Documente Academic
Documente Profesional
Documente Cultură
• •
!M Noriega Editores
EDITORIAL LIMUSA
MEXICO • ESPAÑA • VENEZUELA • ARGENTINA
COLOMBIA 11 PUERTO RICO
Versión autorizada en español de la
edición publicada en inglés por
Richard D. Irwin, Inc. bajo el título de
STATISTICAL ANALYSIS FOR BUSINESS DECISIONS, Revised Edition
© 1954,1961,1967 and 1973 by Richard D. Irwin, Inc.
Versión española
LUIS EDUARDO LOPEZ CASTRO
Licenciado en Administración de Empresas
y Profesor de Matemáticas de la Facultad
de Comercio y Administración de la
Universidad Nacional Autónoma de México.
Revisión:
ELENA K. DE KLEIMAN
Coordinadora del Area de Matemáticas y Estadística
y Profesora Investigadora de la División •
Sistema Universidad Abierta, Facultad de
Ciencias Políticas y Sociales de la Universidad
Nacional Autónoma de México
Derechos reservados.
5
6 Prólogo
asignación de tareas, así como una gama muy amplia de aplicaciones prácticas
para discusión en clase, estudio en casa o trabajo de laboratorio. Casi todo el
texto y los problemas los hemos probado en los cursos básicos de estadística de
la Escuela de Administración para Posgraduados de la Universidad de Stanford.
con lo que pudimos basarnos en la evaluación hecha por los estudiantes para'
revisar el material.
Al publicar esta edición revisada, nuestro propósito principal fue el de cu-
brir las necesidades cambiantes de los cursos de estadistlca que se imparten en
las carreras de administración. Por este motivo, hemos omitido algunos de los
ternas más descriptivos que aparecían en la edición anterior y ampliamos la expo-
sición de inferencia estadística y de teoría de las decisiones. Específicamente,
añadimos el capítulo 11 que trata de procedimientos de prueba avanzados (dis-
tribuciones t, x 2 , y F, así como métodos no paramétricos), puesto que estos
métodos se han incluido en el programa de muchos cursos básicos. Además, en el
capítulo 15 se presentan nuevas aplicaciones de los métodos de Montecarlo a los
problemas de decisión, atendiendo así a la creciente importancia de este tema.
También reorganizamos otros capítulos a fin de facilitar la lectura y, finalmente,
actualizamos todo el material que así lo requería ,y agregarnos muchos proble-
mas.
El libro se divide en seis partes:
l. Una introducción a las herramientas básicas del análisis, tales como razo-
nes, distribuciones de frecuencia, promedios y medidas de dispersión; esta parte
abarca los capítulos 1 a14.
2. En los capítulos 5 al 8 se describen los elementos de la teoría de la pro-
babilidad y las principales distribuciones probabilísticas, y también se las aplica a
la toma de decisiones. Aquí se incluyen probabilidades de eventos, tablas de
pago, valores esperados, valor de la información y árboles de decisión, todos los
cuales son elementos de un procedimiento racional para tomar decisiones en
condiciones de incertidumbre.
3. Para obtener inferencias acerca de la información muestral, conviene esta-
blecer límites de confianza o hacer pruebas de hipótesis, tal como se describe en
los capítulos 9-11. Sin embargo, en la realidad, el muestreo aleatorio simple no
siempre basta para realizar encuestas y, por ello, en el capítulo 12 se estudian
otros diseños de muestras que son más eficaces o más prácticos. En muchos
textos elementales se omite este tema.
4. En los capítulos 13 y 14 se estudian las probabilidades y la evidencia
muestral, combinándolas mediante el teorema de Bayes a fin de perfeccionar el
proceso de toma de decisiones. Aquí, corno en los capítulos 7 y 8, en el análisis
se incluyen explícitamente los costos económicos y las ganancias. Este tópico es
una extensión importante de la interpretación tradicional de la información
muestral. En el capítulo 15 se estudia la forma en que los métodos sencillos de
simulación y análisis del riesgo se aplican a los problemas de decisiones en la ad-
ministración.
5. Las técnicas de regresión y correlación se utilizan ampliamente y, a veces
se abusa de ellas. Tal vez al lector le gustaría estudiar solamente la regresión sim-
ple, pero debe considerar que la regresión múltiple es un método mucho mas
útil y se puede utilizar fácilmente con los nuevos programas de computadora,
Prólogo 7
William A. Spurr
Charles P. Bonini
Contenido
3. Promedios 63
La media aritmética, 63. La mediana, 68. La moda, 71. ¿Cuál prome-
dio utilizar?, 73. Características de los promedios, 73. Resumen de
fórmulas, 75.
4. Dispersión 83
Propósitos de la medición de la dispersión, 85. La amplitud, 86. La
desviación estándar, 91. Relación entre las medidas de dispersión, 96.
Medidas de dispersión relativa, 99. Asimetría, 101. Utilización de las
medidas de dispersión, 101. Resumen de fórmulas, 102. Bibliografía,
108.
11. PROBABILIDAD
9
10 Contenido
Indice 739
Todos los campos de la estadística ... tratan el mismo problema básico, que
es el problema de la toma de decisiones ante la incertidumbre. Todas las reglas
de decisiones... deben evaluarse por sus consecuencias. Estas consecuencias se
pueden expresar en términos de riesgo o, más intrínsecamente, en términos de las
probabilidades de tomar cualquiera de las acciones posibles que son inducidas por
el experimento, las reglas de decisión, y los posibles estados del sistema. En resu-
men ... no es en los hechos visibles, sino más bien en. las decisiones derivadas de
las observaciones, en las que debiera ponerse el énfasis principal de las observa-
ciones -estadisticas elementales.s
LA ESTADíSTICA EN LA ADMINISTRACIóN DE
NEGOCIOS I
Hoy en día, la dirección, en todos sus niveles, se guía generalmente por los
datos obtenidos mediante el análisis de registros, más que por conocimientos obte-
nidos meramente de la observación personal y la experiencia... Por medio de la
aplicación de métodos estadísticos apropiados se puede medir el rendimiento diario,
estudiar las relaciones significativas, analizar las experiencias pasadas y prever
las tendencias futuras probables ...
El uso de métodos estadísticos y la realización del trabajo analítico que es
fundamentalmente de carácter estadístico -ya sea que se le dé o no el nombre
distintivo de estadística- ocupa un lugar conspicuo en el trabajo de todos los
departamentos de la compañía.
18 La estadistica en /0 administración y en /0 economía
Por lo tanto, el análisis estadístico sirve como una base para el control
de muchas operaciones efectuadas en una empresa y para planear y pro-
gramar sus actividades. Por medio de la ayuda de los reportes estadísticos,
el ejecutivo puede obtener un cuadro extractado de las operaciones nor-
males, el cual proporciona bases reales para tomar decisiones válidas que
influyen en operaciones futuras.
Las principales actividades estadísticas de una empresa progresista
típica son las siguientes:
L Un departamento central de investigación económica o estadístico,
que opera bajo la dirección de un "economista" o "jefe de estadística".
Este departamento analiza las tendencias comerciales generales y pronostica
las actividades de los negocios, precios de las mercancías, y otros factores
económicos; puede coordinar las estadísticas internas de la compañía
recopiladas por otros departamentos y hacer reportes sumarios de las ope-
raciones para los altos ejecutivos. También compara periódicamente el
desarrollo de la compañía con el de sus competidores.
2. Un departamento o staff de investigación de mercados estudia las
preferencias del consumidor y su poder de compra, y pronostica las ten-
dencias futuras probables en las ventas. Este departamento puede prepa-
rar un pronóstico detallado de ventas para el año entrante, analizado por
productos y por meses. Finalmente, tiene la responsabilidad de fijar las
cuotas de los vendedores por territorios y por productos, basándose en
las experiencias pasadas, estudios del ingreso y en las estimaciones de los
propios vendedores.
3. El departamento de producción mantiene un staff de control de
calidad que minimiza la producción defectuosa por medio de verifica-
ciones estadísticas, como las descritas en el capítulo 10. Prepara los pro-
nósticos de producción, basándose en los pronósticos de ventas y otros
criterios y compara la producción real con estas estimaciones. También
mantiene un sistema de control de inventarios y hace estudios de tiempos
y movimientos.
4. El departamento de contraloría combina métodos estadísticos y
contables, a fin de hacer un presupuesto general para el año siguiente
incluyendo ventas, materiales, mano de obra y otros costos, utilidades
netas y requerimientos de capital. Puede mantener un sistema de costos
estándar para controlar los costos y fijar los precios de los productos.
5. El departamento de personal hace estudios estadísticos de las tasas
de salario, sistemas de incentivos, costo de la vida, tendencias de empleo,
tasas de rotación de los trabajadores, tasas de accidentes, y los resultados
de los procedimientos de selección de personal.
6. El departamento de inversiones tiene analistas financieros que
estudian cada una de las acciones y los bonos, así como el comportamiento
del mercado de valores.
7. El departamento de crédito realiza análisis estadísticos para deter-
minar el monto del crédito que se le va a otorgar a cada posible cliente.
La información relativa a los clientes que han pagado y los que no han
La estadisticaen la economia 19
LA ESTADíSTICA EN LA ECONOMíA
No solamente se utilizan mal las estadísticas, sino que los mismos datos
básicos divergen ampliamente en su precisión, aunque parezcan exactos.
Así leemos que "El Census Bureau contó 22.580,289 negros en los Estados
U nidos en su encuesta de 1970". "Las trece Shippers Adoisory Boards
regionales estimaron ayer que la ocupación de carros de carga en el tri-
mestre actual sería de 8.146,723 carros". "Un estudio I de la State I ndus-
trial Commission encontró que una joven soltera puede vivir una vida
'individual, sana, y moral' con un mínimo de $2,422.59 por año". (Si no
recibiera los últimos $2.59, ¿sufrirán su salud, su moral o ambas?') Segu-
ramente que ninguna de esas'cifras es correcta hasta el último dígito.
Esas cifras detalladas son engañosas y sugieren un grado de precisión que
no existe de ninguna manera. De hecho, la mayoría de los datos económi-
cos deberían redondearse a tres' o cuatro cifras significativas para sim-
plificar la tabulación, cálculo e interpretación." Las cifras adicionales, o
no son válidas, o no se las necesita en la toma de decisiones (aunque
pueda necesitárselas para la consistencia contable).
Por otra parte, muchas de las cifras reportadas están sujetas a errores
mucho más grandes que los que indicarían tres o cuatro cifras significa-
tivas. Por lo tanto, es importante estimar el tamaño y el tipo de error
inherente a los datos básicos. Ello puede hacerse estudiando la naturaleza
de los datos originales, el proceso de recopilación, y el propósito para el
que se recabaron las cifras. Por ejemplo, elSurvey o] Current Business
informó que el valor de la construcción nueva realizada en octubre de
1972 fue de $11,298 millones. Esa podría parecer una cifra exacta, pero
en realidad representa estimaciones hechas por más de una docena de
4 CUTTent Population Reports, Series P-60, N9 80, octubre 4, 1971, pág. 11.
Encuestaspor medio de muestras 23
Millones de Error
Estimaciones de personas posible
Esta sencilla operación aritmética explica los amplios errores que fre-
cuentemente se cometen en las estimaciones del desempleo, el déficit
federal, el ahorro personal, las ganancias netas de las corporaciones y
otros valores similares que se obtienen por· sustracción.
2. En la multiplicación y división (así como en los cuadrados y raíces
cuadradas), el resultado no tiene más dígitos significativos que el menor
número de cifras significativas que tienen los números con los cuales se
opera. Por ejemplo, suponga que en noviembre el contralor de la Com-
pañía Apex estima que las ganancias netas del año calendario son de
$2.736,000, basadas en ventas indicadas de $34.200,000 y estimando que la
razón de ganancias netas a ventas es de 8%. Por lo tanto, sólo una cifra
en la estimación de ganancias netas es realmente significativa, ya que la
estimación de 8% significa algún valor entre 71;2 y 81;2%, yesos valores
extremos multiplicados por las ventas dan un rango de ganancias entre
$2.565,000 y $2.907,000.
Sin embargo, en cálculos más extensos, las cifras no deben redondearse
hasta establecer el resultado final. Esto es para evitar la acumulación de
errores .de redondeo en las operaciones subsecuentes de multiplicación o
sustracción.
RESUMEN
PROBLEMAS
1. a) Explique qué significa el término "estadística(s)" cuando se le utiliza
en singular y qué quiere decir cuando se le usa en plural.
b) Cite la aplicación que tengan los métodos estadísticos en alguna área
o tema que usted conozca bien.
e) Enumere otras tres áreas de métodos cuantitativos muy relacionados con
las estadísticas en su escuela, universidad u otra organización.
2. Describa las principales actividades estadísticas de una firma grande y pro-
gresista típica, citando cualesquiera casos específicos que usted conozca.
3. Localice tres revistas estadísticas importantes en la biblioteca y luego dé los
nombres de las mismas, junto con el de las asociaciones que las publican, y
describa brevemente el tipo de material· que contienen.
4. Visite una agencia de investigación económica o uno de los departamentos
estadísticos de entre los ocho descritos en el texto para una organización
comercial, y llene dos o tres páginas con sus actividades estadísticas.
5. Describa una de las principales utilizaciones de la estadística en la economía
en la cual haya tenido alguna experiencia.
6. Consiga un recorte o fotocopia de un periódico. o revista que ilustre un uso
significativo del análisis estadístico en la administración de negocios, economía
o alguna otra ciencia social.
a) ¿ Cuáles etapas del análisis se ilustran: recopilación de datos de fuentes
disponibles o encuestas originales? ¿ Análisis e interpretación de los datos?
b) ¿ Qué inferencia o conclusión puede sacar de ese reporte?
7. Encuentre el valor de una cosecha de trigo estimada en 3,500 búsheles con
un valor probable de $2.16 % por bushel. Exprese el resultado con el número
correcto de cifras significativas.
8. Para el año fiscal que terminó en enero 31 de 1972, Sears, Roebuck y Co,
reportó un ingreso previo a los impuestos de $949.965,971, menos una reserva
para esos impuestos de $399.100,000, lo cual resultó en un ingreso neto de
$550.865,971, o sea, de $3.56 por cada acción de la compañía. Exprese con
el número correcto de cifras significativas: a·) el ingreso neto y b) el número
estimado de acciones.
9. Al comienzo de .1972, el contddor de la Compañía X preparó un presu-
puesto anual que incluía las siguientes estimaciones:
Ventas . $50.000,000
Costo de ventas . 47.000,000
U tilidad neta . 3.000,000
El contador cree que el error en sus estimaciones de ventas y costos de ventas
no excederá de $1.500,000 en cada caso. Basado en esos datos, diga:
a) ¿ Cuál es el porcentaje de error posible en la estimación de la utilidad
neta?
Bibltografta 27
Tabla 2-1
Tasas de desempleo en los Estados Unidos, 1970·72
Como porcentaje de la fuerza laboral
RAZONES
Una razon o proporclOn es un mecanismo sencillo y muy útil para
comparar dos atributos o características cualitativas. Así es más significativo
reportar la tasa de desempleo, como en la tabla 2-1, que simplemente
informa del número total de desempleados. Las razones son útiles también
al comparar grupos de variables clasificadas por su tamaño, tal como al
citar el porcentaje de trabajadores de fábrica que ganan menos de 30 pe-
sos por hora, aun cuando los datos básicos estén clasificados por el tamaño
de los ingresos por hora.
Las razones se calculan a partir de un numerador y una base o deno-
minador, que generalmente se expresan en las mismas unidades (por
Razones 31
r Tabla 2·2
s Muertes por accidentes de vehículos de motor, 1950 y 1971
n
Cambio
1950 1971 porcentual
a
IS Sin embargo, el aumento puede deberse al crecimiento de la población,
a de manera que el número de muertes por 100,000 habitantes se calculó
también, como se muestra en el renglón 2. Esa razón ha aumentado sólo
en 15%. Sin embargo, los accidentes se deben en forma más directa a que
el número de vehículos automotores ha aumentado más rápidamente que
la población. Por lo tanto, el número de muertes por 10,000 vehículos se
muestra en la línea 3. Vemos ahora una disminución del 33% en esta razón
a más precisa, Finalmente, las muertes por accidentes de tráfico se rela-
o cionan aún más específicamente al número de vehículos-milla manejados,
e y el coche promedio recorrió una mayor distancia en 1971 que en 1950.
n El número de muertes por 100.000,000 vehículos-milla aparece en la lí-
tI nea 4. La disminución es ahora de 38%. Esta razón más precisa muestra
una ganancia substancial en seguridad, cuando se toman en cuenta el
o
creciente número de coches y su millaje, mientras que el número real
de defunciones y la razón bruta per capita (renglones 1 y 2) indican
,- justamente lo contrario.
32 Análisis de datos: razones y distribuciones de frecuencia
DIAGRAMAS SEMILOGARtTMICOS
período dado, .que las de sus competidores más pequeños, como decir
que su incremento porcentual fue mayor.
El diagrama de razones es llamado también diagrama semilogarítmico,
porque los números naturales se anotan en la escala vertical a distancias
proporcionales a sus logaritmos -a partir de la línea inferior del "1"-,
mientras que en el eje horizontal se traza el tiempo en la escala aritmé-
tica usual. Así, en la figura 2-1, el número "1" de la escala está en la
parte inferior (ya que logaritmo de 1 es igual a cero) y en la parte
superior el número máximo 10 está una unidad más arriba (ya que el
logaritmo de lOes igual al).
5 1----'----..., .~~.L.
'
+_ Base
,\'1>0, r
b=20"10
Decremento
4\---+--+-- ~L..------l80
3!L---.",,,,,"-_l~-- ~q------_1_-----_l60
2 t------+-----+--~~-__I__?!L...-:..--_I40
1974 1975
Escala detiempo, aritmética
Figura 2·1
{'iagramos semilogaritmicos 35
DISTRIBUCIONES DE FRECUENCIA
Muchos tipos de datos se clasifican de acuerdo a su tamaño. Algunos
ejemplos son las rentas que se pagan por alojamiento. y los salarios de
los trabajadores en un cierto momento. En cada caso, los datos originales
son valores de una variable (v.g., la renta, que varía de una casa a otra)
que se denominará X. Esas variables se pueden agrupar por tamaño en
una distribución de frecuencia, que muestra sólo intervalos de clase y el
número o frecuencia (f) de valores de X en cada intervalo. Una distri-
bución de frecuencia es un instrumento valioso para resumir cifras en-
38 Análisis de datos: razones y distribuciones de frecuencia
Tabla 2-3
LISTA DE DATOS Y ORDENAMIENTO
Dimensión de 63 engranes como el de la ilustración, en pulgadas
A B
'1:1.1'''
SQC fecha 'Ji
Insp. NCant.ü
• '1.2'10
Plrle N° .J.:Z.!LL Dim.. !.?.yr.zl
'I:1.S'S- '1:1. I'S' '/;150
• 'i.2~() '1.;1.'15 of,;¡,,.
