Documente Academic
Documente Profesional
Documente Cultură
Méé todos
éstadíésticos
Curso taller
Página 1
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
CONTENIDO
MÓDULO 1. INTRODUCCIÓN A LA PROBABILIDAD Y ESTADÍSTICA...................................................3
1.1 Introducción a la probabilidad....................................................................................................................3
1.2 Introducción a la estadística.......................................................................................................................3
MÓDULO 2. ESTADÍSTICA DESCRIPTIVA....................................................................................................5
2.1 Medidas de tendencia central y de dispersión datos simples.....................................................................6
Medidas de tendencia central.......................................................................................................................6
Medidas de dispersión..................................................................................................................................7
2.2 Otras medidas de dispersión: percentiles, deciles y quartiles...................................................................10
2.3 Distribución de frecuencias e histogramas...............................................................................................12
2.5 Usos frecuentes de la desviación estándar................................................................................................17
2.6 Uso de Minitab y excel.............................................................................................................................21
2.7 Diagramas de dispersión...........................................................................................................................26
2.8 Correlación y regresión lineal..................................................................................................................27
MÓDULO 3. CÁLCULO DE PROBABILIDADES.........................................................................................35
3.1 Introducción..............................................................................................................................................35
Definiciones................................................................................................................................................35
Probabilidad Compuesta.............................................................................................................................36
Relaciones entre eventos............................................................................................................................36
Técnicas de conteo.....................................................................................................................................41
Teorema de bayes.......................................................................................................................................43
MÓDULO 4. VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD........................45
4.1 Definiciones..............................................................................................................................................46
4.2 Distribuciones de probabilidad discretas..................................................................................................48
Distribución uniforme................................................................................................................................48
Distribución hipergeométrica.....................................................................................................................49
Distribución binomal..................................................................................................................................50
Distribución de Poisson..............................................................................................................................52
4.3 Distribuciones de probabilidad continuas................................................................................................56
Distribución exponencial............................................................................................................................57
La distribución normal...............................................................................................................................62
MÓDULO 5. INTRODUCCIÓN AL MUESTREO...........................................................................................70
7.1 El problema de la aceptación por muestreo..............................................................................................70
7.2 Muestreo simple por atributos..................................................................................................................72
La curva característica de operación OC....................................................................................................72
Inspección rectificadora..............................................................................................................................75
7.3 Tablas de muestreo MIL-STD-105E (ANS Z1.4, ISO 2859)...................................................................77
MÓDULO 6. ESTIMACIÓN DE PARÁMETROS...........................................................................................83
6.1 Introducción..............................................................................................................................................83
6.2 Intervalos de confianza.............................................................................................................................83
Distribuciones muestrales utilizadas..........................................................................................................85
MÓDULO 7. PRUEBAS DE HIPÓTESIS........................................................................................................88
7.1 Introducción a las pruebas de hipótesis....................................................................................................88
7.2 Pruebas de hipótesis de una población.....................................................................................................90
7.3 Pruebas de hipótesis para dos poblaciones...............................................................................................98
Pruebas para la igualdad de dos varianzas.................................................................................................99
Pruebas de hipótesis sobre la igualdad de dos medias.............................................................................102
Prueba de dos medias pareadas con t........................................................................................................114
Pruebas de hipótesis sobre dos proporciones...........................................................................................116
Resumen de las pruebas de hipótesis........................................................................................................119
7.4 Análisis de varianza de un factor (ANOVA de 1 via).............................................................................122
Página 2
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Una variable es una característica que varía entre los elementos de una población bajo
estudio. Si son personas entonces las siguientes son ejemplos de variables que podrían ser
de interés: edad, peso, sexo, estatura, etc. Las variables pueden ser cuantitativas, cuando
se realiza una medición, o pueden ser cualitativas, cuando solamente presentan una
cualidad. La edad, el peso y la estatura son ejemplos de variables cuantitativas en una
población de personas, mientras que el sexo y el estado civil son variables cualitativas.
Página 3
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
La Estadística descriptiva proporciona un criterio para lograr mejoras, debido a que sus
técnicas se pueden usar para describir y comprender la variabilidad. Por ejemplo,
consideremos en una caldera de vapor la presión del combustible alimentado y la
eficiencia de la caldera, si utilizamos instrumentos de medición con la resolución
suficiente, encontraremos que existe variabilidad en esos parámetros, y mediante el uso
de técnicas estadísticas podemos realizar mejoras para reducir la variación en rendimiento
de la caldera.
Página 4
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Ejemplo 1: En un equipo de fútbol, una muestra de estaturas de sus integrantes son las
siguientes:
xi 19
x 1.73
n 11
Mediana: ( ~x ) Los datos de "n" observaciones son ordenados del más pequeño al
más grande, Si el tamaño de la muestra es "non" la mediana es el valor ordenado en la
posición (n+1)/2,
Cuando el tamaño de la muestra es "par" la mediana es el promedio de los dos valores
que se encuentran al centro del conjunto de valores. Se puede calcular mediante:
n 2 n 2 1
2
1.60,1.65,1.67,1.67,1.70,1.73,1.74,1.79,1.79,1.82,1.84;
Como tenemos 11 datos el número es non por lo que (n+1)/2 = 12/2 = 6, buscando el
número que ocupa la sexta posición en los datos ordenados encontramos el valor de la
mediana ~
x 1.73
Página 5
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Media acotada (Truncated Mean): Determinado porcentaje de los valores más altos y
bajos de un conjunto dado de datos son eliminados (tomando números enteros), para
los valores restantes se calcula la media.
68.7,34.3,97.9,73.4,8.4,42.5,87.9,31.1,33.2,97.7,72.3,54.2,80.6,71.6,82.2,
Como tenemos 11 datos, el 20% de 11 es 2.2, por lo cual eliminamos 2 datos el más
bajo y el más alto, ordenado los datos obtenemos:
Médidas dé dispérsioé n
Para comprender el concepto de varianza, supóngase que tenemos los datos siguientes de
los cuales queremos saber que tan dispersos están respecto a su media:
4 + 1 + 0 + 1 + 4 = 10
Es una medida que nos ayuda a comprender la variabilidad de los datos, que tan
distanciados están de la media
Página 6
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
( xi x ) 2
2
n
( xi x ) 2
s2
n 1
( xi x ) 2
Para el caso de una población n
( xi x ) 2
Para el caso de una muestra s n 1
12.14
CVt (100) 12.05%
78.7
Por otra parte si la media de temperaturas es de 10 y su desviación estándar de 2, el CVs
de las temperaturas es:
Página 7
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
2
CVs (100) 20%
10
Muestra 1: Muestra 2
x 248 x 248
n-1=5 n-1 = 5
790 7510
s= = 12.56 s= = 38.75
5 5
Ejemplo 5:
Se desea hacer un estudio estadístico de la temperatura del agua, para esto es necesario
tomar una muestra y calcular la media, mediana, media acotada al 15%, desviación
estándar, rango y coeficiente de variación. Se realizan 14 observaciones arrojando los
siguientes resultados en ºC: 2.11, 3.8, 4.0, 4.0, 3.1, 2.9, 2.5, 3.6, 2.0, 2.4, 2.8, 2.6,2.9, 3.0.
Página 8
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Cada conjunto de datos ordenado tiene tres cuartiles que lo dividen en cuatro partes
iguales. El primer cuartil es ese valor debajo del cual clasifica el 25% de las observaciones y
sobre el cual se encuentra el 75% restante. El segundo cuartil divide a los datos a la mitad
similar a la mediana.
P
L p (n 1)
100
Dónde:
3 10 19 27 34 38 48 56 67 74
4 12 20 29 34 39 48 59 67 74
7 14 21 31 36 43 52 62 69 76
9 15 25 31 37 45 53 63 72 79
10 17 27 34 38 47 56 64 73 80
35
L35 (50 1) 17.85
100
O sea que el percentil 35 está al 85% del trayecto comprendido entre la observación 17
que es 29 y la observación 18 que es 31 o sea L35 = 29 + (0.85)(31-29) = 30.7. Por tanto el
35% de las observaciones están por debajo de 30.7 y el 65% restante por encima de 30.7.
De la misma forma los percentiles 25, 50 y 75 proporcionan la localización de los cuartiles
Q1, Q2 y Q3 respectivamente.
Página 9
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Q1: es el número que representa al percentil 25 (hay 25% de los datos por debajo
de este).
Q3: es el número que representa al percentil 75 (hay 75% de los datos por debajo
de este).
