Estadistica II

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS
RED NACIONAL UNIVERSITARIA
ADMINISTRACIN DE EMPRESAS
CUARTO SEMESTRE
SYLLABUS DE LA ASIGNATURA ESTADISTICA II

Elaborado por: Ing. Alberto Padilla Chvez
Gestin Acadmica I/2007
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
UDABOL
UNIVERSIDAD DE AQUINO BOLIVIA
Acreditada como PLENA mediante R.M. 288/01
VISIN DE LA UNIVERSIDAD
Ser la Universidad lder en calidad educativa.
MISIN DE LA UNIVERSIDAD
Desarrollar la Educacin Superior Universitaria con calidad y
competitividad al servicio de la sociedad.
Estimado (a) alumno (a):

La Universidad de Aquino Bolivia te brinda a travs del syllabus, la oportunidad de contar con una
compilacin de materiales que te sern de mucha utilidad en el desarrollo de la asignatura.
Consrvalo y aplcalo segn las instrucciones del docente.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
SYLLABUS GENRICO
Asignatura:
Cdigo:
Requisito:
Carga Horaria:
Crditos:
I.
Estadstica II
EFE 222
EFE 212
100 Horas
10
OBJETIVOS GENERALES DE LA ASIGNATURA.
El principal objetivo de esta materia es proporcionar al alumno una serie de conceptos y niveles de
medicin del riesgo bajo el concepto de probabilidad, insdipensable para la cabal comprensin de la
interrelacin entre variables
Al finalizar el mdulo el estudiante ser capaz de:
Comprender la utilidad de las probabilidades
Manejar las leyes de la probabilidad
Diferenciar las probabilidades discretas y continuas
Identificar la aplicacin de las diferentes probabilidades a casos especficos
Reconocer la importancia del Muestreo
Manejar las propiedades de los estimadores
Utilizar las pruebas de Hiptesis.
Elaborar, tabular y procesar datos para la ayuda de la toma de decisiones en una determinada
empresa.
Valorar la importancia del estudio de las variables estadsticas, y su efecto en estudios posteriores
para su aplicacin futura prctica en el desempeo de la toma de decisiones
Evaluar los procedimientos estadsticos, mediante la aplicacin de estadgrafos o medidas
descriptivas en diferentes rubros de la empresa a partir del conocimiento de los datos estadsticos
objeto de estudio
CARACTERIZACION DE LA ASIGNATURA
A medida que aumenta la complejidad del mundo, se hace ms difcil tomar decisiones informadas e
inteligentes. Con frecuencia, estas decisiones han de tomarse con un conocimiento imperfecto de la
situacin y un grado considerable de incertidumbre. Sin embargo, los hechos demuestran que se pueden
tomar decisiones inteligentes y al mismo tiempo resolver problemas.
En este sentido, los responsables de la toma de decisiones, tienen en la estadstica, una herramienta muy
valiosa. nicamente con la ayuda del anlisis estadstico, pueden tomarse decisiones inteligentes y
pertinentes, decisiones esenciales para el bienestar e incluso para la supervivencia.
Actualmente, actividades como control de calidad, minimizacin de costes, investigacin de mercados y
una multitud de otros aspectos empresariales se pueden gestionar con eficacia mediante.
Procedimientos estadsticos. Si usted es capaz de, en base a herramientas estadsticas, tomar decisiones
inteligentes y al mismo tiempo resolver problemas, estar en una excelente posicin en el mercado de
trabajo.
Finalmente, desde el punto de vista educativo se propone la formacin de una perspectiva cientfica del
estudiante en base a elementos terico prcticos de la asignatura acompaado de actividades de
extensin universitaria plasmadas en el trabajo de campo.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
II. PROGRAMA ANALTICO DE LA ASIGNATURA.

UNIDAD I
TEMA 1. PROBABILIDADES
1.1 Introduccin
1.2 Concepto de azar, experimento aleatorio, espacio muestral y eventos.
1.3 Tipos de eventos: eventos cualesquiera, eventos independientes y eventos mutuamente
excluyentes.
1.4 Teoras de probabilidad-teoremas fundamentales.
1.5 Probabilidad condicional- Teorema de Bayes.
TEMA 2. VARIABLE ALEATORIA
2.1 Definicin.2.2 Variables aleatorias discretas
2.3 Variables aleatorias continuas.
2.4 Funcin de probabilidades
2.5 Propiedades
2.6 Distribucin acumulada
2.7 Distribuciones continuas
2.8 Esperanza matemtica
2.9 Propiedades de la esperanza matemtica.
2.10 Varianza matemtica
2.11 Propiedades de la varianza matemtica.
TEMA 3. MODELOS DE PROBABILIDADES
3.1 Modelos discretos de probabilidades
3.2 Modelo Bernoulli
3.3 Modelo Binomial
3.4 Esperanza, varianza.
3.5 Modelo Poisson-Esperanza, varianza.
3.6 Modelos continuos de probabilidades- Modelo exponencial.
3.7 Modelo Normal
3.8 Distribucin X-cuadrado
3.9 Distribucin t-student
TEMA 4. ELEMENTOS DEL PROBLEMA DEL MUESTREO
4.1 Introduccin.4.2 Terminologa tcnica
4.3 Como seleccionar una muestra
4.4 Fuentes de error en las encuestas.
4.5 Mtodos de recoleccin de datos
4.6 Diseo de un cuestionario
4.7 Planeacin de una encuesta
TEMA 5. ESTIMACIN DE PARMETROS DE LA POBLACIN
5.1
5.2
5.3
5.4
5.5
5.6
Estimaciones y estimadores
Propiedades de los buenos estimadores
Intervalo de confianza para una media poblacional
Intervalo de confianza para la diferencia entre dos medias poblacionales.
Intervalo de confianza para una proporcin poblacional.
Intervalo de confianza para la diferencia entre dos proporciones poblacionales.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
TEMA 6. MUESTREO IRRESTRICTO ALEATORIO

6.1
6.2
6.3
6.4
6.5
Definicin
Como seleccionar una muestra irrestricta aleatoria
Estimacin de una media y un total poblacionales
Seleccin del tamao de muestra para estimacin de las medias y totales poblacionales
Estimacin de una proporcin poblacional.
TEMA 7. DOCIMACIA DE HIPTESIS

7.1 Definicin
7.2 Hiptesis nula e Hiptesis alternativa
7.3 Tipos de errores de estimacin- Error tipo I-error tipo II.
7.4 Decisor para rechazar la hiptesis nula
7.5 Docimacia de hiptesis
7.6 Pruebas bilaterales
7.7 Pruebas unilaterales
7.8 Docimacia de proporciones
7.9 Otras pruebas de hiptesis
7.10 La prueba t-student
7.11 La prueba F
7.12 Uso del paquete estadstico SPSS en computadora-Vaciado de datos-lectura e interpretacin de
resultados.
III ACTIVIDADES PROPUESTAS PARA LAS BRIGADAS UDABOL
Las brigadas estn destinadas a incidir de una manera significativa en la formacin profesional integral de
nuestros estudiantes y revelan las enormes potencialidades que presenta esta modalidad de la educacin
superior, no solamente para que conozcan a fondo la realidad del pais y se formen de manera integral,
sino ademas, para que incorporen a su preparacin academica los problemas de la vida real a los que
resulte imperativo encontrar soluciones desde el campo profesional en el que cada uno se desempear.
El trabajo de las brigadas permite que nuestros estudiantes se conviertan a mediano plazo en verdaderos
investigadores, capaces de elaborar y acometer proyectos de desarrollo comunitario a la vez que se
acostumbren a trabajar en equipos interdisciplinarios o multidisciplinarios como corresponde al desarrollo
alcanzado por la ciencia y la tecnologa en los tiempos actuales.
La ejecucin de diferentes programas de interaccin social y de elboracin e implementacin de proyectos
de desarrollo comunitario derivados de dichos programas confiere a los estudiantes, quienes son, sin
dudas, los ms beneficiados con esta iniciativa, la posibilidad de:
-
Desarrollar sus prcticas pre-profesionales en condiciones reales y tutorados por sus

docentes con procesos acadmicos de enseanza y aprendizaje de verdadera aula abierta.
Trabajar en equipos habitundose a ser parte integral de un todo que funciona como unidad,
desarrollando un lenguaje comn, criterios y opiniones comunes y planteandose metas y
objetivos para dar soluciones en comn a los problemas
Realizar investigaciones multidisciplinarias en un momento histrico en que la ciencia
atraviesa una etapa de diferenciacin y en que los avances tecnolgicos conllevan la aparicin
de nuevas y mas delimitadas especialidades.
Desarrollar una mentalidad, crtica y solidaria, con plena conciencia de nuestra realidad
nacional.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
ACTIVIDADES A REALIZAR VINCULADAS CON LOS CONTENIDOS DE LA MATERIA

TEMAS
PROPUESTOS
Aplicabilidad
de
los
conceptos probabilisticos
en
informacin
procesada.
Identificar los modelos
probabilistcos
en
diferente Instituciones a
visitar.
TEMAS CON LOS

QUE
SE
RELACIONAN
Unidad I: Del 1.1 al
1.5
Unidad II: Del 1.1 al
2.11
Unidad III: Del 3.1 al
3.11
Construir
una
distribucin muestral a
partir
de
untrabajo
realizado
en
la
asignatura de Estadstica
Descriptiva.
Efectuar
inferencias
estadsticas
computarizadas.
Unidad IV: Del 4.1 al

4.7
Forrmular hiptesis nulas

y alterativas con el uso
del software estadstico
SPSS, en las empresas
de telefonia celular.
Unidad VII: Del 7.1

al 7.12
Unidad V: Del 5,1 al

5.6
Unidad VII: Del 6.1
al 6.5
LUGAR
ACCION
DE
INSTITUTO
NACIONAL
ESTADISTICA
FECHA
PREVISTA
Semana 4
DE
BANCOS,
EMPRESAS
AGROPECUARIAS,
TRANCAS,
ESTACIONES DE
SERVICIO, ENTEL,
CRE Y COTAS.
INSTITUTO
NACIONAL
DE
ESTADISTICA
Semana 6
CENTRO
DE
PROCESAMIENTO
DE DATOS DE LAS
COOPERATIVAS
DE AGUA, LUZ Y
TELEFONO.
VIVA, TIGO
Y
ENTEL
Semana 15
Semana 12
Semana
17
Trabajo final de
la materia que
debe
ser
presentado
y
defendido ante
el
tribunal
calificador
ACTIVIDADES PROPUESTAS PARA LAS BRIGADAS UDABOL