";U5" '1.2&" ";).,,.
'f.26S' ":1."'5 ";).,5
'1.255 '1.21.0 'I.2S''' U::L
11
'I:J.'I"
'1.1.50
'fA'O
'1.250
.,,;¡,,,
'/:J."S'
. ':lCO" "",
~,
'1:1.,5 f/"'I.
'I.1'1S' '1.2S"
'I.2s"~ '1.2S'S '1.250 .,,,. '"
'I.;¡5iD 'IA'IS' '1.1'1'- .........
'1.255 '1.250 1}.2,5
...... 1
",
· 'f""S
'1.270
'12'"
'1.2$"0
'/.:1'0
".255
........ ~
--
FUENTE; Merchant Calculators Inc., Statistical Quali/y Con/rol.
Tabla 2-4
ORDENAMIENTO MAS DETALLADO
Ingresos por hora de tíempe normal de 214 aprendices
de operadores de máquinas, en plantas de producción
de maquinaria
Tabla 2·5
DISTRIB-UClóN DE FREC'UENCIAS
Ingresos por hora de 214 aprendices de operadores
de máquinas
Número de
Punto op~radores Porcentaje de
Ingresos POI' hora medio f operadores
El histograma
El histograma es un conjunto de barras verticales cuyas áreas son
proporcionales a las frecuencias representadas. Cuando los intervalos de
clases (la amplitud de las barras) son iguales, basta con la altura para
representar la frecuencia en esa clase. La altura de la barra entonces
indica la frecuencia por unidad de amplitud.
Por ejemplo, en la figura 2-2 el histograma representa los ingresos
de 214 aprendices de maquinaria enumerados en la tabla 2-5. Esta figura
muestra, a simple vista, cómo se distribuyen los ingresos.
A la clase que contiene la mayor concentración de cifras de ingresos
se le llama clase modal. En la representación gráfica, la clase aparece con
la. barra más alta; las barras de ambos lados disminuyen gradualmente
de altura, mostrando que mientras más se alejan los ingresos de la clase
modal, es menor el número de trabajadores que los perciben. Muchos
tipos de datos con información económica y administrativa tienen esta
forma de distribución.
Si hay dos clases modales distintas en un mismo histograma, eso puede
significar que los :datos son heterogéneos (por ejemplo, los supervisores
44 Análisis de datos: razones y distribuciones de frecuencia
HISTOGRAMA
Ingresos por hora de 214 aprendices de operadores de máquinas
Figura 2-2
pueden haber sido incluidos junto con los operadores). En este caso, las
cifras deben separarse en grupos homogéneos antes de analizarlas.
La altura de cada barra de un histograma es igual a la frecuencia
de la clase cuando los intervalos son de igual tamaño. En cambio, cuando
éstos varían, la frecuencia está representada por el área y no por la altura.
Así, en la figura 2-2, si los siete operadores de las dos clases $2.85 a $3.05
se combinaran en una sola clase, la altura de esta barra debería ponerse
como 7 -+- 2 = 3'lf!, de tal modo que tuviera la misma área que las dos
barras del extremo derecho. Si se dibujaran las dos barras combinadas con
una altura de 7, la representación gráfica duplicaría aparentemente el
número de trabajadores que reciben remuneraciones más elevadas.
El polígono de frecuencias
El polígono de frecuencias es un diagrama de líneas, marcado en los
mismos ejes y escalas que el histograma. Para dibujar un polígono, se
marca cada frecuencia del eje vertical sobre el punto medio del intervalo
del eje de las X (suponiendo que los intervalos de clases son de igual
amplitud). Después se unen estos puntos por. medio de líneas rectas y
Representaciones gráficas de distribuciones de frecuencia 45
POLíGONO DE FRECUENCIAS
Ingresos por hora de 214 aprendices de operadores de máquinas-
herramientas
60
50
40
JO
20
10
Figura 2-3
Porcentaje de operadores
40 r--r--r--r----,r---r--r---r--r---r----,r---r--,
30
20
10
Distribuciones acumulativas de frecuencia 47
DISTR.IBUCIONES DE FRECUENCIA
ACUMULATIVAS
Tahla 2·6
DISTRIBUCIONES DE FRECUENCIAS ACUMULATIVAS
IngresO!! por hora de 214 aprendices
de operadores de máquinas
(1) (2) (3) (4)
lVúmero de Número Número
operadores en la de operadores de operadores
clase con ese que ganan que ganan
Ingresos ¡¡mil. interior menos de esa esa <antidad
por hora de ingresos cantidad o más
2.25 2 O 214-
2.35 23 2 212
2.45 49 25 189
2.55 63 74- 140
2.65 45 137 77
2.75 25 182 32
2.85 3 207 7
2.95 4 210 4-
3.05 O 214- O
Total 214-
.... "
",,O más
,
\
150
\ ,
\
75
\
,,
,
,, 50
100
,
\
\
\
50 \ 25
\
\
""
", ----
o O
2.25 2.35 2.45 2.55 2.65 2.75 2.65 2.95 3.05
Ingresos por hora en dólares
Figura 2-5
FUENTE: Tabla 2-6
Además, las ojivas permiten interpolar fácilmente para encontrar va-
lores entre los puntos del diagrama. Por ejemplo, la ojiva creciente (línea,
llena) muestra que el 25% del total, o sea, alrededor de 53 operadores,
gana menos de $2.51, mientras que la ojiva decreciente (línea de puntos)
muestra que el 25% gana $2.70 o más. La intersección de las dos curvas
ocurre a una altura de aproximadamente el 50%, lo que indica que alre-
dedor de la mitad de los trabajadores gana $2.60 por hora o menos,
y la mitad gana ese importe o más. Estos tres porcentajes 25%, 75% Y
50% son los "cuartiles" y la "mediana", que se tratarán en los dos capí-
tulos siguientes.
Se pueden usar esos mismos porcentajes para efectuar inferencias com-
parables acerca de todos los operadores de máquinas-herramienta, siempre
que ese grupo de 214 sea una buena muestra de -la población de opera-
dores. En este caso, la muestra fue seleccionada cuidadosamente, por lo
que es válido inferir que alrededor del 25% de todos los operadores
de este tipo ganan menos de $2.51, etcétera.
También se puede dibujar una ojiva como una curva suave y continua
que pase por los puntos que se han marcado, con la ayuda de una <curva
francesa en vez de hacerlo mediante una poligonal (serie de líneas rectas).
Curses de frecuencia 49
CURVAS DE FRECUENCIA
Se puede dibujar una curva suave y continua para representar la
distribución de frecuencias de una población de datos continuos. Esta
es la forma límite tanto del histograma como del polígono de frecuencias,
cuando el número de valores de la muestra es muy grande y los intervalos
de clases son muy pequeños. Una curva de frecuencia disimula los erro-
res de muestreo que son evidentes en las muestras demasiado pequeñas, y
proporciona un valor de frecuencia para cada valor de X, en lugar
de un valor para cada intervalo de clase. Sin embargo, estas curvas con-
tinuas na se pueden usar para representar datos que se agrupan alrededor
de ciertos valores discretos, tal como en el ejemplo de los ingresos de los
aprendices de operadores de máquinas, de la tabla 2-4.
La figura 2-6 muestra un histograma de los precios del puré de papa
cobrados por 3,395 detallistas en los Estados Unidos. La altura de cada
barra muestra el número de detallistas que reportaron precios dentro de
ese intervalo y con la curva suave Frederick V. Waugh pretende mostrar
"la naturaleza general de la distribución". Tales curvas se pueden ajustar
ya sea gráficamente, subjetivamente, o por métodos matemáticos. En
cualquier caso, es necesario hacer ~n estudio cuidadoso de los datos, para
asegurar un ajuste apegado a la realidad. En el método gráfico, la curva
se debe dibujar de tal manera que el área que se quite de cada barra
'sea aproximadamente igual a la superficie que se agregue a otra barra por
Número de
detallistas
800
600
.tOO
200
o 3 4 5 6 7
Precio p,gado (dólares por CWT.)
Figura 2-6
FUENTE: Frederick V. Waugh, Graphic Analysis in Economics, h.s. Department of Agricul-
• ture, Agricultural Handbook 128 (1957), pág. 3.
50 Análisis de datos: razones y distribuciones de frecuencia
I
Simétrica
A. Normal
I
Asimétricll
C. Negativa I D. Positiva
J. Formas de J invertida y de U
Figura 2.7
52 Análisis de datos: razones y distribuciones de frecuencia
RESUMEN
Las estadísticas se pueden clasificar por las características cualitativas,
por tamaño, o por tiempo. Los datos que se clasifican por las caracterís-
ticas cualitativas, o atributos, se pueden resumir y comparar por medio
de razones. Por otra parte, los valores de una variable que se clasifican
por tamaño, en un momento dado del tiempo, se agrupan en una distri-
bución de frecuencias para facilitar el análisis.
Una razón es el cociente de dos valores relacionados. La base, o deno-
minador, es el estándar con el cual se compara el numerador. Se deben
perfeccionar las razones, si es posible, ajustando el numerador y el deno-
minador para eliminar factores extraños que puedan oscurecer la relación
existente entre ellos. La base se puede expresar en cualquier múltiplo
conveniente de 10 unidades, aunque la forma más común es la de por-
centaje. Se deben interpretar con cuidado las razones, particularmente al
distinguir entre el cambio porcentual y la diferencia entre dos porcentajes.
Los diagramas de razones o semilogarítmicos muestran comparaciones
relativas por medio de una escala vertical logarítmica, con una escala de
tiempo aritmética. Se elabora una escala de razones graficando números
naturales a distancias de la línea base proporcionales a sus logaritmos, tal
como en laregla de cálculo. La base de la escala se debe marcar 1, 2, 4 ó
5 (con los ceros y unidades apropiados) y ese valor se debe multiplicar
por las cifras impresas en la escala para obtener los otros valores.
, El diagrama de razones es útil para tres tipos de comparaciones: 1)
muestra una tasa porcentual constante de crecimiento como una línea
recta, de manera que los cambios en la tasa se denotan por la curvatura
de la línea, y algunas veces se pueden realizar predicciones de tendencia.
2) El crecimiento relativo o fluctuaciones de dos curvas se pueden com-
parar en forma más precisa que en los diagramas aritméticos, puesto que
líneas paralelas indican las mismas tasas porcentuales de cambio en cual-
quier lugar del diagrama, y las pendientes más.pronunciadas indican tasas
Problemas 53
PROBLEMAS
Préstamos realizados
durante el alío
Número de
uniones de Miembros Número Cantidad
crédito (miles) (miles) (millones)
Encuentre:
a) El aumento porcentual de los ingresos de 1964 respecto a 1962.
b) El aumento porcentual de los ingresos de 1966 respecto a 1962 y a 1964.
e) El aumento en el índice de 1968 a 1970 en puntos porcentuales, y en
porcentaje.
d) Los ingresos de 1970 como porcentaje de los de 1966.
e) Cuál es el porcentaje de ingresos que habría que rebajar de la cifra d~
1970 para llegar al nivel de 1962.
8. a) Discuta las ventajas relativas de las escalas verticales aritmética y loga-
rítmica para. diagramas de series cronológicas.
b) ¿ Cómo numeraría las partes inferior y superior de una hoja de razones
impresa para datos con las siguientes amplitudes: 390 a 1,400 toneladas;
65 a 3,200 millones de pasajeros-kilómetro; $0.16 a $55.50; 89 millones
de habitantes a 180 millones? ¿ Cuántos ciclos debe tener su hoja de
razones en cada caso -- 1, 2, Ó 3?
9. a) Trace un diagrama de razones con los datos que se dan a continuación.
b) Interprete los hechos que muestre su diagrama.
Número de
Número de Ingreso bruto tractores en las
granja.r de las granjas granjas
Año (miles) (millones) (miles)
(a) (b)
Renta
semanal Miles de
Ingreso promedio Edad en años personas
14-16. Una encuesta de los salarios iniciales típicos ofrecidos a personas con
grados de bachillerato por 191 empresas, en 1971, mostró los resultados si-
guientes:
Área de actividad
Adminis-
Mercado- tracián Finanzas
Salario inicial tecnia y Administra- de la y
mensual (dólares) Contabilidad ventas ció n general producción economía
* Los límites de los intervalos de clase para las clases se han modificado ligeramente para
facilitar el análisis.
NOTA: Estos datos se usarán también en los capítulos 3 y 4.
FUENTE: Frank S. Endicott, Trends in Employment 01 College and University Graduates in
Business and Industry (Evanston, lB.; Northwestern University Press. 1971).
14. a) Dibuje los histogramas de dos de las áreas de actividad de la tabla ante-
rior, usando diagramas separados.
b) Dibuje los polígonos de frecuencia para las mismas dos áreas de activi-
dad seleccionadas en e! punto anterior. Use uno o dos diagramas.
e) Compare, en este caso, las ventajas de! histograma y del polígono. de
frecuencias.
Problemas 57
15. a) Elabore una tabla de frecuencias porcentuales, para las dos áreas de
actividad utilizadas en 14 (a). U se esa tabla para construir dos polígonos
de frecuencias porcentuales en el mismo diagrama.
b) ¿ Cuál es el motivo para usar frecuencias porcentuales, al comparar dos
distribuciones?
e) Con base en esta tabla ¿ qué conclusiones puede uno sacar respecto a los
salarios relativos?
d) ¿ En qué situaciones serían innecesarias las frecuencias porcentuales para
comparar dos distribuciones?
16. a) Elabore una tabla de frecuencias acumuladas "con más de" y su ojiva
para una de las áreas de actividad que utilizó en el problema anterior.
b) Elabore una tabla "menos de" y su ojiva para la misma área.
e) En esa área ¿cuántas empresas ofrecen salarios iniciales de más de $680?
¿ De más de $800?
d) ¿ Cuántas empresas ofrecen salarios iniciales menores de $720 en esa área?
¿ Cuántas ofrecen $840 ó menos?
17. a) Elabore una tabla de frecuencia usando las 112 cifras de las cuatro co-
lumnas que se le han asignado en la siguiente tabla (vea las asignaciones
numeradas debajo de la tabla).
Asignaciones:
No. Colum ..as No. Columnas No. Columnas
---------------_._---
1 a b e d 6 a b e f 11 bcd e
2 a b e ti 7 a e d e 12 bcd f
:5 a b e 8 a e d f 13 b e e f
4 a b d e 9 a c e f 14 b d e f
5 a b d 10 a d e f 15 e del
a) Elabore un histograma del millaje por galón, y dibuje una curva suave
y continua a través de él, paga eliminar las irregularidades debidas al
muestreo y aproximar la distribución continua del rendimiento de la gasolina
representativa de la población total de propietarios de automóviles. ¿ Qué
tipo de distribución de frecuencia es ésta?
b) Liste una distribución' de frecuencias acumuladas y dibuje una ojiva que
presente el porcentaje de propietarios que reportan un rendimiento de
determinadas millas por galón o más. De acuerdo con esa curva, ¿ fue
la mitad de los vehículos la que obtuvo ese rendimiento o más? ¿ Qué
.rendirniento tuvieron la cuarta parte de los autos más económicos? (Pro-
porcione los resultados al más cercano décimo de galón.)
21. Usted está: comprando dos marcas diferentes de cierto tipo de bulbo elec-
trónico, y ha obtenido las siguientes distribuciones de frecuencias de su vida
en horas.
a) Marque en el mismo diagrama las frecuencias relativas de las dos mar-
cas. (Para este propósito, omita la clase de 500 y las de más.) ¿ Por qué
usaría usted porcentajes en vez del número real de bulbos?
b) ¿ Se parecen estas distribuciones de frecuencias a una curva normal, a
una asimétrica a la izquierda, a una asimétrica a la derecha, a una en
forma de J, o a una en forma de U?
e) Use su diagrama para comparar las dos distribuciones de frecuencias.
d) Calcule las distribuciones de frecuencias acumulativas para las dos marcas
de bulbos. Después grafique estas distribuciones en un diagrama.
¿ Cuál es el promedio aproximado de vida útil al que el 50'!r de los bulbos
de la marca A se encuentran aún funcionando? ¿ Cuál es para la marca B?
(Estas. cifras se pueden obtener de su diagrama, localizando el punto en
que las curvas de frecuencia acumuladas intersecan la línea de frecuen-
60 Análisis de datos: razones y distribuciones de frecuencia frecuencia
Frecuencia relatioa,
Frecuencia porcentajes
Vida (en horas) Marca A Marca B Marca A Marca B
" La vida media útil de los bulbos que trabajan más de 500 horas fue de 700 para la
marca A y de 600 para la marca B.
Número de
Edad desechos Desechos Número de
(Años) durante el año acumulativos sobrevivientes
1-2 O O 1,000
2-3 9 g 991
3-4 13 22 978
4--5 14 36 964
5-6 18 54 946
6-7 29 83 917
7-8 52 135 865
8-9 86 221 779
9-10 109 330 670
10-11 121 451 549
11-12 115 566 434
12-13 104 670 330
13-14 89 759 241
14-15 72 831 169
15-16 54 885 115
BIBLIOGRAFíA
LA MEDIA ARITMÉTICA
63
64 Promedios
Datos no agrupados
Al calcular la media, el método utilizado cuando se trata de una
lista de datos es, en general, el mismo que se usa para datos agrupados
en una distribución de frecuencias, aunque las fórmulas varían un poco
en cada caso. Para tener un ejemplo de datos no agrupados, considere
una persona que trabaja a destajo y gana $4.80, $5.05, $5.00 y $5.15 en
cuatro horas sucesivas. Su ingreso promedio se calcula sumando los ingre-
sos obtenidos en las cuatro horas y dividiendo la turna entre cuatro. El
total de ingresos es de $20.00 y, por lo tanto, la media es de $5.00. Ese
proceso se generaliza por medio de la siguiente fórmula:
_. ~X
X=-
n
- 26.7820
X = 63 = .4251, que es la dimensión promedio de los engranes
Datos agrupados
La media de datos agrupados en una distribución de frecuencias se
calcula de la misma manera que se acaba de describir. Sin embargo, en
una distribución de frecuencias se utiliza el punto medio de cada inter-
valo. Asimismo, cada punto medio de intervalo se multiplica por el número
de valores de esa clase. Finalmente, la suma de estos productos se divide
entre el número total de valores de X para determinar la media aritmética.
