Estadística Aplicada A La Administración y La Economía - Leonard J. Kazmier

.
STADISTICAAP A LA ADMIIMIST Y A LA EC
".
^" " v .
Tercera edicin
Leonard J. Kazmier
Incluye 531 problemas resueltos y totalmente expli Abarca todos los conceptos y mtodos de estadstica, incluyend una introduccin a la administracin de calidad total
* . -" * * - /, v , . 17' ."'7-.,-' -'*" ^i-
Lo ms parecido a tener un profesor en casa

PARA USARSE EN LOS Introduccin a la al Estadstica aDlica
SDE:
' ,
Intermedio Avanzado
^
L*
Excel para Windows
ESTADSTICA APLICADA A LA ADMINISTRACIN Y A LA ECONOMA
>.,
..
,.
. -
.!
ESTADSTICA APLICADA A LA ADMINISTRACIN Y A LA ECONOMA

Tercera edicin Leonard J. Kazmier
Profesor of Decisin and Information Systems Arizona State University
Revisin Tcnica ALEJANDRO ALEGRA HERNNDEZ

Maestro en Estadstica
IIMAS, UNAM
Profesor Titular Departamento de Estadstica
Instituto Tecnolgico Autnomo de Mxico
McGRAW-HILL
MXICO * BUENOS AIRES * CARACAS * GUATEMALA * LISBOA MADRID NUEVA YORK * SAN JUAN SANTAFE DE BOGOT SANTIAGO SAO PAULO AUCKLAND LONDRES MILN MONTREAL NUEVA DELHI SAN FRANCISCO SINGAPUR ST. LOUIS SIDNEY TORONJO
Gerente de producto: Ricardo del Bosque Alayn Supervisor de edicin: No Islas Lpez Supervisor de produccin: Zeferino Garca Garca
ESTADSTICA APLICADA A LA ADMINISTRACIN Y A LA ECONOMA 3a. ed Prohibida la reproduccin total o parcial de esta obra, por cualquier medio, sin autorizacin escrita del editor.
DERECHOS RESERVADOS 1998, respecto a la tercera edicin en espaol McGRAW-HILL INTERAMERICANA EDITORES, S. A. de C. V. Una Divisin de The McGraw-Hl Companies, Inc. Cedro Nm. 512, Col.Atlampa Delegacin Cuauhtmoc 06450 Mxico, D. F. i Miembro de la Cmara Nacional de la Industria Editorial Mexicana, Reg. Nm. 736 ISBN 970-10-1963-6 tercera edicin (ISBN 970-10-0399-3 primera edicin) (ISBN 970-10-0961-4 segunda edicin)
j
Traducido de la tercera edicin en ingls de SCHAUM'S OUTLINES BUSINESS Sf ATISTICS Copyright MCMXCVI, by McGraw-Hill, Inc., U.S.A.
ISBN 970-10-1962-8
3456789012
impreso en Mxico Esta obra se termin de imprimir en Mayo de 1999en Litogrfica Ingramex Centeno Nm. 162-1 Col. Granjas Esmeralda (Delegacin Iztapalapa 09810 Mxico, D.F.
0876543219
Printed in Mxico
Se tiraron 4500 ejemplares
Prefacio
Este libro cubre los mtodos bsicos de descripcin estadstica, inferencia, control de procesos y anlisis de decisin que suelen incluirse en cursos introductorios e intermedios. Los conceptos y mtodos estadsticos se presentan en forma clara y concisa, y las explicaciones se han reducido al mnimo en favor de la exposicin de ejemplos concretos. Dado que este libro est especficamente dirigido a quienes se interesan en particular en la aplicacin de tcnicas estadsticas, se han omitido derivaciones matemticas. Esta edicin ha sido completamente puesta al da y entre sus novedades incluye un amplio tratamiento del control estadstico de procesos en el captulo 20 y una introduccin al concepto, an ms general, de la administracin de calidad total (ACT). Todos los resultados en computadora de esta edicin se derivaron haciendo uso de computadoras personales, no de macrocomputadoras. El contenido de esta nueva edicin ha mejorado en virtud del software disponible en la actualidad, gracias al cual fue posible perfeccionar en particular la presentacin y explicacin de los mtodos de pronstico en el captulo 16. Este volumen sirve de apoyo para la comprensin de libros ms complejos; como manual de referencia para este propsito, su uso es ms sencillo que el de muchos otros libros de texto. Asimismo, su contenido basta para que se le emplee como libro de enseanza. Los temas se han agrupado en consonancia con la mayora de los libros de texto de estadstica aplicada a la administracin y la economa. Agradezco a Minitab, Inc., la autorizacin para incorporar en este libro resultados de Minitab versin 10 y a Duxbury Press la autorizacin para emplear resultados de Execustat 3.0. Aunque estos programas de software estadstico fueron creados para interfaces de Windows, siempre que nos fue posible usamos versiones con comandos para ilustrar la lgica del software. MINITAB es marca registrada de Minitab, Inc. (3081 Enterprise Drive, State College, Pensilvania 16801-3008, Estados Unidos; Tel. 814-238-3280, fax 814-238-4383). EXECUSTAT es marca registrada de Strategy Plus, Inc., y es distribuido por Duxbury Press, sello de la Wadsworth Publishing Company (10 Davis Drive, Belmont, California 94002, Estados Unidos, Tel. 1-800-354-9706). Si bien no se les us en este libro, tambin las versiones vigentes de los programas de hoja de clculo EXCEL (copyright Microsoft, Inc.) y LOTUS 1-2-3 (copyright Lotus Development Corporation) incluyen rutinas de anlisis estadstico. Finalmente, agradezco al Longman Group UK Ltd., en nombre del ejecutor testamentario del desaparecido Sir Ronald A. Fisher, F.R.S., y al doctor Frank Yates, F.R.S, la autorizacin para adaptar y reproducir las tablas III y IV de su libro Statistical Tablesfor Biolgica!, Agricultura!, and Medica! Research, 6a. edicin (1974).
LEONARD J, KAZMIER
Al estudiante
Este libro se escribi con la intencin de eliminar cualquier clase de palabrera y fijar la atencin en los conceptos y tcnicas bsicos asociados con la aplicacin de mtodos estadsticos a la administracin y la economa. Por lo tanto, puede servirle para dos propsitos diferentes. Primero, puede servirle como excelente complemento de cursos de estadstica aplicada a la economa. Organizacin de temas y formulaciones se han seleccionado para que correspondan a las de los principales libros de texto de la materia. De igual modo, los resultados en computadora son representativos del tipo de resultados que se obtienen con casi cualquier paquete de software. Puede leer los captulos de este libro antes o despus de los captulos equivalentes de su libro de texto, ya sea para adquirir una visin general del tema o para repasar los temas ms importantes. Los numerosos ejemplos y problemas resueltos favorecern su comprensin del contenido y le servirn de modelo para la resolucin en casa de problemas de su libro de texto. Segundo, descubrir que este volumen es un excelente libro de referencia que podr seguir utilizando en el futuro. El desarrollo modular de los temas facilita la bsqueda de procedimientos en un grado mayor al ofrecido por muchos otros libros de texto, al tiempo que el contenido es ms amplio que el de la mayora de los textos introductorios. De cualquier forma, este libro tambin puede ser adoptado como texto de clase.
Contenido
Captulo 1 ANLISIS DE DATOS ECONMICOS Y ADMINISTRATIVOS 1.1 Definicin de estadstica aplicada a la administracin y la economa .. . 1.2 Estadstica descriptiva e inferencial 1.3 Tipos de aplicaciones en administracin y economa 1.4 Variables discretas y continuas 1.5 Obtencin de datos por observacin directa contra encuestas 1.6 Mtodos de muestreo aleatorio 1.7 Otros mtodos de muestreo 1.8 Uso de software de cmputo para la generacin de nmeros aleatorios ,
* -
1 1 1 2 2 2 3 4
Captulo 2
REPRESENTACIONES ESTADSTICAS Y ANLISIS DE GRFICAS .. 2.1 Distribuciones de frecuencias 2.2 Intervalos de clase 2.3 Histogramas y polgonos de frecuencias 2.4 Curvas de frecuencias 2.5 Distribuciones de frecuencias acumuladas 2.6 Distribuciones de frecuencias relativas 2.7 Distribucin de frecuencias del tipo "y menor que" 2.8 Diagramas de tallo y hojas 2.9 Diagramas de puntos 2.10 Diagramas de Pareto 2.11 Diagramas de barras y grficas de lineas 2.12 Grficas de corridas 2.13 Diagramas circulares
y
9 9 10 11 12 13 14 14 15 15 16 17 18
Captulo 3
DESCRIPCIN DE DATOS ECONMICOS Y ADMINISTRATIVOS: MEDIDAS DE POSICIN 3.1 Medidas de posicin en conjuntos de datos 3.2 Media aritmtica 3.3 Media ponderada 3.4 Mediana 3.5 Moda 3.6 Relacin entre media y mediana 3.7 Criterios matemticos satisfechos por la mediana y la media 3.8 Uso de media, mediana y moda 3.9 Uso de la media en el control estadstico de procesos 3.10 Cuartiles, deciles y percentiles 3.11 Resultados en computadora
39 39 39 39 40 40 41 41 42 42 43 43
Captulo 4
DESCRIPCIN DE DATOS ECONMICOS Y ADMINISTRATIVOS: MEDIDAS DE VARIABILIDAD 4.1 Medidas de variabilidad en conjuntos de datos
51
4.2
Rango
51 51
CONTENIDO
4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 4.11 4.12 4.13
Rangos modificados Diagramas de caja Desviacin media absoluta (DMA) Varianza y desviacin estndar Clculos simplificados de la varianza y la desviacin estndar Criterio matemtico asociado con la varianza y la desviacin estndar . Uso de la desviacin estndar en la descripcin de datos Uso del rango y la desviacin estndar en el control estadstico de procesos Coeficiente de variacin Coeficiente de asimetra de Pearson Resultados en computadora
51 52 53 53 54 55 56 56 57 58 58
Captulo 5
PROBABILIDAD 5.1 Definiciones bsicas de probabilidad 5.2 Expresin de la probabilidad 5.3 Eventos mutuamente excluyentes y no excluyentes 5.4 Reglas de la adicin 5.5 Eventos independientes, eventos dependientes y probabilidad condicional 5.6 Reglas de la multiplicacin 5.7 Teorema de Bayes 5.8 Tablas de probabilidades conjuntas 5.9 Permutaciones 5.10 Combinaciones
68 68 69 70 70
71 72 74 75 76 77
Captulo 6
DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES ALEATORIAS DISCRETAS: BINOMIAL, HIPERGEOMTRICA Y DE POISSON 6.1 Qu es una variable aleatoria? 6.2 Descripcin de una variable aleatoria discreta 6.3 Distribucin binomial 6.4 Expresin de la variable binomial por medio de proporciones 6.5 Distribucin hipergeomtrica 6.6 Distribucin de Poisson 6.7 Aproximacin de Poisson de probabilidades binomiales 6.8 Aplicaciones de cmputo
94 94 94 96 97 98 99 100 101
Captulo 7
DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES ALEATORIAS CONTINUAS: NORMAL Y EXPONENCIAL 7.1 Variables aleatorias continuas 7.2 Distribucin normal de probabilidad 7.3 Puntos percentiles para variables con distribucin normal 7.4 Aproximacin normal de probabilidades binomiales 7.5 Aproximacin normal de probabilidades de Poisson 7.6 Distribucin exponencial de probabilidad 7.7 Aplicaciones de cmputo
114 114 114 117 118 119 120 121
CONTENIDO
Captulo 8
DISTRIBUCIONES DE MUESTREO E INTERVALOS DE CONFIANZA PARA LA MEDIA 8.1 Estimacin puntual de un parmetro de la poblacin o del proceso . . . . 8.2 Concepto de distribucin de muestreo 8.3 Distribucin de muestreo de la media 8.4 Teorema central del lmite 8.5 Determinacin de probabilidades para la media muestral 8.6 Intervalos de confianza para la media con el uso de la distribucin normal 8.7 Determinacin del tamao de muestra requerido para la estimacin de la media 8.8 Distribucin t e intervalos de confianza para la media 8.9 Tabla de resumen de la estimacin por intervalo de la media de la poblacin 8.10 Resultados en computadora
133 133 133 134 135 136
137 138 139 140 140
Captulo 9
OTROS INTERVALOS DE CONFIANZA 9.1 Intervalos de confianza para la diferencia entre dos medias con el uso de la distribucin normal 9.2 Distribucin t e intervalos de confianza para la diferencia entre dos medias 9.3 Intervalos de confianza para la proporcin de la poblacin 9.4 Determinacin del tamao de muestra requerido para la estimacin de la proporcin . ? 9.5 Intervalos de confianza para la diferencia entre dos proporciones 9.6 Distribucin ji cuadrada e intervalos de confianza para la varianza y la desviacin estndar 9.7 Resultados en computadora
150
150 151 152 152 153 154 155
Captulo 10
PRUEBAS DE HIPTESIS REFERENTES AL VALOR DE LA MEDIA DE LA POBLACIN 10.1 Introduccin 10.2 Pasos bsicos de la prueba de hiptesis con el mtodo del valor crtico . 10.3 Prueba de una hiptesis referente a la media usando la distribucin normal 10.4 Errores tipo I y tipo II en pruebas de hiptesis 10.5 Determinacin del tamao de muestra requerido para probar la media . 10.6 Prueba de una hiptesis referente a la media usando la distribucin t . . . 10.7 Mtodo del valor P para pruebas de hiptesis referentes a la media de la poblacin 10.8 Mtodo de intervalos de confianza para pruebas de hiptesis referentes a la media 10.9 Pruebas respecto de la media del proceso en el control estadstico de procesos 10.10 Tabla de resumen de la prueba de un valor hipottico de la media
163 163 163
164 167 169 170 171 172 172 173
xn
T T
CONTENIDO
Captulo 11
OTRAS PRUEBAS DE HIPTESIS 11.1 Prueba de la diferencia entre dos medias usando la distribucin normal 11,2 Prueba de la diferencia entre medias usando la distribucin t 11.3 Prueba de la diferencia entre medias con base en observaciones apareadas 11.4 Prueba de una hiptesis referente al valor de la proporcin de la poblacin 11.5 Determinacin del tamao de muestra requerido para probar la proporcin 11.6 Pruebas respecto de la proporcin del proceso en el control estadstico de procesos 11.7 Prueba de la diferencia entre dos proporciones poblacionales 4 11.8 Prueba de un valor hipottico de la varianza usando la distribucin ji cuadrada 11.9 Pruebas respecto de la variabilidad del proceso en el control estadstico de procesos 11.10 Distribucin F y prueba de la igualdad de dos varianzas poblacionales . 11.11 Otros mtodos para la prueba de hiptesis nulas 11.12 Resultados en computadora
186 186 1 188 190 191 191 192 193 193 194 195 195
Captulo 12
LAPRUEBA JI CUADRADA 12.1 Propsito general de la prueba ji cuadrada 12.2 Pruebas de bondad de ajuste 12.3 Prueba de independencia de dos variables categricas (prueba con tabla de contingencias) 12.4 Pruebas de hiptesis referentes a proporciones 12.5 Resultados en computadora
206 206 206 208 210 213
Captulo 13
ANLISIS DE VARIANZA 13.1 Razonamiento bsico asociado con la prueba de las diferencias entre varias medias poblacionales 13.2 Diseo completamente aleatorizado de un factor (ANOVA con un criterio de clasificacin) 13.3 Anlisis de varianza con dos criterios de clasificacin (ANOVA con dos criterios de clasificacin) 13.4 Diseo aleatorizado en bloques (ANOVA con dos criterios de clasificacin, una observacin por celda) 13.5 Diseo completamente aleatorizado de dos factores (ANOVA con dos criterios de clasificacin, n observaciones por celda) 13.6 Consideraciones adicionales 13.7 Aplicaciones de cmputo
228 228 229 230 230 231 232 233
Captulo 14
ANLISIS DE REGRESIN Y CORRELACIN LINEAL 14.1 Objetivos y supuestos del anlisis de regresin 14.2 Diagrama de dispersin
248
248 248
CONTENIDO
** * X
14.3 14.4 14.5 14.6 14.7 14.8 <* 14.9 14.10 14.11 14.12 14.13 14.14 14.15
Mtodo de mnimos cuadrados para el ajuste de una lnea de regresin . Residuales y grficas de residuales Error estndar del estimador Inferencias sobre la pendiente Intervalos de confianza para la media condicional Intervalos de prediccin para valores individuales de la variable dependiente Objetivos y supuestos del anlisis de correlacin Coeficiente de determinacin Coeficiente de correlacin Uso de la covananza para la comprensin del coeficiente de correlacin Prueba de significancia respecto del coeficiente de correlacin Peligros y limitaciones asociados con el anlisis de regresin y correlacin Resultados en computadora
249 250 250 251 251 252 252 253 254 255 255 256 256
Captulo 15
REGRESINY CORRELACIN MLTIPLE 15.1 Objetivos y supuestos del anlisis de regresin lineal mltiple 15.2 Conceptos adicionales del anlisis de regresin mltiple 15.3 Uso de variables indicadoras (ficticias) 15.4 Residuales y grficas de residuales 15.5 Anlisis de varianza en el anlisis de regresin lineal 15.6 Objetivos y supuestos del anlisis de correlacin mltiple 15.7 Conceptos adicionales del anlisis de correlacin mltiple 15.8 Peligros y limitaciones asociados con el anlisis de regresin y correlacin mltiple 15.9 Resultados en computadora
268 268 268 269 270 270 272 272 273 273
Captulo 16
ANLISIS DE SERIES DE TIEMPO Y PRONSTICOS ECONMICOS 16.1 Modelo clsico de series de tiempo 16.2 Anlisis de tendencias 16.3 Anlisis de variaciones cclicas 16.4 Medicin de variaciones estacionales 16.5 Aplicacin de ajustes estacionales 16.6 Pronsticos basados en factores de tendencia y estacionales 16.7 Pronsticos, ciclos e indicadores econmicos 16.8 Pronsticos basados en promedios mviles 16.9 La suavizacin exponencial como mtodo de pronstico 16.10 Otros mtodos de pronstico con suavizacin 16.11 Resultados en computadora
282 282 283 284 284 285 285 286 287 287 288 289
Captulo 17
NMEROS NDICE PARA DATOS ECONMICOS Y ADMINISTRATIVOS 17.1 Introduccin 17.2 Elaboracin de ndices simples 17.3 Elaboracin de ndices agregados de precios
304 304 304 304
XIV
CONTENIDO
17.4 17.5 17.6 17.7 17.8 17.9 17.10 17.11
Relativos eslabonados Cambio del periodo base Fusin de dos series de nmeros ndice El ndice de precios al consumidor (IPC) Poder de compra y deflacin de los valores de series de tiempo ndice de precios al productor (IPP) Los promedios de precios burstiles de Dow Jones ndice de produccin industrial
305 305 305 306 306 306 306 307
Captulo 18
ANLISIS DE DECISIN: TABLAS DE PAGOS Y RBOLES DE DECISIN 18.1 Estructura de las tablas de pagos 18.2 Toma de decisiones con base nicamente en probabilidades 18.3 Toma de decisiones con base nicamente en consecuencias econmicas 18.4 Toma de decisiones con base tanto en probabilidades como en consecuencias econmicas: criterio del pago esperado 18.5 Anlisis de rboles de decisin 18.6 La utilidad esperada como criterio de decisin
315 315 316 317 319 320 321
Captulo 19
ANLISIS DE DECISIN: USO DE INFORMACIN MUESTRAL . . . 19.1 Valor esperado de la informacin perfecta (VEIP) 19.2 Distribuciones de probabilidad inicial y posterior 19.3 Valor de informacin muestral ya obtenida 19.4 Valor esperado de la informacin muestral (VEIM) antes del muestreo 19.5 Ganancia neta esperada del muestreo (GNEM) y tamao ptimo 19.6 Anlisis de decisin contra procedimientos clsicos de decisin
335 335 336 337 339 342 344
Captulo 20
CONTROL ESTADSTICO DE PROCESOS 20.1 Administracin de calidad total 20.2 Control estadstico de calidad 20.3 Tipos de variacin en procesos 20.4 Grficas de control _,_ 20.5 Grficas de control para la media del proceso: grficas^ 20.6 Pruebas estndar para la interpretacin de grficas X 20.7 Grficas de control para la desviacin estndar del proceso: grficas s 20.8 Grficas de control para el rango del proceso: grficas R 20.9 Grficas de control para la proporcin del proceso: grficas/?
352 352 352 353 354 355 356 357 358 359
Captulo 21
ESTADSTICA NO PARAMTRICA 21.1 Escalas de medicin 21.2 Mtodos estadsticos paramtricos contra no paramtricos 21.3 Prueba de corridas para aleatoriedad 21.4 Una muestra: prueba de los signos 21.5 Una muestra: prueba de Wilcoxon
372 372 372 373 373 374
CONTENIDO
xv
21.6 21.7 21.8 21.9
Dos muestras independientes: prueba de Mann-Whitney Observaciones apareadas: prueba de los signos Observaciones apareadas: prueba de Wilcoxon Varias muestras independientes: prueba de Kruskal-Wallis
374 375 376 376
Apndice 1 Apndice 2 Apndice 3
TABLA DE NMEROS ALEATORIOS PROBABILIDADES BINOMIALES VALORES DE e~K
387 388 391 392
Apndice 4
Apndice 5
PROBABILIDADES DE POISSON
PROPORCIONES DE REA PARA LA DISTRIBUCIN NORMAL ESTNDAR PROPORCIONES DE REA PARA LA DISTRIBUCIN t
396 397 398 399 402 403 405
Apndice 6
Apndice 7
Apndice 8 Apndice 9 Apndice 10
PROPORCIONES DE REA PARA LA DISTRIBUCIN tf