De acuerdo a las caractersticas de la carrera y de la asignatura las actividades a realizar, por los
diferentes grupos de estudiantes.
Urbanas: Tendrn las caractersticas de trabajos prcticos con componente social y de duracin
prolongada y sistemtica donde participarn los alumnos en forma global o en grupos y concluirn con la
entrega del documento final que podr ser un proyecto, una investigacin o las memorias del trabajo
IV. EVALUACION DE LA ASIGNATURA
. PROCESUAL O FORMATIVA
Se proceder a realizar evaluaciones a lo largo del semestre mediante exposiciones individuales y
grupales, repasos cortos de la investigacin realizada en el aula; adems de los trabajos de investigacin
dirigidos mediante las brigadas en el rea elegida por el estudiante, independientemente de la cantidad,
cada una se tomar como evaluacin procesual la cual tendr un valor entre 0 y 50 puntos .
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
DE RESULTADOS DE LOS PROCESOS DE APRENDIZAJE O SUMATIVA (examen parcial o

final)
Se realizarn dos evaluaciones parciales con contenido terico y prctico de acuerdo al plan
calendario propuesto por la Universidad. Sobre 50 puntos cada uno El examen final consistir en un
examen escrito y en la presentacin final del trabajo de investigacin final la cual de acuerdo a las
caractersticas del mismo podr ser considerado como examen final. Este trabajo y los documentos
resultantes del trabajo de las brigadas realizadas, se calificar con una nota de 0 a 50 la nota del
examen final tendr un valor de 80 puntos y el trabajo final un valor de 20 puntos, se realizara un
evaluacin interna del trabajo final el cual participara de la feria empresarial y tendr un puntaje de 100
puntos sobre el examen final
.
V. BIBLIOGRAFIA.
MARK L. BERENSON/David M. LEVINE. Estadstica Bsica, Sexta Edicin. Ed.

Prentice Hall, 1996. (Biblioteca - UDABOL) 519.5 B45
MOYA Rufino / SARAVIA Gregorio. Probabilidad y Estadstica,

Marcos, 1987. (Biblioteca - UDABOL) 519.5 M87
Editorial San
VI. CONTROL DE EVALUACIONES Y APUNTES

1 evaluacin parcial
Fecha
Nota
2 evaluacin parcial
Fecha
Nota
Examen final
Fecha
Nota
APUNTES
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
VII. PLAN CALENDARIO

SEMANA
ACTIVIDADES ACADMICAS
OBSERVACIONES
Inicio del Trabajo
investigacin
de
1ra.
Avance de materia
1.1 hasta 1.3
2da.
Avance de materia
1.4 hasta 1.5
3ra.
Avance de materia
2.1 hasta 2.4
4ta.
Avance de materia
2.5 hasta 2.8
5ta.
Avance de materia
2.9 hasta 2.10
6ta.
Avance de materia
2.11
7ma.
Avance de materia
Primera Evaluacin Presentacin de Notas
8va.
Avance de materia
Primera Evaluacin Presentacin de Notas
9na.
Avance de materia
3.1 hasta 3.4
10ma.
Avance de materia
3.5 hasta 3.9
11ra.
Avance de materia
4.1 hasta 4.4
12da.
Avance de materia
4.5 hasta 4.6
13ra.
Avance de materia
14ta.
Avance de materia
Segunda Evaluacin Presentacin de Notas
15ta.
Avance de materia
Segunda Evaluacin Presentacin de Notas
16ta.
Avance de materia
Avance de materia
17ma
Avance de materia
18va.
19va.
4.7
5.1 hasta 5.3

5.4 hasta 5.6
5.4 hasta 5.6
Evaluacin Final
20 va
21ra.
Evaluacin Final
Presentacin de Notas
Evaluacin Final
Presentacin de Notas
VIII. WORK PAPERS

U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
PROGRAMA DE CONTROL DE CALIDAD

WORK PAPER # 1
UNIDAD O TEMA: INTRODUCCION
TITULO: Probabilidades
FECHA DE ENTREGA: Marzo- 2da semana
PERIODO DE EVALUACION : PRIMER PARCIAL
Probabilidad Bsica.
La probabilidad es la posibilidad u oportunidad de que suceda un evento particular. La probabilidad
involucrada es una porcin o fraccin cuyo valor vara entre cero y uno exclusivamente. Observamos
un evento que no tiene posibilidad de ocurrir (es decir, el evento nulo), tiene una probabilidad de cero,
mientras que un evento que seguramente ocurrir (es decir, el evento cierto), tiene una probabilidad de
uno. Ejemplo:
1.La posibilidad de sacar una carta con figura negra de una baraja.
2.La posibilidad de que un individuo seleccionado aleatoriamente de una encuesta este de acuerdo
con X tema.
3.La posibilidad que tenga xito un nuevo producto en el mercado.
Cada uno de los ejemplos anteriores se refiere a uno de los tres planteamientos del tema de la
probabilidad. El primero a menudo se denominacom el planteamiento de la pro
babilidad clsica a priori. Aqu la probabilidad de xito se basa en el conocimiento nterior del proceso
involucrado. En el caso ms simple, cuando cada resultado es igualmente posible. Esta posibilidad
puede definirse de la siguiente manera:
En el segundo ejemplo; llamado probabilidad clsica emprica, aunque la probabilidad se sigue
definiendo como la proporcin entre el nmero de resultados favorables y el nmero total de
resultados, estos resultados se basan en datos observados, no en el conocimiento anterior a un
proceso.
El tercer planteamiento de probabilidad se denomina el enfoque de probabilidad subjetiva. Mientras
que en los dos anteriores enfoques la probabilidad de un evento favorable se calculaba objetivamente,
ya fuera de un conocimiento previo o de datos reales, la probabilidad subjetiva se refiere a la
posibilidad de ocurrencia asignada a un evento por un individuo particular. La probabilidad subjetiva es
especialmetne til para la toma de decisiones en aquellas situaciones en que la probabilidad de
diversos eventos no puede determinarse empricamente.
Espacios de muestra y eventos
Los elementos bsicos de la teora de probabilidades son los resultados del proceso o fenmeno bajo
estudio. Cada tipo posible de ocurrencia se denomina un evento.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
Un evento simple puede puede describirse mediante una caracterstica sencilla. la compilacin de
todos los eventos posibles se llama el espacio muestral.
La manera en que se subdivide el espacioi muestral depende de los tipos de probabilidades que se
han de determinar. Tomando esto en cuenta, resulta de inters definir tanto el complemento de un
evento como un evento conjunto de la siguiente manera:
La complemento del evento A incluye todos los elementos que no son parte del evento A. Esta dado
por el smbolo A.
Un evento conjunto es un evento que tiene dos o ms caractersticas.
1.-Hallar el Espacio Muestral S y el numero de elementos n(S) de los siguientes Experimentos.
a.- Se considera el Sexo de un hijo.
b.- Se lanzan cuatro dados
c.- Nace una persona un dia de la semana.
d.- Se saca una carta de una baraja y se tira un dado.
2.- Calcular la Probabilidad de los siguientes Eventos.
a.- Si una radio trabaja 300 dias al ano. Cual es la Probabilidad de no estar trabajando.
b.- Que una persona nazca un dia mircoles.
c.- Que una persona nazca un fin de semana.
d.- En una encuesta de 80 personas, 60 personas estan a favor del aborto, calcular la Probabilidad
de que una este en contra.
3.- De un grupo de 75 radio-oyentes 30 escuchan Panamericana (P),50 escuchan Fides (F), 10 P
yF
Calcular cuantos escuchan :
a.- Solo P b.- P o F c.- Cuantos no escuchan ni P ni F .
d.- Calcular la Probabilidad que una persona escuche P
e.- Calcular la Probabilidad que una persona escuche solo F.
4.- De un grupo de estudiantes 60% aprobo Algebra (A), 35% Botanica (B)y 20 % ambas.
Calcular la Probabilidad de los siguientes eventos.
a.- Haber aprobado Botanica dado que aprobo Algebra.
b.- Haber aprobado Algebra dado que aprobo Botanica.
c.- Haber aprobado Algebra o Botanica.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
10

DIFs # 1
UNIDAD O TEMA: PROBABILIDAD
TITULO: EL CONCEPTO CLASICO DE PROBABILIDAD.
FECHA DE ENTREGA: Marzo 3ra Semana
FECHA DE EVALUACION: Primer parcial
FRECUENCIA RELATIVA DE 6 LANZANDO UN DADO

El presente DIF , tiene por objeto verificar el concepto Clasico de Probabilidad a travez de la Frecuncia
Relativa de un Evento . Este Experimento Aleatorio consistira en lanzar 100 veces un dado,anotando
los nros que salen en cada lanzamiento,sera conveniente agrupar los datos en bloques de 5 resultados
(un bloque de 5 resultados por linea),
Luego cuente los 6 obtenidos por bloque y expreselos en una proporcion por bloque.
Represente los valores de estas proporciones vs. Nro de lanzamientos (5, 10 .20......) en un grafico.
Una los puntos obtenidos por lineas rectas y compare con la Probabilidad Teorica del Evento ( 1/6)
COMENTARIOS Y CONCLUSIONES
.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
11

WORK PAPER # 2
UNIDAD O TEMA: DISTRIBUCION DE PROBABILIDADES
TITULO: Espacios Muestrales
FECHA DE ENTREGA: Marzo 4ta Semana
PERIODO DE EVALUACION : PRIMER PARCIAL
1. Hallar del Nro. de elementos en los espacios muestrales
a)
b)
c)
d)
e)
Se lanzan 2 monedas
Se lanzan 4 dados
Se considera el sexo de un hijo
Se saca una carta de un mazo de 52 y se lanza un dado.
Se lanzan 4 dados.
2. Calcular las probabilidades de los siguientes eventos .