DIAGRAMA DE CAJA
1 10 4
1050
Q3 + 1.5 RIC
Q3
Weight
950
Q2 Mediana
Q1
850
Q1 – 1.5RIC
Rango
Intercuartílico = RIC
= Q3 – Q1 Valores atípicos Bigotes
Página 10
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Cuando tenemos una cantidad grande de datos es difícil poder analizarlos, a menos que
hagamos uso de herramientas que nos permitan hacerlo con mayor facilidad y claridad. El
histograma es una de ellas, consiste en un diagrama de barras donde las bases
corresponden a los intervalos y las alturas a las frecuencias. Para construir un histograma
es necesario tener un mínimo de 50 a 100 datos. Se tienen las siguientes definiciones:
Ejemplo 6
2.41 17.87 33.51 38.65 45.70 49.36 55.08 62.53 70.37 81.21
3.34 18.03 33.76 39.02 45.91 49.95 55.23 62.78 71.05 82.37
4.04 18.69 34.58 39.64 46.50 50.02 55.56 62.98 71.14 82.79
4.46 19.94 35.58 40.41 47.09 50.10 55.87 63.03 72.46 83.31
8.46 20.20 35.93 40.58 47.21 50.10 56.04 64.12 72.77 85.83
9.15 20.31 36.08 40.64 47.56 50.72 56.29 64.29 74.03 88.67
11.59 24.19 36.14 43.61 47.93 51.40 58.18 65.44 74.10 89.28
12.73 28.75 36.80 44.06 48.02 51.41 59.03 66.18 76.26 89.58
13.18 30.36 36.92 44.52 48.31 51.77 59.37 66.56 76.69 94.07
15.47 30.63 37.23 45.01 48.55 52.43 59.61 67.45 77.91 94.47
16.20 31.21 37.31 45.08 48.62 53.22 59.81 67.87 78.24 94.60
16.49 32.44 37.64 45.10 48.98 54.28 60.27 69.09 79.35 94.74
17.11 32.89 38.29 45.37 49.33 54.71 61.30 69.86 80.32 96.78
Página 11
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Paso 4: Calcular el tamaño del intervalo de clase ( C ), dividiendo el rango entre el número
94.37
de columnas: C = 8.58 9 , resultando el tamaño del intervalo 9.
11
Paso 5: Calcular los límites de clase de cada intervalo: [0-8], [ 9-17], etc., considerando
que el tamaño del intervalo representa la diferencia entre dos límites de clase adyacentes
ya sean inferiores o superiores.
Paso 6: Contar el número de valores que caen en cada intervalo utilizando una hoja de
registro, de esta manera se obtiene la frecuencia para cada intervalo.
Página 12
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Tabla 1.
Columna Intervalo Registro de frecuencias
1 0 -8 IIIII 5
2 9-17 IIIII IIII 9
3 18-26 IIIII I 6
4 27-35 IIIII IIIII I 11
5 36-44 IIIII IIIII II 17
6 45-53 IIIII IIIII IIIII IIIII IIIII III 28
7 54-62 IIIII IIIII IIIII III 18
8 63-71 IIIII IIIII III 13
9 72-80 IIIII IIIII 10
10 81-89 IIIII III 8
11 90-98 IIIII 5
Con Minitab: Stat > EDA > Steam and leaf… Indicar columna de datos, increment = 10
Stem-and-leaf of Respuest N = 50
Leaf Unit = 1.0
Página 13
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
2 6 89
8 7 233566
16 8 01123456
(11) 9 12224556788
23 10 002466678
14 11 2355899
7 12 4678
3 13 24
1 14 1
Xg
fM
n
Donde
Ejemplo:
Página 14
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
3935
Xg 78.7
50
~ n / 2 F 50 / 2 10
Mediana X Lmd (C ) 70 10 78.33 pasajeros
f md 18
Dónde:
Primero se halla la clase que tenga la frecuencia más alta, en este caso la clase 70 a 79.
Da 18 7
Moda Lmo (C ) 70 10 76.47
D
b D a (18 12) (18 7 )
Donde:
Lmo es el límite inferior de la clase modal con la frecuencia más alta (70).
Da es la diferencia entre la frecuencia de la clase modal y la clase que la antecede (18 – 7 =
11)
Db es la diferencia entre la frecuencia de la clase modal y la clase que le sigue (18 – 12 = 6)
C es el intervalo de la clase modal ( 80 – 70 = 10 )
s2
fM 2
nX 2
n 1
s s 2
Página 15
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
3935
Xg 78.7
50
316902.50 50(78.7) 2
s2 147.31 pasajeros
49
s 12.14 pasajeros
Teorema de Tchebyshev
1
Establece que para todo conjunto de datos por lo menos (1 )% de las observaciones
K2
se encuentran dentro de K desviaciones estándar de la media, con K >= 1.
1 1
(1 2
)% 1 2 % 88.89%
K 3
SESGO
En la distribución normal si no es simétrica y tiene una cola más amplia del lado derecho,
se dice que existe un sesgo a la derecha y viceversa.
3( X Mediana)
P
s
Si P < 0 los datos están sesgados a la izquierda, si P > 0 están sesgados a la derecha; si P =
0 están distribuidos normalmente.
3(78.7 78.33)
P 0.03 Los datos están un poco sesgados hacia la derecha.
12.14
�( X i X)j
Mj i 1
j 1, 2,3, 4
n
1 n
M3
n i 1
( Xi X ) 3
Sesgo ˆ1 o 1 3 / 2 Para la distribución normal debe ser 0.
M 23 / 2 1 n 2
( Xi X )
n i 1
Página 17
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Ejemplo: Ejemplo de una distribución con sesgo negativo o sesgada hacia la izquierda con
Sesgo = -1.01
Ejemplo de una distribución con sesgo positivo o sesgada hacia la derecha con Sesgo =
1.08
CURTOSIS
Página 18
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
1 n
M4
n i 1
( Xi X ) 4
Kurtosis 2 - 3 o 2 2
3
M 22 1 n
( Xi X ) 2
n i 1
Para la distribución normal debe ser 0.
Página 19
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Uso de Minitab
Para la obtención de las estadísticas descriptivas con Minitab las instrucciones son:
Stat > Basic statistics > Display descriptive statistics
Indicar las variables de las cuales se quieren obtener las estadísticas básicas y la variable
categórica si se desean varios grupos.
Seleccionar las gráficas opcionales para los datos: Histograma, diagrama de caja y de
puntos.
Página 20
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Boxplot of Caja
22.5
20.0
17.5
15.0
Caja
12.5
10.0
7.5
5.0
Histograma en Minitab:
Página 21
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Histogram of DATOS
40
30
Frequency
20
10
0
-10 20 50 80 110
DATOS
60
50
40
30
20
10
5
0.1
0 30 60 90 120
DATOS
Página 22
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Uso de excel
Columna1
Media 50.0537692
Error típico 1.9738137
Mediana 49.345
Moda 50.1
Desviación estándar 22.5049388
Varianza de la
muestra 506.47227
Curtosis -0.4466339
Coeficiente de
asimetría -0.0352296
Rango 94.37
Mínimo 2.41
Máximo 96.78
Suma 6506.99
Cuenta 130
Página 23
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
EJERCICIOS:
BTU.In_1
2.97 7.73 9.60 11.12 13.47
4.00 7.87 9.76 11.21 13.60
5.20 7.93 9.82 11.29 13.96
5.56 8.00 9.83 11.43 14.24
5.94 8.26 9.83 11.62 14.35
5.98 8.29 9.84 11.70 15.12
6.35 8.37 9.96 11.70 15.24
6.62 8.47 10.04 12.16 16.06
6.72 8.54 10.21 12.19 16.90
6.78 8.58 10.28 12.28 18.26
6.80 8.61 10.28 12.31
6.85 8.67 10.30 12.62
6.94 8.69 10.35 12.69
7.15 8.81 10.36 12.71
7.16 9.07 10.40 12.91
7.23 9.27 10.49 12.92
7.29 9.37 10.50 13.11
7.62 9.43 10.64 13.38
7.62 9.52 10.95 13.42
7.69 9.58 11.09 13.43
d) Establecer conclusiones
Página 24
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
La relación entre dos variables se representa mediante una gráfica de dos dimensiones en
la que cada relación está dada por un par de puntos (uno para cada variable).
La variable del eje horizontal x normalmente es la variable causa, y la variable del eje
vertical y es la variable efecto.
La relación entre dos variables puede ser: positiva o negativa. Si es positiva, significa que
un aumento en la variable causa x provocará una aumento en la variable efecto y y si es
negativa significa que una disminución en la variable x provocará una disminución en la
variable y.
Por otro lado se puede observar que los puntos en un diagrama de dispersión pueden
estar muy cerca de la línea recta que los atraviesa, o muy dispersos o alejados con
respecto a la misma. El índice que se utiliza para medir ese grado de cercanía de los puntos
con respecto a la línea recta es el índice de correlación r. En total existen cinco grados de
correlación: positiva evidente (r = 1), positiva, negativa evidente (r = -1), negativa y nula (r
= 0).