VALORES DE F EXCEDIDOS CON PROBABILIDADES DE 5 Y 1 % . . . FACTORES PARA GRFICAS DE CONTROL VALORES CRTICOS DE T EN LA PRUEBA DE WILCOXON
Apndice 11
ESTADSTICA PARA NEGOCIOS CON EXCEL 5.0
NDICE
411
Captulo 1
Anlisis de datos econmicos y administrativos
1.1 DEFINICIN DE ESTADSTICA APLICADA A LA ADMINISTRACIN Y LA ECONOMA
La estadstica es el conjunto de tcnicas que se emplean para la recoleccin, organizacin, anlisis e interpretacin de datos. Los datos pueden ser cuantitativos, con valores expresados numricamente, o cualitativos, en cuyo caso se tabulan las caractersticas de las observaciones. La estadstica sirve en administracin y economa para tornar mejores decisiones a partir de la comprensin de las fuentes de variacin y de la deteccin de patrones y relaciones en datos econmicos y administrativos.
1.2 ESTADSTICA DESCRIPTIVA E INFERENCIAL
La estadstica descriptiva comprende las tcnicas que se emplean para resumir y describir datos numricos. Estos mtodos pueden ser grficos o implicar anlisis computacional (vanse captulos 2, 3 y 4).
EJEMPLO 1. El volumen mensual de ventas de un producto durante el ao anterior puede describirse y cobrar significado elaborando un diagrama de barras o una grfica de lneas (tal como se les describe en la seccin 2.11). Las ventas relativas por mes pueden resaltarse calculando un nmero ndice para cada mes, con lo que la desviacin respecto de 100 de cualquier mes indicara la desviacin porcentual de ventas de ese mes en comparacin con las ventas mensuales promedio durante todo el ao.
La estadstica inferencial comprende las tcnicas con las que, con base nicamente en una muestra sometida a observacin, se toman decisiones sobre una poblacin o proceso estadsticos. Dado que estas decisiones se toman en condiciones de incertidumbre, suponen el uso de conceptos de probabilidad. Mientras que a las caractersticas medidas de una muestra se les llama estadsticas mustrales, a las caractersticas medidas de una poblacin estadstica, o universo, se les \\amaparametros de la poblacin. El procedimiento para la medicin de las caractersticas de todos los miembros de una poblacin definida se llama censo. Cuando la inferencia estadstica se usa en el control de procesos, al muestreo le interesa en particular el descubrimiento y control de las fuentes de variacin en la calidad de la produccin. Los captulos 5 a 7 se ocupan de conceptos de probabilidad, y la mayora de los captulos posteriores de la aplicacin de esos conceptos a la inferencia estadstica. El captulo 20 se dedica exclusivamente al control estadstico de procesos.
EJEMPLO 2. Para estimar el voltaje requerido para provocar fallas en un dispositivo elctrico, una muestra de estos dispositivos puede someterse a voltajes crecientes hasta que falle cada uno de ellos. Con base en estos resultados mustrales puede estimarse la probabilidad de falla a varios niveles de voltaje de los dems dispositivos de la poblacin muestreada.
13 TIPOS DE APLICACIONES EN ADMINISTRACIN Y ECONOMA
Los mtodos de la estadstica clsica fueron desarrollados para el anlisis de datos muestreados (objetivos), as como para propsitos de inferencia sobre la poblacin de la que se seleccion la muestra. Esto representa la exclusin explcita de juicios personales sobre los datos y el supuesto implcito de que el muestreo procede de una poblacin esttica (estable). Los mtodos del anlisis de decisin se concentran en la incorporacin al anlisis estadstico de juicios administrativos (vanse captulos 18 y 19). Los mtodos del control estadstico de procesos se emplean sobre la premisa de que el producto de un proceso puede no ser estable. Ms bien, el proceso puede ser dinmico, con causas atribuibles asociadas con la variacin de la calidad del producto en el tiempo (vase captulo 20).
ANLISIS DE DATOS ECONMICOS Y ADMINISTRATIVOS
[CAP. 1
EJEMPLO 3. Empleando el enfoque clsico de la inferencia estadstica, el incierto nivel de ventas de un nuevo producto se estimara con base en estudios de mercado realizados en consonancia con los requerimientos del muestreo cientfico. En el enfoque de anlisis de decisin, los juicios de los administradores se cuantificaran e incorporaran al anlisis. El control estadstico de procesos se centrara en particular en el patrn de ventas en una secuencia de periodos temporales durante la comercializacin de prueba del producto.
1.4
VARIABLES DISCRETAS Y CONTINUAS
Una variable discreta puede tomar valores observados nicamente en puntos aislados a lo largo de una escala de valores. En la estadstica aplicada a administracin y economa, estos datos ocurren usualmente por medio del proceso de conteos de ah que por lo general los valores se expresen como nmeros enteros. Una variable continua puede adoptar un valor en cualquier punto fraccionario a lo largo de un intervalo especificado de valores. Los datos continuos se generan mediante el proceso de medicin.
EJEMPLO 4. Son ejemplos de datos discretos el nmero de personas por hogar, las unidades de un artculo en inventario y el nmero de componentes ensamblados descubiertos como defectuosos. Son ejemplos de datos continuos el peso de un embarque, el tiempo transcurrido antes de la primera falla de un aparato y el nmero promedio de personas por hogar en una comunidad extensa. Ntese que un nmero promedio de personas puede ser un valor fraccionario, y ser por lo tanto una variable continua a pesar de que el nmero por hogar sea una variable discreta.
1.5
OBTENCIN DE DATOS POR OBSERVACIN DIRECTA CONTRA ENCUESTAS
Uno de los medios para la obtencin de datos es la observacin directa. sta es la base de las acciones que se emprenden en el control estadstico de procesos, en el cual se evalan sistemticamente muestras de produccin. Otra forma de observacin directa es el experimento estadstico, en el que se ejerce un control deliberado de algunos o todos los factores que pueden influir en la variable bajo estudio a fin de identificar posibles causas.
.
EJEMPLO 5. Dos mtodos de ensamble de un componente podran compararse haciendo que un grupo de empleados aplicara uno de los mtodos y un segundo grupo el otro. Los miembros del primer grupo deben coincidir estrechamente con los miembros del segundo en trminos de factores como edad y experiencia.
En algunas situaciones no es posible recolectar datos directamente; la informacin debe obtenerse en fuentes individuales. Una encuesta estadstica es el proceso de recoleccin de datos mediante la solicitacin de stos a individuos. Los datos pueden obtenerse con mtodos como entrevistas personales, entrevistas telefnicas o cuestionarios por escrito.
EJEMPLO 6. Un analista de un departamento estatal de Seguridad Econmica puede verse precisado a determinar los incrementos o decrementos en el nivel de empleo planeados por las empresas de la entidad. Un mtodo estndar para la obtencin de esos datos es la realizacin de una encuesta entre las empresas involucradas.
1.6 MTODOS DE MUESTREO ALEATORIO
El muestreo aleatorio es un tipo de muestreo en el que todos los elementos de la poblacin de inters, o poblacin objetivo, tienen una oportunidad conocida, usualmente igual, de ser elegidos para su inclusin en la muestra. Disponer de esta muestra garantiza que sus integrantes sean seleccionados sin sesgos de ninguna especie y ofrece la base estadstica para determinar la confianza que puede asociarse con las inferencias (vanse captulos 8 y 9). A una muestra aleatoria tambin se le denomina muestraprobabilstica o muestra cientfica. Los cuatro mtodos principales de muestreo aleatorio son los mtodos de muestreo simple, sistemtico, estratificado y por conglomerados. Una muestra aleatoria simple es aquella cuyos elementos se seleccionan individualmente de la poblacin objetivo entera con base en el azar. Esta seleccin al azar es semejante a la extraccin aleatoria de nmeros en un sorteo. Sin embargo, en el muestreo estadstico suele emplearse una tabla de nmeros aleatorios o un programa
CAP. 1]
de cmputo generador de nmeros aleatorios para identificar los elementos numerados de la poblacin que sern seleccionados para la muestra.
EJEMPLO 7. El apndice 1 es una tabla abreviada de nmeros aleatorios. Supongamos que nos interesa tomar una muestra aleatoria simple de 10 cuentas por cobrar de una poblacin de 90 cuentas de este tipo, numeradas del 01 al 90. Consultaramos "a ciegas" la tabla de nmeros aleatorios, cerrando literalmente los ojos y sealando un punto de partida. Despus leeramos los dgitos en grupos de dos en cualquier direccin para elegir las cuentas de nuestra muestra. Supongamos que empezamos a leer nmeros (en pares) a partir del que se encuentra en la lnea 6, columna 1. Los 10 nmeros de cuentas para la muestra seran 66, 06, 59, 94, 78, 70, 08, 67, 12 y 65. Pero como slo hay 90 cuentas, no podemos incluir el nmero 94. Incluimos entonces en la muestra el nmero siguiente (11). S alguno de los nmeros seleccionados se repitiera, lo incluiremos en la muestra slo una vez.
Una muestra sistemtica es una muestra aleatoria cuyos elementos se seleccionan de la poblacin a un intervalo uniforme en una lista ordenada, como sera el caso de la eleccin de cada dcima cuenta por cobrar para la muestra. La primera de las 10 cuentas por incluir en la muestra se elegira al azar (consultando quiz una tabla de nmeros aleatorios). Una preocupacin particular del muestreo sistemtico es la existencia de factores peridicos, o cclicos, en el listado de la poblacin que pudiera dar lugar a un error sistemtico en los resultados mustrales.
EJEMPLO 8. Si en una comunidad, donde cada decimosegunda casa ocupa una esquina se realizara un estudio para efectos de una adecuada iluminacin pblica, una muestra sistemtica incluira un sesgo sistemtico si en la encuesta se incluyera cada decimosegundo hogar. En este caso, todos o ninguno de los hogares encuestados se hallara en una esquina.
i
En el muestreo estratificado los elementos de la poblacin son primeramente clasificados por el investigador en distintos subgrupos, o estratos, sobre la base de una o ms caractersticas importantes. Despus, de cada estrato se toma por separado una muestra aleatoria simple o sistemtica. Este plan de muestreo puede servir para garantizar la representacin proporcional en la muestra de varios subgrupos de la poblacin. Adems, el tamao de muestra requerido para alcanzar un nivel dado de precisin suele ser menor que en el caso del muestreo aleatorio simple, lo que reduce los costos del muestreo. ~
EJEMPLO 9. En un estudio sobre las actitudes de los estudiantes respecto de habitar en e! campus, tendramos razones para creer en la posible existencia de diferencias importantes entre estudiantes an no graduados y graduados y entre estudiantes de gnero masculino y femenino. As, debera considerarse un plan de muestreo estratificado para la toma por separado de una muestra aleatoria simple de los cuatro estratos: hombres no graduados, mujeres no graduadas, hombres graduados y mujeres graduadas.
El muestreo por conglomerados es un tipo de muestreo aleatorio en el que los elementos de la poblacin ocurren naturalmente en subgrupos. As pues, se muestrean aleatoriamente subgrupos, o conglomerados, enteros.
EJEMPLO 10. Si un analista de un departamento estatal de Seguridad Econmica debe estudiar los ndices salariales por hora que se pagan en un rea metropolitana, sera difcil obtener un listado de todos los receptores de salarios en la poblacin objetivo. En cambio, podra obtenerse ms fcilmente una lista de las empresas de esa zona. De este modo, el analista podra tomar una muestra aleatoria simple de las empresas identificadas, las cuales representan conglomerados de empleados, y obtener los ndices salariales que se pagan a los empleados de estas compaas.
1.7
OTROS MTODOS DE MUESTREO
Aunque es posible que una muestra no aleatoria resultara ser representativa de la poblacin, es difcil suponer de antemano que carecer de sesgos o expresar estadsticamente la confianza que podra asociarse con las inferencias a partir de esa muestra. Una muestra de juicio es aquella en la que un individuo selecciona los elementos por incluir en la muestra. El grado de representatividad de la poblacin de esta muestra depende as del juicio de tal individuo y no puede evaluarse estadsticamente.
[CAP. 1
EJEMPLO 11. En lugar de elegir aleatoriamente las partidas por auditar, un contador las selecciona para una auditora muestral con base en el juicio de que es probable que esos tipos particulares de partidas sean representativos de las partidas en general. No hay manera de evaluar estadsticamente la probabilidad de sesgo en esa muestra o el grado en que los resultados mustrales se aproximan a la poblacin.
Una muestra por conveniencia incluye las medidas, u observaciones, a las que se tiene acceso ms fcilmente, tal como su nombre lo sugiere.
EJEMPLO 12. Una oficina de desarrollo comunitario emprende un estudio de la actitud pblica frente a una nueva plaza comercial cntrica mediante la realizacin de una encuesta de opinin en una de las entradas de la plaza. Ciertamente es improbable que los resultados de la encuesta reflejen la actitud de las personas que no se encuentran en la plaza; de aquellas que, encontrndose en la plaza, decidan no participar en la encuesta, y de aquellas otras que se encuentran en secciones de la plaza no consideradas en el muestreo.
Una muestra aleatoria estricta no suele ser factible en el control estadstico de procesos, ya que slo es posible inspeccionar con relativa facilidad los artculos o transacciones ms a la mano. Para poder advertir cambios que estn teniendo lugar en la calidad del producto en proceso, se toman muestras pequeas a intervalos regulares de tiempo. A este esquema de muestreo se le conoce como mtodo de subgrupos racionales. Estos datos mustrales son tratados como si en cada punto temporal se hubieran tomado muestras aleatorias, en el entendido de que hay que estar alertas a cualesquiera razones conocidas de que este esquema de muestreo conduzca a resultados sesgados.
EJEMPLO 13. Grupos de cuatro paquetes de papas fritas son muestreados y pesados a intervalos regulares de tiempo en un proceso de empacamiento para determinar el cumplimiento de las especificaciones de peso mnimo. Estos subgrupos racionales ofrecen la base estadstica para determinar si el proceso es estable y est bajo control o si existe una variacin inusual en la secuencia de pesos mustrales que obligue a la identificacin y correccin de una causa atribuible.
1.8 USO DE SOFTWARE DE COMPUTO PARA LA GENERACIN DE NMEROS ALEATORIOS Se puede disponer fcilmente de software de cmputo para generar dgitos aleatoriamente seleccionados en cualquier rango especfico de valores. El problema 1.10 ilustra el uso de este tipo de software.
Problemas resueltos
ESTADSTICA DESCRIPTIVA E INFERENCIAL
1.1
Indique cules de los siguientes trminos u operaciones se refieren a una muestra o muestreo (M) y cules a una poblacin (P): d) medidas grupales llamadas parmetros^ b) uso de estadstica inferencia!, c) realizar un censo, d) juicio sobre la calidad de un embarque de fruta recin recibido mediante la inspeccin de varios de los huacales del gran nmero de ellos incluidos en el embarque.
y
a) P, b) M, c) P, d) M
TIPOS DE APLICACIONES EN ADMINISTRACIN Y ECONOMA