a) Alcanzar un dado se busca la probabilidad de obtener: El 1 , un impar, No. el 6, menor o igual a
6, menor a 6.
b) Que una persona nazca el da mircoles.
c) De un mazo de cartas sacar un 5, sacar una carta roja, una espada.
d) En una encuesta a 80 personas, 60 estn a favor del aborto. Calcular la probabilidad de que
una persona est en contra del aborto.
3. Calcular el Nro. de elementos indicados en el siguiente conjunto:
a) De un grupo de 75 radio oyentes, 30 escuchan Radio, Panamericana (P), 50 Fides (F) y 10
escuchan ambas. Hallar :
Cuantos solo escuchan solo P.
Cuantos escucha P. F.
Cuantos no escuchan P m F
Elegida al azar escuche P.
Escuche solo F.
4. Las edades de un grupo de personas son: 25,27,28,31,32,34,35
a) El Evento A es de personas de edad menor o igual a 27 , el evento B de mayor igual a 34 .
Calcular P(A) o P(3). Son uno mutuamente excluyentes (ME).
b) El evento E es de personas de edad mayor o igual a 26.
El Evento F de mayor igual a 32. Calcular P(E) P(F). Son o no ME.
5. Calcular las siguientes probabilidades condicionales. De un grupo de 200 Univ. de Arquitectura
Biologa 30% con mujeres. Un 60% estudia Arquitectura de las que son mujeres. Calcular la
probabilidad.
a) Que un Universitario sea hombre y de Arquitectura.
b) Que una universitaria sea mujer, dado que estudia Biologa.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
12
6. Una oficina de Inmigracin de un pas est controlando a los recin llegados de 3 barcos
( B1,B2,B3), con nmero de pasajeros 200, 300,500 respectivamente tras un anlisis se declaran
como documentos autnticos (A) al 25, 40, 20% de los provenientes de cada barco usando el
Teorema de Bayes. Calcular:
a) La probabilidad de ser pasajero del buque B1 dado que tiene documentos autnticos
b) Un pasajero no tiene documentos, que probabilidad tiene de ser del Barco B 2.
7. Aplicando conceptos de permutaciones, variaciones y combinaciones resolver:
a) calcular el uso de modos en que pueden formar fila un total de 10 soldados, si 2 deben
necesariamente deben colocarse al principio.
b) En una ciudad las placas de movilidades deben mostrar 2 vocales y 3 menores sin repetir.
Si se dispone de 5 vocales y 10 nmeros. Hallar el nmero de placas que se pueden formar.
c) En un club de socios debe elegirse un tesorero, un presidente y 5 vocales. de cuantas maneras
puede elegirse esta directiva?
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
13

WORK PAPER # 3
UNIDAD O TEMA: DISTRIBUCION DE PROBABILIDADES
TITULO: Tipos de Distribucin
FECHA DE ENTREGA: Abril 1ra Semana
PERIODO DE EVALUACION: SEGUNDO PARCIAL
Tema : Distribuciones de probabilidad
Algunas distribuciones importantes de probabilidad discreta
Una distribucin de probabilidad para una variable aleatoria discreta es un listado mutuamente
excluyente de todos los resultadosposibles para esa variable aleatoria, tal que una probabilidad
particular de ocurrencia est asociada con cada resultado.
Esperanza Matematica
La Media de una distribucin de probabilidad es el valor esperado de su variable aleatoria.
El valor esperado de una variable aleatoria discreta puede considerarse como su promedio pesadoo
sobre todos los resultados posibles, siendo los pesos la probabilidad asociada con cada uno de los
resultados.
Esta medicin de resumen puede puede obtenerse multiplicando cada resultado posible Xi, por su
probabilidad correspondiente P (Xi) y luego sumando los productos resultantes. Por tanto, el valor
esperado de la variable aleatoria discreta X, simbolizado como E (X), puede expresarse de la siguiente
manera:
E(X)= Xi * P ( Xi)
Varianza
y
desviacin
estndar
de
una
variable
aleatoria
discreta
La varianza de una variable aleatoria discreta puede definirse como el promedio pesado de las
diferencias cuadradas entre cada resultado posible y su media, siendo los pesos las probabilidades de
cada uno de los resultados respectivos.
Esta medicin de resumen puede obtenerse multiplicando cada diferencia cuadrada posible ( Xi )2
por su probabilidad correspondiente P (Xi) y luego sumando los productos restantes. Por lo tanto la
varianza de la variable aleatoria discreta X puede expresarse de la siguiente manera:
( Xi )2 * P (Xi)
La distribucin de probabilidad para una variable aleatoria discreta puede ser:
1.Un listado terico de resultados y probabilidades que pueden obtenerse de un modelo matemtico
que represente algn fenmeno de inters.
2.Un listado emprico de resultados y sus frecuencias relativas observadas.
3.Un listado subjetivo de resultados asociados con sus probabilidades subjetivas que representan el
grado de conviccin del tomador de decisiones respecto a la probabilidad de los resultados posibles.
Un modelo se considera una representacin en miniatura de algn fenmeno subyacente. En
particular, un modelo matemtico es una expresin matemtica que representa cierto fenmeno
subyacente. Para variables aleatorias discretas, esta expresin matemtica se conoce como funcin
de distribucin de probabilidad.
La caracterstica escencial de la distribucin uniforme es que es igualmente posible que ocurran todos
los resultados de la variable aleatoria.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
14
Distribucin Binomial
La distribucin binomial es una distribucin de probabilidad discreta que es extremadamente til para
describir muchos fenmenos.
La distribucin binomial posee cuatro propiedades esenciales:
1.Las observaciones posibles pueden obtenerse mediante dos mtodos de muestreo distintos. Cada
observacin puede considerarse como seleccionada de una poblacin infinita sin reemplazo o de una
poblacin finita con reemplazo.
2.Cada observacin puede clasificarse en dos categoras mutuamente excluyentes y colectivamente
exhaustivas, usualmente denominadas xito y fracaso.
3.La probabilidad de que una observacin se clasifique como xito, p, es constante de observacin a
observacin.
4.El resultado de cualquier observacin es independiente del resultado de cualquier observacin.
Modelo matemtico
P( X= x \ n, p ) = n ! px ( 1 p ) n-x
X(nx)
La primera parte de la frmula nos dice cuntas secuencias de arreglos de los x xitos de n
observaciones son posibles. La segunda parte nos dice la probabilidad de obtener exactamente x
xitos de n observaciones en una secuencia particular.
Caractersticas de la distribucin binomial
Forma. Siempre que p= 0.5 la distribucin binomial ser simtrica sin importar que tan grande o
pequeo sea el valor de n. Sin embargo, cuando p 0.5 la distribucin ser sesgada. Mientras ms
cercana este p de 0.5 y mayor sea el nmero de observaciones, n, menos sesgada ser la distribucin.
Con una p pequea la distribucin estara sesgada a la derecha. Para p muy grandes, la distribucin
sera sesgada a la izquierda.
La media. La media de la distribucin binomial puede obtenerse fcilmente como el producto de sus
parmetros, n y p.
La desviacin estndar. La desviacin estndar se calcula usando la siguiente frmula:

Distribucin de Poisson.
La distribucin de Poisson es otra funcin de distribucin de probabilidad que tiene muchas
aplicaciones prcticas importantres. Un proceso Poisson no slo representa numerosos fenmenos
discretos, sino que el modelo Poisson tambin se usa para proporcionar aproximaciones a la
distribucin binomial.
Se dice que un proceso de Poisson existe si podemos observar eventos discretos en un rea de
oportunidad, un intervalo continuo, de tal manera que si acotamos el rea de oportunidad o intervalo de
manera suficiente:
1.La probabilidad de observar exactamente un xito en el intervalo es estable.
2.La probabilidad de observar exactamente ms de un xito en el intervalo es cero.
3. La ocurrencia de un xito en cualquier intervalo es estadsticamente independiente de aquella en
cualquier otro intervalo.
Caractersticas
Forma. Cada vez que se especifica el parmetro , puede generarse una distribucinde probabilidad
de Poisson espacfica. Una distribucin de Poisson estar sesgada a la derecha cuando es pequea,
y se aproximar a la simetra al crecer.
La media y la desviacin estndar. Una propiedad de esta distribucin es que la media y la varianza
son iguales al parmetro .
Uso de la distribucin de Poisson para aproximar la distribucin binomial
Para aquellas situaciones en las que n es grande ( mayor o igual a 20 ) y p es muy pequea ( menor a
0.05 , la distribucin de Poisson puede usarse para aproximar la distribucin binomial.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
15
La variable aleatoria de Poisson puede variar tericamente de 0 a . Sin emabrgo, cuando se usa
como una aproximacin a la distribucin binomial, la variable aleatoria de Poisson, el nmero de xitos
de n observaciones, claramente no puede exceder el tamao de la muestra n.
Caractersticas
= = n * p
Para cada problema indicar a que tipo de Modelo Probabilistico pertenece y dar su 16espective
solucion.
1.-Una central telefonica recibe 4 llamadas por minuto, el costo minimo por minuto es 0.75 Bs. Calcular
la Probabilidad de que en el lapso de un minuto se presente :
a) 2 llamadas b) 0 llamadas c) Al menos 3 llamadas d) Costo Esperado.
2.- La vida util de una pila de reloj tiene una media de duracin de 50 Horas. Calcular la Probabilidad
de :
a)
Que dure menos de 30 anos
b)
Que dure por lo menos 30 horas
c)
Si ha durado 30 horas, que dure otras 40 horas.
3.- Una maquina produce cierto tipo de piezas de las cuales 5 % son Defectuosas. En una muestra
aleatoria de 5 pzas. Cual es la Probabilidad de obtener 1 pza defectuosa.
4.-Cierto tubo de Televisin tiene una Probabilidad de funcionamiento de 0.3 y mas de 400 horas. Se
prueban 15 tubos. Hallar la Probabilidad que:
a)
Exactamente 0,4,9 tubos funcionen mas de 400 horas.
b)
Cuantos tubos espera encontrar que funcionen por lo menos 400 hrs.
5.-El promedio de transito en una zona rural es de 3autos por hora. Si x representa el Nro. De autos que
pasan en 30 minutos. Hallar:
a) P(x = 0 ).
b) P(x > 2).
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
16

DIFs # 2
UNIDAD O TEMA: MODELOS PROBABILISTICOS
TITULO:
CARACTERIZANDO
UN
PROBLEMA
IDENTIFICANDO SU MODELO PROBABILISTICO.
FECHA DE ENTREGA: Abril 2da Semana

PERIODO DE EVALUACIN: Segundo Parcial
Identificar el modelo correspondiente ante la suposicion de que los nacimientos son eventos
independientes y de que varon y mujer tienen las mismas probabilidades de nacer.
Encuentre los sexos de los ninos de 50 familias , tomados en tamanos de a 2 , Repita el mismo
experimento para familias de tamano 3 , organize la informacion para los dos tamanos.
Determine el numero de ninas de las familias de tamano 2.Construya una tabla de frecuencia relativa
de este evento y comparela con la Probabilidad que Ud. Predijo en su Modelo.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
17

WORK PAPER # 4
UNIDAD O TEMA: VARIABLE ALEATORIA
TITULO: Funcin de densidad y Funcin Acumulada
FECHA DE ENTREGA: Abril 3ra Semana
PERIODO DE EVALUACION : SEGUNDO PARCIAL
1.Hallar el Rango de las siguientes variables aleatorias y luego la distribucin de probabilidades de
dichas variables aleatorias.
a)
Obtener cara al lanzar 4 veces una moneda
b)
Obtener un producto bueno al elegir 3, de una fbrica que posee 0.8 de probabilidad.
2.Las siguientes son funciones de densidad de probabilidades ( fdp ) de variables continuas.
Hallar la funcin de densidad acumulada ( fda ) de:
a)
2 x; o x 1
f ( x)
o; para otro x
b)
1 ;o x 2
f ( x) 2
o; para otro x
3.Calcular la varianza y la esperanza matemtica en las ( fda ) del ejercicio 2.

