando el resultado de la r es cercano a los valores de -1 o +1,
entonces los pronsticos tendrn ms validez.


x y x
2
xy y
2

0 88.5 0 0 7832.25
1 91.5 1 91.5 8372.25
2 94.4 4 188.8 8911.36
3 96.7 9 290.1 9350.89
4 98.6 16 394.4 9721.96
5 100 25 500 10000
6 106.3 36 637.8 11299.69
7 106.3 49 744.1 11299.69
= 28 782.3 140 2,846.7 76,788.09

)(
)(
)

1. Cundo esperamos que la productividad sea 125%?

En el ao 2002
2. Cul ser la productividad en el ao 2020?


EJEMPLO 2
La siguiente tabla muestra los casos de SIDA que han sido registrados en
Mxico por la Secretara de Salud en el perodo de 1989-1995.
Ao 1989 1990 1991 1992 1993 1994 1995
Casos 1605 2587 3155 3210 5057 4112 4310

Determinar:
1. El nmero de casos de SIDA en Mxico en 2015.
2. En qu ao se alcanzarn 12,000 casos registrados de SIDA?
3. El nmero de casos de SIDA en Mxico en el ao actual.

x y x
2
xy y
2

0 1605 0 0 2,576,035
1 2587 1 2587 6,692,569
2 3155 4 6310 9,954,025
3 3210 9 9630 10,304,100
4 5057 16 20228 25,573,249
5 4112 25 20560 16,908,544
6 4310 36 25860 18,576,100

= 21 24,036 91 85175 90,584,612

)(
)


1. 2015 1989 = 26 aos
y = mx + b
y = (466.67) (26) + 2033.67 = 14,167.09 14,167 casos
2.

1989 + 21 = en el ao 2010

3. y = (466.67)(25) + 2033.67 = 13,700.42 13,700 casos

ERROR ESTNDAR DEL AJUSTE

El error estndar es una medida de los errores en que se incurre al sustituir los
valores verdaderos observados por los resultados de la frmula de ajuste y
permite cuantificar una especie de promedio de dichas diferencias o errores. El
siguiente ejemplo ilustra la forma de calcular el error estndar del ajuste.
EJEMPLO 1
La ecuacin y= 3.342x + 3.823 es la recta de mejor ajuste por el mtodo de
mnimos cuadrados de los siguientes puntos.
X 1.5 3.3 4.8 6.5 7.5
y 7 18 20 23 30
Determinar el error estndar del ajuste

Calculando el valor de y en la ecuacin de mnimos cuadrados
Y = 3.342 + 3.823
y= 3.342(1.5) + 3.823 = 8.836
Y= 3.342(3.3) + 3.823 = 14.83
Y= 3.342(4.8) + 3.823 = 19.86

Y= 3.342(6.5) + 3.823 = 25.54
Y= 3.342(7.5) + 3.823 = 28.88
Aplicando la frmula de Sxy

Sumas
Y 7 18 20 23 30 98
Y 8.836 14.85 19.86 25.54 28.88 97.96
(y-y)
2
3.37 9.92 0.019 6.45 1.25 21.01

Sxy =

Nota: Si el valor de Sxy es mayor, entonces la dispersin o variabilidad de los
datos ser mayor, pro si el valor es Cero entonces los puntos estarn
concentrados en la lnea recta de regresin lineal.

EJEMPLO 2
En la siguiente tabla tenemos los ndices de productividad de la industria
manufacturera de nuestro pas de 1988 a 1995, segn estadsticas del INEGI.
y = 3.3425x + 3.8234
R = 0.9252
0
5
10
15
20
25
30
35
0 1 2 3 4 5 6 7 8
y

x
Error estndar del ajuste
y Linear (y)

x 1988 1989 1990 1991 1992 1993 1994 1995
y 88.5 91.5 94.4 96.7 98.6 100 106.3 106.3

La ecuacin de mnimos cuadrados:
y = 2.58x + 88.73
y = 2.58(0) + 88.73 = 88.73
y = 2.58(1) + 88.73 = 91.31
y = 93.89
y = 96.47
y = 99.05
y = 101.63
y = 104.21
y = 106.79
y 88.5 91.5 94.4 96.7 98.6 100 106.3 106.3
y 88.7
3
91.31 93.89 96.47 99.05 101.63 104.21 106.79
(y y)
2
0.05 0.03 0.26 0.05 0.2 2.65 4.36 0.24 =7.84


DISTRIBUCIN F, DISTRIBUCIN DE FISHER

Dadas dos muestras aleatorias independientes de tamao, n
1
y n
2
de dos
poblaciones con desviaciones estndar
1
y
2
regularmente basamos las
pruebas de las hiptesis nulas
1
y
2
en el estudio de la F.
Formula:

Cualquiera que sea mayor va como numerador
EJEMPLO 1
Se desea determinar si hay manos variabilidad en el recubrimiento del oro
aplicado por la compaa 1 que en el recubrimiento del oro aplicado por la
compaa 2, Si muestras aleatorias independientes dieron S
1
= 0.033 milsimas
de pulgada (con base en n
1
= 12) y S2= 0.061 milsimas de pulgadas (con base
en n
2
= 10), pruebe la hiptesis alternativa ,<
2
con el nivel de significancia
0.05.
y = 2.5869x - 5054
R = 0.9728
0
20
40
60
80
100
120
1986 1988 1990 1992 1994 1996
Y