*
r
1.2
Indique cules de los siguientes tipos de informacin podran usarse ms fcilmente en inferencia estadstica clsica (IC), anlisis de decisin (AD) o control estadstico de procesos (CP): a) juicios administrativos sobre el probable nivel de ventas de un nuevo producto, b) adscripcin de cada quincuagsimo automvil ensamblado a una exhaustiva evaluacin de calidad, c) resultados de una encuesta para una
CAP. 1 ]
muestra aleatoria simple de personas que compraron un modelo especfico de automvil, d) verificacin de los saldos de cuentas en un banco para una muestra aleatoria sistemtica de cuentas.
f)AD, 6) CP, c) IC, ) IC
VARIABLES DISCRETAS Y CONTINUAS
1.3
En los siguientes tipos de valores, designe variables discretas (D) y variables continuas (C): a) peso del contenido de un paquete de cereal, b) dimetro de un cojinete, c) nmero de artculos defectuosos producidos, d) nmero de individuos en un rea geogrfica que reciben beneficios de desempleo, e) nmero promedio de clientes prospectivos contactados por representante de ventas durante el mes anterior, J) monto de ventas en dlares.
a} C, b) C, c] D, d) D, e) C,/) D. (Nota: Aunque los montos monetarios son discretos, cuando son grandes en relacin con las unidades de cienes discretas por lo general se les trata como datos continuos.)
1.4
Indique cules de los siguientes procedimientos de recoleccin de datos seran considerados como un experimento (E) y cules como una encuesta (EN): a) un sondeo poltico de intenciones de voto individuales en elecciones prximas, b) clientes de un centro comercial entrevistados acerca del motivo de que hagan sus compras ah, c) comparacin de dos mtodos para la comercializacin de una pliza anual mediante la aplicacin de cada mtodo en reas geogrficas comparables.
a) EN, b) EN, c) E
1.5
En el rea de las mediciones estadsticas, como las representadas por cuestionarios, la confiabilidad se refiere a la consistencia del instrumento de medicin y la validez a su precisin. As, si un cuestionario ofrece resultados similares tras ser contestado por dos grupos equivalentes de informantes, puede describrsele como confiable. El hecho de que un instrumento sea confiable garantiza por lo tanto que sea vlido?
La confiabilidad de un instrumento de medicin no garantiza que sea vlido para un propsito particular. Un instrumento confiable es consistente en las mediciones repetidas producidas, pero todas las mediciones podran incluir un componente de error, o sesgo, comn. (Vase el siguiente problema resuelto.)
1.6
Remtase al problema resuelto 1.5. Un instrumento de encuesta no confiable puede tener validez para un propsito particular?
Un instrumento no confiable no puede ser vlido para ningn propsito particular. En ausencia de confiabilidad, no habr consistencia en los resultados que se obtengan. Una analoga con un tiro de rifle puede ilustrar este concepto. Orificios de balas estrechamente aglomerados en un blanco seran indicativos de la confiabilidad (consistencia) de los disparos del rifle. En este caso, la validez (precisin) podra mejorar ajustando la mira para que los orificios de las balas coincidan subsecuentemente en el centro del blanco. En cambio, orificios de balas ampliamente dispersos indicaran falta de confiabilidad, condicin en la cual ningn ajuste en la mira podra producir un puntaje alto.
MTODOS DE MUESTREO ALEATORIO
1.7
Para efectos de inferencia estadstica, es de desear una muestra representativa. Sin embargo, los mtodos de inferencia estadstica slo requieren la obtencin de una muestra aleatoria. Por qu?
Ningn mtodo de muestreo puede garantizar una muestra representativa. Lo ms que podemos hacer es evitar sesgos consistentes o sistemticos mediante el empleo del muestreo aleatorio (probabilstico). Aunque es raro que
[CAP. 1
una muestra aleatoria sea exactamente representativa de la poblacin objetivo de la que se le obtuvo, el uso de este procedimiento garantiza que nicamente factores debidos al azar explicaran las diferencias entre la muestra y la poblacin.
1.8
Una compaa petrolera desea determinar los factores que influyen en la eleccin de gasolineras por parte de los consumidores en un rea de prueba, motivo por el cual ha obtenido tanto nombres y direcciones como la informacin personal disponible de todos los propietarios de automviles registrados residentes en esa rea. Describa cmo podra obtenerse una muestra de esta lista usando cada uno de los cuatro mtodos de muestreo aleatorio mencionados en este captulo.
Para una muestra aleatoria simple, los nombres enlistados podran numerarse secuencialmente, y despus podran seleccionarse los individuos por ser muestreados empleando una tabla de nmeros aleatorios. Para una muestra sistemtica, podra contactarse a cada ensima (cada quinta, por ejemplo) persona de la lista, empezando aleatoriamente entre los primeros cinco nombres. Para una muestra estratificada, podemos clasificar a los propietarios de acuerdo con el tipo de automvil, el valor del auto, sexo o edad para tomar despus una muestra aleatoria simple o sistemtica de cada estrato definido. Para una muestra por conglomerados, podramos optar por entrevistar a todos los propietarios de autos registrados residentes en cuadras aleatoriamente seleccionadas del rea de prueba. Dado que la base de este tipo de muestra por conglomerados sera geogrfica, tambin podramos llamarla muestra de rea.