Por lo tanto, la fórmula para calcular la media aritmética de una dis-
tribución de frecuencias es:
- 'J,IX
X=-,-
n
- ¡IX 558.30
X = - - = --.- = 2.609 dólares por hora
n 214
Tabla 3-1
METODO DIRECTO PARA CALCULAR LA MEDIA ARITMETICA
DE UNA DISTRIBUCION DE FRECUENClAS
Ingresos por hora de 214 aprendices de operadores de
máquinas-herramienta
Tabla 3·2
METODO ABREVIADO PARA CALCULAR lA MEDIA ARITMETICA
DE UNA D1STRIBUCION DE FRECUENC1AS
Ingresos por hora de 214 aprendices de operadores de
máqulnas-herramienta
1. Liste los límites de clase (si se requiere), los puntos medios, y las fre-
cuencias, según se muestra en las columnas 1 a 3.
2. Seleccione cualquier punto medio cbmo la media supuesta (X a ) ; prefe-
riblemente un punto medio de alguno de los intervalos centrales. En
la tabla 3-2 la media supuesta se tomó como $2.60.
3. Liste la desviación (d) de' cada uno de los puntos medios de las clases
con respecto a la media supuesta, midiéndola en unidades de intervalo
de clase, como en la columna 4. En esta forma se escribe un cero junto
a $2.60, el siguiente punto medio mayor se marca + 1, el siguiente menor
- 1, Y así sucesivamente en números enteros, 1, 2, 3, .... Asegúrese de
marcar las desviaciones de los puntos medios mayores con signo positivo
y los puntos medios menores con signo negativo, independientemente de
cuáles se listen primero en la tabla. Si se saltara alguna clase y luego
se dieran algunos valores, por ejemplo, en la clase "3.15 y menos de
3.25", esa clase tendría una desviación de 6 -y no 5- unidades de
clase respecto a la media supuesta.
4. Multiplique la frecuencia de cada clase por su desviación, liste el pro-
ducto Ud) en la columna 5 y asegúrese de incluir el signo.
5. Totalice esos productos (,~.fd).
~ - i'i,fd
X=X a + --
n
68 Promedios
- - i::l.fd
X=X a + - -
n
.10(19)
= 2.60 + = 2.609 dólares por hora
214
LA MEDIANA
La mediana de cualquier conjunto de datos es el valor central, en
orden de tamaño, si n es impar; o la media aritmética de los dos valores
La mediana 69
centrales si" n es par. Cuando hay a'!upos valores muy grandes o muy
pequeños, generalmente es mejor usar la vnedi-na, y no la media, con
carácter de promedio." Por ejemplo, la M{)¡¡thy Labor Review reporta
la mediana de sueldos y salarios por ocupaciones, y la Dun's Review and
Modern Industry reporta las medianas de razones de operación de peque-
ñas muestras de empresas comerciales, ya que la mediana representa l} la
empresa promedio sin distorsiones ocasionadas por valores extremos muy
grandes que influyen mucho en la media aritmética, según se ilustró antes.
A veces se puede determinar la mediana cuando otros promedios no
se pueden calcular porque los individuos no se miden cuantitativamente.
Por ejemplo, los empleados de una planta se pueden agrupar de acuerdo
con sus méritos, sin asignarle ningún valor numérico a ningún individuo.
Para determinar el valor de la mediana en estas condiciones, basta con
medir (cuantificar o graduar) uno o dos trabajadores.
Datos no agrupados
En el caso de datos no agrupados, es más fácil encontrar la mediana
si previamente se ordenan los valores. Considere las razones precio-rendi-
miento 19.6, 17.3, 19.2, 14.0 y 29.9, que son los precios de acciones co-
munes divididos entre las utilidades respectivas de cinco compañías elec-
trónicas. Arregladas en orden creciente, las cinco razones quedan
Datos agrupados
Cuando los datos están agrupados en una distribución de frecuencias,
la mediana queda en el intervalo de clase cuya frecuencia es la primera
que permite que la acumulación de frecuencias sea mayor que n/2. Es
conveniente llamar "clase mediana" a ese intervalo de clase. Así, para
ubicar aproximadamente la mediana (Md) dentro de la clase mediana,
se puede usar la fórmula de interpolación
Md = L + i(n/2 - F)
--f--
LA MODA
En estadística, moda significa exactamente lo que en el diccionario
-la cosa prevaleciente o más frecuente. Más precisamente, la moda se
define como el valor que ocurre más seguido o el valor alrededor del
cual existe el mayor grado de agrupamiento. El salario modal es el que
reciben el mayor número de trabajadores. La tasa de interés modal para
hipotecas es aquella que ocurre más seguido que cualquier otra. Si el
valor más común o usual es el que se necesita para una decisión comer-
cial, la moda es el tipo apropiado de medida de promedio que debe
usarse.
Es particularmente importante que los datos usados para determinar
la moda sean homogéneos o suficientemente parecidos para que sean com-
parables. Datos heterogéneos, tales como los salarios de trabajadores adies-
trados y no adiestrados, pueden ser bimodales,· con dos modas (o más)
qpe tienen una frecuencia igualmente grande. Generalmente la moda sólo
es significativa si hay una concentración marcada de valores alrededor de
un punto único.
Datos no agrupados
Ocasionalmente la moda puede determinarse directamente de datos
no agrupados. Cuando una gran proporción de valores son iguales, ningún
72 Promedios
Datos agrupados
Sin embargo, la mayoría de los tipos de datos deben agruparse en una
distribución de frecuencias para localizar la moda. Como ilustración, en el
arreglo de los ingresos por hora listado en centavos en la tabla 2-4, la tasa
de ocurrencia más frecuente es $2.63, pero $2.70 también es muy común;
y hay otros puntos dispersos de concentración, tales como $2.50 y $2.75,
'que hacen dudar de cuál sea realmente la mayor área de concentración.
.Al agrupar esos ingresos como en la tabla 3-1 aparece un valor modal
único. Esto ocurre en el intervalo de $2.55 a $2.65. El intervalo modal se
puede describir diciendo que "ha)' más casos de ingresos en la clase de
$2.55 a $2.65 que en cualquier otro intervalo de clase".
El valor modal de este intervalo de clase se puede estimar gráfica-
mente en una distribución continua, dibujando una curva suavizada a
través del histograma, de tal manera que el área que la curva quita
a cada barra sea casi igual al área añadida a esa barra por dicha curva. POI
lo tanto, la moda es el valor de X que corresponde al máximo de la curva"
de frecuencias. Así, en la figura 2-6 el precio modal del puré de papa es
alrededor de $4.57 por kilogramo.
También se usan las fórmulas de interpolación para localizar una moda
de valor único dentro del intervalo modal." Más fácilmente, el punto
medio del intervalo modal podría tomarse como representativo de la moda,
pero esto sólo es recomendable cuando los valores se concentran cerca
de este punto. Por lo general, una estimación "de valor único" de la
moda no es exacta ni tampoco necesaria en la práctica. En los casos rela-
tivamente raros en los que se necesita la moda, usualmente basta citar el
intervalo modal.
El intervalo modal, en sí mismo, es sólo una estimación poco apro-
piada; depende de la elección de los límites de clase. Un agrupamiento
diferente de los datos en otros intervalos de clase producirá diferentes
valores del intervalo modal. Por lo tanto, el valor modal y el intervalo
modal sólo deben usarse cuando el problema requiere específicamente
del valor más usual o más común como promedio, y no el valor central
o el valor medio.
5 Véase Spurr, Kellogg, y Smith, Business and Economic Statistics (primera
edición, Homewood, IIl.: Richard D. Irwin, 1954), pág. 208-210, para una des-
cripción de los métodos más usuales.
¿Cuál promedio utilizar? 73
Bajo el
piCO de la curva
Figura 3-1
el valor modal queda debajo del punto más alto de la curva, la media
aritmética se desplaza en la dirección de los valores extremos de la dis-
tribución y la mediana, en la cual influye el número de cifras extremas
pero no su valor, tiende a quedar errtre la media y la moda."
La figura 3-1 muestra las relaciones existentes entre la media aritmé-
tica, la mediana y la moda, en una distribución asimétrica positiva, que
es el tipo más común de distribución de datos de economía, comercio
e industria. Aquí, la media aritmética es el valor más grande y la moda el
más pequeño. Así, en 1971, el ingreso medio de las "personas no relacio-
nadas" fue $4,774, mientras que la mediana fue $3,316 y la moda sólo
cerca de $1,640, de acuerdo a la revista Consumer Income de julio de
1972 del Census Bureau. La media es el valor X del centro de gravedad.
O sea que, si el área bajo la curva fuera una pieza sólida de metal,
quedaría balanceada en un punto de apoyo colocado bajo X. La mediana
divide en dos partes iguales al área bajo la curva (o sea, la frecuencia
total). La moda es el valor de X que queda debajo del punto más alto
de la curva.
Las características de cada una de las medidas de los promedios se
listan a continuación.
Media aritmética
l. La media aritmética es el promedio más ampliamente conocido y
usado.
2. Sin embargo, es un concepto artificial, ya que puede no coincidir
con ningún valor real.
3. En ella influye el valor de cada cifra, pero
Mediana
1. El concepto de mediana es sencillo -fácil de entender y calcular.
2. En ella influye el número, pero no por el valor, de las cifras extremas.
3. Es ampliamente usada en distribuciones aritméticas, en las que la media
aritmética se distorsionaría por los valores extremos.
4. Se puede localizaren una distribución de extremos abiertos o en una
en que los datos se pueden clasificar y ordenar, pero no medir, cuan-
titativamente.
5. No es confiable si los datos no se agrupan en el centro de la distri-
bución.
6. La mediana tiene un error de muestreo menor que la media cuando
los datos se agrupan marcadamente en el centro o si existen valores
anormalmente grandes o pequeños.
Moda
1. La moda puede calcularse mucho mejor a partir de una distribución
de frecuencias, a menos que haya un valor que predomine notable-
mente.
2. Se puede localizar en distribuciones de extremo abierto, ya que no la
afectan el número ni el valor de la cifra de las clases más extremas.
3. La moda es muy variable cuando hay pocos valores a una frecuencia
en zigzag, particularmente si hay varias modas o picos.
4. En ella influyen la selección arbitraria de los límites de clase y los
intervalos de clase.
RESUMEN DE FóRMULAS
Tipo de medida de
tendencia central Datos no agrupados Datos agrupados
_ ~X _ "2:.fX
Media aritmética .. X = -- x=-
n
n
....:. i2:.fd
= X a + -_.-
n
i(n/2 - F)
Mediana Valor N? n/2 + 1/2 en un arreglo Md=L+---
f
Moda El valor más común Igual
PROBLEMAS
l. U n método para ahorrar dinero regularmente es el de comprar acciones
comunes a intervalos periódicos. ¿ Será la mejor política la de comprar el
mismo número de acciones en una compañía cada año o la de invertir una
cifra constante cada año, independientemente de cuál sea el precio de la
acción?
He aquí un ejemplo: durante los años 1966-70 la persona A compra
7 acciones de DuPont y 25 acciones de Dun y Bradstreet a un precio pro-
medio, aproximadamente, entre el .más alto y el más bajo del año (listados
a continuación) en cada una de esas empresas, al mismo tiempo y a los mis-
mos precios; los resultados que obtuvo se detallan en la tabla. Las acciones
DuPont declinaron mientras que las de Dun y Bradstreet aumentaron en precio
en ese período (los precios mostrados son promedios anuales).
Se pide lo siguiente:
a) Determine el costo promedio por acción para la persona A (compra
siempre el mismo número de acciones) y para la persona B (invierte siem-
pre la misma cantidad de dinero), en tipo de acción.
b) ¿ Qué persona consiguió el costo promedio más bajo para DuPont? ¿ Cuál
para Dun y BradstreetP
c) Explique estas diferencias en términos de las ponderaciones utilizadas para
calcular esos promedios.
2. Hay un método de inversión en acciones, que consiste en invertir el mismo
monto de dinero cada mes en un número variable de acciones comunes. Así,
Problemas 77
con $50 se comprará una aceren que se esté vendiendo a $50 por acción en un
mes, pero alcanzará para comprar dos acciones de capital que se estén ven-
diendo a $25 al mes siguiente. Según estas cifras, las tres acciones costaron
$100, o sea, un promedio de $33.33 cada una, mientras que el precio pro-
medio del mercado ha sido de $37.50 en esos dos meses [(50 + 25) + 2],
independientemente de que el mercado haya subido o bajado. Explique esta
anomalía aparente en función de los dos tipos de medidas de tendencia
central representadas.
3. Una persona tiene 3 acciones de las .que recibe los siguientes dividendos en
1972 y 1974:
1972 1974
--:--"--------,-. ----~--~---------
Rendí- Rendi-
Capital Inversión Dividendo miento Inversión Dividendo miento
.... ----""-----_.__ .._-,- -
A .. ......~
$ 8,000 $ 480 6% $ 5,000 $300 6%
B .... ... . . 5,000 200 4 12,000 480 4
C ......... 6,000 480 8 2,000 160 8
Total $19,000 $1,160 $19,000 $940
Rendimiento promedio 6.11% 4.95%
11. Teniendo a la vista las dimensiones de los 63 engranes de la tabla 2-3 pá-
gina 39:
a) ¿ Es ésta una distribución discreta o continua? ¿ Es simétrica o asimétrica
a la derecha o asimétrica a la izquierda?
b) Encuentre la media y la mediana aproximándola a 0.0001 de pulgada.
Exprese los datos como desviaciones de un número promedio de .4250
para simplificar los cálculos.
e) Para una distribución de esta clase ¿ qué tipo de promedio es usualmente
el mejor estimador del valor correspondiente en la población? ¿ Por qué?
12. En el problema 18 del capítulo 2 se presenta la distribución de ingresos
familiares en 1971. El ingreso promedio se indicó que era de $11,583 en
ese año.
a) Estime el ingreso mediano. ¿ Cuál es su significado?
ir) Indique el intervalo modal.
e) Explique por qué media, mediana y moda difieren tan ampliamente
en su valor. ¿ Cuál es la mejor medida del ingreso familiar típico? ¿ Por
qué?
Problemas 79
1 20 $ 62 $ 3.10
2 10 54 5.40
3 7 40 5.70
4 11 64 5.80
5 8 48 6.00
6 12 74- 6.20
7 10 76 7.60
8 9 74 8.20
9 8 69 8.60
10 9 83 9.20
11 9 105 11.70
12 7 94 13.40
13 5 72 14.40
14 4 65 16.20
15 6 100 16.70
Total 135 $1,080 $138.20
16. La edad de 100 refrigeradores que hemos recibido a cambio de modelos nue-
vos, de acuerdo con un análisis reciente, es la siguiente:
Número de
Años refrigeradores
O y menor que 1 .. , . 10
1 y menor que 2 . 19
2 y menor que 3 ............•....... 26
3 y menor que 4 . 18
4 Y menor que 5 . 13
5 y menor que 6 . 8
6 y menor que 7 ...•................ 3
7 y mayor .....•.................... 3*
Total . 100
* La edad promedio de los refrigeradores de este último intervalo de 1~ años.
Suponga que las dos llantas se venden al mismo precio, ¿qué marca reco-
mendaría usted al negocio de transportes? ¿ Por qué?
18. La Compañía U.B. Glad maneja una pequeña refinería que vende gasolina
al por mayor, a minoristas independientes. Las ventas de la semana pasada
fueron las siguientes:
O y menos que 10 .. e 10
.....................
Propietarios de
Acciones en acciones
propiedad (miles)
1-10 •............................ 10
11-20 .................•........... 18
21-50 20
51-100 12
101-500 ...•...•.................... 4
501-1,000 2
Mayor de 1,000* .....•.............• 1
67
* El número promedio de acciones por accionista, en este intervalo, es de 2,500 acciones.
BmUOGRAFIA
I
r-. \
\
\
\
\
\-
\
\
\
\
\,
\
\
"' ..
2. La dispersi6n esamplia (A) o reducida (B)
.,,-------------------,
,,,.,\\
\
\-\
\
\
I
\
\
I ,
o x
4. la curtosis esaguda (A). de punta achatada (B) o normal (e)
o JI
CUATRO MEDIDAS SUMARIAS DE UNA DISTRlBUCION DE FRECUENCIAS
Figura 4·1
Propósitosde la medición de la dispersión 85
tasa mínima, aunque algunos son mucho mayores que los demás (la asime-
tría es positiva o hacia la derecha) ; mientras que en el departamento B
la mayoría de los salarios se encuentra cerca del máximo (la asime:ría
es negativa o hacia la izquierda). Finalmente, el cuadro 4 muestra dife-
rentes tipos de curtosis en tres distribuciones simétricas que tienen el mismo
promedio y la misma dispersión (medida por la desviación estándar, que
se explicará más adelante). La distribución en el departamento A es picu-
da, ya que la mayoría de los trabajadores reciben más o menos la misma
tasa, y hay pocos salarios muy altos o muy bajos; la distribución en el
departamento B es achatada, indicando que los salarios típicos cubren un
rango más amplio con menos desviaciones extremas; y en el departamento
e la distribución es normal, como si hubiese sido determinada al azar.'
Los promedios y las medidas de dispersión son las más importantes de
estas cuatro clases de medidas estadísticas sumarias. En este capítulo, la
dispersión se describe con mucha amplitud y la asimetría brevemente.
La curtosis se omitirá, salvo por algunas referencias no técnicas, con res-
pecto a los efectos de desviaciones extremas.
LA AMPLITUD
La amplitud es simplemente la diferencia entre el mayor valor y el
menor de una variable. Para los precios de gasolina, que varían de 40.9
a 41.9 centavos por galón, la amplitud es de un centavo. La amplitud
se calcula fácilmente en una lista de datos originales, pero no se puede
determinar exactamente en una distribución de frecuencias, sin conocer
los valores mayor y menor de las clases extremas.
Algunas veces, la amplitud se indica meramente citando las cifras de
los valores mayor y menor. Las cotizaciones de precios de acciones indican
el valor más alto y más bajo del día. Los. reportes del tiempo marcan
las temperaturas máxima y mínima. Si los valores alto y bajo no están
muy separados de los demás, como en estos casos, la amplitud puede ser
una buena medida de dispersión. En particular, ésta es la medida básica
de variabilidad que se utiliza en el control de calidad, tal como se des-
cribe en el capítulo 10.