15 15
10
Y
10
5
5
0
0 5 10 15 20 25 Sin Correlación 0
0 5 10 15 20 25
X 25 X
20
15
Correlación 10
Y
5
Correlación
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
X 20
15
15
Y
10
Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X
Página 25
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Regresión lineal - La relación entre X y Y se representa por medio de una línea recta
Regresión curvilinea - La relación entre X y Y se representa por medio de una curva.
Y * *
** * * * *
* * * *
* b1 * * * *
* * * *
* * * * * *
b0
Correlación positiva Correlación negativa X
Sin correlación
El término de error es la diferencia entre los valores reales observados Yi y los valores
estimados por la ecuación de la recta. Se trata de que estos sean mínimos, para lo cual se
utiliza el método de mínimos cuadrados.
Página 26
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Y
Yest = 4.4 + 1.08 X
Yi = 23 * Variación no explicada
Error = (Yi - Yest) = 1.32
Variación total
(Yi-
Ymedia)=5.13 Variación explicada Ymedia=17.87
(Yest-Ymedia) = 3.81
Ymedia =17.87
X = 16 X
Si todos los puntos estuvieran completamente sobre la recta la ecuación lineal sería
y = a + bx. Como la correlación no siempre es perfecta, se calculan a y b de tal forma que
se minimice la distancia total entre puntos y la recta. Los cálculos tomando las sumas de
cuadrados siguientes se muestran a continuación:
Sxy = 2027.71
Sxx = 698.56
Syy = 6105.94
b1 ˆ1
( Xi X )(Yi Y ) S XY
= 2.902704421
( Xi X ) 2
S XX
b0 ˆ 0
Y i ˆ1 X i
Y ˆX = 5.114515575
n
Página 28
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
r r 2 = 0.9816
El coeficiente de correlación proporciona el nivel de ajuste que tienen los puntos a la línea
recta indicando el nivel de influencia de una variable en la otra. El factor de correlación r
es un número entre –1 (correlación negativa evidente) y +1 (correlación positiva evidente),
y r = 0 indicaría correlación nula.
USO DE EXCEL
Resumen
Estadísticas de la regresión
Coeficiente de
correlación múltiple 0.981811778
Coeficiente de
determinación R^2 0.963954368
R^2 ajustado 0.962387167
Error típico 3.093419627
Observaciones 25
220.092634 9.56924499
Residuos 23 8 2
6105.94470
Total 24 4
Coeficientes
Error típico Estadístico t Probabilidad Inferior 95%
1.14580412 4.46369100 0.00017721 2.74423916
Intercepción 5.114515575 7 4 5 1
0.11704071 24.8008082 2.66058724
XServicios 2.902704421 9 5 4.24118E-18 9
USO DE MINITAB
Para obtener la línea de mejor ajuste de la regresión, se procede como sigue en Minitab:
Página 30
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
40
30
20
10
0
0 5 10 15 20
X Servicios
Página 31
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
EJERCICIOS:
1. La energía consumida en un proceso depende del ajuste de máquinas que se
realice, realizar una regresión cuadrática con los datos siguientes y responder las
preguntas.
Ajuste
Cons_energía Máq.
Y X
21.6 11.15
4 15.7
1.8 18.9
1 19.4
1 21.4
0.8 21.7
3.8 25.3
7.4 26.4
4.3 26.7
36.2 29.1
2. En base al porcentaje de puntualidad se trata de ver si hay correlación con las quejas en
una línea aérea. Las quejas son por cada 100000 pasajeros.
Página 32
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
%puntos Quejas
Aerolínea X Y
A 81.8 0.21
B 76.6 0.58
C 76.6 0.85
D 75.7 0.68
E 73.8 0.74
F 72.2 0.93
G 70.8 0.72
H 68.5 1.22
Página 33
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Définicionés
# Favorable E
P E
# Total resultados
1
Ejemplo 1: La probabilidad de que salga 2 al lanzar un dado es: .16
6
1
Ejemplo 2: La probabilidad de lanzar una moneda y que caiga cara es: .5
2
Ejemplo 3: La probabilidad de sacar 1,2,3,4,5, o 6 al lanzar un dado es:
1 1 1 1 1 1
1
6 6 6 6 6 6
Página 34
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Unión de A y B
Si A y B son eventos en un espacio muestral (S), la unión de A y B A B contiene todos
los elementos delevento A o B o ambos.
Intersección de A y B
Si A y B son eventos en un espacio muestral S, la intersección de A y B A B está
compuesta por todos los elementos que se encuentran en A y B.
P A .7
P(A)=.3
P A B
P A B , si B 0
P B
P A B 0.2
P A B = 0.67
P B 0.3 A
P(A/B)=.67 B
RAZÓN DE LA
QUEJA
Falla eléctrica Falla mecánica Falla apariencia Total
En garantía 18% 13% 32% 63%
Fuera de 12% 22% 3% 37%
garantía
Total 30% 35% 35% 100%
Si A es el evento de que la queja es por apariencia y que B representa que la queja ocurrió
en el periodo de garantía. Se puede calcular P(Z | B) = P(A y B) / P(B)
Se dice que dos eventos A y B son independientes si: P(A/B) = P(A) o P(B/A) = P(B).
La probabilidad de la ocurrencia de uno no está afectada por la ocurrencia del otro. De
otra manera los eventos son dependientes.
Página 36
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Cuando un evento A no contiene elementos en común con un evento B, se dice que estos
son mutuamente excluyentes.
A B
1 1 1
a) P A B .33
6 6 3
Ley aditiva:
Cuando dos eventos no son mutuamente excluyentes:
P A B P A P B P A B
Ley multiplicativa:
Si los eventos A y B son dependientes:
P A B P A P B A
Página 37
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
la muestra se toma sin reemplazo, calcule la probabilidad de que ambos artículos estén en
buen estado.
98 98
P A B P A P B = .9604
100 100
A B
98 97
P A B P A P B A = .9602
100 99
Se observa que los eventos son dependientes ya que para que para obtener el evento B, se
tiene que haber cumplido antes el evento A.
B
P(B/A)=.97
A
P(A) =.98
Página 38
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
EJERCICIOS:
1. Tres componentes forman un sistema. Como los componentes del subsistema 2-3 están
conectados en paralelo, trabaja si por lo menos uno de ellos funciona. Para que trabaje el
sistema debe trabajar el componente 1 y el subsistema 2-3.
a) ¿Qué resultados contiene un evento A donde funcionan exactamente dos de los tres
componentes?
b) ¿Qué resultados están contenidos en el evento B en el que por lo menos funcionan dos
los componentes?
1
3
2. En una planta los trabajadores trabajan 3 turnos. En los últimos años ocurrieron 200
accidentes. Algunos se relacionan con condiciones inseguras y otros a condiciones de
trabajo, como se muestra a continuación:
3. La ruta que usa un automovilista tiene dos semáforos. La probabilidad de que pare en el
primero es de 0.4, la probabilidad de que pare en el segundo es de 0.5 y la probabilidad de
que pare por lo menos en uno es de 0.6. ¿Cuál es la probabilidad de que se detenga
a) En ambos semáforos?
c) Exactamente en un semáforo?
Página 39
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
4. Una empresa construye tres plantas eléctricas en tres lugares diferentes. Se Ai el evento
en el que se termina la planta i en la fecha del contrato. Utilizar las notaciones de unión,
intersección y complemento para describir cada uno de los siguientes eventos, en
términos de A1, A2 y A3, mostrar en diagramas de Venn.
e) Se termina ya sea la planta del lugar 1 o las otras dos en la fecha del contrato.
Supóngase que una persona tiene dos modos de ir de una ciudad A a otra ciudad B; y una
vez llegada a B, tiene tres maneras de llegar a otra ciudad C. ¿De cuántos modos podrá
realizar el viaje de A a C pasando por B?
a pie en avión
en carro
CIUDAD A CIUDAD B CIUDAD C
en bicicleta en trasatlántico
Página 40
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Ejemplo 10: Dado el conjunto de las letras o, p, i , escribir todas las permutaciones
empleando las tres letras cada vez.
Solución: opi, oip, ipo, iop, pio, poi : son seis permutaciones posibles.
Solución: op, oi, io, ip, pi, po: son seis permutaciones.
Ejemplo 12: ¿Se toman 3 números de lotería de un total de 50, de cuantas formas se
pueden tomar los números?
50 ! 50 !
P350 (50 49 48) 117 ,600
50 3 ! 47 !
Página 41
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Ejemplo 13: Un entrenador de basket ball tiene 9 jugadores igualmente hábiles, ¿cuántas
quintetas podrá formar?
9!
C59 126
4 ! 5 !