-
1.9
Indique cules de los siguientes tipos de muestras ejemplifican mejor o estn relacionadas con una muestra de juicio (J), una muestra por conveniencia (A) o con el mtodo de subgrupos racionales (R): a) muestras de cinco focos cada una se toman cada 20 minutos en un proceso de produccin para determinar su resistencia al alto voltaje, b) una compaa fabricante de bebidas evala la respuesta de los consumidores al sabor de una nueva cerveza sin contenido alcohlico mediante pruebas de preferencia en bares ubicados en la misma ciudad en la que se encuentran las oficinas generales, c) un investigador de opinin al servicio de un candidato poltico conversa con personas de varias localidades del distrito con base en la apreciacin de que tales individuos parecen representativos de los votantes del distrito.
USO DE SOFTWARE DE CMPUTO PARA LA GENERACIN DE NMEROS ALEATORIOS
1.10
Un analista econmico gubernamental desea obtener una muestra aleatoria simple de 30 empresas comerciales de una lista de 435 de cierta regin geogrfica. Las empresas son identificadas con nmeros secuenciales de identificacin del 001 al 435. Use el software de cmputo a su disposicin para obtener los 30 nmeros de identificacin de las empresas por incluir en el estudio.
En la figura 1-1 aparecen los comandos de software de Minitab y los nmeros de identificacin resultantes de las 30 empresas para la muestra aleatoria. Si, por azar, cualquiera de estos nmeros hubiera ocurrido ms de una vez, habran tenido que obtenerse nmeros adicionales para sustituir esos duplicados a- fin de identificar una muestra de 30 compaas diferentes.
MTB SUBC MTB MTB
> > > >
RANDOM 30 DIGITS, PUT IN Cl; INTEGERS FROM 1 TO 435. AME Cl ^SAMPLE' PRINT Cl
SAMPLE 350 228 288 MTB
234 177
313
176 320
389
125 116 290
240 272 47
120
176
102
251 96 40
409 310 12
271 179
33 134
166 52
> STOP
Fig. 1-1 Resultados de Minitab.
CAP. 1]
Problemas complementarios
ESTADSTICA DESCRIPTIVA E INFERENCIAL 1.11
f
Indique cules de los siguientes trminos u operaciones se refieren a una muestra o muestreo (M) y cules a una poblacin (P): a) universo, b) medidas grupales llamadas estadsticas, c) aplicacin de conceptos de probabilidad, d) inspeccin de cada artculo ensamblado, e) inspeccin de cada dcimo artculo ensamblado.
Resp. a} P, b) M, c) M, d) P, e) M
TIPOS DE APLICACIONES EN ADMINISTRACIN Y ECONOMA
1.12
Indique cules de los siguientes tipos de informacin podran usarse ms fcilmente en inferencia estadstica clsica (IC), anlisis de decisin (AD) o control estadstico de procesos (CP): a) respuestas a un cuestionario obtenidas de una muestra de miembros activos de una organizacin profesional, b) calificaciones de consumidores sobre un departamento de servicios automovilsticos recolectadas mensualmente, c) clasificaciones de analistas de inversin de "compaas nuevas y emergentes", d) datos de salarios y sueldos recolectados de una muestra de empleadores en un rea metropolitana.
Resp. a} IC, b) CP, c) AD, d) IC
VARIABLES DISCRETAS Y CONTINUAS 1.13 En los siguientes tipos de valores, designe variables discretas (D) y variables continuas (C): a) nmero de unidades de un artculo en existencia, b) razn de activos circulantes contra pasivos circulantes, c) tonelaje total embarcado, d) cantidad embarcada, en unidades, e) volumen de trfico en una carretera de paga,y) asistencia a la asamblea anual de una compaa.
Resp. a) D, b) C, c) C, d) D, e) D,J) D
1.14
Indique cules de los siguentes procedimientos de recoleccin de datos seran considerados como un experimento (E) y cules como una encuesta (EN): a) comparacin de los resultados de un nuevo mtodo de capacitacin de agentes de boletos de aerolneas con los del mtodo tradicional, b) evaluacin de dos conjuntos diferentes de instrucciones de armado de un juguete haciendo que dos grupos comparables de nios lo armen siguiendo las distintas instrucciones, c) envo a los suscriptores de una revista de evaluacin de productos de un cuestionario para la calificacin de los productos que han adquirido recientemente.
Resp. a) E, b) E, c) EN
MTODOS DE MUESTREO ALEATORIO
1.15
Identifique si en los siguientes casos se usa el mtodo de muestreo aleatorio simple (A) o sistemtico (S): a) empleo de una tabla de nmeros aleatorios para seleccionar una muestra de personas asistentes a un parque de diversiones y b) entrevista de cada centsima persona que asiste a un parque de diversiones, comenzando aleatoriamente por la 55a. persona en entrar al parque.
Resp. a) A, >) S
1.16
En las siguientes situaciones de muestreo de grupos, identifique si se usara el mtodo de muestreo estratificado (E) o por conglomerados (C): a) estimacin de las preferencias de voto de personas de distintas localidades y b) estudio de las actitudes de los consumidores con la sospecha de diferencias importantes segn edad y sexo.
Resp. a) C, >) E
[CAP. 1
1.17
Indique cules de los siguientes tipos de muestras ejemplifican mejor o estn relacionados con una muestra de juicio (J), una muestra accesible (A) o con el mtodo de subgrupos racionales (R): a) un valuador de bienes races selecciona una muestra de casas vendidas en una localidad, la cual parece representativa de las casas ubicadas ah, para deducir una estimacin del nivel del valor de las casas en ese rumbo, b) en una planta fabricante de bateras, el ciclo de vida de stas se vigila cada media hora para garantizar que el producto satisfaga las especificaciones, c) en un establecimiento de comida rpida empleados de la compaa evalan un nuevo emparedado de pollo en trminos de sabor y valor percibido.
Resp, a)J, 6)R, c)A
USO DE SOFTWARE DE CMPUTO PARA LA GENERACIN DE NMEROS ALEATORIOS

1.18
Un auditor desea tomar una muestra aleatoria simple de tamao 50 de 5 250 cuentas por cobrar de una gran empresa. Las cuentas se numeran secuencialmente del 0001 al 5 250. Use el software de cmputo a su disposicin para obtener una lista de los 50 nmeros aleatorios requeridos.
Captulo 2
Representaciones estadsticas y anlisis de grficas
2.1
DISTRIBUCIONES DE FRECUENCIAS
Una distribucin defrecuencias es una tabla en la cual se agrupan en clases valores posibles de una variable y donde se registra el nmero de valores observados correspondientes a cada clase. Los datos organizados en una distribucin de frecuencias se llaman datos agrupados. En contraste con ello, en el caso de datos no agrupados se enlistan todos los valores observados de la variable aleatoria.
EJEMPLO 1. En la tabla 2.1 aparece una distribucin de frecuencias de salarios semanales. Obsrvese que las cantidades han sido consignadas de acuerdo con el dlar ms cercano. Cuando el residuo por redondear es de "exactamente 0.5" (exactamente $0.50 en este caso), el procedimiento convencional es redondear al nmero par ms cercano. As, un salario semanal de $259.50 se redondeara a $260 como parte del proceso de agrupamiento de datos.
Tabla 2.1
Distribucin de frecuencias de salarios semanales de 100 trabajadores no calificados Nmero de trabajadores
Salario semanal $240-259 260-279 280-299 300-319 320-339 340-359 Total

7 20 33 25 11
1 00
2.2
INTERVALOS DE CLASE
En cada una de las clases de una distribucin de frecuencias, los lmites nominales de clase inferior y superior indican los valores incluidos dentro de la clase. (Vase la primera columna de la tabla 2.1.) A diferencia de ello, los lmites exactos de clase, o fronteras de clase, son los puntos especficos que sirven para separar clases adyacentes en una escala de medicin de variables continuas. Los lmites exactos de clase pueden determinarse identificando los puntos intermedios entre los lmites nominales de clase superior e inferior, respectivamente, de clases adyacentes. El intervalo de clase identifica el rango de valores incluidos dentro de una clase y puede determinarse restando del lmite exacto de clase superior de la clase el lmite exacto de clase inferior. Cuando no es posible identificar lmites exactos, el intervalo de clase puede determinarse restando del lmite nominal inferior de la clase el lmite nominal inferior de la clase adyacente inferior. Finalmente, para ciertos propsitos es comn que los valores de una clase sean representados por el punto medio de clase, el cual puede determinarse sumando la mitad del intervalo de clase al lmite exacto inferior de la clase.
EJEMPLO 2. En la tabla 2.2 se presentan los lmites exactos de clase y los puntos medios de clase de la distribucin de frecuencias de la tabla 2.1.
10
REPRESENTACIONES ESTADSTICAS Y ANLISIS DE GRFICAS
[CAP. 2
Tabla 2.2 Salario semanal (lmites de clase) $240-259 260-279 280-299 300-319 320-339 340-359
Salarios semanales de 100 trabajadores no calificados Lmites exactos de clase* $239.50-259.50 259.50-279.50 279.50-299.50 299.50-319.50 319.50-339.50 339.50-359.50 Punto medio de clase $4.0 295 269.50 289.50 Nmero de trabajadores
.309.50 329.50 349.50