Sin embargo, si los dos extremos son erráticos, la amplitud no es
confiable sino más bien confusa, porque no da mm idea clara de la dis-
persión de los valores intermedios. Por ejemplo, en la distribución de
precios pagados por automóviles, la amplitud se podría extender desde un
Rolls Royce de $20,000 a un jeep usado de $800; y esto daría poca infor-
mación acerca de la variación de los precios pagados por los compradores.
En general, si la población contiene unas pocas desviaciones extremas, la
amplitud obtenida de una muestra al azar es menos confiable que cual-
La desviación cuartüica 87
Datos no agrupados
Los curtiles primero y tercero se obtienen de una lista de valores en la
misma forma como se calcula la mediana (segundo cuartil). Son los
2 Los grupos rara vez son exactamente iguales, por las razones descritas bajo
la mediana y porque pocas veces ocurre que n es un múltiplo de 4.
Algunas veces, el término "cuartil" se aplica a un rango entero de valores y
no a un punto. Así, podría decirse que una calificación se clasifica "en el cuartil
superior" (o sea, entre el valor máximo y el punto superior de partición del cuartil).
Sin embargo, tal rango, se debe denominar "el cuarto superior" para evitar con-
fusión con "cuartil", que debe referirse solamente a un punto.
3 Dun's octubre 1971, págs. 64-65.
88 Dispersión
valores cuyos rangos o número de orden son n/4 + 1/2 y 3n/4 + 1/2,
respectivamente, contando a partir del valor más bajo. Los números de
orden fraccional se interpolan entre los valores vecinos de la lista de valores.
En el caso de los ingresos por hora correspondientes a los 214 opera-
dores de máquinas-herramienta listados en la tabla 2-4, el valor de Ql
corresponde a los ingresos cuyo orden relativo es menor a 214/4 + 1/2, o
sea 54. Esto significa que el primer cuartil corresponde al 54avo. hombre,"
a partir del de menores ingresos, que es el hombre intermedio de la mitad
de operadores que reciben los más bajos salarios. De manera similar, el
valor de Q:. son los ingresos del trabajador que se encuentra en el 161avo.
lugar a partir del que tiene menores ingresos, (o alternativamente el
54avo. a partir del que tiene ingresos más altos) y éste es el hombre inter-
medio de la mitad de los operadores que reciben los salarios más altos.
Los valores de Q, y Q;; resultan ser 2.50 dólares y 2.70 dólares, respec-
tivamente, a partir de los datos no agrupados de la tabla 2-4. Esto significa
que alrededor de una cuarta parte de los operadores gana menos de
$2.50, una cuarta parte excede de $2.70, y la mitad central queda entre
ambos valores. La desviación cuartílica es por lo tanto (2.70 - 2.50) -;- 2,
o sea $0.10.
Datos agrupados
Los cuartiles se pueden calcular a partir de una distribución de fre-
cuencias por medio de estas fórmulas que son análogas a las de la mediana:
i(n/4 - F) i(3n/4 - F)
Q, =L+ - Q,=L+ f
f
en que L es el límite inferior del intervalo de clase que contiene al cuartil;
i es la amplitud de esa clase; f es la frecuencia en esa clase; F es la fre-
cuencia acumulada hasta esa clase; y n es el número total de valores. En
estas fórmulas, se supone que los valores de X se encuentran diseminados
uniformemente sobre cada intervalo, al igual que como se ha explicado
en relación con la mediana.
Para los ingresos de los operadores de máquinas-herramienta agrupa-
dos en la tabla 4-1, Ql, el 54avo. valor, corresponde .al tercer intervalo
(L = $2.45, f = 49, F = 25); Y Q" el 161avo. valor, queda en el quinto
intervalo (L = $2.65, f = 45, F = 137). Por lo tanto,
Q, = 2.45 + .10(53.5 - 25) -é- 49
= 2.45 + .10(.58)
= 2.508 dólares por hora
Q;; = 2.65 + .10(160.5 - 137) -;- 45
= 2.65 + .10(.52)
= 2.702 dólares por hora
4 Si hubiera 215 operadores, Ql tendría un valor de 215/1 + 1/2, o sea 54}:4,
y esto es un cuarto de la distancia de los ingresos del 54avo. hombre a los del 55avo.
hombre contando a partir del valor mínimo.
La desviaciónmedia 89
Tabla 4-1
INTERPOLACION DE LOS CUARTlLES EN UNA DISTRIBUCION
DE FRECUENCIAS
Ingresos por hora de 214 aprendices de operadores
de máquinas-herramienta
$2.25 2 O
2.35 23 2
2.45 49 25 QI = N" 54
2.55 63 74
2.65 45 137 Q3 = N" 161
2.75 25 182
2.85 3 207
2.95 4 210
3.05 O 214
Total 214
LA DESVIACIÜN MEDIA
La desviación media, o desviación promedio, es exactamente lo que
su nombre indica. Es simplemente la media aritmética de los valores abso-
lutos, las desviaciones de todos los valores en relación con algún punto
central, tal como la media aritmética o la mediana. Las desviaciones se
90 Dispersión
Datos no agrupados
La fórmula para la desviación media (medida a partir de la media
aritmética) en un conjunto de datos no agrupados es:
DM = ¡IX - XI
·n
en que las barras verticales significan que no se toma el signo de las dife-
rencias, o sea que se suman las desviaciones absolutas de la media, y ¡ se
divide entre el número de valores (n) para encontrar la desviación me-
dia (DM).
Tabla 4-2
CALCULO DE LA DESVIACION MEDIA DE DATOS
NO AGRUPADOS
Razones "precio-utilidad" de cinco acciones
de empresas electrónicas
Desviación a
Razón precio partir de la
Acdones utilidad media
comunes (X) IX_XI
A . 19.6 0.4
B . 17.3 2.7
C . 19.2 0.8
D . 14.0 6.0
E . 29.9 9.!f
Total . 100.0 19.8
Media . 20.0 =X 4.0 = DM
Esto significa que aun cuando las cinco razones "precio utilidad" pro-
mediaron 20.0, hubo una amplia variación entre ellas, ya que la desviación
promedio en relación a la media fue 4.0. Aún más, la muestra incluye
solamente cinco acciones. Por lo tanto, la razón promedio de 20.00 debe
considerarse poco confiable como estimación de la razón típica "precio-uti-
lidad" para acciones de empresas electrónicas en general, suponiendo que
hay una gran población de acciones.
Datos agrupados
La desviación media se puede obtener a partir de datos agrupados
mediante la fórmula
DM = ¡_t_IX_-_X_1
n
LA DESVIACION E5TANDAR
La desviación estánd~r se encuentra 1) elevando al cuadrado las
desviaciones de los valores individuales con respecto a la media aritmética,
2) sumando esos cuadrados, 3) dividiendo la suma entre (n - 1), y 4)
extrayendo la raíz cuadrada. Igual que la desviación media, la desviación
estándar se basa en las desviaciones de todos los valores, pero se adapta
mejor a análisis estadísticos posteriores. Esto se debe parcialmente a que
al elevar al cuadrado las desviaciones se convierten todas en positivas, de
tal manera que la desviación estándar es más fácil de manejar algebraica-
mente que la desviación media. Por lo tanto, la desviación estándar es tan
importante que, de hecho, es la medida "estándar" de dispersión.
Datos no agrupados
La fórmula básica para la desviación estándar de datos no agrupados es:
Tabla 4-3
CALCULO DE LA DESVIACION ESTANDAR
PARA DATOS NO AGRUPADOS
Razones "precio-utilidad" de cineo acciones
de empresas electrónicas
s = J¡X2 - (¡Xp/n
" n-l
~
2 , 142 . 1 0 - (100.0) 2/5 .1
s= = v 35.52 = 6.0
4
Datos agrupados
En una distribución de frecuencias, el punto medio de cada clase se
usa para representar cada valor en esa clase. La fórmula básica para la
desviación estándar se convierte en:
s = J~f(X - X)2
" n - 1
en que (X - X) 2 es la desviación del punto medio de clase (X) con res-
pecto a la media aritmética y f es la frecuencia de esa clase.
En la tabla 4-4 se hace una breve ilustración. Allí se muestran los
precios de un radio de transistores en seis tiendas. El precio medio es $26.
Entonces:
------
s = J!.f(X - X)2
~~ = LIO dólares
" n - 1
94 Dispersión
Tabla 4-4
CALCULO DE LA DESVIACION ESTANDAR PARA DATOS
AGRUPADOS
Precios de un radio de transistores en seis tiendas
24 1 -2 4 4
25 O -1 1 O
26 3 O O O
27 2 1 1 2
Total 6 6
s = i _($ld 2 - ($Id) 2/ n
, n-1
Tabla 4-5
CALCULO DE LA MEDIA Y LA DESVIACION ESTANDAR DE DATOS
AGRUPADOS POR EL METOnO MAS ABREVIADO
Ingresos por hora de 214 aprendices de operadores
de máquinas-herramienta
2.30 2 -3 - 6 18
2.40 23 -2 ..,..46 92
2.50 fl 49 -1 -49 49
2.60 63 O O O
2.70 45 1 45 45
2.80 25 2 50 100
2.90 3 3 9 27
3.00 4 4 16 64
Total 214 19 395
s = i j!.fd; - (!.fd)2/ n
1 n - 1
El resultado de esta fórmula es el mismo que para las otras dos fórmu-
las de la desviación estándar, pero los cálculos de las columnas 3, 4 y 5 son
más sencillos. En cualquier caso, la desviación estándar para datos agru-
pados es algo menos exacta que la que resulta de los datos originales, ya
que en las fórmulas que contienen f los valores en cada clase se redondean
al punto medio de la clase."
6 Las tres fórmulas para los datos agrupados serían exactas si cada valor de X
fuera igual al punto medio de su intervalo de clase. En el caso en que la concentración
de valores disminuya gradualmente a ambos lados de la media, como ocurre en una
distribución normal, es apropiado ajustarla con respecto a errores de agrupamiento,
restando i 2 -+- 12 de la variancia S2. Esta corrección se denomina Ajuste de Sheppard.
Sin embargo, este ajuste no es siempre recomendable, porque 1) cuando los puntos
principales de concentración ocurren precisamente en los puntos medios, es más
apropiada la fórmula sin ese ajuste; 2) cuando los valores de X se encuentran
96 Dispersión
Q;:::; 213fT
DM ;:::;4/50'
30-
-MD
..1
Figura 4-2
Amplitud:
1. La amplitud es la medida de dispersión más fácil de calcular y de
entender.
2. Sin embargo, muchas veces no es confiable ya que se basa solamente
en dos valores extremos.
8 Una excepción es el uso de la amplitud en el análisis estadístico del control
de calidad, que se estudia en el capítulo 10.
Medtdas de dispersión relativa 99
Desviación cuartílica:
l. La desviación cuartílica también es fácil de calcular y de entender.
2. Depende solamente de dos valores, que incluyen la mitad central de
los elementos.
3. Por lo general, es mejor que la amplitud como una medida poco
precisa de dispersión.
4. Se puede determinar en una distribución de extremo abierto, o en
una en la que los datos se pueden ordenar jerárquicamente, pero
no medir cuantitativamente.
5. También es muy útil en las distribuciones muy asimétricas o en aque-
llas en las que otras medidas de dispersión se verían afectadas sena-
mente por los valores extremos.
6. Sin embargo, no es muy confiable si no hay datos que se concentren
alrededor de los cuartiles.
Desviación media:
1. La desviación media tiene la ventaja de dar igual ponderación a la
desviación de cada valor con respecto a la media o mediana.
2. Por lo tanto, es una medida de dispersión más sensible que las antes
descritas, y generalmente tiene un error de muestreo más pequeño.
3. También es más fácil de calcular y de entender y se ve afectada en
menor medida por los valores extremos que la desviación estándar,
4. Desafortunadamente, es difícil "de manejar algebraicamente, ya que
los signos menos deben ignorarse en su cálculo.
Desviación estándar:
1. La desviación estándar es usualmente más útil y se adapta más a
análisis posteriores que la desviación media.
2. Es más confiable como estimador del valor de la población que cual-
quier otra medida de dispersión, siempre que la distribución sea nor-
mal.
3. Es la medida de dispersión más utilizada y la más fácil de manejar
algebraicamente.
4. Sin embargo, .es más difícil de calcular y más difícil de entender.
5. Se ve grandemente afectada por _valores extremos que pueden deberse
a la asimetría de los datos.
ASIMETRIA
Sk = •.-3(_X_-_M_d_)
s
Hay muchos otros usos de las medidas de dispersión aparte de los que
hemos descrito aquí. El siguiente resumen indica brevemente algunas de
esas aplicaciones.
102 Dispersión
Ayuda en la descripción
El uso más sencillo y más común de una medida de dispersión es en la
descripción de datos. Las medidas de tendencia central son los valores
típicos, pero las medidas de dispersión indican la variabilidad de los datos.
También se debe tomar en cuenta la extensión y dirección de la simetría
para completar el análisis.
Comparación de dispersión
Los valores promedio de dos conjuntos de datos pueden ser muy SImI-
lares, mientras que la amplitud y el tipo de dispersión pueden diferir
ampliamente. Si los datos son en general parecidos, se pueden comparar
sus medidas de dispersión en unidades absolutas para determinar cómo
difieren los datos con respecto a su variabilidad. Cuando se tienen varios
conjuntos de datos muy diferentes, las comparaciones basadas en medidas
de dispersión relativa son más apropiadas.
uso de un estándar
Mediante el uso de medidas de dispersión, en particular de la desvia-
ción estándar, es posible comparar la variación de un cierto grupo de
datos tomando a la variación de la curva normal como un estándar. Ya
se ha indicado que aproximadamente el 68% de todos los elementos de
una distribución normal se encuentran incluidos dentro de un intervalo
formado por una desviación estándar arriba de la media y una desvia-
ción estándar abajo. Cuando las características de una variable se ex-
presan en unidades de desviación estándar, su distribución se puede
comparar con una distribución normal. Este es el punto crucial en los
estudios de confiabiíidad de promedios obtenidos de muestras, en pro-
gramas de control de calidad, en producción industrial y otras aplica-
ciones de los métodos estadísticos.
Datos no Datos
Medida agrupados agrupados
igual
igual
= ~ r2;/{X _X)2
~
~ (X - X.) 2 s
Desviación estándar ..• s =
n-l
" n - 1
Método abreviado ..... s = ~/~X2 - (~X)2/n s = ~ I~fX2 - (~fX) 2/n
1 n - 1 1 n - 1
Método aún más abre-
viado, para ciases de
igual amplitud .
Dispersión relativa Dividir la medida de dispersión absoluta entre un promedio
apropiado, por ejemplo, s/ X.
• 3(X - Md)
Asimetría ............ S k = - - - - - Igual
s
PROBLEMAS
l. Como analista de mercado para un fabricante de fármacos que está conside-
rando la posibilidad de ingresar al mercado de Filadelfia, usted desea estudiar
cómo se comportan los precios de menudeo de la leche de magnesia, tintura
de yodo, y otros artículos estándar. Usted recoge los siguientes datos de una
encuesta por muestreo de tiendas- de Filadelfia:
Compare esas dos distribuciones en cuanto a sus:
a) Promedios.
4) Dispersión (tanto absoluta como relativa).
e) Asimetría.
Kilómetros a partir
de la ciudad A
o Ciudad A
5 Ciudad n
10 Ciudad C
15 Ciudad D
20 Ciudad E
25 Ciudad F
40 Ciudad G
50 Ciudad 11
60 Ciudad 1
Total 225
·19. 1-,05 porcentiles son similares a los cuartiles, excepto en que aquéllos en. una
distribución dividen número de artículos en 00 grupos iguales en vez de
grupos. Encuentre el décimo porcentil de las ventas de gasolina del
c;',Dltulo 2, problema 20, es decir, número de galones de gasolina que excede
las ventas, pero que es excedido por el 90(;1(; de las ventas. Urilice
Interpolación similar a dada para los cuartiles en
FREDERICK Business
razones, distri-
Richurd
2 :t
y
estudio
publicación de razones>
G. y
14a. edición. Londres; Charles Griffin, I 950.
5 7 proporcionan
frecuencias, promedios,
11. Probabilidad
CAPITULO 5
Una introducción a la
teoría de la probabilidad
CONCEPTOS BASICOS
La probobilidad relacionada con un evento es un número comprendido
entre O y 1, inclusive, y representa el riesgo o la posibilidad de que ocurra
ese evento. Una probabilidad de cero (P = O) significa que el evento es
imposible; si P ""' 0.50, es tan probable que el evento ocurra como que
no ocurra; si P = 1, es seguro que suceda. El valor de P no puede ser
negativo ni mayor que uno.
Se puede considerar que la probabilidad es la frecuencia relativa de
-éxitos" o aciertos (es decir, la ocurrencia de un evento determinado)
en un proceso aleatorio en que se ha repetido un gran número de pruebas
o ensayos. La frecuencia relativa es el número de "éxitos" dividido entre
el número de pruebas efectuadas. Suponga que "tiramos un dado" y que
definimos como éxito (suceso favorable) la obtención de un as. Si el dado
está balanceado perfectamente, entonces hay la misma probabilidad de
que salga cualquiera de las seis caras, del 1 al 6, y la proporción de aciertos
en el total de tiradas, será aproximadamente igual a 1/6, en un número
suficientemente grande de ensayos. Entonces, decimos que la probabilidad
de obtener un as es de 1/6. El proceso de tirar los dados es aleatorio (al
111
112 Una introducción a la teoría de la probabilidad
Fuentes de probebilídades
Tabla 5.1
COMPORTAMIENTO (HABITOS DE COMPRA) DE
1,000 CUENTES HOMBRES Y MUJERES
(en porcentaje del total)
Hombros
(H) To/ál
P( C j H) = P( C,H) = _p_rob_ab_i_li_d_ad_c_o_nj_'u_n_ta_d_e_C_y_H
P(H) probabilidad marginal de H
P(C,--H) 0.11
P{CI---H) = • = - = 0.24-3
P( ---H) 0.70
Por otro lado, considerando P(H 1C) --la probabilidad de que el diente
sea un hombre --dado que sea un comprador:
P(C,H) 0.03
P(H 1C} = = - = 0.15
. P{C) 0.20
Tabla S-2
PROBABILIDADES EN LA EXTRACClON DE CARTAS
DE UNA BARAJA
Tabla 5-3
COMPORTAMIENTO (HABITOS DE COMPRA) DE 1,000 CUENTES
HOMBRES Y MUJERES SEGUN EDADES
(en porcentaje del total)
P(J) -
- 0.010.25 -- . O
Suma de probabilidades
Se dice que los eventos de un conjunto son mutuamente excluyentes
cuando la ocurrencia de uno de ellos excluye la de cualquiera de los otros.