4 C4 48 C1 1
a) P(4 ases) = =
52 C5 54145
4 C4 4 C1 1
b) P (4 ases y 1 rey) =
52 C5 649740
4 C3 4 C2
1
c) P (3 dieces y 2 jotas) =
52 C5 108290
Téoréma dé bayés
P ( Z ) P A P Z A P B P Z B
P A P Z A
P A Z
P A P Z A P B P Z B
Página 42
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Ejemplo 8: En cierta universidad 20% de los hombres y 1% de las mujeres miden más de
1.80m de altura. Asimismo 40% de los estudiantes son mujeres. Si se selecciona un
estudiante al azar y se observa que mide más de 1.80m ¿Cual es la probabilidad de que
sea mujer?
Para encontrar la probabilidad de que sea mujer dado que mide más de 1.80,
Utilizando el teorema de Bayes:
P B P Z B
P B Z
P A P Z A P B P Z B
P(B/Z) = (.4 x .01)/ (.6 x .20 +.4 x .01) = .032. Hombre Mujer
Página 43
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
EJERCICIOS:
1. Una planta emplea 20 trabajadores en el turno diurno, 15 en el segundo y 10 en la
noche. Se seleccionan 6 para hacerles entrevistas exhaustivas. Suponer que cada
uno tiene la misma probabilidad de ser seleccionado de una urna de nombres.
a) ¿Cuántas selecciones dan como resultado seis trabajadores del turno diurno?
b) ¿Cuál es la probabilidad de que los 6 trabajadores sean seleccionados del mismo turno?
c) ¿Cuál es la probabilidad de que por lo menos dos turnos diferentes estén representados
en la selección?
d) ¿Cuál es la probabilidad de que por lo menos uno de los turnos no esté representado en
la muestra de trabajadores?
2. Una caldera tiene 5 válvulas de alivio idénticas. La probabilidad de que que en algún
momento se abra una de ellas es de 0.95. Si su operación es independiente, calcular la
probabilidad de que por lo menos se abra una de ellas. Y la probabilidad de que por lo
menos no se abra una de ellas.
3. Dos bombas conectadas en paralelo fallan en determinado día, sin que haya
dependencia mutua. La probabilidad de que solo falle la bomba más vieja es de 0.10 y de
que falle la bomba más nueva es de 0.05. ¿Cuál es la probabilidad de que fallen ambas
bombas al mismo tiempo?
3 4
Página 44
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
4.1 Definiciones
Variable aleatoria: Para un determinado espacio muestral SS una variable aleatoria (VA) es
cualquier regla que relaciona un número con cada resultado en SS.
Variable aleatoria discreta: Es una variable aleatoria cuyos posibles valores son enteros.
Variable aleatoria continua: Es una variable aleatoria cuyos valores posibles son los reales.
2. Suma (P(y)) = 1
Su fórmula es la siguiente:
Valor esperado:
Página 45
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
FX ( x ) P ( X x)
Con propiedades:
0 F ( x) 1
Lim x F ( x ) 1
Lim x F ( x ) 0
La media o valor esperado de una variable aleatoria discreta X , denotada como E(X), es
X E ( X ) xf X ( x) xP( X x)
x x
Sea Y una variable aleatoria discreta con distribución de probabilidades P(X=x). Entonces ,
la varianza de Y es:
X E[( X X ) 2 ] ( x X ) 2 P ( X x )
2
Página 46
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Distribucioé n uniformé
La variable aleatoria toma un numero finito de n valores, cada uno con igual probabilidad.
1
f ( x) P ( X x )
n
Con n = 10 se tiene:
( n 1)
X
2
n 1
2
X2
12
Página 47
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Se aplica cuando la muestra (n) es una proporción relativamente grande en relación con la
población (n > 0.1N). El muestreo se hace sin reemplazo
C xD CnNxD n!
P ( x ) C xn
Con x!( n x)!
CnN
USO DE EXCEL:
N = Tamaño de Población, n = Tamaño de muestra, D= éxitos en la población; x = éxitos en
la muestra.
En Fx Estadísticas seleccionar
=distr.hipergeom(x, n, D, N)
USO DE MINITAB:
Calc > Probability distributions > Hypergeometric
Probability (densidad) o Cumulative probability (acumulada)
Página 48
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
EJERCICIO:
1. Se compran 10 transformadores y se toma una muestra de 4. Si se encuentra uno o más
defectuosos se rechaza el lote de 10.
a) Si el lote tiene un defectuoso, ¿Cuál es la probabilidad de que se acepte el lote?
b) Cuál es la probabilidad de aceptar el lote si contiene 3 defectuosos.
Distribucioé n binomal
Ensayo Bernoulli. Es un experimento aleatorio que solo tiene dos resultados. Éxito o
fracaso.
Donde la probabilidad de éxito se denota por p
Página 49
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Rechazar la afirmación de que falla menos del 10% si se encuentra que X>=5.
USO DE EXCEL:
x = éxitos en la muestra, p = probabilidad de éxito, n = tamaño de muestra.
En Fx Estadísticas seleccionar
=distr.binom(x, n, p, 0 o 1 dependiendo si es puntual o acumulada)
USO DE MINITAB:
Calc > Probability distributions > Binomial
Probability (densidad) o Cumulative probability (acumulada)
n = number of trials, p = probability of success y en Input constant introducir x.
EJERCICIOS:
1. Un panel solar tiene una vida útil de 5 años con una probabilidad de 0.95. Se toman 20
páneles solares y se registró la vida útil.
c) ¿Si solo 10 paneles tienen una vida útil de 5 años, que debería pensarse sobre el valor
verdadero de P?
2. 20% de los teléfonos se reparan cuando todavía está vigente la garantía. De estos el 60%
se reparan mientras que el 40% se reemplazan. Si una empresa compra 10 de estos
teléfonos, ¿Cuál es la probabilidad de que exactamente sean reemplazados 2 en periodo
de garantía?.
3. Suponga que solo 25% de los automovilistas se detienen por completo en un alto con
luz roja intermitente cuando no está visible otro automóvil. ¿Cuál es la probabilidad de
que de 20 automovilistas seleccionados al azar se detengan:
Página 50
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
4. De todas las plantas sólo el 5% descargan residuos por sobre la norma. Si se muestrean
20 plantas ¿Cuál es la probabilidad de que estén fuera de la ley:
c) Exactamente 3
d) Más de una
Distribucioé n dé Poisson
Ejemplo 3. Suponga que una compañía de seguros asegura las vidas de 5000 hombres de
42 años de edad. Si los estudios actuariales muestran que la probabilidad de que un
hombre muera en cierto año es 0.001, entonces la probabilidad de que la empresa pague
exactamente 4 indemnizaciones y= 4 en un cierto año es:
Página 51
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
5000!
P ( y 4) p(4) (0.001) 4 (0.999) 4996
4!*4996!
El valor de esta expresión no aparece en tablas y su cálculo era difícil, no así con Excel.
4 e 5 4 e 5
P ( y 4) 0.1745
4! 4!
Ejemplo 4. Una planta tiene 20 máquinas, si la probabilidad de que falla una en cierto día
es 0.05. Encuentre la probabilidad de que durante un día determinado fallen dos
máquinas.
np = 20 *0.05 = 1.0
12 e 1
P ( y 2) 0.184
2!
20!
P ( y 2) p (2) (0.05) 2 (0.95)18 0.188
2!*18!
Número de llamadas recibidas en un conmutador durante un día, dado promedio por día.
Número de reclamaciones en empresa de seguros por semana, con el promedio Semanal
Número de ventas hechas por un agente en un día, conociendo el promedio por día.
USO DE EXCEL:
x = éxitos en la muestra, np = media.
En Fx Estadísticas seleccionar
=Poisson(x, np, 0 o 1 dependiendo si es puntual o acumulada)
Página 52
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
USO DE MINITAB:
Calc > Probability distributions > Poisson
Probability (densidad) o Cumulative probability (acumulada)
n*p = mean y en Input constant introducir x.
EJERCICIOS:
1. El 20% de los choferes son mujeres, si se seleccionan 20 al azar para una
encuesta:Usando la distribución binomial y la distribución de Poisson
a) ¿Cuál es la probabilidad de que dos choferes sean mujeres ?
b) ¿Cuál es la probabilidad de que al menos cuatro sean mujeres?
5. Un proceso de manufactura produce 1.2 defectos por cada 100 unidades producidas,
¿Cuál es la probabilidad de que las siguientes 500 unidades presenten X=3 defectos?