Total
7 20 33 25 110 4 100
* En general, en los lmites exactos de clase slo se expresa un dgito adicional significativo, en comparacin con los lmites nominales de clase. Sin embargo, dado que en el caso de las unidades monetarias la unidad de medida ms precisa relativa al "dlar ms cercano" suele definirse como "el centavo ms cercano", conviene expresar dos dgitos adicionales.
EJEMPLO 3. Calculado con los dos mtodos, el intervalo de clase de la primera clase de la tabla 2.2 es $259.50 $239.50 = $20 (resta del lmite exacto de clase inferior al lmite exacto de clase superior de la clase) $260 - $240 = $20 (resta del lmite nominal de clase inferior de la clase al lmite nominal de ciase inferior de la clase adyacente superior)
Para efectos de clculo, por lo general es deseable que todos los intervalos de clase de una distribucin de frecuencias dada sean iguales. La siguiente frmula puede emplearse para determinar el intervalo de clase aproximado oor usar: 'mayor valor en datos " no agrupados ' menor valor en datos' no agrupados
Intervalo aproximado
nmero de clases deseadas
(2.1)
EJEMPLO 4. En referencia a los datos originales no agrupados que se agruparon en la tabla 2.1, supongamos que el salario observado ms alto fue de $358 y el salario observado ms bajo de $242. Dado que el objetivo es disponer de seis clases con iguales intervalos de clase, Intervalo aproximado =
358 - 242
-$19.33
As, el tamao de clase conveniente ms cercano al valor calculado es $20.
En el caso de datos distribuidos en forma notoriamente no uniforme, como los datos del sueldo anual para una amplia variedad de ocupaciones, pueden ser requeridos intervalos desiguales de clase. En este caso, los intervalos de clase mayores se utilizan para los rangos de valores con relativamente escasas observaciones.
2.3
HISTOGRAMAS Y POLGONOS DE FRECUENCIAS
Un histograma es una grfica de barras de una distribucin de frecuencias. Tal como se indica en la figura 2-1, se acostumbra colocar los lmites exactos de clase en el eje horizontal de la grfica y los nmeros de observaciones en el eje vertical. Sin embargo, tambin se usan puntos medios de clase en lugar de lmites de clase para identificar las clases.
CAP. 2]
11
40
o
<S
'51
30
es
O
\HP
20
10
O
239.50
259.50
279.50
299.50
319.50
339.50
359.50
Salarios semanales, en dlares

Fig. 2-1
EJEMPLO 5. En la figura 2-1 se muestra unhistograma de la distribucin de frecuencias de los salarios semanales de la tabla 2.2.
Un polgono de frecuencias es una grfica de lneas de una distribucin de frecuencias. Tal como se indica en la figura 2-2, los dos ejes de esta grfica son similares a los del histograma, salvo que en el eje horizontal suele identificarse el punto medio de cada clase. El nmero de observaciones de cada clase se representa con un punto por encima del punto medio de la clase, puntos que se unen despus con una serie de segmentos lineales para formar un polgono o "figura de muchos lados".
EJEMPLO 6. 2.2. En la figura 2-2 se muestra un polgono de frecuencias de la distribucin de salarios semanales de la tabla
O
I B ^
u,
40
.0
os
es es' 30
o 20
O
'3
10
229.50
249.50
269.50
289.50
309.50
329.50
349.50
369.50

Fig. 2-2
2.4
CURVAS DE FRECUENCIAS
Una curva de frecuencias es un polgono de frecuencias suavizado.
EJEMPLO 7.
La figura 2-3 es una curva de frecuencias de la distribucin de salarios semanales de la tabla 2.2
En trminos de asimetra, una curva de frecuencias puede ser: 1) asimtrica negativa: no simtrica con la "cola" a la izquierda; 2) asimtrica positiva: no simtrica con la "cola" a la derecha, o 3) simtrica.
12
[CAR 2
Sfl
o t ^MI
40
' 30 X) es
O
O OJ
CU
20
10
229.50
249.50
269.50
289.50
309.50
329.50
349.50
369.50

Fig. 2-3
EJEMPLO 8.
El concepto de asimetra de las curvas de frecuencias se ilustra grficamente en la figura 2-4.
En trminos de curtosis, una curva de frecuencias puede ser: 1) platicrtica: plana, con las observaciones distribuidas en forma relativamente pareja entre las clases; 2) leptocrtica: afilada, con las observaciones concentradas en un estrecho rango de valores, o 3) mesocrtica: ni plana ni afilada en trminos de la distribucin de los valores observados.
1) Asimtrica negativa
2) Simtrica
3) Asimtrica positiva
Fig. 2-4
EJEMPLO 9.
En la figura 2-5 aparecen los diversos tipos de curvas de frecuencias en trminos de curtosis.
v
1) Platicurtica
\
X
2) Mesocrtica
3) Liptocrtica
Fig. 2-5
2.5
DISTRIBUCIONES DE FRECUENCIAS ACUMULADAS

4
Una distribucin de frecuencias acumuladas identifica el nmero acumulado de observaciones incluidas bajo el lmite exacto superior de cada clase de la distribucin. Las frecuencias acumuladas de una clase
CAP. 2]
13
pueden determinarse sumando las frecuencias observadas de esa clase a las frecuencias acumuladas de la clase anterior.
EJEMPLO 10. El clculo de las frecuencias acumuladas se ilustra en la tabla 2.3.
Tabla 2.3 Clculo de las frecuencias acumuladas de ios datos de salarios semanales de la tabla 2.2 Salario semanal $240-259 260-279 280-299 300-319 320-339 340-359 Lmite exacto de clase superior $259.50 279.50 299.50 319.50 339.50 359.50
Total
f
Nmero de trabajadores (/)

7 20 33 25 11 4
Frecuencias acumuladas 06)

7 20+ 7 = 27 33 + 27 = 60 25 + 60 = 85 1 1 + 85 = 96 4 + 9 6 = 100
1 00
La grfica de una distribucin de frecuencias acumuladas se llama ojiva. En el caso de distribuciones acumuladas del tipo "y menor que", esta grfica indica las frecuencias acumuladas bajo cada lmite exacto de clase de la distribucin de frecuencias. Si esa grfica de lneas se suaviza, se obtiene la curva llamada ojiva.
EJEMPLO 11. En la figura 2-6 se observa una ojiva de la distribucin acumuladade la tabla 2.3.
100
o es
3 U
80
60
40
20
O
239.50
259.50
279.50
299.50
319.50
339.50
359.50

Fig. 2-6
2.6
DISTRIBUCIONES DE FRECUENCIAS RELATIVAS
Una distribucin de frecuencias relativas es aquella cuyo nmero de observaciones asociadas con cada clase se ha convertido en una frecuencia relativa dividiendo entre el nmero total de observaciones de toda la distribu-
14
[CAP. 2
cin. De este modo, cada frecuencia relativa es una proporcin, la cual puede convertirse en un porcentaje multiplicndola por 100. Una de las ventajas de la elaboracin de distribuciones de frecuencias relativas es que su distribucin acumulada y su ojiva indican la proporcin acumulada (o porcentaje) de observaciones hasta los diversos valores posibles de la variable. Un valorpercentil es el porcentaje acumulado de observaciones hasta un valor designado de una variable. (Vanse problemas 2.14 y 2.16 a 2.20.)
2.7
DISTRIBUCIN DE FRECUENCIAS DEL TIPO "Y MENOR QUE"
Los lmites de clase de las distribuciones de frecuencias obtenidas por computadora suelen ser del tipo "y menor que". En estos lmites, los lmites nominales de clase son al mismo tiempo los lmites exactos que definen la clase. Los valores agrupados en cualquier clase son iguales a o mayores que el lmite de clase inferior y hasta el valor del lmite de clase superior, sin incluir a ste. Un medio descriptivo para la presentacin de estos lmites de clase es:
5 y menor que 8 8 y menor que 11
Adems de ser ms fcil de aplicar en software de cmputo, este tipo de distribucin tambin suele representar un modo ms "natural" de recoleccin de datos. Por ejemplo, la edad de las personas se registra por lo general en correspondencia con su aniversario anterior, no con el prximo. As, un individuo de 24 aos de edad tiene 24 como mnimo, pero menos de 25. En los problemas resueltos 2.21 a 2.24 se presentan varias distribuciones de frecuencias del tipo "y menor que", incluidos resultados obtenidos por computadora.
2.8
DIAGRAMAS DE TALLO Y HOJAS
Un diagrama de tallo y hojas es una modalidad relativamente simple de organizacin y presentacin de medidas en un formato de grfica de barras jerrquicamente ordenado. Se trata de una tcnica comn en el anlisis exploratorio de datos. Como su nombre lo indica, el anlisis exploratorio de datos es un conjunto de tcnicas de anlisis preliminar de datos para la deteccin de patrones y relaciones. Tambin las distribuciones de frecuencias y tcnicas grficas asociadas expuestas en las secciones anteriores de este captulo suelen emplearse con este propsito. En cambio, el anlisis confirmatorio de datos incluye los principales mtodos de inferencia estadstica contenidos en la mayor parte de este libro, a partir del captulo 8, dedicado a la estimacin estadstica. El anlisis confirmatorio de datos persigue la extraccin de conclusiones estadsticas definitivas sobre patrones y relaciones presentes en los datos. Aunque muy semejante a un histograma, un diagrama de tallo y hojas se diferencia de ste en que es ms fcil de elaborar y en que muestra los valores reales de los datos, pues los valores especficos no se pierden por efecto de su agrupamiento en clases definidas. No obstante, esta tcnica slo es aplicable y significativa si el primer dgito de la medicin, o quiz los dos primeros, sirve efectivamente de base para la separacin de los datos en grupos. En consecuencia, cada grupo es anlogo a una clase o categora en una distribucin de frecuencias. Cuando nicamente se usa el primer dgito para agrupar las medidas, la denominacin "tallo y hojas" alude al hecho de que el primer dgito es el tallo, mientras que cada una de las medidas con valor a partir de ese primer dgito pasa a ser una hoja en el contexto de esta representacin.
EJEMPLO 12. En la tabla 2.4 se presenta el puntaje obtenido por 50 estudiantes en un examen de contabilidad financiera de 100 puntos. La figura 2-7 es el diagrama de tallo y hojas de ese puntaje. Advirtase que, adems del patrn general del puntaje, tambin es posible observar el puntaje individual. En la lnea correspondiente al tallo de 6, por ejemplo, los dos valores de 2 de las hojas representan a los dos puntajes de 62 incluidos en la tabla 2.4.
CAP. 2]
15
Tabla 2.4
Puntajes obtenidos por 50 estudiantes en un examen de contabilidad financiera
58 74
85 65
88 69
91 66
65
63 81 81
86 72 78 66 59 84
96 88
85 65
80
92 100 84 77 76 87 96
90
71 82 73 74 63 97
82
72 76
98
94 78 82
83 62 100
62
75
99
Tallo
Hojas
8 9
2 2 3 3 5 5 5 6 6 9
7
2 2 3 4 4 5 6 6 7 8 8 0 1 1 2 2 2 3 4 4 5 5 6 7 8 8 0 1 2 4 6 6 7 8 9
10
O O
Fig. 2-7
Diagrama de tallo y hojas.
2.9
DIAGRAMAS DE PUNTOS
Un diagrama de puntos se asemeja a un histograma en el sentido de que consiste en una representacin grfica de una distribucin de los valores de los datos. Sin embargo, se diferencia de ste en que los valores se representan individualmente, en lugar de agruparse en clases. Los diagramas de puntos se aplican preferentemente a pequeos conjuntos de datos, en cuyo caso no se garantiza el agrupamiento de valores en clases de una distribucin de frecuencias. Son particularmente tiles en la comparacin de dos conjuntos de datos diferentes, o de dos subgrupos de un conjunto de datos. El problema resuelto 2.27 incluye un diagrama de puntos que ilustra la comparacin grfica de dos subconjuntos de datos.
2.10
DIAGRAMAS DE PARETO
Un diagrama de Pareto se asemeja a un histograma, excepto que es una grfica de barras de frecuencias de una variable cualitativa, no de datos cuantitativos agrupados en clases. Las barras de la grfica, que pueden representar frecuencias o frecuencias relativas (porcentajes) se organizan en orden descendente de izquierda a derecha. Esta disposicin da como resultado la ubicacin de las categoras ms importantes de datos, segn su frecuencia de ocurrencia, en las posiciones iniciales de la grfica. Los diagramas de Pareto se usan en el control de procesos para tabular las causas asociadas con variaciones de causas atribuibles en la calidad del producto del proceso. Es comn que solamente unas cuantas categoras de causas se asocien con la mayora de los problemas
16
[CAP. 2
de calidad, de modo que los diagramas de Pareto permiten que tanto equipos de trabajadores como gerentes se concentren en las reas ms importantes en las que se necesitan acciones correctivas.
EJEMPLO 13. Se encontr que los refrigeradores que no fueron aprobados en la inspeccin final en una planta ensambladura de aparatos elctricos durante el ltimo mes tenan defectos debidos a las siguientes causas: ensamble, acabado de laca, fallas elctricas, abolladuras u otras causas. La figura 2-8, obtenida con Minitab, es el diagrama de Pareto para la representacin grfica tanto de las frecuencias como de las frecuencias relativas de cada causa de falla en inspeccin. Como puede verse, la gran mayora de fallas en inspeccin se deben a defectos en el ensamble y el acabado de laca.
Diagrama de Pareto de: Defectos