Por ejemplo, al sacar naipes de una baraja, la ocurrencia del evento
"sacar un rey" elimina la posibilidad del evento "sacar una rein~". En
consecuencia, estos eventos son mutuamente excluyentes.
Si los eventos de un conjunto son mutuamente excluyentes, la proba-
bilidad de que ocurra uno u otro de ellos, es la suma de las probabilidades
de que suceda cada uno de estos eventos. Por lo tanto, si los eventos A
y B son mutuamente excluyentes.
F"lgUra 5-1
Multiplicación deprobabilidarles
La regla para multiplicación de probabilidades sólo es una extensión
de la definición de probabilidad condicional. La probabilidad conjunta de
que ambos eventos, A y B, ocurran es igual a la probabilidad de A por
la probabilidad condicional de B dado A. En símbolos:
ARBOLES DE PROBABILIDAD
Urna!
Diagrama sfnúmero
Urna 2 Urna 3
Tabla 5-4
FORMAS DE OBTENER
, SUMA DE PUNTOS IGUAL A SIETE
1 6 1/36
2 5 1/36
3 4 1/36
4 3 1/36
5 2 1/36
6 1 1/36
Total 1/6
Ejemplo 2-Muestreo
Un banco local tiene 50 cuentas de crédito, 8 de los cuales están atra-
sados en sus pagos. Si se seleccionan al azar 5 cuentas de las 50, ¿ cuál
es la probabilidad de que por lo menos una de las cuentas escogidas
corresponda a un diente atrasado en sus pagos?
Note que la probabilidad de que por lo menos una cuenta de las ele.
gidas esté atrasada, es igual a 1 menos la probabilidad de que todas las
cuentas estén al corriente. Por lo tanto, primero calculamos la probabi-
lidad de que ninguna de las cinco cuentas esté atrasada (es decir, que
todas las cuentas seleccionadas están al corriente). La probabilidad de
que el primer deudor seleccionado esté al corriente es P( C¡) ""' 42/50.
Para el segundo deudor, la probabilidad condicional de estar al día en
sus pagos, teniendo en cuenta que el primer deudor escogido estuvo al
corriente, es P(Cal Cl) - 41/49 (de los 49 deudores restantes.• 41 están
al corriente). De aquí que la probabilidad de 2 deudores al corriente es:
P(C l , Ca, Ca, C., C¡¡) = (42/50) (41/49) (40/48) (39/47) (38/46) = 0.40
1 - 0.40 = 0.60
1.lI(All.lIl1.D4
Figura 5·3
Tabla 5·5
PROBABILIDADES DE COMPRAR NUEVAMENTE LA MISMA
MARCA O DE CAMBIAR A OTRA MARCA
Figura 5-4
Tabla 5-6
PROBABILIDADES Y TIEMPOS NECESARIOS PARA
COMPLETAR LAS ACTIVIDADES A, B y e
A 4 .50
6 .50
1.00
B 1 .25
3 .75
1.00
e 2 .80
4 .20
1.00
Tabla 5·7
PROBABILIDADES Y TIEMPOS NECESARIOS PARA
COMPLETAR EL PROYECTO
4- .10
5 .325
6 .425
7 .15
1.000
r
DISTRIBUCION DE PROBABIUDAD
Tabla 5·8
PROBABILIDADES DE .oBTENER DIVERSOS
NUMEROS DE "CARAS" AL ARROJAR
CUATRO MONEDAS NO CARGADAS
•
Número de 'í caras'", r Probabilidad, P(r)
o 1/16
1 1/4-
2 3/8
3 1/4
4 1/16
.25
1 2 3 4
NQmero de caras
Figura 5-5
A 8
Distribuci6n discretl Distribuci6n continua
.20
PIX) • .25X- .05x2 PIX)-.06X-.OO6X2
en que X-l, 2,3, 4 en que 0< X<10
•
•I
2 3 4
x ---:'::--X
Figura
DISTRIBUCIONES ACUMULATIVAS
Probabilidad Caso discreto Probabilidad Caso continuo
aeumulativlI PIX}•.2.5X-.05X2. acumulativa PIJe)".06X-.OOói2
PIX·al en que X,,,, 2, 3,4 P(X 06al en que 0<X<10
1.0 1.0
.50 .50
2. 9
Figura 5·7
Tabla 5-9
DISTRIBUCION DE PROBABILIDADES DE V¿NTAS DE VEHICULOS
VALOR ESPERADO Y VARIANCIA
Automóviles
vendidos Probabilidad
(X) P(X) X·P(X) X-E(X) [X-E(X)]2 [X _ E(X) J' . P(X)
O .20 O -2 4 .80
1 .25 .25 -1 1 .25
2 .25 .50 O· O O
3 .10 .30 1 1 .10
4 .10 .40 2 4 .40
5 .05 .25 3 9 .45
6 .05 .30 4 16 .80
Total 1.00 2.00 2.80
RESUMEN
J
para toda X
f(X) dX = 1.0
E(X)
J
para toda X
Xf(X) dX
E[g(X)] =
J
para toda X
g(X)f(X) d(X)
0-
2
= E([X - E(X)]2 =
J
para toda X
[X - E(X))2 . f.(X) dX
=
0.06X 4
-- -
0.006X5) 1]0 - 10(5) + 25(1)
(. 4 5· o
= 0.03X2 - 0.002X3¡:
= O.2M
Estimación de la mediana
Una vez que el gerente haya realizado esas estimaciones, es útil que
revisen los datos para ver si son consistentes, para lo cual puede formular
las siguientes apuestas:
Apuesta 1: El verdadero valor está dentro de la amplitud cuartílica,
es decir, entre Ql y Q3
($3.20 Y $3.50)
Apuesta 2: El verdadero valor está fuera de la amplitud cuartílica,
ya sea por debajo de Ql o
arriba de Q3 (menos de
$3.20 o más de $3.50)
Las apuestas basadas en las estimaciones previas deberían estar em-
patadas.Si el gerente tiene preferencia por alguna de ellas, debe revisar
sus estimaciones. Puesto que la estimación de probabilidades es una tarea
difícil, es común que esas apuestas no parezcan empatadas y que sea
necesaria una segunda ronda de estimaciones.
En este ejemplo, supongamos que al gerente le es indiferente cual-
quiera de las dos apuestas anteriores y no necesita revisar su estimación.
~
~ .75
..
""o
...c:
E
.........
.s
...
8.50
O;
...
:::1
""
CD
.."
...
.."
;g
:.c
1l .25
e
a.
PROBLEMAS
Forma de pago
Tipo de automóvil
comprado contado cré dit o
Nuevo 6% 180/<·
Usado 30% 46%
Su.ponga que los hombres de negocios leen los periódicos de acuerdo con la
siguiente tabla:
U'ninersal 5'Ir;
de los anteriores . 15
y Ex célsior . 15
Tl niuersal y Novedades .
Nouedades y Excélsior . 10
)0-105 tres , .
'Total )00%
Grandes empresas
Precio incrementado
(en el año pasado) 4
Precio disminuido [) '7
Total 12 8
Pequeñas empresas
Precio incrementado 1 '7 :3
Precio disminuido 55 5
Total 8
Total ()(JO%) IH 16
En esta cartera, de valores:
(l) Si un valor financiero fuera seleccionado al azar, (~cuál la probabilidad
de que sea uno de los que han incrementado su precio? ¿ (¿ué tipo de
probabilidad es ésta? ¿ (simple, conjunta, marginal o condicional)?
b) ¿ Cuál es la probabilidad de que sea un valor financiero cuyo precio se ba
incrementado dado que es una gran empresa industrial? ¿ (2ué tipo de
probabilidad es ésta?
e) ,~Es independiente el tamaño de la empresa del comportamiento de los
precios? ¿ Por qué?
140 Una introducdon a la teoria de la probabilidad
con TV . 27 20 18 10
sin TV . 18 10 12 10
10. El jefe de policía ele un área metropolitana estaba revisando las estadísticas
del número de accidentes fatales de peatones durante el año anterior. De un
tata! de 12 muertes, notó que 6 muertes ocurrieron mientras el peatón cruzaba
con la luz apropiada y 6 murieron mientras cruzaban la calle con la luz roja.
¿ Podría concluir el jefe de policía en qué es tan peligroso obedecer las señales
de tráfico al cruzar la calle corno desobedecerlas? Explique por qué.
O 0.05
1 0.10
2 0.25
3 0.30
4 0.20
5 0.10
6 O más . O
1.00
Calcule el valor esperado y la variancia de Z.
142 Una introducción a la teoria de la probabilidad
P(X)
0.18
0.32
0.20
0.12
.\ 0.08
5 0.06
003
0.01
1.00
a) ¿Cuál es el valor esperado de X?
b) ¿Cuál es la variancia de .nV?
..
,)
e) ¿Cuál es la probabilidad condicional de que X ~, dacio el hecho de
que ..-Y es un número par o cero?
21. 'Uno de Jos más famosos problemas de probabilidad empezó con las apuc:;tas
ChevsIier ele Méré, un francés del siglo XVII. Chevalier apostó (y ganó)
podría obtener por 10 menos un seis en cuatro lanzamientos de un dado,
cambió su apuesta a que podría lanzar un 12 en 2·'1- lanza-
un par de dados. Su razonamiento fue que, puesto que las pro-
de uno en segundo dado fuera un seis. tendría
su segunda ap nesta prunera.
confi:nTló esa por lo que recllrrió
H.efiérase ejernpJo::; página Encuentre la dist:cibución
habilidad completa para la parte del mercado resultante. Calcule media
y la desviación estándar de esta distribución.
24. Considere el ejemplo ~1· en la pagina 123. Suponga que las siguientes curas
representan las probabilidades de repetir o no las compras a una marca de-
terrninada :
co m p rtuia el pcrio d o (i 1- 1)
Mor ea
en el .M'arca .!ti arca IJ
Dr m arul a diaria
n ní dadcs ProbabilidMl
¡ 0.30
2 "".""."" ..... " ... 0'10
:) 0.20
"1 0.10
n.ll:BUOGRAF.lA
LA DISTRIBUCION BINOMIAL
Primeramente trataremos algunos ejemplos de la distribución bino-
mial para ilustrar de qué problema se trata. Considere las siguientes clases
de problemas:
l. ¿ Cuál es la probabilidad de obtener 4 caras en 10 lanzamientos de
una moneda?
2. Si un distrito electoral tiene un 60% de republicanos, ¿ cuál es la pro-
babilidad de encontrar a lo sumo 30 demócratas en una muestra de
100 votantes?
3. En un proceso se producen transistores, 4% de los cuales (en promedio)
están defectuosos. ¿ Cuál es la probabilidad de obtener más de 4 defec-
tuosos entre 50 artículos?
C _ .5! _ 1 X 2 X 3 X 4 X 5
10
5 3 - 3!2! - 1 X 2 X 3 X 1 X 2
n = 5 lanzamientos
r = 3 caras
n-r=2
p = 0.6, la probabilidad de obtener una cara
q = 1 - P = 0.4
j!
P(r) = nCrprq(n-r) = - (0.6) a(0.4) 2 = 10 X 0.034 = 0.34
• 3!2!
.30
.20
.01
O 1 2 3 4 .5
Namero de caras (éxitos) en cínee experimentos
Figura 6-1
3!
P(r = O) = 3e'opOq3 = - - (005)°(095)3
3!0!' . = 0857
.
(Se sugiere que el lector resuelva algunos ejercicios, para que se asegure
de haber entendido cómo calcular las probabilidades binomiales.)
LA DISTRIBUCION DE POISSON
Otra distribución discreta de importancia práctica es la distribución
de Poisson, Esta distribución es como la binomial, excepto en que supone
un gran número de pruebas y una probabilidad pequeña de éxito en cada
prueba. Esto puede explicarse mejor con un ejemplo. Si inspeccionamos la
puerta esmaltada de un refrigerador de tamaño estándar, podemos encon-
trar O manchas, o 1 mancha, o 2 manchas, o tal vez más, en un metro
cuadrado de esmaltado. Podemos contar el número de puntos manchados,
pero es imposible contar el número de puntos no manchados (son prác-
ticamente infinitos). En este caso no podemos utilizar la distribución bino-
mial porque no conocemos el valor de n, es decir el número total dc
puntos posibles. Dc otro modo, la distribución binomial está definida en
función de una característica específica que asume los valores O ó 1, mien-
tras que la distribución de Poisson está definida con respecto a cierta.
unidad de medida en la que pueden haber O, 1,2,3 o más resultados (por
ejemplo, manchas) dentro de esa unidad de medida (por ejem.: el me-
tro cuadrado de esmaltado). Por eso la distribución de Poisson se aplica
en el control estadístico de calidad para el caso de análisis del número
de defectos por unidad, mientras que la binomial se aplica al número de
unidades defectuosas (r).
e~112 e-1
P(X = 21m = 1) = - =- = 0.184
2! 2
~113 e-1
P(X = 3!m = 1) = - =- = 0.061
3! 6
LA DISTRIBUCION NORMAL
En estadística, la distribución más importante es la distribución normal.
En el capítulo 2 se describió esta función como una distribución continua,
representada por una curva simétrica en forma de campana (ver las fi-
guras 2-6, 2.7,4-1, Y 4-2).
La ecuación para la distribución normal es:
f(X)
A X=80
0'=4
Puntuación
o 1.0 -1.25 75
L....-J l-....r---J
Area 34.13"10 Area 66.78"10
Puntuación x 85
áreas entre la media y cada uno de dichos puntos. Para el resultado 83,
z = (83 - 80) /4 = 0.75. Para obtener la probabilidad correspondiente, se
busca en el Apéndice D en la columna z el 0.7, y a lo largo de la columna
del encabezado el 0.05; en la intersección se lee que el área es 0.2734.
Asimismo para 75, z = (75 - 80) /4 = -1.25 Y el área es igual a 0.3944.
El área total es entonces 0.2734 + 0.3944 = 0.6678 o sea 66.78%.
C. ¿ Qué proporción de resultados quedaron entre 75 y 78? Ya que
ambos puntos están al mismo lado de la media, debemos obtener las
áreas entre cada punto y la media, y restarlas para obtener el área entre
ambos. Para 75, el área es 0.3944, como en el caso anterior; para 78,
z = -0.5 Y el área es 0.1915. El área entre 75 y 78 es, por lo tanto, igual
a 0.3944 - 0.1915 = 0.2029, o sea el 20.29% del área total.
D. ¿ Qué proporción de resultados es superior a 85? Esto se calcula
así: el 50% (el intervalo completo a la derecha del promedio) menos la
proporción de resultados entre el promedio y 85 o sea 39.44% (para
z = 1.25). La respuesta es por lo tanto 10.56%. La proporción de re-
sultados abajo de 85 (la parte no sombreada de la figura D) es
50 + 39.44 = 89.44%.
La distribución normal 161
Por consiguiente, la tabla de áreas bajo 12. curva normal se utiliza para
encontrar las probabilidades correspondientes a cualquier intervalo de la
curva. Cuando tengamos duda de cómo aplicar esta tabla, conviene dibujar
un diagrama aproximado como el de la figura 6-2, e identificar las áreas
que necesitamos.
I
¡
.50
1\=10
.40
.30
P=.5
.20
2 3 4·. 5 6
Número de éxitos
FUENTE: Apéndice G.
B. Valor fijo de la proporción p = 0.1,
y diferentes tamaños de muestra
P=.1
.30
'\ 1\=20
( I
I I
I
I ,
I
I
.20
I
I
I
I I
,
I r, 1\=50
I
I 'f
jI \
I
I
\ >,·····..· · · ·
"\./
I 1\:100
.10 , I
/' \ .
,
I
'\ .
I
I .'. A\, '\.'-. " .
4 6 8 10 12 14 16 18 20
Número de éxitos
FUENTE: Apéndice G (para n = 10 Y n 20). =
Figura 6-3
La distribución normal 163
p. = np = 80;
o; = V npq = V 400 X 0.2 X 0.8 = 8
z = X -p., = 89! - 80
1.19 de donde
u 8
rte » 1.19) = 0.1170
PIX)
probabilidad
Figura 6-4
99.9
99.8
/
99.5
99.0
/
/
...
o
~
98.0
/
~ 95.0 /
.,
't:
8. 90.0
/
'/
.§
-:::::J 80.0 /'
.,.
::; 70.0
/
e /
E 60.0
~
/
.~ 40.0
SO.o
/ .
Q.
V
~
.,. 30.0
el>
~ 20.0 /
o
'el
lO
.¡;¡
.,Q 10.0
/
~
5.0 /
/ I -- f - - - - 1-- ,
2.0
1.0
'/ --~-J
0.2
0.1
2.25 2.35 2.45 2.55 2.65 2.75 2.85 2.95
Id
3.05
Sueldos por hora (en dólares)
Figura 6-5
mos que sólo el 87% de los aprendices quedan en este grupo (suponiendo
una muestra representativa de un universo normal de ingresos).
LA DISTRlBUCION EXPONENCIAL
Otra distribución continua importante es la exponencial. Su función
de probabilidad es:
f(t) = )o.[At
1.0
f(tJ
.5
3
el " t
FUENTE: Apéndice J.
Figura 6.6
.
Ejemplo 2. Suponga que el tiempo entre la llegada de clientes a la
ventanilla de una cajera de un banco se conoce que es exponencial con
una media de 0.25 minutos. ¿ Cuál es la probabilidad de un intervalo de
menos de 6 segundos (a =0.10 minutos) entre una llegada dada y la
siguiente? Note que la media 0.25~ 11 A, de manera que A = 4. Entonces:
RESUMEN
Este capítulo describe cuatro distribuciones específicas de probabilidad:
binomial, Poisson, normal y exponencial.
La distribución binomial modela situaciones en las que estamos mues-
treando un universo de atributos cuya característica específica es la de
asumir sólo dos valores (sí o no, éxito o fracaso, etcétera). Describe el
número de aciertos (r) obtenidos en un número fijo de intentos (n). Es
una distribución discreta.
Los supuestos básicos de la distribución binomial son: 1) la variable
aleatoria puede asumir sólo uno de dos valores: éxito o fracaso; 2) los
experimentos son independientes, y 3) la probabilidad de éxito se man-
tiene constante de un experimento a otro.