X
y
Linear (y)

Solucin paso a paso
1. Hi
1
=
2
hiptesis nula contra Hi <
2
hiptesis alternativa
2. Nivel de significancia 0.05 (= 0.05)
3. Rechazar la hiptesis nula S
1
=F > 2.90 donde: F=
y 2.90 es el valor
de F=0.05 para 10-1= 9 (n-1) y (12-1)= 11 (n-1) grados de libertad, de
otro modo se acepta la hiptesis nula.
4. Sustituyendo S
1
=0.033 y S
2
= 0.061 en la formula F obtenemos F=
= 3.42
5. Ya que F= 3.42 es mayor que 2.90 que debe rechazar la hiptesis nula;
si se puede concluir que hay ms variabilidad en el recubrimiento de oro
aplicado por la compaa 1.

PROMEDIO MVIL SIMPLE

0.4
0.3
0.2
0.1
0.0
2.90 342
Grfica de distribucin Fisher

Esta tcnica se utiliza cuando se quiere dar ms importancia a conjuntos de
datos ms recientes para obtener el pronstico. El pronstico se obtiene al
calcular la media aritmtica del conjunto de datos ms recientes seleccionado.
Cada vez que se tiene una nueva observacin se agrega esta al conjunto de
datos, y se elimina de ste la observacin o dato ms antiguo. El nmero de
datos ms recientes a considerar en el conjunto de observaciones del cual se
calcula la media aritmtica es una decisin del analista que realiza el
pronstico; la sensibilidad a los cambios en el comportamiento de la serie se
reduce al utilizar un nmero mayor de observaciones en el conjunto de datos.
Este modelo no maneja muy bien los datos con estacionalidad o con tendencia
pero si lo hace mejor que la tcnica del promedio simple.
La frmula es la siguiente:

P
Mt
= es el promedio mvil en el periodo t.
P
t+1
= es el valor pronosticado para el siguiente periodo.
X
t
=es el valor real observado en el periodo t.
n= es el nmero de datos utilizados para el clculo de la media aritmtica.
EJEMPLO:
Suponga que os siguientes daos representa los ingresos totales (en

millones de
dlares constantes de 1995) de una agencia donde se rentan autos en un
intervalo de 11 aos, de 1987 a 1997:
4.0, 5.0, 7.0, 6.0, 8.0, 9.0, 5.0, 2.0, 3.5, 5.5, 6.5
Calcule el promedio mvil simple de 5 aos para esta serie de temporada anual
Solucin:
El primer promedio mvil de 5 aos es:
P
M
(5) =


P
M
(5) =
= 6.0
Es decir, para calcular el promedio mvil de 5 aos, primero se obtiene la suma
de los 5 aos y se divide entre 5. Despus el promedio se centra en el valor
medio, el tercer ao de esta serie de tiempo.
El segundo promedio mvil para 5 aos se obtiene la suma de los segundos 5
aos hasta el sexto y se divide entre 5.
PM (5) =

PM (5) =

PM (5) = 7.0

MEDIA PONDERADA
X =

Cuando los datos provienen de una muestra la ecuacin, da como resultado la
media ponderada de la muestra.
Si provienen de la poblacin remplaza a x en esa frmula y el resultado es la
media ponderada poblacional.
EJEMPLO
Es la necesidad de la media ponderada, muestra 5 compras de una materia
prima de los ltimos 3 meses.
Compra Costo, $ ,Libra Cantidad en libras
1 3.00 1200
2 3.40 500
3 2.80 2500
4 2.90 1000
5 3.25 800


El costo por libra cambio de $2.80 a $3.40 ya que la cantidad comparada vario
de 500 a 2500 libras.
Supongamos que un administrador pidi informacin sobre el costo promedio
por libra de materia prima.
Los 5 valores de costo de libra en los datos x=3.00, x
2
=3.40, x
3
= 2.80
El costo promedio por libra se calcula ponderando cada costo por su factor
correspondiente. Por este ejemplo los factores de ponderacin son iguales a
los pesos
1
=1200,
2
=500,
3
=2500
X=

X=
= 2.967
Por consiguiente mediante el clculo se aprecia que el costo promedio por libra
de una materia prima es $2.967.
Observe si se usara la ecuacin y no la frmula de media ponderada se
hubiera obtenido un resultado incorrecto.
En este caso, la media de los 5 costos unitarios es:
(3.00+3.40+2.80+2.90+3.25)/5 = 15.35/5 = $3.07 mayor que el costo unitario
real.


TABLAS



Manual Estadisticas

Cargado por

Copyright:

Formatos disponibles

Manual Estadisticas

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Manual Estadisticas

Cargado por

Copyright:

Formatos disponibles

Manual de Estadstica para Negocios

Manual de Estadstica para

) (2)(3) 2-fm (3)(8)

< < 213.5 +

< < 213.5 +

< < 213.5 +

< < 213.5 +

< < 22.8 +

< < 22.8 +

< < 22.8 +

= 6.1cm, mientras que para la segunda

y aceptar la hiptesis alternativa

=36 vehculos. Mientras que la muestra dos

= 0.85, con un nivel de significancia

= 12 empleados que tom el curso, el tiempo promedio de

= 23.4 minutos y la desviacin estndar

=10 empleados que tomaron el segundo curso se

=21.2 minutos y la desviacin

, para entrar a la tabla

También podría gustarte