4.Los artefactos electrnicos se clasifican como buenos (B), malos (M), se tiene una probabilidad de
0,9 para B, en un lote de 30 artefactos calcular la probabilidad de B, para ( Aplique la distribucin
Binomial).
a) 25 Artefactos
b) 1 artefacto
c) 30 Artefactos
5.En una central telefnica que recibe 2 llamadas cada 3 minutos. Calcular la probabilidad de que en
el periodo de 6 minutos se presenten ( utilizar la distribucin de Poisson).
a) 5 llamadas
b) No mas de 2 llamadas
c) Al menos 4 llamadas
6.De una urna que contiene 5 bolas negras y 2 blancas se extraen 3 bolas sin reposicin. Hallar :
a) fdp
b) Probabilidad de extraer 2 negras
( Aplicar la distribucin hipergeomtrica)
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
18

WORK PAPER # 5
UNIDAD O TEMA: MODELOS PROBABILISTICOS
TITULO: Distribucin Normal
FECHA DE ENTREGA: Abril 4ta Semana
PERIODO DE EVALUACION : SEGUNDO PARCIAL
La distribucin Normal
Modelos matemticos de variables aleatorias continuas:. La funcin de densidad de probabilidad.
La probabilidad exacta de un valor particular de una distribucin continua es cero. A fin de eliminar la
necesidad de realizar laboriosos clculos matemticos se ha desarrolladola distribucin gaussiana o
normal.
La Distribucin Normal.
Importancia de la distribucin Normal.
La distribucin normal es de vital importancia en estadstica por tres razones principales:
1.Numerosos fenmenos continuos parecen seguirla o pueden aproximarse mediante sta.
2.Podemos usarla para aproximar diversas distribuciones de probabilidad discreta y evitar as pesados
clculos.
3.Proporciona la base de la inferencia estadstica clsica debido a su relacin con el teorema del
lmite central.
Propiedades de la distribucin normal
1.Tiene forma de campana y es simtrica en apariencia.
2.Sus mediciones de tendencia central (media, mediana, moda alcance medio y eje medio) son
todas idnticas.l
3.Su dispersin media es igual a 1.33 desviaciones estndar. Es decir, el alcance intercuartil est
contenido dentro de un intervalo de dos tercios de una desviacin estndar por debajo de la media a
dos tercios de una desviacin estndar por encima de la media.
4.Su variable aleatoria asociada tiene un alcance infinito
El modelo matemtico
Para la distribucinnormal, el modelo usado para obtener las probabilidades deseadas es:
Examinemos los componentes de la funcin: puesto que e y son constantes matemticas, las
probabilidades de la variable aleatoria X dependen slo de dos parmetros de la distribucin normal, la
media de la poblacin y de la desviacin estndar de la poblacin. Cada vez que especificamos una
combinacin particular se generar una distribucin de probabilidad diferente.
Estandarizacin de la distribucin normal
Afortunadamente, al estandarizar los datos, solo necesitamos una frmula:
Al usar la frmula de transformacin cualquier Para encontrar un valor particular

asociado con una probabilidad conocida,debemos adoptar los siguientes pasos:
1.Trazar la curva normal y luego colocar los valores para las medias en las escalas X y Z respectivas.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
19
2.Dividir la mitad apropiada de la curva normal en dos partes: la porcin de la X deseada a la media y
la porcin de la X deseada al extremo.
Somr variable aleatoria normal X se convierte en una variable aleatoria normal estandarizada Z.
Mientras los datos originales para la variable aleatoria X tenan una media y una desviacin estandar,
la variable aleatoria estandarizada Z siempre tendr una media = 0 y una desviacin = 1.
Uso de las tablas de distribucin de probabilidad normal
La tabla de normal representa las probabilidades o reas bajo la curva normal calculadas desde la
media hasta los valores particulares de inters X. Slo se enumeran en la tabla entradas positivas de
Z, puesto que para una distribucin simtrica de este tipo con una media de cero, el rea que va desde
la media hasta +Z debe ser idntica al rea que va desde la media hasta Z. Al usar la tabla de normal
se puede observar que todos los valores de Z deben registrarse primero con hasta dos lugares
decimales.
Encontrar los valores correspondientes a probabilidades conocidas.
3.brear el rea de inters.
4.Usando la tabla de normal determinar el valor Z apropiado correspondiente al rea que est bajo la
curva normal desde la X deseada hasta la media.
Para poder asimilar el concepto de Distribucion Normal y su forma Estandar , resolver los
siguientes ejercicios.
1.- Si X es una variable aleatoria distribuida normalmente
a) P[6 < X < 12]
b) P[0 < X < 8]
=6 y Desv Est =5 . Hallar :
c) P[-2 < X < 0]
d) P[ X > 21 ]
2.- Los tubos fabricados por cierta maquina tienen un diametro medio de = 9.8 mm. , =
0.536 mm.
Que porcentaje de tubos sera rechazado, si no se aceptan diametros inferiores a 9.0 mm?.
Asuma que
Los diametros tienen una distribucion normal.
3.-El gerente de produccion de una fabrica , piensa que la vida util de una maquina M , esta
distribuida
normalmente con una media de 3000 horas. Si hay una probabilidad de 0.50 que la maquina
dure
menos de 2632 o mas de 3368 horas .Cual es la Desviacion Estandar .
4.- Un analisis estadistico de 1000 llamadas telefonicas de larga distancia hechas desde una
central
telefonica ,indica que la duracion de esas llamadas tiene una distribucion normal con Media
129.5 seg.
Y una desviacion tipica de 30.00 seg.
a) Cual es la probabilidad de que una llamada este entre 89.5 y 169.5 seg.
b) Cual debe ser la duracion de una llamada particular , si solo 1% de todas las llamadas
son mas cortas .
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
20

DIFs # 3
UNIDAD O TEMA: DISTRIBUCION NORMAL
TITULO: Formulacion de un Problema.
FECHA DE ENTREGA: Mayo 1ra Semana
PERIODO DE EVALUACIN: SEGUNDO PARCIAL
Aplicando todos los conceptos de Distribucion Normal , establezca un conjunto de observaciones

De una variable aleatoria a determinar por los estudiantes y proceda a organizar los datos
De tal manera que representen un Modelo de Distribucion Normal
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
21

WORK PAPER # 6
UNIDAD O TEMA: DISTRIBUCION MUESTRAL
TITULO: Distribuciones muestrales
FECHA DE ENTREGA: Mayo 2da Semana
PERIODO DE EVALUACION : EXAMEN FINAL
Tema: Distribuciones Muestrales
Distribuciones
de
Muestreo
Con el fin de poder usar la estadstica de muestra para estimar el parmetro de poblacin, deberamos
examinar cada muestra posible que pudiera ocurrir. Si esta seleccin de todas las muestras posibles
realmente se tuviera que hacer, la distribucin de todos los resultados se denominara distribucin de
muestreo. El proceso de generalizar estos resultados de muestra para la poblacin se refiere como
una inferencia estadstica.
Distribucin de muestreo de la media
Propiedades de la media aritmtica
Entre varias propiedades matemticas importantes de la media aritmtica para una distribucin normal
estn:
1.Imparcialidad
2.Eficiencia
3.Consistencia.
La imparcialidad, implica el hecho de que el promedio de todas las medias de muestras posibles ser
igual a la media de la poblacin. Tomemos como ejemplo una poblacin de N=4 con tamaos de
muestra de 2. Si seleccionamos dos muestras con reemplazo, podramos obtener 16 muestras
posibles. El promedio de cada una de las muestras es igual a la media de la poblacin. Por lo tanto
hemos demostrado que la media aritmtica de muestra es un estimador imparcial de la media de la
poblacin. Esto nos dice que an cuando no sepamos qu tan cerca est el promedio de cualquier
muestra particular seleccionada a la media de la poblacin, al menos estamos seguros que el
promedio de todas las medias de muestra que se podran haber seleccionado ser igual a la media de
la
poblacin.
La eficiencia, se refiere a la precisin de la muestra estadstica como un estimador del parmetro de
poblacin. La media de muestra se acercar ms estable que otras mediciones de tendencia central.
La media de muestra se acercar ms a la media de la poblacin que cualquier otro estimador.
La consistencia, se refiere al efecto del tamao de muestra, sobre la utilidad de un estimador. Al
incrementarse el tamao de muestra, la variacin de la media de muestra de la media de la poblacin
se hace ms pequea, de manera que la media aritmtica de muestra se vuelve una mejor estimacin
de la media de la poblacin.
Error
estndar
de
la
media
El hecho de que las medias de muestra son menos variables que los datos de poblacin se desprende
directamente de la ley de los grandes nmeros. Una media de muestra particular promedia
conjuntamente todos los valores de la muestra. Una poblacin puede consistir en resultados
individuales que pueden tener un amplio radio de valores, de extremadamente pequeos a
extremadamente grandes. Sin embargo, si un valor extremo cae en la muestra, aunque tendr un
efecto en la media, el efecto se reducir pues se promediar con todos los dems valores de la
muestra. Adems, al incrementarse el tamao de la muestra, el efecto de un valor extremo se hace
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
22
cada vez menor, puesto que se est promediando con ms observaciones. Al muestrearse con
reemplazo, el error estndar de la media es igual a la desviacin estndar de la poblacin dividida
entre la raz cuadrada del tamao de muestra.
Muestreo
de
poblaciones
normales
Puede demostrarse que si muestreamos con reemplazo de una poblacin con distribucin normal, la
distribucin de muestreo de la media tambin tendr una distribucin normal para cualquier tamao de
muestra y tendr una desviacin estndar como la que se mostr ms arriba. Al incrementarse el
tamao de muestra el error estndar de la media disminuye, de forma tal que una mayor proporcin de
medias de muestra estn ms cercanas a la media de la poblacin.
Muestro de poblaciones no normales