La distribución de Poisson es una distribución discreta, al igual que la
binomial. La variable aleatoria X puede asumir el valor O, o cualquier otro
Problemas 169
Desviación
Distribución Parámetros Medía Variancia estándar
PROBLEMAS
En los problemas 1 a 5, evalúe las probabilidades binomiales utilizando la
fórmula de la probabilidad binomial.
1. ¿ Cuál es la probabilidad de obtener tres caras en cuatro lanzamientos de una
moneda no cargada?
1 Distribuciones de probabilidad
a) P(r = lln =
a, j) =.= 0.01·) f) P(r> 121n = 20, P = 0.75·)
b) P(r> 21n = 13, j' = O.lS) g) P(r <
Sin =
15, P 0.60) =
e) P(1"< ¡51n = 20,p = O.SO) h) P(7 r< < l O]» = 24, P = 0.55)
d) P(r <
61n = 20, 1) = 0.20) i) P(2 r<: <
= 18, ./) = 0.30.)
e) P(r~' 151n = 25, P = 0.70)
10, Se sabe que una pieza de una máquina se descompone aleatoriamente ocu-
rriendo una descompostura en promedio cada cinco días. ¿ Cuántas partes
deben tenerse en existencia, para asegurar que la probabilidad de que en un
día, dado haya rnás descomposturas que refacciones sea menor al uno por ciento?
1. En promedio, los barcos de carga llegan aleatoriamente a un cierto puerto, a
razón de uno cada dos días. ¿ Cuál es la probabilidad de que lleguen dos o
más barcos en el mismo día?
17. Un pasajero sabe que el tiempo entre las llegadas sucesivas de autobuses en
cierta parada tiene una distribución exponencial con una media de 5 minutos.
a) Suponga que el pasajero llega a la parada justo a tiempo de perder un
autobús. ¿ Cuál es el valor estimado de espera hasta que llegue el siguiente
autobús? ¿ Cuál es la probabilidad de que espere más de 10 minutos?
b) Suponga que cuando llega encuentra que el último autobús salió exacta-
mente 5 minutos antes. ¿ Cuál es su t.iempo de espera estimado?
e) Suponga que nuestro pasajero llega a la parada pero no sabe cuándo se
fue el último autobús. ¿ Cuál es su tiempo estimado de espera?
20. Supongamos que la pesca total de merluza frente a las costas de Boston ha
sido en promedio de 100 millones de kilos anuales, con una desviación están-
dar de 5 millones de kilos, para los últimos lO años. En el mismo período, la
pesca de merluza frente a las costas de Gloucester ha sido ele 10 millones
de kilos, con una desviación estándar de 2 millones de kilos. Si el año pasado
se obtuvo en Boston una pesca excepcional de 108 millones de kilos, ¿. cuántos
kilos deberían haberse pescado frente a Gloucester para que esa pesca alcan-
zara el mismo carácter excepcional? (Suponga que ambas son distribuciones
norrnales.)
21. La calificación promedio en un examen presentado por n umerosos alumnos fue
de 80 puntos. La desviación estándar de las puntuaciones fue de 6 puntos. El
profesor de la clase ha decidido otorgar la calificación MB al 1 de los
alumncs. Suponiendo que las puntuaciones se distribuyen normalmente, ¿ cuál
sería la puntuación mínima necesaria para obtener un MB?
22. Una empresa comercial estima que el 3'1< de sus cuentas a crédito son 1l1CO-
brables. Si en la actualidad tiene 200 cuentas a crédito al corriente, ¿ cuál
es la probabilidad de que haya 8 o más que resulten incobrables?
172 Distribuciones de probabilidad
23. El gerente de ventas de una empresa cree que el 60% de los consumidores
prefiere su producto al dc los productores competidores. Si este supuesto es
correcto, y se extrae una muestra aleatoria de 100 consumidores, ¿ cuál es la
probabilidad de que resulten en ella menos de 54 personas que prefieran su
producto?
o . 1/16
1 1/4
2 3/8
3 . 1/4
4· .........•• 1/16
28. Se escoge al azar un comité de J 5 personas entre los empleados de una gran
empresa de los cuales el 60';::, son mujeres. "Cuál es la probabilidad de
las mujeres se encuentren en minoría en el comité?
29. El sindicato de su fábrica dice que sólo el 20';::, de los trabajadores se oponen
la huelga.. Para investigar esa aseveración, usted torna una muestra aleatoria
de 22.5 trabajadores para preguntarles. Si 10 que dice el sindicato fuera correc-
to, ¿ cuál es la probabilidad de obtener más de 54· oponentes a la huelga en la
muestra?
:) 1. F.n una oficina de Teservaciones de pasajes aéreos, las llamadas llegan cerca de
m in uios. Suponicnrlo que las llamadas son inde'Í)cnclicntes y
,: cuál eS ti probubilidad de que or.ur ra más de una
minuto
32. Las cuentas a crédito en una tienda un saldo 20 pesos
y una desviación estándar de 40 pesos. Suponiendo que los saldos se distribuyen
normalmente:
a) ,: Qué proporción de las cuentas supera los J 50 pesos?
b) ¿ Qué proporción queda entre 100 Y 150 pesos?
c) ¿ Qué proporción queda entre 60 y 90 pesos:'
La Serie Mundial va a ser disputada entre dos equipos, el de "la Liga Na-
cional y el de la Americana. El vencedor debe ganar 4 de 7 juegos. Supon-
gamos que la Nacional tiene el mejor equipo, de modo que la probabilidad
de que ganen un juego cualquiera es de 0.60. Además supongamos que esa
probabilidad se mantiene constante de un juego a otro, y que cada juego es
estadísticamente independiente de los demás.
a) ¿ Cuál es la probabilidad de que el equipo de la Nacional gane la se-
rie (es decir, que gane los cuatro juegos necesarios)?
b) ¿ Cuál es la probabilidad de que la Nacional gane 4 juegos?
c) ,c Cuál es la probabilidad de que la serie tenga cinco juegos, y que la
Nacional resulte ganadora?
d) ¿ Cuál es la probabilidad de que para definir el resultado de la serie deban
jugarse siete juegos (el máximo número de juegos admitidos)?
36. Calcule las probabilidades de aceptar un lote en cada uno de los planes de
muestreo de los problemas 34· y 35, utilizando los valores 0.02, 0.05 y O.OS para
la fracción de artículos defectuosos en un lote. Represente gráficamente en un
solo diagrama estos valores y los hallados en los problemas 34· y 35. (El eje de
ordenadas corresponde a la probabilidad de aceptar el lote y el eje de abscisas
a la proporción de artículos defectuosos en el lote). Enlace con una curva suave
los puntos resultantes para cada uno de los dos planes de muestreo. Estas son
las curvas cnract eristic as de operación (curvas OC), para cada plan de mues-
treo. En base a estas curvas, compare los dos planes de muestreo.
37. Un auditor está analizando los documentos por pagar de una empresa comer-
cial. En este momento hay 5,000 documentos firmados por esa empresa. El
auditor considera que los documentos son satisfactorios si, a lo sumo, encuentra
errores, en 1 <¡;. de los mismos. Por otra parte, si hay errores en el 5'% más de
Jos documentos, el auditor exigirá una investigación inmediata y minuciosa.
174 Distribuciones de probabilidad
JBmUOGRAlFIA
DRAKE, ALVIN W. Furidametitals 01 Applied Pr ob ability Theory, Nueva York:
McGraw-Hill, 1967.
En los capítulos 1, 2 y 4 se hace un estudio adecuado y un tanto más
avanzado de las probabilidades y las distribuciones de probabilidad.
GOLDBERG, SAl\lljEI.. Prob abilit y, An Lntroduction: Englewood Cliffs, Nueva Jersey:
Prentice Hall, 1960.
Presenta un tratamiento detallado y sistemático de probabilidades en el cam-
po discreto.
HUFF, DARRELL. How lo Take a Chanceo Nueva York: VV. W. Norton, 1959.
Un libro breve y ameno, que trata las probabilidades con un enfoque hu-
morístico.
LEVINSON, HORACE C. Chance, Luck an.d Statistics. Nueva York: Dover Publica-
tions, 1963.
La primera parte de este libro trata las probabilidades en forma sumamente
sencilla.
MOSTELLER, FREDERICK; ROURKE, ROBERT E. y THoMAs, GEORGE B., JR. Proba-
bility with Statistical Ap plications, 2'·' ed. Reading, Massachusetts: Addison
Wesley, 1970.
Presenta un tratamiento detallado de las probabilidades a un nivel elemental.
NATIONAL BUREAU OF STANDAp.DS. Tables 01 the Binomial Prob ability Distribution.
Washington, D. C.: U. S. Covernment Printing Office, Applied Mathernaties
Series N'! 6, 1949.
Tablas detalladas de la distribución binomial.
RAIFFA, HOWARD. Decision Anal)'sis. Reading, Mass.: Addison-Wesley, 1968.
En los primeros capítulos se discuten los supuestos básicos de la probabilidad
subjetiva. El capítulo 5 es un tratamiento específico de la estimación de la
probabilidad subjetiva.
SCHLAIFER, ROBERT. Analysis 01 Decisions un.der Unc ertaint y, Nueva York: Me-
Graw-HilI, 1969.
En la parte 2 ele este libro (capítulos 5 al g.) se encuentra un tratamiento
detallado de las probabilidades, incluyendo la determinación de elistribuciones de
probabilidad subjetivas.
STAEL VaN HOLSTEIN, CARL-AxEL. Assessment and Evaluation o] Sub jectire Proba-
bility Distribntions. StockhoIm: Economic Research Instituto, Stockholm School
of Eeonoinics, 1971.
Un buen resumen del trabajo realizado en la determinación de las proba-
bilidadcs subjetivas) incluyendo varios experimentos del autor.
111. Toma de decisiones
CAPITULO 7
La toma de decisiones en
condiciones de incertidumbre
llodelos
Note que, tal como se muestra en la figura 7-1, en el proceso de aná-
lisis se utiliza un modelo o representación artificial de la realidad. Durante
mucho tiempo se han utilizado modelos en el análisis científico. Los inge-
nieros construyen réplicas de aeronaves y las prueban en túneles de viento,
o construyen réplicas de presas antes de decidir su construcción. A menudo
se puede utilizar una ecuación para representar alguna fase de la realidad,
tal como con las leyes de la física. Por ejemplo la ecuación:
d = lh g t 2
determina la distancia (d) que viajará un cuerpo en caída libre como
función del tiempo (t) que ha estado cayendo. (g es una constante.) Este
175
176 La toma de decisiones en condiciones de incertidumbre
Proceso de anátísís
utilizando un modelo >
Figura 7-1
modelo resulta muy útil para describir un aspecto particular del mundo
real.
A veces, cuando se toma una decisión sencilla se usa un modelo intui-
tivo. Al hacer decisiones más importantes, se usan modelos más formales,
que especifican en detalle las variables importantes y las relaciones exis-
tentes entre ellas. Por lo general, los modelos no representan exactamente
a la realidad -para hacerlo tendrían que incluir demasiados factores y
ser muy complejo. Por ejemplo, la ley física que se describió anteriormente
no incluye la resistencia del aire al objeto que cae. Sin embargo, para que
un modelo sea útil, sólo se necesita que represente las variables importantes
que influyan en la decisión que se debe tomar en un momento dado.
Certidumbre e incertidumbre
En algunas decisiones administrativas, comerciales e industriales, se co-
nocen de antemano todos los factores importantes; es decir, no existe incer-
tidumbre con respecto a costos o a utilidades futuras. El problema de deci-
sión consiste en seleccionar la mejor de las alternativas conocidas. Consi-
dere el siguiente como un ejemplo de este tipo de problema de decisión:
Una empresa tiene varias plantas de producción, desde donde despacha
los productos a los almacenes de distribución. Las fábricas y almacenes
están esparcidos geográficamente por todo el país. Además, se conocen con
exactitud los costos de embarque de cada fábrica a cada almacén, las capa-
cidades de producción de las fábricas y las capacidades del almacenamien-
to en los depósitos. A pesar de conocer con exactitud toda esta información,
para determinar la programación óptima de los despachos (o sea, qué
fábricas deben despachar a qué almacenes, para lograr un costo mínimo)
no es un problema trivial, y frecuentemente requiere que se utilicen téc-
nicas matemáticas complejas.t Note que toda la información pertinente se
conoce con anticipación; la solución al problema consiste en una búsqueda
y análisis de todas las alternativas posibles, a fin de determinar cuáles son
las características de la toma de decisiones en condiciones de certidumbre.
Un problema que contrasta con el anterior es el que se le presenta
al encargado del departamento de compras de una negociación comercial.
1 Este es el "problema de transporte" en programación lineal. Para mayor in-
formación sobre el mismo, referirse a Daniel Teichroew, Introduction to Management
Science: Deterministic Models (Nueva York; John Wiley, 1964) u otro texto de
investigación de operaciones o de programación lineal. .
El criterio de la toma de decisiones J 77
Tabla 7·1
SOLICITUDES DE AUTOMOVILES EN RENTA. COMPAJIl'IA ZIP
DE RENTA DE AUTOMOVILES
Datos de 100 días
9 O menos o o
10 5 0.05
11 5 0.05
12 10 0.10
13 1: 0.15
14 20 0.20
15 25 0.25
16 15 0.15
17 5 0.05
18 o más O O
100 1.00
renta, etcétera. Note que estamos restringiendo los eventos posibles al rango
comprendido entre 10 y 17 solicitudes.
El uso de estas frecuencias en carácter de distribución de probabilidades,
implica de cierto modo' un modelo. de "apuestas con la naturaleza". Es
decir, podemos imaginar la rueda de una ruleta con cien hendiduras; cinco
de estas hendiduras están marcadas con el número diez; cinco están mar-
cadas con el número once; diez están marcadas con el número doce, etcétera;
cada ranura corresponde a las frecuencias o a las probabilidades estima-
das de la tabla 7-1. Por lo tanto, el evento "10" tiene sólo 5 oportunida-
des de ocurrir en 100, o sea, una oportunidad en 20 y, análogamente,
para los demás eventos. Por lo tanto, el uso de estas probabilidades impli-
ca una "distribución de apuestas" con respecto a la naturaleza.
Si se desea utilizar la distribución de probabilidades como un modelo
de la naturaleza, es necesario suponer ciertas hipótesis como las siguien-
tes. Suponemos que los 100 días son una muestra "representativa" de la!'>
solicitudes pasadas (es decir, no hubo sesgo en el método de selección
de la muestra). Suponemos que en el futuro se repetirá lo del pasado en
lo referente a solicitudes de renta de automóviles. Suponemos que el
número de solicitudes son independientes día a día y semana a semana.
Si estas hipótesis son válidas, nuestro modelo tiene validez como repre-
sentación de la realidad.
Tabla 7.2
CALCULO DEL NUMERO ESPERADO DE SOLICITUDES
DE RENTA DE AUTOMOVILES
X P(X)
Número solicitado Probabilidad X. P(X)
10 0.05 0.50
11 0.05 0.55
12 0.10 1.20
13 0.15 1.95
14 0.20 2.80
15 0.25 3.75
16 0.15 2.40
17 0.05 0.85
1.00 14.00
E(X) = 2:[X . P(X)] = 14.00
El criterio de la toma de decisiones 181
Tabla 7·3
-TABLA DE CONSECUENCIAS
Beneficios monetarios obtenidos en la renta de automóviles
10 3Q 23 16 9 2 -5 -12 -19
11 30 33 2'6 19 12 5 - 2 - 9
12 30 33 36 29 22 15 8 1
13
14
15
30
30
30
.. 33
33
33
36
36
36
39
39
39
32
42
42
25
35
45
18
28
38
U
21
31
16 30 33 36 39 42 45 48 41
17 30 33 36 39 42 45 48 51
Tabla 7-4
CALCULO DEL VALOR MONETARIO ESPERADO DE LA
ACCION "ARRENDAR 15 AUTOMOVlLES"
Evento: número
de automóviles
solicitados en Probabilidad : Beneficio: Beneficio esperado:
renta (X) 'P(X) '1T 'Ir·P(X)
,,'
10 0.05 -$ 5 -$ 0.25
11 0.05 5 0.25
12 0.10 15 1.50
13 0.15 25 3.75
14 0.20 35 7.00
15 0.25 45 11.25
16 0.15 45 6.75
17 0.05 45 2.25
1.00 $32.50
Beneficio esperado = EMV = l:('1T ' P(X)] = $32.50
Tabla 7-5
VALOR MONETARIO ESPERADO (BENEFICIO ESPERADO),
PARA TODAS LAS ACCIONES ALTERNATIVAS
Tabla 7-6
CONCESIONARIA DE FUTBOL
Tabla de consecuencias (miles de dólares)«
Tabla 7-7
CONCESIONARIA DE FUTBOL
Probabilidades subjetivas para los eventos
Evento:
Número de Probabilidad
asistentes subjetiva
20,000 0.30
40,000 0.20
60,000 0.10
80,000 0.40
1.00
rio pudo pensar, por ejemplo, que si llovía vendría poca gente; si aclaraba,
vendría mucha gente; y que había poca probabilidad de que viniera una
cantidad intermedia. O bien, tal vez pensó que, al asignar esas probabi-
lidades, estaba haciendo apuestas. Por ejemplo, las probabilidades de la
tabla 7-7 implican, que hay una apuesta igual (probabilidades 50/50)
de que lleguen 20,000 a 40,000 personas o de que lleguen 60,000 a 80,000.
Las probabilidades también implican que las posibilidades son de 4' en
10 de que lleguen 80,000 personas, 1 en 10 de que lleguen 60,000, y así
sucesivamente. Para ayudarse en la determinación de las probabilidades,
el concesionario podría ver si, en su opinión, las apuestas son iguales que
las probabilidades de apuestas implicadas en su conjunto de probabilida-
des. (En el Apéndice del capítulo 5 se presenta un procedimiento para la
estimación de distribuciones de probabilidad subjetiva.)
El criterio de la toma de decisiones 187
Tabla 7-8
CONCESIONARIA DE FUTBOL
Valor esperado para la acción "ordenar comida
para 40,000 personas"
Ev-ento:
Número de Probabilidad
asistentes Probabilidad Beneiício X beneficio
naría de verdad comida para 60,000 personas? Muchas pe~nas que con-
sideran que el criterio de decisión "escoger la acción con el valor esperado
mayor" es muy razonable 'en el problema de la compañía de renta de
automóviles ZIP, empiezan a tener algunas dudas acerca de la aplicación
del mismo criterio aquí. Por lo tanto, habrá que analizar ese criterio.