Página 53
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
f(y) = dF(y) / dy
1. f(y) >= 0
f(y)
F(yo)
y
yo
Función de distribución acumulativa
Página 54
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Distribucioé n éxponéncial
Se usa para modelar artículos con una tasa de falla constante y está relacionada con la
distribución de Poisson. Si una variable aleatoria x se distribuye exponencialmente,
entonces el recíproco de x, y = 1/x sigue una distribución de Poisson y viceversa.
x
1
f ( x) e e x
El modelo exponencial, con un solo parámetro, es el más simple de todos los modelos de
distribución del tiempo de vida. Las ecuaciones clave para la exponencial se muestran:
Página 55
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
P ( X x) 1 e t
Probabilidad de que el tiempo entre la ocurrencia de dos eventos cualquiera sea <=
t
F(x)
t
Aquí se desea saber que no transcurra más de cierto tiempo entre dos llegadas, sabiendo
que se tiene una tasa de llegadas .
USO DE EXCEL:
Lamda = 1/ media.
En Fx Estadísticas seleccionar
=distr.exp(x, lamda,1) = distr.exp(10,0.2,1) = 0.865
USO DE MINITAB:
Calc > Probability distributions > Exponential
Probability (densidad) o Cumulative probability (acumulada)
Indicar Threshold = 0 y en Scale indicar la media 5
En Input constant indicar la X del tiempo.
10 0.864665
La Distribución Exponencial es usada como el modelo, para la parte de vida útil de la curva
de la bañera, i.e., la tasa de falla es constante. Los sistemas complejos con muchos
componentes y múltiples modos de falla tendrán tiempos de falla que tiendan a la
distribución exponencial
Desde una perspectiva de confiabilidad, es la distribución más conservadora para
predicción.
Las fallas ocurren en los sistemas con una distribución denominada Curva de la Bañera:
R (t ) e t
Donde es la tasa media de falla y su inverso es el tiempo medio entre fallas (MTBF), o
sea:
1
MTBF
Página 57
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
EJERCICIOS:
2. Las falla de los ventiladores de un equipo tiene un tiempo promedio de 25,000 Horas,
¿cuál es la probabilidad de que
Página 58
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
La distribucioé n normal
Muchos eventos reales y naturales tienen una distribución de frecuencias cuya forma es
muy parecida a la distribución normal.
X
La Función de Distribución de Probabilidad (PDF) normal tiene forma de una campana con
simetría sobre su media definida por la siguiente ecuación:
1 1 t 2
f (t ) exp
2 2
Página 59
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
68.26%
95.46%
99.73%
Página 60
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
F(z)
1
0
La distribución f (Z) se encuentra tabulada en la tabla de distribución normal estándar o se
puede determinar con Excel. En esta tabla podemos determinar los valores de Z o la
probabilidad de determinado valor Z.
Nota: Excel proporciona el valor del área bajo la curva desde menos infinito hasta un valor
dado de Z.
F(z)=pr(Z z)
1.0
0.5
.01
Z
-4 -3 -2 -1 0 1 2 3 4
Página 61
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Población Muestra
X
El valor de Z
Determina el número de desviaciones estándar entre algún valor X y la media de la
población Para calcular el valor de Z usamos la siguiente fórmula.
X
Z
Cálculo de Probabilidades normales
1. Identificar la variable de interés.
2. Identificar los parámetros de la variable (su media y desv. estándar).
3. ¿Cuál es la pregunta sobre el área bajo la curva de probabilidad normal?
4. Convertir los valores a la distribución normal estándar (estandarización Z = (X-Media)/S)
.
5. Encuentre la probabilidad en tabla de la normal estándar o por Excel.
Ejemplo 7: El gerente de personal de una gran compañía requiere que los solicitantes a un
puesto efectúen cierta prueba y alcancen una calificación de 500. Si las calificaciones de la
prueba se distribuyen normalmente con media 485 y desviación estándar 30
¿Qué porcentaje de los solicitantes pasará la prueba?
3 0 .8 5 %
Z.0 5
Página 62
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
probabilidad de que la calificación sea menor a 500 P (X<500). Dado que el porcentaje
pedido es P( X 500) la solución es 1-.69146 =0.3085 , 30.85% de los participantes
pasarán la prueba.
Ejemplo 8:
Encuentre las probabilidades siguientes usando la tabla Z.
-1.23 Z
Solución: Buscamos el valor Z1..23 en las tablas siendo este =0.89065. restando 0.89065-
0.5 = 0.3905, este valor es la probabilidad de 0 a 1.23 que es exactamente la misma de
–1.23 a 0 por simetría. Por lo tanto la probabilidad es 0.3905
USO DE EXCEL
Seleccione la celda que contiene el valor de Z, que en este caso es Z= 1.3 , de clic
en aceptar y aparecerá la probabilidad buscada f(z)= 0.903199
Para calcular Z dada una probabilidad f(z)
En la barra de herramientas seleccione el icono de funciones
fx>Estadísticas>Distr.Norm.Estand.inv OK
El valor Z = 1.4999
Ejemplo 9 : Suponga que una distribución normal dada tiene una media de 20 y una
desviación estándar de 4. Calcule la probabilidad P (X > 24).
Página 63
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
USO DE MINITAB
Página 65
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
EJERCICIOS:
1. ¿Qué porcentaje del área bajo la curva normal estándar está incluido dentro de los
siguientes rangos?
2. El tiempo de vida de las baterías del conejito tiene una distribución aproximada a la
normal con una media de 85.36 horas y una desviación estándar de 3.77 horas.
3. Considere una media de peso de estudiantes de 75 Kgs. con una desviación estándar de
10Kgs.
4. Una máquina llenadota de refresco se ajusta para servir 10 onzas de líquido por vaso, si
la desviación estándar es de 0.12 onzas. ¿Cuál es la probabilidad o porcentaje de las veces
de que la máquina sirva:
a. 10.2 onzas o más?
b. Entre 10.1 y 10.3 onzas?
c. Entre 9.7 y 10.3 onzas?
d. Menos de 9.8 onzas?
e. Entre 9.8 y 9.9 onzas?
Página 66
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Página 67
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
FORMACIÓN DE LOTES
Para inspección de lotes, estos deben cumplir las características siguientes:
1. Deben ser homogéneos, las unidades deben ser producidas por las mismas corridas de
producción, en condiciones similares. Es difícil tomar acciones correctivas para lotes
mezclados.
2. Lotes grandes son preferibles a lotes pequeños, dado que la inspección es más
eficiente.
Página 68
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
3. Los lotes deben manejarse en forma similar con el proveedor y con el cliente, las
partes deben estar empacadas adecuadamente para evitar riesgos de daño y permitir
la selección de muestra en forma sencilla.
MUESTREO ALEATORIO
Las muestras deben ser representativas del lote, no deben tomarse sólo partes de las
capas superiores, sino de preferencia numerar las partes con un número y seleccionar con
tablas de números aleatorios o también se puede estratificar el lote.
c
n! d nd
Pa P{d c) p (1 p) (7.1)
d 0 d!(n d )!
Esto mismo se puede aproximar por la distribución de Poisson para efectos prácticos.
Se puede usar Excel para los cálculos, un ejemplo utilizando la distribución binomial
acumulada (opción VERDADERA en Excel) se muestra a continuación:
Página 70
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Pa
c=0, 1, 2
n =
n = 50, 100, c n = 200,
p c=2 =2 c=2
0.005 0.997944 0.9859 0.920161
0.01 0.986183 0.9206 0.676679
0.02 0.921572 0.6767 0.235148
0.03 0.810798 0.4198 0.059291
0.04 0.676714 0.2321 0.012489
0.05 0.540533 0.1183 0.002336
0.06 0.416246 0.0566 0.0004
0.07 0.310789 0.0258 6.40E-05
0.08 0.225974 0.0113 9.66E-06
0.09 0.16054 0.0048 1.39E-06
Página 71
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Pa
n=50, 100, 200 2
Inspéccioé n réctificadora
Página 72
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Suponiendo que los lotes que llegan tienen una fracción defectiva p 0 , después de la
actividad de inspección bajo un plan de muestreo, algunos lotes serán aceptados y otros
serán rechazados. Los lotes rechazados serán seleccionados al 100% por el proveedor
remplazando los artículos defectuosos por buenos después se integran a los lotes que
ingresan a la planta obteniéndose una fracción defectiva p 1 menor a la original,
denominada calidad promedio de salida AOQ, en lotes de tamaño N se tiene:
Así los lotes después del proceso rectificador, contienen un número esperado de
defectivos igual a Pap(N-n) con la cual se puede expresar una fracción defectiva media AOQ
como sigue,
Pa p ( N n)
AOQ
N
Pa p ( N n) (0.9397)(0.01)(10000 89)
AOQ 0.0093
N 10000
AOQ 0.93% en lugar del 1% entrante.