200
100
SO
4
01
60
100
40
G O
'e? *e
o.
"-;.
. ' <-.- '

-.
-..-
:;;- . 1 - _.. ,
-,
20
1
t
-:
; ^
" :-:
.-
M^ V',.;;. '
Defecto
Conteo Porcentaje % acumulado
Ensamble
98
Laca
60
Elctrico
20
Abolladuras
12
Otros
10
49.0 49.0
30.0 79.0
10.0 89.0
6.0
95.0
5.0
100.0
Fig. 2-8
2.11
DIAGRAMAS DE BARRAS Y GRFICAS DE LINEAS
Una serie de tiempo es un conjunto de valores observados, tales como datos de produccin o ventas, durante una serie de periodos temporales secuencialmente ordenados. En el captulo 16 se describen mtodos especiales de anlisis de datos de este tipo. Para efectos de representacin grfica, tanto los diagramas de barras como las grficas de lneas son de gran utilidad. En un diagrama de barras, una serie de barras representa cantidades de una serie de tiempo.
EJEMPLO 14. En el diagrama de barras de la figura 2-9 se recoge la informacin de ganancias netas (en millones de dlares) de un importante banco comercial durante una secuencia de aos codificados.
En un diagrama de barras de componentes se marcan subdivisiones en las barras del diagrama. Por ejemplo, cada barra de la figura 2-9 podra subdividirse en distintas partes (tal vez diferenciadas con colores) para indicar la contribucin relativa de cada segmento de la empresa a las ganancias netas de cada ao. (Vase problema resuelto 2.29.) Una grfica de lneas contiene cantidades de series de tiempo unidas entre s por segmentos lineales.
CAP. 2]
17
170160150
J2 *S
140-
"'
130120-
110100901 1 1
^
1 1 1 2
1 3
1
4
1
5
1
6
Ao
Fig. 2-9 Diagrama de barras. EJEMPLO 15. Los datos de la figura 2-9 se presentan en forma de grfica de lneas en la figura 2-10.
170-
160150140-
.3 *S
e a O
130120110-
100-
90-
I 1
I 2
! 3
I 4
I 5
I 6
Ao
Fig. 2-10 Grfica de lneas,

2.12 GRFICAS DE CORRIDAS
Una grfica de corridas es una grfica de valores de datos en el orden secuencial temporal en que fueron observados. Los valores trazados pueden ser valores observados individuales o valores compendiados, como en el caso de una serie de medias mustrales. Cuando a una grfica de este tipo se le agregan los lmites inferior y superior del muestreo de aceptacin, se le llama grfica de control. La determinacin de esos lmites y el uso de las grficas de control en el control estadstico de calidad se explican e ilustran en el captulo 20.
18
[CAP. 2
EJEMPLO 16. En la figura 2-11 se muestra una grfica de corridas de la secuencia de pesos medios de muestras de cuatro paquetes de papas fritas tomadas en 15 momentos distintos con el mtodo de muestreo de subgrupos racionales (vase captulo 1, ejemplo 13). La secuencia de pesos medios de las muestras fue la siguiente: 14.99, 15.08, 15.05, 14.95, 15.04, 14.91, 15.01, 14.84, 14.80, 14.98, 14.96, 15.00, 15.02, 15.07 y 15.02 onzas. La especificacin de peso neto promedio por empacar en el proceso es de 15.00 onzas. La determinacin de si considerar o no como una desviacin significativa a cualquiera de las desviaciones de estas medias mustrales respecto de la norma de peso especificada se expondr ampliamente en el captulo 20, problemas resueltos 20.13 y 20.14.
15.1-
15.0^ ^"^^
a a
en
s
o
14.9-
14.8! 10
Muestra
15
Fig, 2-11 Grfica de corridas.
2.13
DIAGRAMAS CIRCULARES
Un diagrama circular es una figura en forma de pastel cuyas piezas representan divisiones de una cantidad total, como podra serlo la distribucin de las ventas en dlares de una compaa. Un diagrama circular de porcentajes es aquel cuyos valores han sido convertidos a porcentajes para facilitar su comparacin.
EJEMPLO 17. La figura 2-12 es un diagrama circular en el que se describen los ingresos y el porcentaje de ingresos totales de Xerox Corporation durante un ao reciente de acuerdo con las categoras actividad principal (que Xerox denomina "zona de importancia decisiva"), mercados en crecimiento, pases en desarrollo y nichos de oportunidad.
Ingresos de Xerox Corporation(en miles de millones de dlares)

Principal (10,65.8%)
Nichos (1,5.1%) En desarrollo (1,5.1%)
Mercados en crecimiento (4,24.0%) Fig. 2-12 Diagrama circular.
CAP. 2]
19
Problemas resueltos
DISTRIBUCIONES DE FRECUENCIAS, INTERVALOS DE CLASE Y MTODOS GRFICOS CORRESPONDIENTES
2.1
En referencia a la tabla 2.5,
Tabla 2.5
Distribucin de frecuencias de tasas de renta mensual por departamento de 200 departamentos-estudios Nmero de departamentos
3 8 10 13 33 40 35 30 16 12
Tasa de renta $350-379 380-409 410-439 440^69 470-499 500-529 530-559 560-589 590-619 620-649
Total
200
a) cules son los lmites nominales inferior y superior de la primera clase? b) cules son los lmites exactos inferior y superior de la primera clase? c) el intervalo de clase aplicado es igual en todas las clases de la distribucin. Cul es el tamao de este intervalo? d) cul es el punto medio de la primera clase? e) cules son los lmites exactos inferior y superior de la clase en la que fue tabulado el mayor nmero de tasas de renta por departamento? /) supongamos que se reportara una tasa de renta mensual de $439.50. Identifique los lmites nominales inferior y superior de la clase en la que sera contabilizada esta observacin.
a) b) $350 y $379 $340.50 y $379.50. (Nota: Como en el ejemplo 2, en este caso se expresan dos dgitos adicionales en lugar de uno solo, situacin esta ltima que suele ser ms comn en los lmites exactos de clase en comparacin con los lmites nominales de clase.) c) Si nos atenemos al intervalo de los valores de la primera clase, $379.50 - $349.50 = $30 (resta del lmite exacto de clase inferior al lmite exacto de clase superior de la clase) $380 - $350 = $30 (resta del lmite nominal de clase inferior de la clase al lmite nominal de clase inferior de la clase adyacente superior) rf) $349.50 + 30/2 - $349.50 + $15.00 - $364.50 e) $499.50 y $529.50 ./) $440 y $469. (Nota: $439.50 se redondea primeramente en $440, el dlar ms cercano, de acuerdo con la regla de nmeros pares descrita en la seccin 2.1.)
2.2
Elabore un histograma con los datos de la tabla 2.5.

En la figura 2-13 aparece un histograma de los datos de la tabla 2.5.
20
[CAP. 2
40
I
O
20
10
349.50 379.50
409.50 439.50
469.50
499.50
529.50 559.50
589.50 619.50
649.50
Tasa de renta (lmites exactos de clase), en dlares

Fig. 2-13
2.3
Elabore un polgono de frecuencias y una curva de frecuencias con los datos de la tabla2.5.
La figura 2-14 es una representacin grfica del polgono de frecuencias y la curva de frecuencias de los datos de la tabla2.5.
ACOTACIONES
W)
e
e o
40
Polgono de frecuencias
30
Curva de frecuencias
IM
es D.
20
4*
10
334.50
364.50 394.50
424.50 454.50 484.50
514.50
544.50
574.50
604.50
634.50 664.50
Tasa de renta (puntos medios de clase), en dlares

Fig. 2-14
2.4
Describa la curva de frecuencias de la figura 2-14 desde el punto de vista de su asimetra.

La curva de frecuencias parece corresponder al tipo asimtrico negativo.
2.5
Elabore una distribucin de frecuencias acumuladas con los datos de la tabla 2.5.
Vase tabla 2.6.
2.6
Represente grficamente la distribucin de frecuencias acumuladas de la tabla 2.6 por medio de una ojiva.
La ojiva de los datos de la tabla 2.6 aparece en la figura 2-15.
CAP. 2]
21
Tabla 2.6
Distribucin de frecuencias acumuladas de tasas de rentas de departamentos Fronteras de clase $349.50-379.50 379.50-409.50 409.50-439.50 439.50-469.50 469.50-499.50 499.50-529.50 529.50-559.50 559.50-589.50 589.50-619.50 619.50-649.50 Total Nmero de departamentos
3 8 10 13 33 40 35 30 16 12
Tasa de renta $350-379 38CM09 410-439 440-469 470-499 500-529 530-559 560-589 590-619 620-649
Frecuencias acumuladas
3 11
21 34 67 107 142 172 188 200
200
fa
200
150 100
50
O
349.50 379.50 409.50 439.50 469.50 499.50 529.50 559.50 589.50 619.50 649.50
Tasa de renta (lmites exactos de clase), en dlares Fig. 2-15
2.7
En la tabla 2.7 se enlistan los tiempos requeridos para la conclusin de una tarea de ensamble para una muestra de 30 empleados que presentaron su solicitud de ascenso a un puesto de ensamble de precisin. Supongamos que nos interesa organizar estos datos en cinco clases de igual tamao. Determine el tamao de intervalo correspondiente.
Intervalo aproximado = mayor valor en datos no agrupados
18-9
menor valor en datos no agrupados
nmero de clases deseadas

= 1.80
En este caso, es conveniente redondear el intervalo en 2.0. Tabla 2.7 Tiempos de ensamble de 30 empleados, en minutos
10 16 15
9
12 11
14 12 18 15 10 16
15 14 9 11 17 12
13 11 14 13 16 14
17 13 14 11 12 15
22
[CAP. 2
2.8
Elabore una distribucin de frecuencias de los datos de la tabla 2.7 con un intervalo de clase de 2.0 para todas las clases y fijando en 9 minutos el lmite nominal inferior de la primera clase.
La distribucin requerida aparece en la tabla 2.8.
Tabla 2.8 Distribucin de frecuencias de los tiempos de ensamble Tiempo, en min Nmero de empleados
4 8 8 7 3
Total 30
9-10 11-12 13-14 15-16 17-18
2.9
Remtase a la clase con el menor nmero de empleados de la tabla 2.8 e identifique a) sus lmites exactos, b) su intervalo y c) su punto medio.
a) 16.5-18.5, b) 18.5 - 16.5 - 2.0, c) 16.5 + 2.0/2 = 17.5.
2.10
Elabore un histograma con la distribucin de frecuencias de la tabla 2.8. El histograma se presenta en la figura 2-16.
/ 10
8.5
10.5
12.5
14.5
16.5
18.5
Tiempo, en minutos
Fig. 2-16
2.11
Elabore un polgono de frecuencias y una curva de frecuencias con los datos de la tabla 2.8.
El polgono de frecuencias y la tabla de frecuencias aparecen en la figura 2-17.
2.12
Describa la curva de frecuencias de la figura 2-17 en trminos de su asimetra. Esta curva de frecuencias es casi simtrica, aunque con una ligera asimetra positiva.
CAP. 2]
23
/ 10 8
7.5
9.5
11.5
13.5
15.5
17.5
19.5
Tiempo, en minutos
Fig. 2-17
2.13
Elabore una distribucin de frecuencias acumuladas con la distribucin de frecuencias de tiempos de ensamble de la tabla 2.8; emplee lmites exactos para identificar cada clase e incluya en la tabla tanto porcentajes acumulados como frecuencias acumuladas.
Vase la tabla 2.9 para la distribucin de frecuencias acumuladas.
Tabla 2.9 Distribucin de frecuencias acumuladas de los tiempos de ensamble Tiempo, en min 8.5-10.5 10.5-12.5 12.5-14.5 14.5-16.5 16.5-18.5
/
4
fa
4 12 20 27 30
% acumulado
8 8 7 3
13.3 40.0 66.7 90.0 100.0
2.14
Remtase a la distribucin de frecuencias acumuladas de la tabla 2.9. a) Trace la ojiva de porcentajes de estos datos. >) En qu punto percentil se encontrara un tiempo de ensamble de 15 minutos? c) Cul es el tiempo de ensamble del 20o. percentil de la distribucin?
a) b) c) La ojiva se presenta en la figura 2-18. Tal como se deduce de las lneas punteadas en la seccin superior de la figura, el percentil aproximado correspondiente a 15 minutos de tiempo de ensamble es 72. Tal como se deduce de las lneas punteadas de la seccin inferior de la figura, el tiempo aproximado del 20o. percentil es 11 minutos.
24
[CAP. 2
100 -
80 60 -
40 -
8.5
10.5
12.5
14.5
16.5
18.5
Tiempo, en minutos
Fig. 2-18
FORMAS DE CURVAS DE FRECUENCIAS
2.15
Dada la curva de frecuencias d) de la figura 2-19, la cual es simtrica y mesocrtica, describa las curvas b), c\ d), e) yj) en trminos de asimetra y curtosis.
La curva b) es simtrica y leptocrtica; la curva c\ asimtrica positiva y mesocrtica; la curva d) asimtrica negativa y mesocrtica; la curva e), simtrica y platicrtica, y la curvay) asimtrica positiva y leptocrtica.
e}
Fig. 2-19
2.16
Siguiendo las instrucciones de la seccin 2.6, determine a) las frecuencias relativas y b) las proporciones acumuladas de los datos de la tabla 2.10.
Las frecuencias relativas y las proporciones acumuladas de los datos de la tabla 2.10 aparecen en la tabla 2.11.
REPRESENTACIONES ESTADSTICAS\
Tabla 2.10 Nmero promedio de accidentes por millar de horas-hombre en una industria Nmero promedio de accidentes por millar de horas-hombre 1.5-1.7 1.8-2.0 2.1-2.3 2.4-2.6 2.7-2.9 3.0-3.2 Total
Nmero de empresas
3
12 14 9 7 5
50
Tabla 2.11
Frecuencias relativas y proporciones acumuladas del nmero promedio de accidentes Nmero de empresas
a) Frecuencias relativas b) Proporciones acumuladas
Nmero promedio de accidentes por millar de horas-hombre 1.5-1.7 1.8-2.0 2.1-2.3 2.4-2.6 2.7-2.9 3.0-3.2
3 12
14
9
7 5
Total 50
0.06 0.24 0.28 0.18 0.14 0.10 Total 100
0.06 0.30
0.58 0.76 0.90 1.00
2.17
En referencia a la tabla 2.11, elabore a) un histograma de la distribucin de frecuencias relativas y b) una ojiva de las proporciones acumuladas.
a) Vase figura 2-20.
30
20
.2 U
u.
10
o
1.45
1.75
2.05
2J5
2.65
2.95
3.25
Nmero promedio de accidentes