En muchos casos no sabremos si la poblacin se distribuye normalmente. Por lo tanto, necesitamos
examinar la distribucin de muestreo de la media para poblaciones que no estn normalmente
distribuidas.
Teorema del lmite central. Al hacerse lo bastante grande el tamao de muestra, la distribucin de
muestreo de la media puede aproximarse mediante la distribucin normal. Esto es cierto no importando
la forma de la distribucin de los valores individuales de la poblacin. Qu tamao de muestra? Una
gran parte de las investigaciones demuestran que una muestra adecuada de por la menos 30, hace
que la distribucin de muestreo se aproxime a la normal.
Para la mayora de las distribuciones de poblacin, sin importar la forma, la distribucin de muestreo
de la media tendr una distribucin aproximadamente normal, si se seleccionan muestras de al menos
30 observaciones.
Si la distribucin de la poblacin es lo bastante simtrica, la distribucin de muestreo de la media
ser aproximadamente normal si se seleccionan muestras de al menos 15 observaciones.
Si la poblacin se distribuye normalmente, la distribucin de muestreo de la media se distribuir
normalmente sin importar el tamao de la muestra.
Distribucin
de
muestreo
de
la
proporcin
Cuando trabajamos con variables categricas cada caracterstica puede clasificarse con 1 o 0 para
representar la presencia o ausencia de la caracterstica. Al tratar con datos categricos puede definirse
como:
La proporcin tiene la propiedad especial de estar entre 0 y 1. El error estndar de la proporcin es:
La distribucin de muestreo de la proporcin sigue una distribucin binomial. Sin embargo, cuando n*p
y n*(1-p) son cada uno al menos 5 puede usarse la distribucin normal.
Muestreo de poblaciones finitas
En casi todas las investigaciones el muestreo es conducido sin

reemplazo, por esto debe usarse un factor de correccin de poblacin finita (fpc) en la definicin tanto
del error estndar de la media como del error estndar de la proporcin.:
1.-El numero de automoviles por familia en una ciudad, es una variable aleatoria X cuya distribucion
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
23
de probabilidad es como sigue.

X
f(x)
0
4/12
1
4/12
2
2/12
3
1/12
4
1/12
Si se escoge al azar una muestra de 49 familias.Cual es la probabilidad de que la Media muestral

De autos por familia este entre 1 y 2.
2.-Un auditor toma una muestra aleatoria de tamano n= 100 de un conjunto de 500 cuentas por cobrar.
El auditor sabe que estas cuentas constituyen una poblacion finit cuyas Desviacion Estandar es
$145 .Cual es la probabilidad de que la Media Muestral difiera de la Media Poblacional en mas de $26.
.
3.- En un proceso de produccion el porcentaje de unidades efectuosas producidas es 4% . Para

controlar
el proceso , se revisan periodicamente los objetos producidos.
a) Calcular la probabilidad de que en una muestra aleatoria de 150 unidades revisadas se
encuentren 6% defectuosos.
b) Si la produccion se para al encontrar al menos 5% de unidades producidas al revisar
muestras
aleatorias de 100 objetos cada vez.Cual es la Probabilidad de que el proceso continue si
realmente
produce 6% defectuosos del total de la produccion.
4.- Un fabricante afirma que el 30% de las mujeres y el 20 % de hombres prefieren su nuevo
producto
de aseo personal. Si se hace una encuesta de 200 hombres y 200 mujeres elejidos aleatoriamente
Cual sera la probabilidad que la proporcion muestra lde mujeres menos la de hombres esta en el
[ -19% , 19% ]
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
24
DIF # 4
UNIDAD O TEMA: ESTIMACION
TITULO: Estimacion de Medias . Proporciones, Varianzas
FECHA DE ENTREGA: Mayo 3ra Semana
PERIODO DE EVALUACIN: EXAMEN FINAL
El presente trabajo consistira en determinar un objeto de estudio para realizar un analisis
estadistico
a nivel descriptivo, posteriormente sera necesario elaborar una Encuesta aplicando todas las
reglas y
siguiendo todos los procedimientod para su efectiva realizacion .
Ya en la fase del analisis estadistico, sera necesario tomar una debida muestra , considerando su
tamano
e indicando el metodo de muestreo.
Como conclusion del trabajo , realizar las siguientes inferencias estadisticas :
a.-Encontrar la Distribucion de la Media
b.-Encontrar la Distribucion de la Proporcion
c.-Encontrar la Distribucion de la Varianza.
CONCLUSIONES Y COMENTARIOS
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
25

WORK PAPER # 7
UNIDAD O TEMA: ESTIMACION ESTADISTICA
TITULO: Estimacion de Parametros
FECHA DE ENTREGA: Mayo 4ta semana
PERIODO DE EVALUACION : EXAMEN FINAL
Tema : Estimacin Estadstica Estimacin: Introduccin

La inferencia estadstica es el proceso que consiste en utilizar los resultados de una muestra para
llegar a conclusiones acerca de las caractersticas de una poblacin.
Existen dos tipos de estimaciones: estimaciones puntuales y estimaciones de intervalo. Una estimacin
puntual consiste en una sola estadstica de muestra que se utiliza para estimar el valor verdadero de
un parmetro de poblacin. Puesto que la estadstica de prueba vara de una muestra a otra
necesitamos considerar este hecho con el fin de proporcionar una estimacin ms significativa y
caracterstica de la poblacin. Para lograr esto, debemos desarrollar una estimacin de intervalo de la
media de poblacin verdadera, tomando en consideracin la distribucin de muestreo de la media. El
intervalo que construimos tendr una confianza o probabilidad especfica de estimar correctamente el
valor verdadero del parmetro de poblacin.
Estimacin de intervalo de confianza de la media (desvo de la poblacin conocido):
En la inferencia estadstica debemos tomar los resultados de una sola muestra y llegar a conclusiones
acerca de la poblacin. En la prctica, la media de la poblacin es la cantidad desconocida que se va a
determinar. Para algunas muestras la estimacin de intervalo de la media de la poblacin ser correcta
y para otras no. Tenemos que recordar que para el clculo del intervalo trabajamos con una estimacin
de intervalo de confianza de 95, por ejemplo, esto puede interpretarse como si se tomaran todas las
muestras posibles del mismo tamao, n, 95% de ellas incluiran la media de poblacin verdadera en
alguna parte del intervalo alrededor de sus medias de muestra, y solamente 5% de ellas no estaran
incluidas. En general el nivel de confianza se simboliza como (1- ) x 100%, en donde es la porcin
que se encuentra en los extremos de la distribucin que est fuera del intervalo de confianza. Por
consiguiente para obtener la estimacin del intervalo tenemos:
Z es el valor correspondiente a un rea de (1- )/2 desde el centro de una distribucin normal
estandarizada. El valor Z elegido para construir tal intervalo de confianza se conoce como el valor
crtico.
Cualquier aumento en el nivel de confianza se logra ampliando simultneamente el intervalo de
confianza obtenido (hacindolo menos preciso y menos til).
Estimacin
de
intervalo
de
confianza
de
la
media
(desvo
desconocido)
Del mismo modo en que la media de la poblacin se desconoce, es probable que la desviacin
estndar real de la poblacin tampoco sea conocida. Por lo tanto, necesitamos obtener una estimacin
de intervalo de confianza utilizando las estadsticas de muestra "X" y "S". Para ello, utilizamos la
distribucin
t-student.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
26
De este modo, el intervalo de confianza se establecer a partir de la siguiente frmula:

Estimado del intervalo de confianza de la porcin
Podemos establecer la siguiente estimacin de intervalo de confianza (1-)

para la porcin de la poblacin:
Determinacin del tamao de muestra para la media:

El error de muestreo "e" se puede definir como:
Por consiguiente para determinar el tamao de la muestra, deben conocerse tres factores:
1.El nivel de confianza deseado.
2.EL error de muestreo permitido.
3.La desviacin estndar.
Determinacin del tamao de muestra para una porcin:
Al determinar el tamao de muestra para estimar una porcin se deben definir tres incgnitas:
1.El nivel de confianza.
2.El error de muestreo permitido.
3.La porcin verdadera de xitos.
Estimacin
y
determinacin
del
tamao
de
muestra
para
poblaciones
Estimacin de la media
finitas.
Estimacin de la porcin
Determinacin del tamao de muestra
1.- Una muestra aleatoria de 100 hogares de una ciudad indica que el promedio de los ingresos
mensuales es de $500.Encuentre un intervalo de confianza de 95% para la media poblacional
de los ingresos de todos los hogares de esa ciudad.Suponga = $100 .
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
27
2.- Un analista de investigacion de mercados escoge una muestra aleatoria de 100 clientes. De un
conjunto de 500 clientes de una gran tienda que declararan ingresos mayores a 5000 $, El encuentra
que los clientes de la muestra gastaron $ 2500 como promedio,si con ese valor de la muestra se
estima que el gasto promedio varia de 2446 a 2554 .Que nivel de confianza se utilizo.
Cosidere una = $ 300.
3.-Una empresa va a hacer un estudio de marcado antes de lanzar un nuevo producto hacia una
poblacion
de 30000 consumidores.
a)Que tamano de muestra debera escoger si quiere tener una confianza del 95% de que
el error de la estimacion de la proporcion a favor del producto no sea superior al 2.12%
b)Si con el tamano de la muestra calculado en a) se utiliza p=0.7 como estimacion de la
proporcion de todos los consumidores que prefieren su producto.Que grado de confianza
utilizo si estimo de 19710 a 22290 el total de el total de consumidores que prefiere su.
Producto.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
28