AOQ Pa p
Página 73
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
CURVA AOQ
n=89, c=2
Curva de calidad de salida promedio (AOQ)
De la gráfica anterior se observa que la curva AOQ tiene un valor máximo o la peor
fracción defectiva de salida hacia la planta o proceso, que se denomina límite de calidad
de salida promedio AOQL el cual es aproximadamente 0.0155 o 1.55% defectivo.
Página 74
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Se inicia con la inspección normal, se pasa a estricta cuando se observa mala calidad del
proveedor y se usa la reducida cuando la calidad del proveedor es buena, reduciendo
los tamaños de muestra.
El punto focal de la norma es el AQL (nivel de calidad aceptable entre 0.1% y 10%),
negociado entre cliente y proveedor. Los valores típicos de AQL para defectos mayores
es de 1%, 2.5% para defectos menores y 0% para defectos críticos. Cuando se utiliza
para planes de defectos por unidad se tienen 10 rangos adicionales de AQLs hasta llegar
a 1000 defectos por cada 100 unidades, los noveles pequeños de AQL se pueden utilizar
tanto para controlar fracción defectiva como defectos por unidad.
El tamaño de muestra en el estándar está determinado por el tamaño del lote y por la
selección del nivel de inspección. Se proporcionan tres niveles de inspección, donde el
nivel II se considera normal; el nivel I requiere alrededor de la mitad de la inspección
del nivel II y se usa cuando se requiere menos discriminación; el nivel III requiere
alrededor del doble de inspección del nivel II, y se usa cuando se requiere más
discriminación. Hay también cuatro niveles especiales de inspección, S-1, S-2, S-3 y S-4,
estos usan tamaños de muestra muy pequeños y sólo deben usarse cuando los riesgos
grandes del muestreo sean aceptables.
a. Un lote es rechazado.
b. Cuando el procedimiento de muestreo termina sin decisión de aceptación o
rechazo, el lote se acepta pero se cambia a inspección normal en el próximo lote.
c. La producción es irregular o se retarda en entregas.
d. Otras condiciones que fuercen a cambiar a la inspección normal.
Página 76
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
PROCEDIMIENTO
Los pasos a seguir para el uso de las normas es el siguiente:
1. Negociación del AQL (cliente – proveedor).
2. Decisión del nivel de inspección.
3. Determinación del tamaño del lote.
4. Consultar la tabla 1 (ver apéndice) y localizar la letra código correspondiente al
tamaño del lote y el nivel de inspección.
5. Decisión en cuanto al procedimiento de muestreo a utilizar (simple, doble, múltiple).
6. Uso de la tabla correcta para encontrar el tipo de plan a utilizar (las tablas se
encuentran en el apéndice).
7. Uso de la tablas para inspección reducida y estricta, cuando se requieran hacer
cambios.
Página 77
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Página 78
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Página 79
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
6.1 Introducción
La capacidad para detectar una diferencia entre lo que es observado y lo que es esperado
depende del desarrollo de la muestra de datos.
Incrementando el tamaño de la muestra mejora la estimación y la confianza en las
conclusiones estadísticas.
Cuando no deseamos obtener números sencillos como la media basada en una muestra,
utilizamos los intervalos de confianza, los cuales nos dan un margen con algún tipo de
error.
Página 80
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
C.I. Multiplicador
99 2.576
95 1.960
90 1.645
85 1.439
80 1.282
Para tamaños de muestra > 30, la distribución de referencia es la Normal, para muestras
de menor tamaño, debe usarse la distribución t. El IC que no es simétrico es el de la
varianza:
Página 81
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
USO DE EXCEL
Los estadísticos de prueba con alfa se determinan como sigue:
Zalfa/2 = distr.norm.estand.inv(alfa/2)
USO DE MINITAB
Página 82
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Tamaño de muestra
Para determinar el tamaño de muestra necesario para el intervalo de confianza o la prueba
hipótesis con base a un error máximo y un nivel de confianza deseado se utilizan las
siguientes fórmulas:
Z2 / 2 2
n
( X )2
Z2 / 2 ( )(1 )
n
( p )2
Página 83
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
EJERCICIOS:
1. El peso promedio de una muestra de 50 bultos de productos Xmedia = 652.58 kgs., con s
= 217.43 kgs. determinar el intervalo de confianza al nc del 95% y al 99% donde se
encuentra la media del proceso (poblacional). alfa = 1 - NC
2. Un intervalo de confianza del 90% para estimar la ganancia promedio del peso de
ratones de laboratorio oscila entre 0.93 y 1.73 onzas. ¿Cuál es el valor de z?.
3. 100 latas de 16 onzas de salsa de tomate tienen una media de Xmedia = 15.2 onzas con
una s = 0.96 onzas. ¿a un nivel de confianza del 95%, las latas parecen estar llenas con 16
onzas?.
4. Una muestra de 16 soluciones tienen un peso promedio de 16.6 onzas con s = 3.63. se
rechaza la solución si el peso promedio de todo el lote no excede las 18 onzas. ¿cuál es la
decisión a un 90% de nivel de confianza?.
Ejemplos para la media (con distribución t) y varianza (con distribución chi cuadrada)
5. 20 cajas de producto pesaron 102 grs. con s = 8.5 grs. ¿cuál es el intervalo donde se
encuentra la media y varianza del lote para un 90% de nivel de confianza? grados
libertad=20 -1 =19
6. Una muestra de 25 productos tienen un peso promedio de 23.87 grs. con una s = 9.56.
¿cuál es la estimación del intervalo de confianza para la media y varianza a un nivel de
confianza del 95 y del 98% del peso de productos del lote completo?.
7. Los pesos de 25 paquetes enviados a través de ups tuvieron una media de 3.7 libras y
una desviación estándar de 1.2 libras, hallar el intervalo de confianza del 95% para estimar
el peso promedio y la varianza de todos los paquetes, los pesos de los paquetes se
distribuyen normalmente.
9. En una encuesta a 673 tiendas, 521 reportaron problemas de robo por los empleados
¿se puede concluir con un 99% de nivel de confianza que el 78% se encuentra en el
intervalo de confianza. ?
Página 84
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
La hipótesis planteada que contiene el signo de igualdad se denomina hipótesis nula Ho (=,
>=, <=) y su complemento es la hipótesis alterna Ha. se puede iniciar planteando
cualquiera de las dos por ejemplo si se indica …probar si las ventas son mayores que
$1000 o …..las ventas son menores a $1000, se inicia planteando Ha y como complemento
se plantea Ho (ventas<=1000 o ventas>=1000).
Ho : , 2 , , , parametro de la hipotesis
Ha : , 2 , , , parametro de la hipotesis
Las hipótesis nulas no se rechazan o si se rechazan (aceptándose la ha) con base en datos
muestrales y un valor alfa.
Hipótesis nula (Ho): usualmente es una afirmación representando una situación “status
quo”, generalmente deseamos rechazar la hipótesis nula.
Región de Rechazo: Indica los valores de la prueba estadística para que podamos
rechazar la Hipótesis nula (Ho). Esta región esta basada en un riesgo deseado,
normalmente 0.05 o 5%.
Las pruebas de hipótesis pueden ser de dos colas, de cola derecha o de cola izquierda,
dependiendo del signo de la hipótesis alterna, a continuación se esquematizan cada una
de ellas.
5. Establecer las Hipótesis: Hipótesis Nula (Ho lleva signo =, <=, >=), Hipótesis
Alterna (Ha lleva signo >, < o <>).
6. Seleccionar el nivel de significancia Alfa (normalmente 0.05 o 5%) o el nivel de
confianza 1 - alfa.
Las fórmulas para calcular el estadístico de prueba en base a la muestra son las siguientes:
Para el caso de muestras pareadas se calculan las diferencias d individuales como sigue:
Página 87
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Paso 1. Para una muestra grande (n >30) probar la hipótesis de una media . Establecer
alfa.
Ho: o
Ha: 0
Región de Región de
Rechazo Rechazo
0
-Z Z
Página 89
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Página 90
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Página 91
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Página 92
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
En Options:
Indicar el Confidence Interval -- 90, 95 o 99%
Indicar la Test Proportion Proporción de la hipótesis
Indicar el signo de la hipótesis alterna: Less Than, Not equal, Greater than
EJERCICIOS
2. La duración promedio de cierto foco es de 750 horas. El cliente cambiaría de marca sólo
que se demuestre que de manera concluyente que la vida de los focos es menor que la
anunciada. Se elige una muestra aleatoria de 20 focos, se determina su duración y se
obtiene una vida media de 738.44 con una desviación estándar de 38.20.
Página 93
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
4. Se prueban 100 baterías de Ni-H para celdas de prueba y se determina que 14 de ellas
se ampoyan en sus placas fallando. Para un 5% de nivel de significancia.
a) ¿Proporciona lo anterior una evidencia de que más del 10% de las baterías fallan?