Tabla 7-9
CONCESIONARIA DE FUTBOL
Valores esperados para todas las acciones
20,000 $10,000
40,000 14,600
60,000 15,600
80,000 14,800
Ajuste por riesgo. La tercera diferencia que hay entre los problemas
del concesionario y el gerente de la compañía de renta de automóviles está
en las grandes cantidades negativas (-$14,000) que hay en el problema
del concesionario. Si perder esa cantidad afectaría gravemente su posición
financiera, ¿ consideraría esa alternativa? Note que aún la decisión reco-
mendada de ordenar comida para 60,000 personas implica una posible
pérdida de $6,000. Lo cual trae a cuento la actitud respecto al riesgo
Arboles de decisión J89
ARBOLES DE DECISION
En ciertas ocasiones quien decide debe tomar una sola decisión; por
ejemplo, un fabricante debe decidir si construir una planta grande o
pequeña. Las condiciones subsecuentes del mercado determinarían cuál
es el beneficio que obtendría.
Suponga que el fabricante puede construir una planta pequeña y
ampliarla posteriormente, cuando conozca mejor la demanda del nuevo
producto. La ampliación de las instalaciones costaría 3 millones de dó-
lares y permitirá que la empresa efectuase las ventas requeridas para
atender un alto nivel de demanda y, por lo tanto, obtener el mismo
beneficio de 10 millones de dólares (excluyendo el costo de la planta)
que podría obtenerse ahora si construyera una planta grande.
Note que en este ejemplo revisado, el fabricante no está tomando
una decisión, sino una secuencia de decisiones: la primera es elegir entre
"planta grande o pequeña" y luego, en fecha posterior, la decisión de
ampliar o no ampliar la planta pequeña (si escogió la planta pequeña
en la primera decisión). En el lapso que transcurre entre estas decisio-
nes, el fabricante obtiene nueva información; es decir, llega a saber si
el nivel de demanda es alto o bajo. Así, el fabricante puede mejorar
su primera decisión, tomando en cuenta las posibilidades que le ofrece la
segunda decisión.
Primer Segundo
punto de punto de
decisión Acción Evento decisión Acción
I
I
J
Nivel allo I
I
de demanda I
I
I
I
I
I
Construir una : Seexpande la planta
planta grande 1
I
V Construir
una planta
pequeña
I
I
II
I
1
I
~
II Se expande la planta
I
No se expande
V I Construir
I una planta
1 pequeña
I
j , . ¡ J - - - - - - - - ' - - - ' - - 4 millones
I
I
I Se expande Omillones
I la planta
I
I Nose expande
I la planta 3 millones
1
Figura 7-3
5 millones o
4 millones 3
Figura 7-4
Primer
punto de E\lento cense-
decisión Acción (probabilidad) cuencia
6 millones
1 millón
5 millones
3 millones
Figura 7-5
4.0 millones
4.2 millones
Figura 7-6
Figura 7-7
Evento Consecuencia
Acei6n (probabilidad) (en miles)
y--- Exito
(1.0)
80
~
E~~~~:o
150
Enfoque
.1,,1".'"
Fracaso
Enfoque (0.5)
~30.
magnético
hilo...___120
(0.71
Frlcaso
(0.3)
Boro" pierde los $50,000 que le costó su preparación (esto es, el pago
es de -$50,000).
Si el contrato es ganado por "Investigaciones Boro", entonces corres-
ponde tomar la próxima decisión: la elección entre los diversos métodos
alternativos para desarrollar una cinta magnética exitosa.
En este segundo punto de decisión, "Investigaciones Boro" debe deci-
dir cuál de las tres técnicas (mecánica, electrónica o magnética) es la
que se debe tratar primero." Esta decisión se presenta en la figura 7-8.
Si se selecciona la acción mecánica T se desarrolla exitosamente el
prototipo, "Boro" tendrá un beneficio neto seguro de $80,000 dólares
(250,000 dólares del valor del contrato, menos 50,000 dólares del costo
de la propuesta, menos 120,000 dólares del desarrollo del prototipo me-
cánico). Si se selecciona cualquiera de las otras acciones se puede tener
éxito o fallar. El fracaso implica que se debe utilizar necesariamente el
enfoque mecánico, a fin de obtener el prototipo exitoso dentro del lapso
disponible.
Método electrónico
Exito 250 -50 -50 O =150
Falla 250 -50 -50 -120 = 30
Método magnético
Exito 250 -50 -80 O =120
Falla ·250 -50 -80 -120 O
~--o
Fracaso
(0.5)
Figura 7-9
/80 /'50
Enfoque Exito
mecánico (0.5)
Se gana
Se presenta el contrato Fracaso
la propuesta (0.5) (0.5)
/'20
No se presenta Se pierde Enfoque Exito
la propuesta el contrato magnético (0.7)
(0.5)
~o <; ~ Fracaso
(0.3)
'-;"""':"-0
Figura 7·10
Utilidad
Dinero
Figura 7·11
Para una persona que tiene aversión al riesgo (por ejemplo, alguien
que prefiere $100 seguros a la oportunidad pareja de obtener $250 o
nada) la forma de su función de utilidad reflejaría la utilidad decreciente
del dinero. U na persona que considerara adecuado expresar su preferencia
mediante el valor monetario esperado, tendría una función de utilidad
lineal. (Esta persona no tendría preferencia alguna por las alternativas
de tener $125 seguros, o una oportunidad de 50% para cero y 50%,
para $250.)
En muchas ocasiones, las cantidades de dinero jugadas en las apuestas
son pequeñas en comparación con los recursos de quien toma las deci-
siones. Así, una gran empresa que debe tomar decisiones sobre inventa-
rios que no pasan de unos cuantos miles de pesos, podría usar el valor
monetario esperado como criterio de decisión. Para este nivel relativa-
mente poco importante, la función de utilidad es aproximadamente lineal.
Para decisiones más importantes (como la de construir una nueva fábrica
o ingresar a un nuevo mercado), el valor monetario esperado no es ge-
neralmente el criterio apropiado. En tales situaciones, quien decida debería
determinar su propia función de utilidad para el' dinero (como se mues-
tra en el apéndice, al final de este capítulo). Por lo tanto, el criterio de
decisión es escoger la alternativa de mayor utilidad esperada, en lugar
de la de mayor valor monetario esperado.
RESUMEN
(la ordenada de la figura 7-11) no es urnca. (La escala puede ser multiplicada
por una constante desplazada hacia arriba o hacia abajo sin alterar realmente
la esencia de la función.)
Apéndice: deducción de curvasde utilidad 201
Suponga que un hombre de negocios tuvo que elegir entre dos con-
tratos. La utilidad resultante de cada contrato es incierta. Los contratos,
así como sus probabilidades y consecuencias monetarias son:
CONTRATO 1 CONTRATO II
Proba- Proba-
Evento bilidad Resultado Evento bilidad Resultado
A 0.30 +$9,000 P 0.25 +$7,500
B 0,45 + 6,000 R 0.60 + 2,000
e 0.25 - 9,000 S 0.15 - 5,000
EMV = +$3,150 EMV =+2,325
202 La toma de decisiones en condiciones de incertidumbre
u ( + $10,000) 1
u( -$10,000)
=
= °
Ahora, le preguntaríamos: ¿ Cuál es el monto máximo que pagaría para
librarse de un contrato que le ofrece una oportunidad de 50% de ganar
$10,000 y un 50% de perder la misma cantidad?'"
La respuesta a tal pregunta sería un asunto muy personal, que de-
pende de los recursos y de la propensión al riesgo de quien toma la
decisión. Supongamos que el responsable de tomar la decisión nos respon-
dió que aceptaría pagar hasta $2,000 para liberarse de ese compromiso
fortuito (es decir, del contrato que proporciona una mitad de las proba-
bilidades a + $10,000 y la otra -$10,000). En otras palabras, al que decide
le es indiferente incurrir en una pérdida segura de $2,000 y entrar al
juego (aceptar el contrato). En base a esta manifestación establecemos
que la utilidad de - $2,000 es equivalente a la utilidad esperada del con-
trato, o sea:
1/2 -$1O,000}
-$ 4,000 -$5,000 u( -$5,000) =0.125
1/2
9 Otro procedimiento es mantener fijas las cantidades (es decir, los +$10,000
y ~$1O,000), pero cambiar las probabilidades en cada pregunta. El índice de utili-
dad se determina de la misma manera.
204 La toma de decisiones en condiciones de incertidumbre
Indice de utilidad
0.50
Figura 7-12
CONTRATO 1 CONTRATO n
Proba- Resultado Proba- Resultado
Evento bilidad monetario Utilidad Evento bilidad monetario Utilidad
A 0.30 +$9,000 0.98 Q 0.25 +$7,500 0.95
B 0.45 +$6,000 0.90 R 0.60 +$2,000 0.75
e 0.25 -$9,000 0.02 S 0.15 -$5,000 0.125
Valor monetario esperado = +$3,150 Valor monetario esperado = +$2,325
Utilidad esperada = 0.704 Utilidad esperada = 0.706
PROBLEMAS
Acciones
Evento Probabilidad A B e D E
Evento Probabilidad
1 0.10
II 0.40
lTI 0.30
IV 0.10
V 0.0';
VI 0.05
Demanda Probabilidad
o 0.0
1 0.4
0.3
3 0.2
4 0.1
5 o más 0.0
1.0
7. Una compañía está tratando de decidir qué tamaño de planta debe construir
en cierta región del país. Se están analizando tres alternativas de planta, con
°
capacidades de 1 mil, 15 mil y 20 mil unidades respectivamente. La demanda
del producto es incierta, pero la gerencia ha estimado las probabilidades abajo
listadas, para cinco niveles posibles de demanda. La tabla muestra también el
beneficio (en millones de dólares) para cada alternativa y cada nivel posible de
demanda. (La producción puede exceder la capacidad nominal.)
() 0.1
1 0.2
0.3
0.2
0.1
o.i
En base a estos datos, elabore una tabla de consecuencias. ¿ Cuántos engra-
najes adicionales le convendría ordenar ahora, para que le entreguen junto
con la maquinaria? ¿ Cuál es el costo esperado de su decisión? (Recuerde que
si usted ordena 2 engranajes adicionales y ocurren tres rupturas, se incurre en
la necesidad de emitir una orden de producción adicional, con los costos corres-
pondientes.')
La compañía LMN produce algunos artículos de fantasía que vende durante las
fiestas de fin de año. El producto que nos interesa se vende a un precio unitario
de 1 dólar. La gerencia de ventas ha estimado las siguientes probabilidades
para los diversos niveles de ventas:
VfT1tas
(en unidades) Probabilidad
i.ooo 0.1
UOO 0.4
2,000 0.3
2,500 0.1
3,000 0.1
i.ooo 60
1.500 46.66
z.ooo 38.75
2.500 33.40
3,()()() 29.50
Por razones técnicas este artículo debe ser producido en lotes de 500
unidades. Si se producen más unidades de las que se venden, se puede vender
hasta mil unidades del excedente a un precio unitario de 10 centavos, después
de pasada la época navideña. Si aún sobran unidades, carecen de todo valor y
no pueden venderse a ningún precio. Elabore una tabla de consecuencias.
¿ Cuántas unidades deberían producirse? ¿ Cuál sería la utilidad esperada?
14. ,'En cuál de los siguientes problemas de toma de decisiones cree usted que
maxirnización del valor monetario esperado es sa tisíactoria corno cri terio
torna de decisiones, en contraste con criterio de utilidad esperada?
a) Decisión construir una planta industrial nueva.
) Decisión introducir' un producto a un nuevo mercado.
e) Decisión
el)
e)
f)
15. La compañía Pearson está decidir sobre
quina nueva, la cual se utilizará exclusivamente en
producto. Actualmente existen dos máquinas
el fin perseguido. Si se la máquina y
se ahorrará 1 dólar por relación con el proceso de producción que
se utiliza en la actualidad. Si se compra la máquina B, se invertirán 60,000
dólares y se ahorrarán 3 dólares por unidad producida. Ambas máquinas tienen
una vida útil de 5 años. Las condiciones, futuras del mercado son algo incier-
tas, y se han resumido en las siguientes estimaciones sobre la probabilidad
correspondiente a un volumen total de ventas para los próximos 5 años:
Ven/tU totales
(en unidades) Probabilidad
10,000 O.!
20,OW 0.3
30,0"00 (l.?
40,00() o.z
Propuesta de A Propuesta de
(tJ'Tecio superior a Frecuencia (precio superior a Frecuencia
nuestro costo) relativa nuestro costo) relativa
'/:: :¡i2,'roo '/,
';" 1,2f)(1 '12
';" 600 '11
Por otra parte se ha observado que no hay una relación sistemática entre las
propuestas de Al y las de B (se pueden considerar estadísticamente independien-
tes). Supongamos que la compañía "Lockjaw" tiene sólo tres posibilidades
de propuesta: 1) costo de producción más 2,4-00 dólares; 2) costo de produc-
ción más 1,200 dólares, y 3) costo de producción más 600 dólares.
Se pregunta: ¿ cuál es la propuesta que conviene elegir? ¿ Cuál es la
utilidad esperada?
Orientación: calcule la probabilidad para cada una de las siguientes alter-
nativas: 1) ganar el concurso directamente, 2·) empatar con uno de los com-
petidores, 3) empatar con ambos competidores y ,+) perder. Luego elabore
tablas de consecuencias y calcule la utilidad esperada para cada una de esas
estrategias.
21() La toma de decisiones en condiciones de incertidumbre
1.0
El señor Margin aclaró que esas cifras no incluían los costos de investi-
gación y desarrollo, ni los costos de introducir el producto ($50,000). Este
último costo será necesario sólo si la empresa decide entra, al mercado después
de haber desarrollado el producto.
El señor Hony estaba indeciso respecto a si convenía invertir los cien mil
dólares en el desarrollo del producto ante un mercado tan incierto. Volvió a
hablar con el doctor Bing, y le preguntó si no existía algún otro procedi-
miento científico para desarrollar el mismo producto a menor costo, o si
alternativamente, no se podría demorar el avance de ese proyecto hasta que
se tuviera un conocimiento más claro de las condiciones del mercado. El doctor
Bing respondió que él prefería la alternativa que había formulado anterior-
mente, de llevar adelante un programa sistemático durante ¡ 2 meses, que
costaría $100,000, pero que existía una forma alternativa de llevar a cabo
este proyecto. En efecto, no habría inconveniente en comenzar con un pro-
grama de 8 meses de actividad moderada de investigación, culminando con
1 meses de actividad febril. El costo sería de $10,000 en la primera parte del
programa y $110,000 en la segunda parte. Esta forma de desarrollar las acti-
vidades no afectaría desfavorablemente las posibilidades de culminar exitosa-
mente la investigación. Además, tendría la ventaja de que la decisión de
desarrollar o no el nuevo producto se podría tomar con mayor conocimiento
de causa, al finalizar el octavo mes de la investigación. En ese momento se
resolvería sobre la conveniencia de embarcarse en el programa intensivo de
cuatro meses, o de abandonar el proyecto. Cuando se consultó al señor Margin,
éste expresó que al final del octavo mes estaría en mucho mejores posibilidades
de proporcionar un pronóstico exacto de la situación del mercado futuro para
ese producto.
El señor Hony siguió investigando otras posibilidades y le preguntó al
doctor Bing sobre la posibilidad de esperar hasta que los otros productos me-
dicinales ya estuvieran en venta y, entonces, desarrollar el propio en base a
up análisis químico de su composición, evitando los costos de investigación y
desarrollo. El doctor Bing respondió que esa alternativa era factible y que
el costo aproximado sería de $50,000. El señor Margin comentó que consi-
deraba muy poco beneficioso esta última estrategia en virtud de que los
productos que aparecen primero en el mercado conquistan la mayor propor-
ción de las ventas totales, en detrimento de los productos competidores que
aparecen después. Sus estimaciones indicaban que, en tal caso, los beneficios
netos se reducirían al ,HY,0 de los que había presentado en la tabla anterior.
Además, opinó, que había muchas probabilidades, quizás de 1 a :1, de que
los competidores no pudieran llegar a la fase de comercialización de 1111 pro-
ducto semejante, en cuyo caso la empresa "Farmacéutica Hony" no dispondria
de ningún elemento sobre el cual basar su análisis e investigaciones.
Se pide lo siguiente:
212 La toma de decisiones en condiciones de incertidumbre
nIB!LIOGRAFIA
COSTO DE OPORTUNIDAD
213 •
214 La toma de decisiones en condiciones de incertidumbre
Tabla 8-1
MATRIZ DE CONSECUENCIAS PARA LA COMPARiA ZIP
DE RENTA DE AUTOMOVILES
(Dólares de utilidad)
Evento:
Número de
solicitudes Acciones: número de coches arrendados
de renta de Proba-
coches bilidad 10 11 12 13 14 15 16 17
Tabla 8-2
TABLA DE COSTO DE OPORTUNIDAD PARA LA COMPAÑIA ZIP
DE RENTA DE AUTOMOVILES
(Dólares de arrepentimiento)
Evento:
número de
solicitudes Acciones: número de coches arrendados
de renta de Proba- ------
coches bilidad 10 11 12 13 14 15 16 17
10 0.05 O 7 14- 21 28 35 42 49
11 0.05 3 O 7 14 21 28 35 42
12 0.10 6 3 O 7 14 21 28 35
13 0.15 9 6 3 O 7 14- 21 28
14 0.20 12 9 6 3 O 7 14- 21
15 0.25 15 12 9 6 3 O 7 14
16 0.15 18 15 12 9 6 3 O 7
17 0.05 21 18 15 12 9 6 3 O
1.00
Costo de oportunidad
esperado 12.00 9.50 7.50 6.50* 7.00 9.50 14.50 21.00
Tabla 8-3
COSTOS DE OPORTUNIDAD PARA LA ACCION:
ARRENDAR 13 AUTOMOVILES
Evento:
número de
solicitudes
deÓrenta d. Costo d. Valor
Probabilidad oportunidad esperado
Tabla 8-4
UTILIDAD ESPERADA CON CERTIDUMBRE
Evento:
.umero de
solicitudes Beneficio de
~e renta de la acción
coches Probabilidad Mejor acción óptima Valor esperado
Ejemplo
U n industrial debe decidir sobre la construcción de Una nueva planta.