DIFs # 5
TITULO: Estimacion de Parametros.
FECHA DE ENTREGA: Junio 1ra Semana
En el presente trabajo es necesario establecer el 95 % del nivel de confianza para una proporcion de
personas que escriben con la mano izquierda (surdos).
Para la realizacion de este trabajo, escoja una muestra de 50 personas que sera la muestra aleatoria
de la poblacion finita , aproxime la muestra a una Distribucion Normal y encuentre el 95% del nivel de
Confianza de la proporcion que se investiga.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
29
DIFs # 6
TITULO: Estimacion de Parametros.
FECHA DE ENTREGA: Junio 2da Semana
Similarmente al trabajo anterior , elegir una muestra aleatoria de una poblacion bien definida de 50
personas . Tomar el pulso de dichas personas durante 1 minuto y organizar los resultados en una
tabla de frecuencia.Calcule la Media y la Varianza estimada,encuentre el 95% del nivel de confianza
de la Media de los pulsos de la muestra.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
30

DIFs # 7
UNIDAD O TEMA: PRUEBA DE HIPOTESIS
TITULO: Prueba unilateral
Para realizar correctamente una Prueba de Hipotesis es necesario seguir los siguientes pasos:
Formular la hipotesis nula Ho , la hipotesis alternativa H,
Especificar elNivel de Significacion
Selleccionar la Estadistica apropiada a usar en la prueba

Establecer la Regla de Decisin
Calcular el Estadistico de la prueba a partir de los datos de la Muestra.
Tomar la Decisin de rechazar la hipotesis Ho si el valor del Estadistico de la Prueba
se encuentra en la region critica,caso contrario no rechazar Ho.
EJ.- Las cajas de cierto tipo de cereal procesadas por una fabrica debe tener un contenido promedio de 160
gr. Por una queja ante el defensor del consumidor , de que tales cajas tienen menos contenido,un inspector
tomo una muestra aleatoria de 10 cajas encontrando los siguientes pesos de cereal en gramos
157,157,163,158,161,159,162,159,158,156
Es razonable que el inspector multe al fabricante, utilize un nivel de significacion de 5% y suponga que
los contenidos tienen Distribucion Normal.
NOTA.- Para una correcta solucion ,seguir los pasos ariiba descritos.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
31

WORK PAPER # 8
UNIDAD O TEMA: HIPOTESIS
TITULO: HIPOTESIS NULA Y ALTERNATIVA
FECHA DE ENTREGA: Junio 4ta Semana
FECHA DE EVALUACION : EXAMEN FINAL
Tema 6 : Prueba de Hiptesis
La prueba de hiptesis empieza con algo de teora, afirmacin o negacin con respecto a un parmetro
particular de una poblacin. La hiptesis de que el parmetro de la poblacin es igual a la
especificacin de la compaa se conoce como hiptesis nula. Una hiptesis nula es siempre una de
status
quo
o
de
no
diferencia.
Se
simboliza
con
el
smbolo
Ho.
Siempre que especificamos una hiptesis nula, tambin debemos especificar una hiptesis alternativa,
o una que debe ser verdadera si se encuentra que la hiptesis nula es falsa. La hiptesis alternativa se
simboliza H1. La hiptesis alternativa representa la conclusin a la que se llegara si hubiera suficiente
evidencia de la informacin de la muestra para decidir que es improbable que la hiptesis nula sea
verdadera, y por tanto rechazarla. El hecho de no rechazar la hiptesis nula no es una prueba de que
sta sea verdadera. Nunca podemos probar que tal hiptesis sea correcta porque estamos basando
nuestra decisin nicamente en la informacin de la muestra, no en la poblacin entera.
Resumen:
La hiptesis nula se refiere siempre a un valor especificado del parmetro de poblacin, no a una
estadstica de muestra.
El planteamiento de la hiptesis nula siempre contiene un signo de igualdad con respecto al valor
especificado del parmetro.
El planteamiento de la hiptesis alternativa nunca contiene un signo de igualdad con respecto al
valor especificado del parmetro.
Regiones de rechazo y de no rechazo
La distribucin de muestreo de la estadstica de prueba se divide en dos regiones, una regin de
rechazo (conocida como regin crtica) y una regin de no rechazo. Si la estadstica de prueba cae
dentro de la regin de no rechazo, no se puede rechazar la hiptesis nula.
La regin de rechazo puede considerarse como el conjunto de valores de la estadstica de prueba que
no tienen posibilidad de presentarse si la hiptesis nula es verdadera. Por otro lado, estos valores no
son tan improbables de presentarse si la hiptesis nula es falsa. El valor crtico separa la regin de no
rechazo
de
la
de
rechazo.
Riesgos en la toma de decisiones al utilizar la metodologa de prueba de hiptesis.
Se pueden presentar dos tipos diferentes de errores:
Un error tipo I se presenta si la hiptesis nula es rechazada cuando de hecho es verdadera y deba
ser aceptada.
Un error tipo II se presenta si la hiptesis nula es aceptada cuando de hecho es falsa y deba ser
rechazada.
Nivel de Significacin. La probabilidad de cometer un error tipo I denotada con la letra griega alfa, se
conoce como nivel de significacin de la prueba estadstica. Est bajo el control directo del individuo
que lleva a cabo la prueba. Ya que se ha especificado el valor de alfa, se conoce el tamao de la
regin de rechazo, puesto que alfa es la probabilidad de un rechazo de la hiptesis nula.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
32
Coeficiente de confianza. EL complemento ( 1- ) de la probabilidad de cometer un error de tipo I se

conoce como coeficiente de confianza.
El coeficiente de confianza es la probabilidad de que la hiptesis nula no sea rechazada cuando de
hecho es verdadera y debera ser aceptada.
Riesgo . La probabilidad de cometer un error de tipo II se conoce como nivel de riesgo del
consumidor. A diferencia del error tipo I, en el cual las pruebas estadsticas nos permiten controlar
nuestra eleccin de , la probabilidad de cometer un error del tipo II depende de la diferencia entre
los valores supuesto y real del parmetro de poblacin. Como es ms fcil encontrar diferencias
grandes, si la diferencia entre la estadstica de muestra y el correspondiente parmetro de poblacin es
grande, la probabilidad de cometer un error del tipo II, probablemente sea pequea.
Potencia de una prueba. El complemento (1- ) de la probabilidad de cometer un error del tipo II se
conoce
como
potencia
de
una
prueba
estadstica.
La potencia de una prueba es a probabilidad de rechazar la hiptesis nula cuando de hecho esta es
falsa y debera ser rechazada.
Una manera en que podemos controlar la probabilidad de cometer un error del tipo II en un estudio,
consiste en aumentar el tamao de la muestra. Tamaos ms grandes de muestra, nos permitirn
detectar diferencias incluso muy pequeas entre las estadsticas de muestra y los parmetros de la
poblacin. Cuando se disminuye , aumentar de modo que una reduccin en el riesgo de
cometer un error de tipo I tendr como resultado un aumento en el riesgo de cometer un error tipo II.
Prueba de hiptesis Z para la media (desvo de la poblacin conocido)
El estadstico de prueba a utilizar es:
La Potencia de una prueba

representa la probabilidad de que la hiptesis nula no sea rechazada cuando de hecho es falsa y
debera rechazrsele. La potencia de prueba 1- representa la sensibilidad de la prueba estadstica
para detectar cambios que se presentan al medir la probabilidad de rechazar la hiptesis nula cuando
de hecho es falsa y debera ser rechazada. La potencia de prueba estadstica depende de qu tan
diferente en realidad es la media verdadera de la poblacin del valor supuesto.
Una prueba de un extremo es ms poderosa que una de dos extremos, y se debera utilizar siempre
que sea adecuado especificar la direccin de la hiptesis alternativa.
Puesto que la probabilidad de cometer un error tipo I y la probabilidad de cometer un error tipo II tienen
una relacin inversa y esta ltima es el complemento de la potencia de prueba (1-), entonces y la
potencia de la prueba varan en proporcin directa. Un aumento en el valor del nivel de significacin
escogido, tendra como resultado un aumento en la potencia y una disminucin en tendra como
resultado
una
disminucin
en
la
potencia.
Un aumento en el tamao de la muestra escogida tendra como resultado un aumento en la potencia
de la prueba, una disminucin en el tamao de la muestra seleccionada tendra como resultado una
disminucin en la potencia.
1.Un comprador de ladrillos cree que la calidad de ladrillos est de los ladrillos esta disminuyendo.
De experiencias anteriores, la resistencia media del desmoronamiento de dichos ladrillos es de
200Kg. con 10Kg .
Una muestra de 100 ladrillos arroja una media de 195 Kg.
Probar la hiptesis La calidad media no ha cambiado, contra la alternativa. que ha disminuido).
2.Una maquina para enlatar conservas de pescado dosifica 16 onzas con = 0.05 . Podr decir
Ud. que la mquina ha sido adecuadamente regulada si una muestra de 20 latas dio un peso
medio de 16.05 onzas y = 1.4 onzas?
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
33
3.Un investigador selecciona muestras aleatorias de 120 psiclogos y 80 psiquiatras para

investigar si la esquizofrenia es causada por anormalidad bioqumica o inadaptacin en la niez.
Anormalidad
Bioqumica
Inadaptacin
Niez
Total
Psiclogos
60
Psiquiatra
50
60
30
120
80
Si Ud. est dispuesto a rechazar una hiptesis verdadera no mas de una vez en 100. Rechazara
las opiniones de estos psiclogos y psiquiatras?.