5. Para un cierto servicio los tiempos de respuesta son de 3 horas, probar la afirmación
para un 98% de nivel de confianza.
1.92
2.16
3.63
3.16
4.02
3.14
2.2
2.34
3.05
2.38
6. Las horas tomadas para mantenimiento son las siguientes. Probar a un 5% si el tiempo
es > 2 Hrs.
Tiempos
1.9
1.7
2.8
2.4
2.6
2.5
2.8
3.2
1.6
2.5
Página 94
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Supongamos que tenemos muestras de dos calderas que producen el mismo rendimiento.
Se desea ver si hay diferencia significativa en el rendimiento de “Caldera A y Caldera B”.
Caldera A Caldera B
89.7 84.7
81.4 86.1
84.5 83.2
84.8 91.9
87.3 86.3
79.7 79.3
85.1 82.6
81.7 89.1
83.7 83.7
84.5 88.5
Estadísticas Descriptivas
Variable Caldera N Media Desv.Std
Rendimiento A 10 84.24 2.90
B 10 85.54 3.65
Página 95
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Lo anterior se contesta con pruebas de hipótesis para dos poblaciones como se explica a
continuación.
Presentaremos ahora pruebas para comparar dos varianzas. Supóngase que son dos las
poblaciones de interés, por ejemplo X1 y X2, donde 1, 1 , 2 , 2 , se desconocen.
2 2
H 0 : 12 22
H 1 : 12 22
Rechazaríamos H0 si
Página 96
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
1
F1 2 , n1 1, n2 1 = F
2 , n2 1, n1 1
H 0 : 12 22
H 1 : 12 22
Si F0 F ,n 1,n , rechazaríamos H 0 : 1 2 .
2 2
1 2 1
Ejemplo 1: Los siguientes son tiempos de quemado (en minutos) de señales luminosas de
dos tipos diferentes.
Tipo 1 Tipo 2
63 64
81 72
57 83
66 59
82 65
82 56
68 63
59 74
75 82
73 82
Pruebe la hipótesis de que las dos varianzas sean iguales. Use .05
H 0 : 12 22
H 1 : 12 22
Página 97
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
X 1 70.6
X 2 70
S12 88.71
S 22 100.44
S12 88.71
F0 = .877
S 22 100.44
USO DE EXCEL
Seleccionar Análisis de datos en el menú herramientas.
En funciones para análisis elija la opción : Prueba F para varianzas de dos
muestras.
Seleccionar las columnas de datos con rótulos y el nivel Alfa/2 de 0.025.
USO DE MINITAB
Stat > Basic statistics > 2 Variances Samples in different columns
Seleccionar las columnas de datos
En Options: Confidence level 97.5%, Test Mean = 0.0; Alternative = Not equal
OK
a) Varianzas conocidas
Supóngase que hay dos poblaciones de interés X 1 y X2, Suponemos que X1 tiene media
desconocida 1 y varianza conocida 1 y que X2 tiene media desconocida 2 y varianza
2
2 sean iguales.
H 0 : 1 2
H 1 : 1 2
X1 X 2
Zc
21 2 2
n1 n2
Dónde:
Página 99
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
a) Z 0 Z 2 o Z 0 Z 2
Donde: Z0 = Valor calculado del estadístico de prueba; Z 2 = distr.norm.estand(alfa/2).
H 0 : 1 2
H 1 : 1 2
H 0 : 1 2
H 1 : 1 2
Ejemplo 2:
Se emplean dos máquinas para llenar botellas de plástico con un volumen neto de 16
onzas. El proceso de llenado puede suponerse normal, con desviaciones estándar de
1 .015 y 2 .018 . Se cree que ambas máquinas llenan hasta el mismo volumen neto,
sin importar que este volumen sea o no de 16 onzas. Se toma una muestra aleatoria de la
salida de cada máquina.
¿Piensa usted que el llenado es similar? Utilizando .05 . o nivel de confianza de 95%.
Máquina 1 Máquina 2
Página 100
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
16.03 16.02
16.04 15.97
16.05 15.96
16.05 16.01
16.02 15.99
16.01 16.03
15.96 16.04
15.98 16.02
16.02 16.01
15.99 16.00
H 0 : 1 2
H 1 : 1 2
X1 X 2 16.015 16.005
Zc 1.34
1 2 = .015 2 .018 2
2 2
n1 n2 10 10
Utilizando el criterio de decisión Zc Z 2 para rechazar la hipótesis nula H0, nos damos
cuenta de que 1.34 no es mayor que 1.96. por lo cual no rechazamos H 0. No existe
suficiente evidencia estadística para pensar que las medias son diferentes.
Página 101
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
P(z <= - Z excel ) = alfa/2
-Zalfa/2=-1.96
Zc = 1.34
Zalfa/2=1.96
Como Zc es menor que Z alfa/2, no cae en el área de rechazo,
y por tanto no hay suficiente evidencia para rechazar Ho
USO DE EXCEL
Seleccionar Análisis de datos en el menú herramientas.
En funciones para análisis elija la opción : Prueba z para medias de dos muestras.
Página 102
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
USO DE MINITAB
Stat > Basic statistics > 2 Sample t seleccionar Summarized data
Seleccionar Assume equal variantes
En Options: Confidence level 95%, Test Difference 0.0; Alternative Not equal
En Graphs: Boxplot of data OK
DF = 18
Both use Pooled StDev = 0.0166
b) Varianzas desconocidas:
H 0 : 1 2
H 1 : 1 2
2 2
Sean X1, X2, S1 , S 2 , las medias y las varianzas de las muestras, respectivamente. Puesto que
2 2
tanto S1 como S 2 estiman la varianza común , podemos combinarlas para producir una
2
n1 1 S12 n2 1 S 22
Sp
n1 n2 2
H 0 : 1 2
H 1 : 1 2
Calcúlese la estadística de prueba t0 y rechácese H 0 : 1 2 si:
t 0 t ,n1 n2 2
H 0 : 1 2
H 1 : 1 2
t 0 t a , n1 n2 2
Alambre 1 Alambre 2
0.14 0.135
0.141 0.138
0.139 0.14
0.14 0.139
0.138
0.144
Suponiendo que las dos varianzas son iguales, ¿qué conclusiones puede extraerse respecto
a la resistencia media de los alambres?
H 0 : 1 2
H 1 : 1 2
Página 105
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
x1 .140
x 2 .138
S1 .0021
S 2 .0022
n1 1 S12 n2 1 S 22
Sp = .0021
n1 n2 2
X1 X 2
t0
1 1 = 1.72
Sp
n1 n2
USO DE EXCEL
USO DE MINITAB
Stat > Basic statistics > 2 Sample t Samples in different columns
Seleccionar Assume equal variantes
En Options: Confidence level 97.5%, Test Difference 0.0; Alternative Not equal
En Graphs: Boxplot of data OK
Conclusión: En la tabla de Excel encontramos los valores deseados: 1.72 no es mayor que
2.306 por lo cual no rechazamos Ho. Asimismo P value de 0.124 es mayor a alfa/2 de 0.025
y el cero se encuentra en el intervalo de confianza por lo que no se rechaza Ho, las medias
son similares.
Página 107
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
X1 X 2
t0
S12 S 22
n1 n2
2
S12 S 22
n1 n2 2
S12 n1 2 S 22 n2 2
n1 1 n2 1
Ejemplo 4: Se están investigando dos métodos para producir gasolina a partir de petróleo
crudo. Se supone que el rendimiento de ambos procesos se distribuye normalmente. Los
siguientes datos de rendimiento se han obtenido de la planta piloto.
Proceso 1 Proceso 2
24.2 21
26.6 22.1
25.7 21.8
24.8 20.9
25.9 22.4
26.5 22
¿Hay alguna razón para creer que el Proceso 1 tiene un rendimiento medio mayor?
H 0 : 1 2
H 1 : 1 2
x1 25.62
x 2 21.70
S12 .9017
S 22 .3760 Página 108
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
X1 X 2
25.62 21.70
t0 8.48
2 2
S S = .9017 .376
1
2
n1 n2 6 6
2
S12 S 22 .9017 .376
2
n1 n2 6 6
2 = 2 9.32 9
S12 n1 2 S 22 n2 2 .9017 6 2 .376 6 2
n1 1 n2 1 7 7
USO DE EXCEL
Seleccionar Análisis de datos en el menú herramientas.
En funciones para análisis elija la opción: Prueba t para dos muestras suponiendo
varianzas desiguales.
Seleccionar las columnas de datos y las celdas de resultados.
Tc de 8.48 mayor que Talfa!de 2.262 (valor crítico de t de una cola), se rechaza Ho.