Fig. 2-20
6)
Vase figura 2-21.
26
[CAP. 2
100 -
1.45
Nmero promedio de accidentes
Fig. 2-21
2.18
a) En referencia a la tabla 2.11, qu proporcin de empresas pertenecen a la categora de un promedio de al menos 3.0 accidentes por cada mil horas-hombre? b) Qu porcentaje de empresas se hallan en o por debajo de un promedio de 2.0 accidentes por cada mil horas-hombre?
o) 0.10, b) 6% + 24% = 30%
2.19
a) En referencia a la tabla 2.11, cul es el valor percentil asociado con un promedio de 2.95 (aproximadamente 3.0) accidentes por cada mil horas-hombre? b) Cul es el nmero promedio de accidentes en el 58o. percentil?
a) 90o. percentil, b) 2.35.
2.20
Por interpolacin grfica en una ojiva podemos determinar los percentiles aproximados de diversos valores de la variable y viceversa. En referencia a la figura 2-21, d) Cul es el percentil aproximado asociado con un promedio de 2.5 accidentes? b) Cul es el nmero promedio aproximado de accidentes en el 50o. percentil?
d) b) 65o. percentil. (sta es la altura aproximadade la ojiva correspondiente a 2.50 en el eje horizontal.) 2.25. (ste es el punto aproximado en el eje horizontal que corresponde a la altura de 0.50 de la ojiva.)
DISTRIBUCIN DE FRECUENCIAS DEL TIPO "Y MENOR QUE" 2.21 Identifique los lmites exactos de clase de los datos de la tabla 2.12.
Tabla 2.12 Tiempo requerido para procesar y preparar pedidos postales
Tiempo, en min 5 y menor que 8 8 y menor que 11

11 y menor que 14
Nmero de pedidos
10 17 12
14 y menor que 17
17 y menor que 20 Total
6
2
47
Con base en la tabla 2.12,
CAP. 2]
27
Tabla 2.13
Tiempo requerido para procesar y preparar pedidos postales (con lmites exactos de clase) Lmites exactos de clase Nmero de pedidos
10 17
Tiempo, enmin 5 y menor que 8 8 y menor que 11 11 y menor que 14 14 y menor que 17 17 y menor que 20
5.0- 8.0 8.0-11.0 11.0-14.0

14.0-17.0
12
6 2
17.0-20.0 Total
47
2.22
Elabore un polgono de frecuencias de la distribucin de frecuencias de la tabla 2.13 El polgono de frecuencias aparece en la figura 2-22.
18
o
5
12
O
)H
E
O
3.5
6.5
9.5
12.5
15.5
18.5
21.5
Tiempo requerido (puntos medios), en minutos

Fig. 2-22
2.23
Use software de cmputo para construir una distribucin de frecuencias y producir un histograma de los datos de la tabla 2.7, en la que se enlistan los tiempos en minutos para la realizacin de una tarea de ensamble en una muestra de 30 empleados. a) b) c) d) )
a)
Describa el tipo de la distribucin de frecuencias encontrada. Identifique el punto medio de la primera clase. Determine el tamao del intervalo de clase. identifique los lmites nominales de clase inferior y superior de la primera clase. Determine los lmites exactos de clase inferior y superior de la primera clase.
En la figura 2-23 se presenta el histograma obtenido por computadora. Se trata de una distribucin de frecuencias del tipo "y menor que". Esto se ilustra en la solucin del inciso d), ms adelante. b) 10. c) En referencia a los puntos medios de dos clases adyacentes: 12 - 10^2. d) 9 y menor que 11. (En el caso de los datos reportados, esto incluira a todos los tiempos reportados de 9 y 10 minutos, pero no a los de 11 minutos.) e) 9.0 y 11.0.
28
[CAR 2
8
7-
6Gfl 3t
54-
u,
-1 _
2 1 -1
0-
I 10
f
12
! 14
I 16
I 18
Tiempo
Fig. 2-23 Solucin del problema 2.23 obtenida en Minitab.
2.24
Remtase al problema anterior. Realice de nuevo el anlisis con la especificacin de que el punto medio de la primera clase debe fijarse en 9.0 y se debe emplear un intervalo de clase de 1.0. a) b) c) d) e)
a) b) c)
Describa el tipo de la distribucin de frecuencias encontrada. Identifique el punto medio de la primera clase. Determine el tamao del intervalo de clase. Identifique los lmites nominales de clase inferior y superior de la primera clase. Determine los lmites exactos de clase inferior y superior de la primera clase.
Se trata de una distribucin de frecuencias del tipo "y menor que". 9. En referencia a los puntos medios de dos clases adyacentes: 10-9= 1.
5
En la figura 2-24 se presenta el histograma obtenido por computadora.
4-
1 a
3i
1 9
1 10
1 11
1 12
1 13
1 14
1 15
1 16
1 17
1 18
Tiempo Fig. 2-24 Solucin del problema 2.24 obtenida en Minitab.
CAP. 2]
29
d)
e)
8.5 y menor que 9.5. (En el caso de los datos reportados, esto incluira simplemente a todos los tiempos reportados de 9 minutos.) 8.5 y 9.5.
DIAGRAMAS DE TALLO Y HOJAS
2.25
En la tabla 2.14 aparece un listado de las temperaturas ms alta y ms baja registradas el 15 de mayo de un ao reciente en 40 ciudades estadunidenses seleccionadas. Elabore un diagrama de tallo y hojas de las temperaturas registradas ms altas.
Tabla 2.14 Temperaturas ms alta y ms baja de 40 ciudades estadunidenses Ms alta Albany, N. Y. Anchorage Atlanta Austin Birmingham Boston Buffalo Casper Chicago Cleveland Columbia, S.C, Columbus, Oh. Dallas Detroit Forth Wayne Green Bay Honolul Houston Jacksonville Kansas City
69 60 76 82 76 64 63 58 76 70 74 71 86 71 76 75 84 84 77 72
Ms baja
39 47 46 66 42 53 44 51 45 40 47 40 68 43 37 38 65 67 50 59
Ms alta Las Vegas
Ms baja
63 61 51 67 48 50 64 74 44 53 46 42 58 69 62 55 50 43 59 52
Los ngeles
Memphis Miami Beach Milwaukee Ciudad de Nueva York Palm Springs Phoenix Pittsburgh Portland, Ore. Richmond Roche ster, N. Y St. Louis San Antonio San Diego San Francisco Seattle Syracuse Tampa Washington D. C.
94 76 78 82 75 74 93 94 67 70 70 62 76 81 69 78 67 63 85 69
El diagrama de tallo y hojas aparece en la figura 2-25.
Tronco
5
Hojas
8
6 7 "
8 9
0 2 3 3 4 7 7 9 9 9 0 0 0 1 1 2 4 4 5 5 6 6 6 6 6 6 7 8 8
1 2 2 4 4 5 6 3 4 4
Fig. 2-25
Diagrama de tallo y hojas.
2.26
Use software de cmputo para obtener un diagrama de tallo y hojas de los puntajes incluidos en la tabla 2.4. Compare sus resultados con el diagrama de tallo y hojas de la figura 2-7.
El diagrama de tallo y hojas aparece en la figura 2-26. Adems de valores de tallo y hojas, Minitab incluye entre sus resultados una columna adicional con informacin de frecuencias acumuladas. Los tres primeros nmeros en sentido descendente indican que el primer tronco contiene dos puntajes; que, considerados en conjunto, el primero y segundo troncos contienen un total de 12 puntajes, y que los tres primeros troncos contienen un total de 24 puntajes. El cuarto nmero, (15), aparece entre parntesis, lo que indica que este tronco contiene el puntaje medio del grupo tras la ordenacin de los 50 puntajes reportados e incluye 15 puntajes reportados. Los nmeros restantes de la columna se leen en sentido ascendente. El nmero que aparece ms abajo, 2, indica que ese tronco contiene dos puntajes, mientras que el nmero inmediatamentesuperior, 11, indica que el primero y segundo troncos de abajo hacia arriba incluyen un total de 11 puntajes.
30
[CAP. 2
Stem-and-leaf of Scores N - 50 Leaf Unit = 1.0