DIFs # 8
UNIDAD O TEMA: REGRESION
TITULO: Regresin
Pruebas de una muestra con datos numricos
Eleccin del procedimiento de prueba apropiada.
Procedimientos paramtricos Todos los procedimientos paramtricos tienen tres caractersticas
distintivas: Los procedimientos de prueba paramtricos pueden definirse como aquellos 1)que
requieren que el nivel de medicin obtenido con los datos recolectados est en forma de una escala de
intervalo o de una escala de cociente; 2)implican la prueba de hiptesis de valores de parmetros
especificados 3) y por ltimo requieren un conjunto limitante de suposiciones.
Procedimientos
sin
distribucin
y
no
paramtricos
Los procedimientos de prueba sin distribucin pueden definirse ampliamente como 1) aquellos cuya
estadstica de prueba no depende de la forma de la distribucin de la poblacin subyacente de la cual
se tom la muestra de datos o como 2) aquellos para los cuales los datos no tienen fuerza suficiente
para garantizar operaciones aritmticas significativas.
Los procedimientos no paramtricos pueden definirse como aquellos que no tienen que ver con los
parmetros de una poblacin.
Prueba t de hiptesis para la media (2 desconocida)
En ocasiones se desconoce la desviacin estndar de la poblacin. Sin embargo, se la puede estimar

con el clculo de S, la desviacin estndar de la muestra. Recordemos de muestreo de la media
seguir una distribucin t con n-1 grado de libertad.
Aproximacin
del
valor
p
Suposiciones de la prueba t de una muestra La prueba t est considerada como un procedimiento
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
34
paramtrico clsico. Supuestos: los datos numricos obtenidos son tomados de manera independiente
y representan una muestra aleatoria de la poblacin que est distribuida normalmente.
Prueba
de
hiptesis
2
para
la
varianza
(o
desviacin
estndar)
Al intentar llegar a conclusiones con respecto a la variabilidad de la poblacin, primero debemos
determinar que estadstica de prueba puede utilizarse para representar la distribucin de la variabilidad
de los datos de la muestra. Si la variable se supone que est distribuida normalmente, entonces la
estadstica de prueba para probar si la varianza de la poblacin es igual o no a un valor especificado
es:
Una distribucin chi-cuadrado es una distribucin sesgada cuya forma depende exclusivamente del
nmero de grados de libertad. Conforma este aumenta, la distribucin se vuelve ms simtrica.
Se dar en calidad de trabajo DIFs un problema. Especfico con validaciones, estimaciones
formulaciones de hiptesis, con todo el enfoque probalstico necesario para su respectiva
presentacin y defensa por parte de los estudiantes.
TAREA DEL DIFs:
El equipo deber estudiar el material anterior y a travs de una discusin grupal elaborar su
propuesta acerca de las caractersticas de la ley 843 y sus implicaciones impositivas, dentro de la
empresa
DIF N_________ TEMA: ____________________________________
FECHA DE REUNIN.__________________________________________________
NOMBRES:
FIRMA:
1._______________________________
________________
2._______________________________
_________________
3._______________________________
______________
4._______________________________
________________
5._______________________________
________________
CONCLUSIONES:
_____________________________________________________________________________________
_____________________________________________________________________________________
_____________________________________________________________________________________
_____________________________________________________________________________________
_____________________________________________________________________________________
_______________
COMENTARIOS:
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
35

DIFs # 9
UNIDAD O TEMA: PRUEBAS DE MUESTRAS
TITULO: COMPARACION DE DOS MUESTRAS
FECHA DE ENTREGA: Junio 4ta Semana
Pruebas
de
dos
muestras
con
Prueba t de varianza conjunta para diferencias entre dos medias
datos
numricos
Supongamos que consideramos dos poblaciones independientes, cada una con una media y una
desviacin estndar. La estadstica de prueba utilizada para determinar la diferencia entre las medias
de las poblaciones est basada en la diferencia entre las medias de las muestras (X1 X2). Debido al
teorema del lmite central esta estadstica seguir la distribucin normal. La estadstica de prueba Z es:
En donde X es la media de la muestra correspondiente a cada una de las dos muestras, n es el
tamao de la muestra y por ltimo tenemos la varianza de la muestra.
Si suponemos que las varianzas son iguales y que las muestras fueron tomadas de manera aleatoria e
independiente se puede utilizar una prueba t de varianza conjunta para determinar si existe alguna
diferencia significativa entre las medias de las poblaciones. Si puede calcular la siguiente estadstica
de prueba t de varianza conjunta:
Donde:
La estadstica de prueba t de varianza conjunta sigue una distribucin t con n-2 grados de libertad.
Prueba t`de varianza separada para diferencias entre dos medias
Si suponemos que las varianzas no son iguales como en el caso anterior debemos replantear el
estadstico a utilizar.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
36
La estadstica de prueba t`puede ser aproximada con la frmula de v, mostrada anteriormente.

Prueba
t
para
la
diferencia
de
medias
Con el propsito de determinar cualquier diferencia que exista entre dos grupos relacionados, deben
obtenerse las diferencias en los valores individuales de cada grupo. Cuando la desviacin estndar de la
poblacion de la diferencia es conocida y el tamao de muestra es lo suficientemente grande. La
estadstica de prueba Z es:
Sin embargo, en la mayora de los casos no conocemos la desviacin estndar real de la poblacin. La
nica informacin que se puede obtener son las estadsticas sumarias como la media y la desviacin
estndar de muestra. Si se supone que la muestra de resultados es tomada de manera aleatoria e
independiente se puede realizar una prueba t para determinar si existe una diferencia media de
poblacin significativa. La estadstica seguir una distribucin t con n-1 grados de libertad.
Ho=
d
=
0
donde
d=
1-2
H1= d 0
Se puede calcular el siguiente estadstico de prueba:
GRUPO DE DISCUSIN Y ANLISIS DIF.

INSTRUCCIONES:
1. Los grupos no deben exceder de 5 personas.
2. Las reuniones no debern exceder ms de 30 minutos.
3. Tanto las conclusiones como los comentarios debern sintetizar la opinin del grupo.
DIF N________TEMA: __________________________________
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
37

DIFs # 10
UNIDAD O TEMA: HIPOTESIS
TITULO: PRUEBA DE HIPOTESIS
FECHA DE ENTREGA: Junio 4ta semana
Prueba de hiptesis con datos categricos
Prueba Z de una muestra para la proporcin
Para evaluar la magnitud de la diferencia entre la porcin de la muestra y la porcin de la poblacin
supuesta la estadstica de prueba est dada por la ecuacin siguiente:
La estadstica de prueba Z est distribuida de manera aproximadamente normal.

Prueba
Z
para
diferencias
entre
dos
porciones
(muestras
independientes)
Cuando se evalan diferencias entre dos porciones basndose en muestras independientes se puede
emplear una prueba Z. La estadstica de prueba es:
Se
supone
que
las
dos
porciones
de
poblacin
son
iguales.
Ho=
p1=p2
H1= p1 p2
Prueba
X2
de
independencia
Sirve para evaluar diferencias potenciales entre la porcin de xitos en cualquier nmero de poblaciones.
Para una tabla de contingencias que tiene r renglones y c columnas, la prueba mencionada puede
generalizarse
como
una
prueba
de
independencia.
Como
prueba
de
hiptesis
las
hiptesis
nula
y
alternativa
son:
H0=
Las
dos
variables
categricas
son
independientes.
H1= Las dos variables categricas estn relacionadas.
La estadsitica de prueba es la siguiente:
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
38
La regla de decisin consiste en rechazar a hiptesis nula a un nivel de significacin si el valor

calculado de la estadstica de prueba es mayor que el valor crtico de extremo superior de una
distribucin chi-cuadrada que posee (r-1)*(c-1) grados de libertad.

DIFs # 11
UNIDAD O TEMA: APLICACIONES ESTADISTICAS
TITULO: Calidad de productividad
FECHA DE ENTREGA: Julio 1ra Semana
Calidad y productividad: Una perspectiva histrica. Al tema de calidad y productividad lo podemos dividir
en cuatro fases histricas: 1. Podemos pensar en una administracin de primera generacin como
administracin mediante la accin, el tipo administracin practicada por las sociedades cazadorasrecolectoras primitivas en que los individuos producan algo para s mismos o para su unidad tribal,
siempre que el producto fuera necesario. 2. Luego encontramos la administracin por direccin. Es la
poca del surgimiento de los gremios en Europa (Edad Media). Los gremios administraban el
entrenamiento de aprendices y trabajadores y determinaban las normas de calidad y fabricacin de los
productos hechos por el gremio. 3. La administracin por control, surge aproximadamente con Henry
Ford, en el cual los trabajadores estaban divididos entre aquellos que en realidad hacan el trabajo y
aquellos que planeaban y supervisaban el trabajo. Esto le quit responsabilidad al trabajador individual
con respecto al tema calidad y dej el tema en manos de inspectores. El estilo de administracin por
control contena una estructura jerrquica que pona nfasis en la responsabilidad individual por la
obtencin de un conjunto de objetivos predeterminados. 4. Por ltimo encontramos la administracin por
proceso. Llamada a menudo TQM o Administracin de Calidad Total. Una de las caractersticas
principales de este planteamiento consiste en centrar la atencin en una continua mejora de los
procesos. Se le da importancia al trabajo en equipo, atencin al cliente y rpida reaccin a los cambios.
Tiene fuerte fundamentacin estadstica.
La teora de los diagramas de control. El diagrama de control es un medio para revisar la variacin de la
caracterstica de un producto o servicio mediante 1. la consideracin de la dimensin temporal en la cual
el sistema fabrica productos y 2. el estudio de la naturaleza de la variabilidad del sistema. El diagrama de
control puede utilizarse para estudiar desempeos pasados o evaluar las condiciones presentes o ambas
cosas. Los diagramas de control pueden utilizarse para diferentes tipos de variables: para las variables
categricas y para las variables discretas. La atencin principal del diagrama de control se enfoca en el
intento de separar las causas especiales o asignables de la variacin de las causas comunes o debidas
al azar.
Las causas especiales o asignables representan grandes fluctuaciones en los datos que no son
inherentes a un proceso. Tales fluctuaciones son ocasionadas por cambios en un sistema.
Las causas comunes o debidas al azar representan la variabilidad inherente que se presenta en un
sistema.
Las causas especiales se consideran aquellas que no forman parte de un proceso y son susceptibles de
corregir; mientras que las causas comunes pueden reducirse solo cambiando el sistema. Existen dos
tipos de errores que los diagramas de control ayudan a prevenir. El primer tipo de error implica la
creencia de que un valor observado representa una causa especial de la variacin cuando de hecho se
debe a una causa comn de variacin del sistema. El segundo error implica tratar a una causa especial
como si fuera una causa comn y no tomar medidas correctivas cuando son necesarias.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
39
La forma ms tpica de un diagrama de control establece lmites de control que se encuentran dentro de
+/-3 desviaciones estndar de la medida de estadstica de inters. En general puede establecerse como:
Algunas herramientas para estudiar un proceso: diagrama de esqueleto de pescado (Ishikawa) y de flujo
de procesos. Un proceso es una secuencia de pasos que describen una actividad desde el inicio hasta
su terminacin.
El diagrama de esqueleto de pescado (o Ishikawa): El nombre viene de la manera en que las
diferentes causas estn ordenadas en el diagrama. El problema se muestra en la parte derecha y las
principales causas se colocan en la parte izquierda. Estas causas a menudo se subdividen.
Diagrama de flujo de proceso. Este diagrama nos permite ver un flujo de pasos de un proceso, desde
su inicio hasta su terminacin.