USO DE MINITAB
Stat > Basic statistics > 2 Sample t Samples in different columns
Quitar selecciçon de Assume equal variantes
Página 109
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
En Options: Confidence level 97.5%, Test Difference 0.0; Alternative Not equal
En Graphs: Boxplot of data OK
26
25
24
Data
23
22
21
Proceso 1 Proceso 2
Página 110
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
H0 : D 0
H1 : D 0
t0
D
donde D
D j
y SD
D j D
2
SD n n n 1
Ejemplo 5:
Un fabricante desea comparar el proceso de armado común para uno de sus productos
con un método propuesto que supuestamente reduce el tiempo de armado. Se
seleccionaron ocho trabajadores de la planta de armado y se les pidió que armaran las
unidades con ambos procesos. Los siguientes son los tiempos observados en minutos.
Proceso
Trabajador actual Proceso nuevo Di (Di-D)^2
1 38 30 8 10.5625
2 32 32 0 0
3 41 34 7 49
4 35 37 -2 4
5 42 35 7 49
6 32 26 6 36
Página 111
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
7 45 38 7 49
8 37 32 5 25
Dpromedio 4.75 27.8203125
En .05 , ¿existe alguna razón para creer que el tiempo de armado para el proceso
actual es mayor que el del método propuesto por más de dos minutos?
H0 : D 2
H1 : D 2
D
D j
= 4.75
D j D
2
= 3.69
SD
n n 1
D 4.75 2
t0 = = 2.107
SD n 3.69 8
t ,n 1 t .05, 7 1.895 , debido a que 2.107 > 1.895 rechazamos H 0, y aceptamos la H1: el
tiempo de armado para el proceso actual es mayor en dos minutos que el método
propuesto.
USO DE EXCEL
Seleccionar Análisis de datos en el menú herramientas.
En funciones para Análisis elija la opción: Prueba t para dos muestras emparejadas
Seleccionar las columnas de datos y las celdas de resultados
Página 112
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
USO DE MINITAB
Stat > Basic statistics > Paired t Samples in different columns
En Options: Confidence level 95%, Test Mean = 0.0; Alternative = Not equal
En Graphs: Boxplot of data OK
De la tabla concluimos que Tc de 3.64 > Talfa/2 de 2.364 (valor crítico de t en dos colas),
por lo cual rechazamos Ho. Por otro lado el valor P de 0.008 es menor a alfa de 0.05, el
cero no se encuentra en el intervalo de confianza IC y se rechaza Ho, las medias son
diferentes.
H 0 : p1 p 2
H 1 : p1 p 2
X1 X 2
pˆ
n1 n 2
pˆ 1 pˆ 2
Z0
1 1
pˆ (1 pˆ )
n1 n2
X1 X2
pˆ 1 pˆ 2
n1 n2
Si
Z 0 Z 2 o Z 0 Z 2 , la hipótesis nula se rechaza.
H 0 : p1 p 2
H 1 : p1 p 2
X1 X 2 10 25
pˆ = .015909
n1 n 2 1000 1200
X1
pˆ 1 10
.01
n1 =
1000
X2
pˆ 2 25
n2 = .020833
1200
pˆ 1 pˆ 2 .01 .020833
Z0
1 1 = 1 1 = -2.02
pˆ (1 pˆ ) . .015909(.98409)
n1 n2 1000 1200
Z Z .01 2.35
Página 114
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
USO DE MINITAB
Stat > Basic statistics > 2-Proportions Seleccionar Summarized data
En Trials poner el tamaño de las muestras y en Events lo que se busca.
En Options: Confidence level 99%, Test Difference = 0.0; Alternative = Not equal
Seleccionar Use pooled estimate for p for test
OK
Conclusión: De la tabla Tc de -2.02 > Talfa de -2.35 (valor crítico de t en dos colas), por lo
cual no rechazamos Ho. Por otro lado el valor P de 0.043 es mayor a alfa de 0.01, el cero se
encuentra en el intervalo de confianza IC y no se rechaza Ho para un alfa de 0.01, las
medias son similares.
Pruebas de medias:
Página 115
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Prueba Z para medias (varianza conocida): Prueba si dos medias de muestras son
iguales.
Prueba t para medias (varianza desconocida): Prueba si dos medias de muestras son
iguales. Se tienen dos casos: varianzas iguales y varianzas diferentes
Prueba t pareadas para medias: prueba si dos medias de muestras (por pares) son
iguales.
Pruebas de varianza:
Prueba F para varianzas: Prueba si dos varianzas de muestras son iguales.
Pruebas de proporciones:
Prueba Z para proporciones: Prueba si dos proporciones de muestras son iguales.
EJERCICIOS:
1. Determinar a un nivel de confianza del 90% si hay diferencia entre las medias de
tiempos de limpieza de máquina A y máquina B. Se toman muestras para comprobar la
afirmación.
Máquina Máquina
A B
25.2 18.0
17.4 22.9
22.8 26.4
21.9 24.8
19.7 26.9
23.0 17.8
19.7 24.6
23.0 21.0
19.7
16.9
21.8
23.6
2. Los tiempos de terminación del programa para dos departamentos se muestran a
continuación:
Probar a un 90% de nivel de confianza si sus varianzas y promedios son iguales.
Depto. A Depto. B
300 276
280 222
344 310
385 338
Página 116
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
372 200
360 302
288 317
321 260
376 320
290 312
301 334
283 265
3. Los tiempos de terminación para la tarea con un método mejorado y actual son, para el
mismo empleado son los siguientes. Probar a un 90% de nivel de confianza si los métodos
dan los mismos resultados.
Antes Después
5 6
4 6
7 7
3 4
5 3
8 9
5 7
6 6
5. A dos grupos de personas se les pidió que indicaran el porcentaje de recortatorio de dos
avisos:
Probar a un 5% si son iguales los dos grupos.
Lo
Aviso Lo vieron recordaron
A 150 63
Página 117
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
B 200 60
6. Se hizo una encuesta para determinar el porcentaje de personas que usaban Internet en
el trabajo: En México se encontró que el 40% de los adultos usa Internet de una muestra
de 240.
En Monterrey el 32% de los adultos usaba Internet de una muestra de 250.
¿Para un nivel de significancia del 10%, es mayor la proporción que usa Internet en México
que en Monterrey?
Página 118
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
H 0 1 2 3 .... k
H 1 : Al menos dos medias poblacionales son diferentes.
Los supuestos en que se basa la prueba t de dos muestras que utiliza muestras
independientes son:
sb2
Fc
sw2
k = número de muestras.
Por ejemplo:
Página 119
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
1. Variación total entre los 14 empleados, su puntuación no fue igual con todos
VARIACIÓN TOTAL RESPECTO A LA MEDIA GENERAL
r c 2
SCT ( Xij X )
i 1 j 1
2. Variación entre los diferentes tratamientos o Variación entre muestras o variación entre
programa 1, programa 2 y programa 3
EFECTO DE LA MEDIA DE CADA TRATAMIENTO RESPECTO A LA MEDIA GENERAL
r
SCTR rj ( X j X ) 2
j 1
Página 120
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
r c
SCE (X ij X j )2
i 1 j 1
4. GRADOS DE LIBERTAD
Página 121
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
ZONA DE
NO RECHAZAR RECHAZO
Distr. F
7. VALOR P DE Fc
Conclusion: NO HAY SUFICIENTE EVIDENCIA PARA RECHAZAR HO, LAS MEDIAS DE LOS
TRATAMIENTOS SON IGUALES
TABLA DE ANOVA
Regla: No rechazar si la F de la muestra es menor que la F de Excel para una cierta alfa
USO DE EXCEL:
Página 122
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
Grados Promedio
ANÁLISIS DE VARIANZA de de
Suma liberta Probabilida
Variaciones cuadrados d Cuadrados Fc d F crítica
Entre
grupos 65.71428571 2 32.85714286 1.9431644 0.18937731 3.98229796
Dentro de
grupos 186 11 16.90909091
Total 251.7142857 13
USO DE MINITAB
Source DF SS MS F P
Factor 2 65.7 32.9 1.94 0.189
Error 11 186.0 16.9
Total 13 251.7
NOTA: Si los Intervalos de confianza se traslapan, las medias son iguales estadísticamente
Página 123
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
EJERCICIOS:
Página 124
CURSO TALLER DE MÉTODOS ESTADÍSTICOS P. Reyes / julio 2013
A B C D
75 78 55 64
93 91 66 72
78 97 49 68
71 82 64 77
63 85 70 56
76 77 68 95
A B C
85 71 59
75 75 64
82 73 62
76 74 69
71 69 75
85 82 67
A B C D
5.4 8.7 11.1 9.9
7.8 7.4 10.3 12.8
5.3 9.4 9.7 12.1
7.4 10.1 10.3 10.8
8.4 9.2 9.2 11.3
7.3 9.8 8.8 11.5
Página 125