2 12 24 (15) 11 2 5 6 7 8 9 10 89 2233555669 122344566788 011222344556788 012466789 00
Fig. 2-26 Resultados en Minitab. Tabla 2.15 Ritmos cardiacos en estado de reposo de una muestra de adultos, de 30-35 aos de edad
Fumador habitual? Gnero
(0 = F; 1 = M) 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0
Ritmo cardiaco
(0 = no; 1 = s) 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
82 68
78 80 62 60 62 76 74 74 68 68 64 76 88 70 78 80 74 82 80 90 64 74 70 74 84 72 92 64 94 80 78 88 60 68 90 89 68 72
0 0 0 0
0
1 1 1 1 1 1 1 1 1
0
0 0 0 0 0
1 1
1 1 1 1 1 1 1 1
1
1 1 1
1
1 1 1 1 1
1
CAP. 2]
31
DIAGRAMAS DE PUNTOS
2.27
En la tabla 2.15 se presentan los ritmos cardiacos en estado de descanso de una muestra de 40 adultos, la mitad de los cuales no fuman (cdigo 0) en tanto que la otra mitad la componen fumadores regulares (cdigo 1). Use software de cmputo para elaborar un diagrama de puntos que facilite la comparacin entre el ritmo cardiaco de los no fumadores y de los fumadores de esta muestra. Interprete el diagrama de puntos que obtenga.
En la figura 2-27 se presenta un diagrama de puntos en el que los dos subgrupos de personas aparecen por separado, aunque con la misma escala a fin de facilitar la comparacin. Tal como se desprende de la concentracin de las respectivas distribuciones, la muestra de fumadores habituales deja ver que el ritmo cardiaco de stos es ligeramente superior al de los no fumadores. Tal como lo indica a su vez la dispersin de cada subconjunto de datos, los fumadores presentan mayor variabilidad en su ritmo cardiaco que los no fumadores. La consideracin acerca de si estas diferencias mustrales pueden interpretarse como indicativas de diferencias reales en la poblacin ser tratada en los captulos 9 y 11, que se ocupan, respectivamente, de la estimacin de la diferencia entre parmetros de la poblacin y de la prueba de diferencias en parmetros de la poblacin.
SMOKER O PULSE SMOKER 1
+ 63 O
h
-- -4-
_,__
i ,
70.0
77.0
84.0
91.0
PULSE 98.0
Fig. 2-27 Resultados en Minitab.
DIAGRAMAS DE BARRAS Y GRFICAS DE LINEAS
2.28
La tabla 2.16 incluye algunos de los resultados financieros reportados por una compaa generadora de energa elctrica durante seis aos consecutivos. Elabore un diagrama de barras verticales en la que se describan las utilidades anuales por accin de esta compaa correspondientes a los aos codificados.
Tabla 2.16 Utilidades por accin de operaciones, dividendos y utilidades retenidas de una compaa generadora de energa elctrica Utilidades
$1.61 2.17 2.48 3.09 4.02 4.35
Dividendos
Ao
Utilidades retenidas $0.09 0.45 0.56 0.89 1.42 1.35
1 2 3 4 5 6
$1.52 1.72 1.92 2.20 2,60 3.00
El diagrama de barras aparece en la figura 2-28.
2.29
Elabore un diagrama de barras de componentes con los datos de la tabla 2.16 en tal forma que indique la divisin de utilidades por accin entre dividendos (D) y utilidades retenidas (R) en cada ao.
f
En la figura 2-29 se presenta un diagrama de barras de componentes de los datos de la tabla 2.16.
2.30
Elabore una grfica de lneas de las utilidades por accin reportadas en la tabla 2.16.
La grfica de lneas aparece en la figura 2-30.
CAP. 2]
33
GRFICAS DE CORRIDAS
2.31
Cuando un proceso de canje de cupones se halla bajo control, un mximo de 3% de las deducciones se realizan incorrectamente, de modo que la proporcin mxima aceptable de errores es de 0.03. En relacin con 20 muestras secuenciales de 100 canjes de cupones cada una, una auditora revela que el nmero de errores encontrados en las muestras de subgrupos racionales es: 2, 2, 3, 6, 1,3, 6,4, 7,2, 5, O, 3, 2,4, 5, 3, 8,1 y 4. Convierta en proporciones estos nmeros de errores por muestra de 100 y elabore la grfica de corridas de las proporciones de los errores observados.
La grfica de corridas aparece en la figura 2-31, tal como se le obtuvo con el empleo del software de cmputo Minitab.
0.08
0.07 -
0.06 0.05 -
o.
0.04 0.03 -
0.02 0.01 0.00 -
Muestra
i 5
I 10
I 15
I 20
Fig. 2-31
Grfica de corridas.
DIAGRAMAS CIRCULARES
2.32
En la tabla 2.17 aparecen los montos de portafolios de inversiones en varias zonas geogrficas de un fondo de inversin de acciones globales. Elabore un diagrama circular de porcentajes con esta informacin.
Tabla 2.17 Distribucin de inversiones: Fondo de acciones globales (en millones de dlares) E.U. y Amrica del Norte Japn y Extremo Oriente Europa continental Inglaterra
$231 158 84 53 Total $526
El diagrama circular se presenta en la figura 2-32.
34
[CAP. 2
Distribucin de inversiones (en millones de dlares) Amrica del Norte (231,43.9%)
Inglaterra (53,10.1%) Extremo Oriente (158,30.0%) Europa (84,16.0%) Fig. 2-32 Diagrama circular.
Problemas complementarios
DISTRIBUCIONES DE FRECUENCIAS, INTERVALOS DE CLASE Y MTODOS GRFICOS CORRESPONDIENTES
2.33
La tabla 2.18 es una distribucin de frecuencias del kilometraje por gasolina obtenida con base en una muestra de 25 viajes de vehculos de una compaa, a) Cules son los lmites nominales inferior y superior de la ltima clase? b) Cules son los lmites exactos inferior y superior de la ltima clase? c) Qu intervalo de clase se us? d) Cul es el punto medio de la ltima clase? e) Supongamos que el kilometraje por litro de un viaje especfico fue de 29.9. Indique los lmites inferior y superior de la clase en la que fue incluido este resultado.
Resp. a) 34.0 y 35. 9, b) 33.95 y 35.95, c) 2.0, d) 34.95, e) 28.0 y 29.9
Tabla 2.18 Kilometraje automovilstico de 25 viajes de vehculos empresariales Kilmetros por litro 24.0-25.9 26.0-27.9 28.0-29.9 30.0-31.9 32.0-33.9 34.0-35.9 Nmero de viajes
3 5
10 4
2 1
Total 25
2.34 2.35
Elabore un histograma con los datos de la tabla 2.18. Elabore un polgono de frecuencias y una curva de frecuencias con los datos de la tabla 2.18
CAP. 2]
35
236
Describa la curva de frecuencias resultante del problema 2.35 desde el punto de vista de su asimetra. Resp. Esta curva de frecuencias parece ser del tipo asimtrico positivo.
237
Forme una distribucin de frecuencias acumuladas con los datos de la tabla 2.18 y elabore una ojiva para la represen tacin grfica de esta distribucin. En la tabla 2.19 se presentan las cantidades de 40 prstamos personales utilizados para financiar la compra de muebles y aparatos elctricos. Supongamos que nos interesa ordenar estas cantidades en una distribucin de frecuencias con un total de siete clases. Partiendo del supuesto de intervalos de clase iguales, cul sera el intervalo de clase ms conveniente para esta distribucin de frecuencias?
Resp. $400
238
Tabla 2.19 Cantidades de 40 prstamos personales $932 515 452 1900
$1000
554
1200 1278
2540 586 1 650 1219
973 660 720 1388 851 329 1423

727
$356 1 190 300 1610 1525 1000 1 890 935

592 655
$2227 954 2112 445 784
870 630 3000

334
1590
239 2.40 2.41 2.42
Elabore una distribucin de frecuencias con los datos de la tabla 2.19 iniciando la primera clase con un lmite de clase inferior de $300 y aplicando un intervalo de clase de $400. Elabore un histograma de la distribucin de frecuencias formada en el problema 2.39. Elabore un polgono de frecuencias y una curva de frecuencias de la distribucin de frecuencias formada en el problema 2.39. Describa la curva de frecuencias resultante del problema 2.41 en trminos de su asimetra. Resp. Se trata evidentemente de una curva de frecuencias asimtrica positiva.
2.43
Elabore una distribucin de frecuencias acumuladas de la distribucin de frecuencias formada en el problema 2.39 y trace una ojiva con estos datos.
FORMAS DE CURVAS DE FRECUENCIAS
2.44
Describa las siguientes curvas en trminos de asimetra o curtosis, como corresponda: a) una curva de frecuencias con una cola a la derecha, b) una curva de frecuencias relativamente afilada, c) una curva de frecuencias relativamente plana, d) una curva de frecuencias con cola a la izquierda. Resp. a) Asimtrica positiva, b) leptocrtica, c) platicrtica, d) asimtrica negativa
2.45
Elabore una tabla de frecuencias relativas a partir de la distribucin de frecuencias presentada en la tabla 2.20,
36
[CAP. 2
Tabla 2.20
Periodo de vida de herramientas cortantes en un proceso industrial Nmero de herramientas

2 4 12 30 18 4
Horas antes de remplazo 0.0-24.9 25.0-49.9 50.0-74.9 75.0-99.9 100.0-124.9 125.0-149.0
Total
70
2.46 2.47
Elabore un histograma de la distribucin de frecuencias relativas del problema 2.45. En referencia a la tabla 2.20, a) Qu porcentaje de herramientas cortantes dur al menos 125 horas? b) Qu porcentaje de herramientas cortantes tuvo un periodo de vida de al menos 100 horas? Resp. a) 6%, b) 31%
2.48 2.49
Elabore una tabla de proporciones acumuladas con la distribucin de frecuencias de la tabla 2.20. En referencia a la tabla resultante del problema 2.48, a) Qu periodo de vida de las herramientas se asocia con el 26o. percentil de la distribucin? b) Cul percentil se asocia con un periodo de vida de herramientas de aproximadamente 100 horas? Resp. ) 74.95 hr, = 75 hr, b) 69o. percentil
2.50
2.51
Elabore una ojiva con las proporciones acumuladas determinadas en el problema 2.48. Remtase a la ojiva elaborada en el problema 2.50 y determine los siguientes valores, aproximadamente, por medio de interpolacin grfica: a) el periodo de vida de las herramientas en el 50o. percentil de la distribucin, b) el percentil asociado con un periodo de vida de herramientas de 60 horas. Resp. a) Aproximadamente 89 hr, b) aproximadamente el 16o. percentil
DISTRIBUCIN DE FRECUENCIAS DEL TIPO "Y MENOR QUE
2.52
En referencia a la distribucin de frecuencias de la tabla 2.21, determine a) el lmite nominal inferior de la primera clase, ?) el lmite nominal superior de la primera clase, c) el lmite exacto inferior de la primera clase, d) el lmite exacto superior de la primera clase, e) el punto medio de la primera clase. Resp. a) 18, b) 20, c) 18.0, d) 20.0, e) 19.0 Tabla 2.21 Edades de una muestra de candidatos a un programa de capacitacin Edad 1 8 y menor que 20 20 y menor que 22 22 y menor que 24 24 y menor que 26 26 y menor que 28 28 y menor que 30 30 y menor que 32 Total Nmero de candidatos
5 18 10 6
5 4 2 50

Estadística Aplicada A La Administración y La Economía - Leonard J. Kazmier

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Estadística Aplicada A La Administración y La Economía - Leonard J. Kazmier

Încărcat de

Drepturi de autor:

Formate disponibile

.

Lo ms parecido a tener un profesor en casa

Excel para Windows

ESTADSTICA APLICADA A LA ADMINISTRACIN Y A LA ECONOMA

ESTADSTICA APLICADA A LA ADMINISTRACIN Y A LA ECONOMA

Revisin Tcnica ALEJANDRO ALEGRA HERNNDEZ

Profesor Titular Departamento de Estadstica

Instituto Tecnolgico Autnomo de Mxico

Se tiraron 4500 ejemplares

114 114 114 117 118 119 120 121

133 133 133 134 135 136

137 138 139 140 140

150 151 152 152 153 154 155

163 163 163

164 167 169 170 171 172 172 173

206 206 206 208 210 213

228 228 229 230 230 231 232 233

304 304 304 304

17.4 17.5 17.6 17.7 17.8 17.9 17.10 17.11

305 305 305 306 306 306 306 307

315 315 316 317 319 320 321

335 335 336 337 339 342 344

372 372 372 373 373 374

21.6 21.7 21.8 21.9

374 375 376 376

Apndice 1 Apndice 2 Apndice 3

TABLA DE NMEROS ALEATORIOS PROBABILIDADES BINOMIALES VALORES DE e~K

387 388 391 392

396 397 398 399 402 403 405

PROPORCIONES DE REA PARA LA DISTRIBUCIN tf

ESTADSTICA PARA NEGOCIOS CON EXCEL 5.0

13 TIPOS DE APLICACIONES EN ADMINISTRACIN Y ECONOMA

ANLISIS DE DATOS ECONMICOS Y ADMINISTRATIVOS

VARIABLES DISCRETAS Y CONTINUAS

OBTENCIN DE DATOS POR OBSERVACIN DIRECTA CONTRA ENCUESTAS

1.6 MTODOS DE MUESTREO ALEATORIO

ANLISIS DE DATOS ECONMICOS Y ADMINISTRATIVOS

OTROS MTODOS DE MUESTREO

ANLISIS DE DATOS ECONMICOS Y ADMINISTRATIVOS

TIPOS DE APLICACIONES EN ADMINISTRACIN Y ECONOMA

ANLISIS DE DATOS ECONMICOS Y ADMINISTRATIVOS

VARIABLES DISCRETAS Y CONTINUAS

OBTENCIN DE DATOS POR OBSERVACIN DIRECTA CONTRA ENCUESTAS

MTODOS DE MUESTREO ALEATORIO

ANLISIS DE DATOS ECONMICOS Y ADMINISTRATIVOS

OTROS MTODOS DE MUESTREO

USO DE SOFTWARE DE CMPUTO PARA LA GENERACIN DE NMEROS ALEATORIOS

MTB SUBC MTB MTB

> > > >

SAMPLE 350 228 288 MTB

125 116 290

Fig. 1-1 Resultados de Minitab.

ANLISIS DE DATOS ECONMICOS Y ADMINISTRATIVOS

TIPOS DE APLICACIONES EN ADMINISTRACIN Y ECONOMA

OBTENCIN DE DATOS POR OBSERVACIN DIRECTA CONTRA ENCUESTAS

MTODOS DE MUESTREO ALEATORIO

ANLISIS DE DATOS ECONMICOS Y ADMINISTRATIVOS

OTROS MTODOS DE MUESTREO

USO DE SOFTWARE DE CMPUTO PARA LA GENERACIN DE NMEROS ALEATORIOS

Distribucin de frecuencias de salarios semanales de 100 trabajadores no calificados Nmero de trabajadores

Salario semanal $240-259 260-279 280-299 300-319 320-339 340-359 Total

REPRESENTACIONES ESTADSTICAS Y ANLISIS DE GRFICAS

.309.50 329.50 349.50