DIFs # 12
UNIDAD O TEMA: APLICACIONES ESTADISTICAS
TITULO: CALIDAD DE PRODUCTIVIDAD
FECHA DE ENTREGA: Julio 2da Semana
Los catorce puntos de Deming: una teora de la administracin por proceso. Deming desarrollo su
enfoque basndose en los siguientes catorce puntos:
1.Crear una constancia en el propsito de mejorar el producto y el servicio.
2.Adoptar la nueva filosofa.
3.Dejar de ser dependientes de la inspeccin para lograr la calidad.
4.Terminar con la prctica de otorgar contratos sobre la nica base del precio. En vez de ello minimizar el
costo total trabajando con un solo proveedor.
5.Mejorar constantemente y para siempre cada proceso de planeacin, produccin y servicio.
6.Instituir el entrenamiento en el trabajo.
7.Adoptar e instituir el liderazgo.
8.Eliminar el miedo.
9.Derribar las barreras entre reas de personal.
10.
Eliminar lemas, exhortaciones y metas destinados a la fuerza laboral.
11.
Eliminar cuotas numricas para la fuerza laboral y objetivos numricos para la administracin.
12.
Retirar barreras que le restan orgullo a la gente respecto a su trabajo. Eliminar el sistema de
evaluacin anual o de mrito.
13.
Instituir un vigoroso programa de educacin y autodesarrollo para todos.
14.
Poner a todo el que trabaje en la compaa a trabajar en el logro de la transformacin.
Diagramas de control para la proporcin y el nmero de elementos que no se ajustan:. Los diagramas p y
np.
Diagrama p: basado en la porcin de elementos que no cumplen con los requisitos. Para establecer los
lmites de control:
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
40
Cualquier valor negativo del lmite de control inferior significar que el lmite de control inferior no existe.
Diagrama np: basado en el nmero de elementos que no cumplen con los requisitos. Los lmites de
control los establecemos de la siguiente manera:
El diagrama R: Un diagrama de control para la dispersin. Los lmites de este diagrama de control los
obtenemos de la siguiente manera:
Diagrama X. El diagrama de control para X utiliza subgrupos de tamao n que se obtienen sobre k
secuencias consecutivas o periodos. Los lmites de control se obtienen de la siguiente manera:
Resumen
Pronstico
de
series
de
tiempo.
Tipos de mtodos de prediccin: Existen dos planteamientos para la prediccin: cualitativa y cuantitativa.
Los mtodos de prediccin cualitativa son especialmente importantes cuando no se dispone de datos
histricos. Se consideran altamente subjetivos. Los mtodos de prediccin cuantitativa hacen uso de los
datos histricos.
Introduccin
al
anlisis
de
series
de
tiempo.
Una serie de tiempo es un conjunto de datos numricos que se obtienen en perodos regulares a travs
del tiempo. El principal objetivo de una serie de tiempo consiste en identificar y aislar tales factores de
influencia con propsitos de hacer predicciones, as como para efectuar una planeacin y un control
administrativo.
Factores
componentes
del
modelo
multiplicativo
de
series
temporales.
Tendencia:
impresin
a
largo
plazo.
Componente cclico: representa la oscilacin o los movimientos a la baja y a la alta que se dan a lo largo
de la serie. Los movimientos cclicos varan en longitud, por lo general de dos a 10 aos.
Componente irregular aleatorio: cualquier componente que no sigue la curva de tendencia modificada por
el
componente
cclico.
Cuando los datos se registran mensual o trimestralmente adems de la tendencia cclica y los
componentes
irregulares
debemos
tomar
en
cuenta
el
factor
estacional.
El
modelo
multiplicativo
clsico
de
las
series
temporales.
Cuando los datos se obtienen anualmente una observacin Yi puede expresarse como:
Yi=Ti*Ci*Ii; en la que Ti es el valor del componente tendencia, Ci= valor del componente cclico; Ii es el
valor
del
componente
irregular.
Por otra parte cuando los datos se obtienen de manera trimestral o mensual una observacin Yi puede
estar
dada
por:
Yi=Ti*Si*Ci*Ii, en la que Si es el valor del componente estacional.
El primer paso de una serie de tiempo consiste en graficar los datos y observar su tendencia a travs del
tiempo. Primero debemos determinar si parece haber un movimiento a largo plazo hacia arriba o hacia
abajo en la serie. ( es decir una tendencia), o si la serie parece oscilar alrededor de una lnea horizontal a
travs del tiempo. Si este ltimo parece ser el caso entonces debe emplearse el mtodo de promedios
mviles o el suavizado exponencial, para suavizar la serie y proporcionarnos una impresin global a
largo plazo.
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
41
Suavizado de las series temporales anuales:. promedios mviles y suavizado exponencial.

Promedios mviles. Este mtodo es altamente subjetivo y dependiente de la longitud del perodo elegido
para la construccin de los promedios. Para eliminar las fluctuaciones cclicas, el perodo escogido debe
ser un valor entero que corresponda a la duracin promedio estimada de un ciclo.
Los promedios mviles para un perodo elegido de longitud L consisten en una serie de medias
aritmticas calculadas en el tiempo de tal modo que cada media se calcula para una secuencia de
valores observados que tienen esa longitud particular, L.
El
promedio
mvil
puede
calcularse
de
la
siguiente
manera:
Cuanto ms largo sea el perodo, menor ser el nmero de valores promedio mvil que se pueden
calcular y graficar. Por consiguiente, la seleccin de promedios mviles con perodos de longitud
mayores a siete aos es, por lo general, no deseable puesto que habr demasiados puntos de datos que
faltan al inicio y al final de la serie, haciendo que sea ms difcil de obtener una impresin global de la
serie completa.
Suavizado
Exponencial.
El suavizado exponencial puede utilizarse para obtener predicciones a corto plazo. Su nombre deriva del
hecho de que nos proporciona un promedio mvil pesado o ponderado exponencialmente a travs de la
serie de tiempo, esto es, a lo largo de la serie cada clculo de suavizado o prediccin depende de todos
los valores observados anteriormente. Esta es una ventaja con respecto al otro mtodo. Con este
mtodo los pesos asignados a los valores observados disminuyen con el tiempo, de modo que cuando
se hace el clculo, el valor observado ms reciente recibe el mayor peso.
Para suavizar una serie de tiempo en cualquier periodo i tenemos la siguiente expresin:.
Ei= valor de la serie suavizada exponencialmente que se calcula en el perodo i.
Ei-1= valor de la serie suavizada exponencialmente calculado en el perodo i-1
Yi=
valor
observado
de
la
serie
en
el
perodo
i
W=
peso
o
coeficiente
de
suavizado
que
se
asigna
de
manera
subjetiva.
W==2/(L+1)
Si deseamos suavizar una serie mediante la eliminacin de las variaciones cclicas e irregular no
deseadas, debemos seleccionar un pequeo valor de W. Si, nuestro objetivo es hacer predicciones
debisemos seleccionar el valor ms grande de W (cercano a uno).
Anlisis de series de datos anuales: ajuste de tendencia de mnimos cuadrados y pronstico.
El modelo lineal:
El modelo cuadrtico:
El modelo exponencial:
Eleccin de un modelo de prediccin apropiado
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
42

VISITA TECNICA No. 1
UNIDAD O TEMA :
LUGAR
FECHA PREVISTA :
RECURSOS NECESARIOS:
OBJETIVOS DE LA ACTIVIDAD:
FORMAS DE EVALUACION (Si procede):
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
43

UNIDAD O TEMA :
LUGAR
FECHA PREVISTA :
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
44
UNIDAD O TEMA :
LUGAR
FECHA PREVISTA :
U N I V
R S
I D A
D E
Q U I N O
O L I V
I A
45

Estadistica II

Încărcat de

Informații document

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

Estadistica II

Încărcat de

Drepturi de autor:

Formate disponibile

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

RED NACIONAL UNIVERSITARIA

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

SYLLABUS DE LA ASIGNATURA ESTADISTICA II

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

Estimado (a) alumno (a):

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

OBJETIVOS GENERALES DE LA ASIGNATURA.

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

II. PROGRAMA ANALTICO DE LA ASIGNATURA.

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

TEMA 6. MUESTREO IRRESTRICTO ALEATORIO

TEMA 7. DOCIMACIA DE HIPTESIS

Desarrollar sus prcticas pre-profesionales en condiciones reales y tutorados por sus

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

ACTIVIDADES A REALIZAR VINCULADAS CON LOS CONTENIDOS DE LA MATERIA

TEMAS CON LOS

Unidad IV: Del 4.1 al

Forrmular hiptesis nulas

Unidad VII: Del 7.1

Unidad V: Del 5,1 al

ACTIVIDADES PROPUESTAS PARA LAS BRIGADAS UDABOL

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

DE RESULTADOS DE LOS PROCESOS DE APRENDIZAJE O SUMATIVA (examen parcial o

MARK L. BERENSON/David M. LEVINE. Estadstica Bsica, Sexta Edicin. Ed.

MOYA Rufino / SARAVIA Gregorio. Probabilidad y Estadstica,

VI. CONTROL DE EVALUACIONES Y APUNTES

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

VII. PLAN CALENDARIO

1.1 hasta 1.3

1.4 hasta 1.5

2.1 hasta 2.4

2.5 hasta 2.8

2.9 hasta 2.10

Primera Evaluacin Presentacin de Notas

Primera Evaluacin Presentacin de Notas

3.1 hasta 3.4

3.5 hasta 3.9

4.1 hasta 4.4

4.5 hasta 4.6

Segunda Evaluacin Presentacin de Notas

Segunda Evaluacin Presentacin de Notas

5.1 hasta 5.3

VIII. WORK PAPERS

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

PROGRAMA DE CONTROL DE CALIDAD

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

PROGRAMA DE CONTROL DE CALIDAD

FRECUENCIA RELATIVA DE 6 LANZANDO UN DADO

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

PROGRAMA DE CONTROL DE CALIDAD

2. Calcular las probabilidades de los siguientes eventos .

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

PROGRAMA DE CONTROL DE CALIDAD

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

La desviacin estndar. La desviacin estndar se calcula usando la siguiente frmula:

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

PROGRAMA DE CONTROL DE CALIDAD

FECHA DE ENTREGA: Abril 2da Semana

FACULTAD DE CIENCIAS ECONOMICAS Y FINANCIERAS

PROGRAMA DE CONTROL DE CALIDAD