La rentabilidad de la planta dependerá de las condiciones económicas
generales futuras (estabilidad o crecimiento). En la tabla 8-5 se presentan
las consecuencias que resultan de las diversas acciones y eventos, y las
probabilidades subjetivas que el industrial asigna a la estabilidad y al
crecimiento.
Tabla 8-5
UTILIDADES AL CONSTRUIR LA NUEVA PLANTA
MATRIZ DE CONSECUENCIAS
(llillones de dólares)
Evento: Acciones
nivel de la
economía nacional Probabilidad Construir N o construir
Tabla 8-6
TABLA DE COSTOS DE OPORTUNIDAD
(MilJones de dólares)
Evento:
nivel de la
p,conomía nacional Probabilidad Construir No construir
.~~~~-
Tabla 8-7
CALCULO DE LA UTILIDAD ESPERADA CON CERTIDUMBRE
(Millones de dólares)
Evento: Utilidad de
nivel de la la mejor Valor
economía nacional Probabilidad Mejor acción acción esperado
Tabla 8-8
PROBABILIDADES Y VALORES ESPERADOS DE LA VENTA
DE JUGUETES
Evento:
cantidad vendida Valor esperado
(millones) Probabilidad (millones ,ji! unidades)
X P(X) X·P(X)
Comercializar el producto
1.0
-1.0
5
Ventas (Millones de unidades)
Figura 8-1
Una vez que se conoce ese valor, quien toma la decisión puede comparar
simplemente las ventas esperadas E(X) con el punto de equilibrio K. Si
E(X) es mayor que K, entonces será más rentable comercializar el pro-
ducto. Si E(X) es menor que K, comercializar el producto llevaría a pér-
didas probables, y sería mejor abandonar el proyecto.
.
Comereillizlrel producto
Ablndonlr el produeto-...,~
~
~'
~
1.0 ~
,,"
~' "
o,
Costo de oportunidad = C (X) = ° SI X ¿ 6 millones
C(X) = (0.45 de dólar), (6.000,000 - X) SI X <6 millones
Tabla 8·9
COSTOS DE OPORTUNIDAD Y VALOR ESPERADO DE LA
INFORMACION PERFE(.TA
..
Costos de oportunidad Valor esperado
(miUones de dólares) (mil/ones de dólares)
Evento:
rentos, millones Probabilidad Comercializar Abandonar Comercializar Abandonar
de unidades, X P(X) el producto el producto el producto el producto
Tabla 8-10
TABLA DE CONSECUENCIAS PARA LA DECISION DE
COMERCIALIZAR EL NUEVO PRODUCTO
(Millones de dólares)
Acciones
Comercializar No comercializarlo
Probabilidad el producto
Hausman, Quantitatiue Analysis [or Business Decisions (3· ed.; Homewood, Ill.:
Richard D. Irwin, 1969), págs. 80·85, por este ejemplo, originalmente preparado
por C. P. Bonini.
El valar de la información imperfecta 225
~
. 2 Venias alias
$A ·1 _
. (0.3)--" l1li ......
Yenlas bajas
• Comercializar (0.7)..............
el producto ..........
-2 IRiIIones
No comercializarloS Omillones
~ la encuesta no ~
da conclusiones'L-]'- No comercializarlo
la encuesla - Omillones
~
- 2 IllfMoMl
'
predice
fracaso~ Comercializar...í'\...-.Yenlas allas
el producto ~ 4 mUlo ReS
No comercializarlo Yentas bajas
Tabla S-U
PROBABILIDADES CONDICIONALES DE LAS PREDICCIONES DE LA
ENC.UESTA DADAS LAS VENTAS REALES
Tabla 8·12
TABLA DE PROBABILIDADES CONJUNTAS
Predicciones de la encuesta
No hay
Nivel de ventas Exito (E) conclusiones (NC) Fracaso (F) Total
En forma similar:
y así sucesivamente. Note que las probabilidades marginales para las pre-
dicciones de "éxito", "no hay conc!usión",y "fracaso" son 0.19, 0.47 Y
0.34 respectivamente. Estas se necesitan para nuestro problema de decisión
y se insertan en los lugares adecuados en la figura 8-4.
El árbol de decisiones requiere también las probabilidades condicio-
nales para los diversos niveles de ventas, dada la predicción de la encues-
ta. Estas últimas se pueden calcular directamente a partir de la definición
de probabilidad condicional. Por ejemplo, la probabilidad de ventasaltas,
dada una predicción de éxito es:
I ' 0.35
P(B¡NG\ = - . = 0.745
{ 0.47
228 La toma de decisiones: el valor de información
y
0.06
P(AIF) = - = 0.176
0.34
I 0.28
P(B¡F) = - - = 0.824
0.34
P(A, E) P(A)P(EIA)
P(AIE)
P(E) P(A)P(EIA) + P(B)P(FJIB)
En esta forma, la probabilidad condicional de un estado de la natura-
leza (ventas altas) dado un resultado experimental (predicción de la
encuesta de éxito) se expresa en términos de las probabilidades condicio-
nales del resultado del experimento (éxito) dados los varios estados de la
naturaleza (ventas altas y bajas) y las probabilidades simples de los estados
de la naturaleza.
Consideraremos de nuevo el teorema de Bayes en la evaluación de
muestras en los capítulos 13 y 14. El teorema de Bayes tiene un papel
importante en la evaluación de la evidencia experimental y muestral en el
proceso de la toma de decisiones, y toda esa área se denomina algunas veces
teoría bayesiana de decisiones.
Volviendo a nuestro ejemplo, las probabilidades calculadas anterior-
mente se listan en los lugares apropiados en la figura 8-4. Ahora está dis-
ponible toda la información necesaria, y se puede analizar la figura 8-4,
(recorriéndola desde la derecha y hacia la izquierda). Los valores espe-
rados se muestran en los círculos. El beneficio esperado es positivo para
la introducción del producto al mercado sólo si se obtiene una predicción
de éxito de la encuesta de mercado. Por lo tanto, no se debe lanzar al
mercado el producto si se obtienen las predicciones de "no hay conclu-
sión" o de "fracaso". El beneficio esperado de la realización de la en-
cuesta que es de $0.34 millones. Este es el beneficio esperado asociado con
la actuación en base del resultado de la encuesta. No incluye el costo de la
encuesta es de $0.2 millones. Cuando se incluye este costo, el beneficio
5 Una forma más general del teorema de Bayes es la siguiente: dado un con-
junto de eventos mutuamente exclusivos y colectivamente exhaustivos, El' E 2 ••• , E",
y un resultado experimental, e
P(E¡)P(eIE¡L
para j = 1, 2, •.. , n
"
~ P(E;)P(eIE;)
1.:::1
El valorde la información imperfecta 229
Ventas alias
(0.30)
$ 4 millones
Venias bajas
(O.70)~
-2 millones
Ventas alias
~_~(0;....6;...3~2):.-_ _
~ 4 millones
No hacer Comercializar Venias bajas
la encuesta el producto (0.368)
<,
~
No comercializarlo
1 O - 2 millones
. la encuesla
Hacer la predice élilo ~enlas alias
25b5).
l\:~st. (0.19) Comercializ~ven(Ot·as ajas4millones
~
la encues!a no O el producto (0.745)
osto O..M da conclusiones NIt comercializarlo ............
-0.20 (0.47) - O "
la encuesta predice - 2 millones
fracaso (0.34)
~Comercializar -C::::L Ventas alias
~ el producto ~ (0.176) _
No comercializarlo Ventas bajas 4 millones
~O (O.824)~i!!0:10:
Figura 8·4
RESUMEN
PROBLEMAS
Evento
.~-- . _ - - __ . .
Dibuje un árbol de decisiones para este problema. ¿ Valdría la pena usar los
servicios de la compañía de investigación de crédito para ayudar a seleccionar
los clientes?
236 La toma de decisiones: el valor de información
15. Tome como base la cita de The Wall Street [ournal, contenida en la nota 3
al pie de la página 398. Comente la decisión del fabricante de golosinas, de
comprar el seguro y pagar los 10,000 dólares de prima desde el punto de vista de:
a) El valor esperado de la información perfecta.
b) La curva de utilidad del dinero para el que toma las decisiones.
BIBLlOGRAFIA
BlERMAN, H., BONINI, C. P. y HAUSMAN, W. Quantitative Analysis for Business
Decisions, 4" ed. Homewood, Ill.: Richard D. Irwin, 1973.
Los capítulos 3, 4 y 5 estudian la toma de decisiones bajo incertidumbre
aproximadamente al mismo nivel de este libro. El capítulo 17 trata de la teoría
de la utilidad.
BROWN, R. V. "Do Managers Find Decision Theory Useful?" Haruard Business
Review (mayo-junio 1970).
Revisión de algunas aplicaciones de la teoría de decisiones y un análisis de
las dificultades que existen para aplicarla.
HAMMOND, J. S. "Better Decisions with Preference Theory"; Haruard Business Reuieio
(noviembre-diciembre 1967).
Una introducción de fácil lectura a la teoría de la utilidad.
HARLAN, N., CHRISTENSON, C. y VANCIL, R. Managerial Economics: Text and
Cases. Homewood, IlIinois: Richard D. Irwin, 1962.
La sección HI presenta un texto y varios casos breves relativos a la toma
de decisiones bajo incertidumbre.
HOWARD, R. A. (ed.): IEEE Transanctions 071 Systerms Science and Cybernetics,
Special Issue on Decision Analysis (vol. SSC-4, N° 3, septiembre 1968,).
Contiene muchos artículos, desde introducciones a la toma de decisiones bajo
incertidumbre y teoría de la utilidad hasta tópicos avanzados. Los artículos de
particular relevancia para el material de los dos capítulos previos son los de Nort,
Howard, Wilson, Meyers y Pratt, y Spetzler,
LUCE, R. DUNCAN y RAIFFA, HOWARD. Games and decisions. Nueva York: John Wiley,
1957.
El capítulo 2 es una buena presentación de la función de la utilidad en
la toma de decisiones. El capítulo 13 compara los diferentes criterios de
decisión en condiciones de incertidumbre.
MACEE, JOHN F. "Decision Trecs For Decision-Making", en Haruard Business
Reoieio (julio-agosto de 1964) y "How to Use Decisions Trees in Capital
Investrnent", H arvard Business Reuieio (septiembre-octubre de 1964).
Estos dos artículos describen las ideas básicas sobre árboles de decisión y
presentan sus aplicaciones a varios tipos de problemas gerenciales de decisión.
R.MFFA, H. Decision Analysis. Reading, Mass.: Adison-Wesley 1963.
Un excelente y detallado tratamiento de la toma de decisiones bajo incer-
tidumbre, sin utilizar matemáticas complejas.
SCHLAIFER, R. Analysis of Decisions Under Uncertainty, Nueva York: Mací.Iraw-Hill,
1969.
La parte 1 trata los elementos básicos del análisis de decisiones y la diagra-
rnación de árboles de probabilidad en detalle. La parte 2 trata de la determina-
ción de preferencias y probabilidades en detalle. Constituye una fuente de refe-
rencia muy práctica.
SWALM, R. O. "Urility Theorv-v-Insights into Risk Taking". Haruard Business Reoiet»
(noviembre-diciembre 1966).
Describe la determinación aplicación de las funciones de utilidad en firmas
CAPITULO 9
Introducción a la
inferencia estadística
237
238 Introducción a la inferencia estadística
Error en el muestreo
El error de muestreo es el error aleatorio que ocurre cuando tomamos
una muestra, en lugar de estudiar la población completa. Una muestra
es sólo. parcialmente representativa de la población de la cual se la toma
y cualesquiera dos muestras diferirán entre sí, ya que contendrán dife-
rentes elementos de la misma población.
Si se obtiene adecuadamente una muestra probabilística (ver más
adelante) se puede controlar y medir el error de muestreo. Este error
depende en parte del tipo de muestra elegido. Así, por ejemplo, una mues-
tra estratificada tiene generalmente un error más pequeño, y una muestra
por conglomerados un error mayor que una muestra aleatoria del mismo
tamaño, tal como se describe en el capítulo 12. El error también depende
del tamaño de la muestra -entre más pequeña sea, mayor será el error.
Pero el error de muestreo no incluye el efecto del sesgo, que debe ser
Error de muestreo y sesgo 139
Se8f!o
El sesgo --ocasionado en forma consciente o inconsciente- es muy
común en el trabajo estadístico. Es fácil detectar el sesgo producido cons-
cientemente en una publicidad que cita estadísticas para "probar" la
superioridad de un producto dado, mientras que el competidor cita otras
estadísticas para "probar" la superioridad de su propio producto. Pero
muchos compiladores de estadísticas persiguen algún fin que les interesa.
Una asociación de joyeros cita cifras cuyo propósito es mostrar que los
matrimonios con anillos dobles han llegado a ser "una costumbre nacional
aceptada". Una organización de obreros dice que se debe revisar el cre-
ciente índice de precios al consumidor (ya que en él se basan los salarios)
debido a que no toma en cuenta todos los costos reales, mientras que
la asociación de patronos defiende el índice, diciendo que los componen-
tes del índice sobreestiman los costos reales. En realidad, deben conside-
rarse tanto la fuente de los datos como las conclusiones mismas.
El error ocasionado en forma inconsciente al escoger las muestras es
más difícil de detectar. Puede surgir en cualquiera de las tres formas
siguientes.
240 Introducción a la inferencia estadística
Tabla 9-1
NUMEROS ALEATORIOS
03 47 43 73 86 36 96 47 36 61 46 98 63 71 62
97 74 24 67 62 42 81 14 57 20 42 53 32 37 32
16 76 62 27 66 ., 56 50 26 71 07 32 90 79 78 53
12 56' 85 99 26 96 96 68 2731 05 03 72 93 15
55 59 56 35 64 38 54 82 46 22 31 62 43 09 90
16 22 77 94 39 49 54 43 54 82 17 37 93 23 78
84 42 17 53 31 57 24 55 06 88 77 04 74 47 67
63 01 63 78 59 16 95 55 67 19 98 10 50 71 75
33 21 12 84 29 78 64 56 07 82 52 42 07 44 38
57 60 86 32 44 09 47 27 96 54 49 17 46 09 62
18 18 07 92 46 44 17 16 58 09 79 83 86 19 62
26 62 38 97 75 84 16 07 44 99 83 11 46 32 24
23 42 40 64 74 82 97 77 77 81 07 45 32 14 08
52 36 28 19 95 50 92 26 11 97 00 56 76 31 38
37 85 94 35 12 83 39 50 08 30 42 34 07 96 88
70 29 17 12 13 40 33 20 38 26 13 89 51 03 74
56 62 18 37 35 96 83 50 87 75 97 12, 25 93 47
99 49 57 22 77 88 42 95 45 72 16 64 36 16 00
16 08 15 04 72 33 27 14 34 09 45 59 34 68 49
31 16 93 32 43 50 27 89 87 19 20 15 37 00 49
FUENTE: R. A. Fisher y F. Yates, Statistical Tables [or Biological, Agricultural and Medical
Research (60 edición; Londres: Oliver & Bovd, 19(3), tabla XXXIII, Random Numbers (1).
Esta es una parte de otra tabla mucho más -extensa.
Estimador Valor de la
muestral población
Error estándar de la población total ... Sr = Ns: NCTx
Población total ,., .. T=N x NJk
Un experimento
Para ilustrar la distribución de la media muestral cuando la población
es conocida, consideremos el siguiente experimento.
Un fabricante de equipo eléctrico recibe embarques de cojinetes que
adquiere a una industria de acero, y que utiliza en el armado de ventila-
dores eléctricos. Las especificaciones técnicas requieren que estos cojinetes
midan un cuarto de pulgada de diámetro, en promedio, y que ninguno
de ellos se aparte de las especificaciones más de un margen de tolerancia
especificado. Como no es factible medir cada uno de los cojinetes, es
necesario confiar en los resultados de una inspección por muestreo para
evitar la aceptación de embarques como elementos defectuosos.
Tabla 9-2
MUESTREO DE LOS DIAMETROS DE 565 COJINETES
Número de cojinetes en la . . .
Las cinco
Pobla- Primera Segunda Tercera Cuarta Quinta muestras
Diámetro· ción muestra muestra muestra muestra muestra combinadas
(1) (2) (3) (4) (5) (6) (7) (8)
-G 1 1 1 2
-5 4 1 2 3
-4 15 2 1 1 4
-3 38 2 1 1 4 3 11
-2 70 8 7 5 3 10 33
-1 97 9 7 12 7 11 46
O 115 12 11 11 10 6 50
1 97 9 11 10 8 7 45
2 70 5 4 6 9 4 28
3 38 1 5 1 4 4 15
4 15 4 2 3 2 11
5 4 1 1
6 1 1
Número de
cojinetes 565 50 50 50 50 50 250
Diámetro
promedio* O +0.14 +0.20 -0.18 +0.52 -0.42 +0.05
... Diferencia con respecto a la especificación técnica (de O.0250·de pulgada) en milésimas
de pulgada.
Cómo se distribuyen las medias 247
A. Distribuci6n d. valores
en la población
-6 -4 -2 o 2 6
¡.t
",
B. Distribución de valores
en una muestra
/
/ / "1'.. . . . . ~\
I \
1 : \
1 I \
~ . 1 : ~
/ <,1 , .............
--.1
/ : ' 1 '
/ I "
,,""'" ....I I II _
-6 -4 -2 O X 2 4 6
"'--Media muestral
C. Distribución de 100medias
muestrales (n=50)
-2 -1
1 2 ~'\
Media de 100muestras
Jl
Unidad: Diferencias del orden de milésimas de pulgada con respecto a las especificaciones
Fuente: Tabla 9-2 y datos correspondientes.
Figura 9~1
la media de la población y su dispersión o desviación estándar es mucho
menor que la de las curvas A o B. Si de la población se tomasen todas
las muestras posibles de 50 unidades, la distribución presentada en la curva
D sería mucho más regular (suave) y casi normal.
Al aumentar el tamaño de la muestra, la distribución de las medias
muestrales se hace aún más angosta y normal en su forma, como se ved,
más adelante. La figura 9-2 ilustra cómo las medias de muestras de una
población normal tienden a concentrarse más alrededor de la media de
DISTRIBUCIONES EN EL MUESTREO DE MEDrAS DE MUESTRAS
DE TAMA~O n = 4 Y n = 25, EN COMPARACION CON LA
DISTRIBUCION .DE UNA POBLACION NORMAL
I \.
I ,
I .,
I ,
, 1
I I
, I
ft:25 -----r ,
t
I
I
,
I I
I I
I I
1'Ii"4----...¡i.,·, "~X'\
• l
It , \
Poblaci6.n J' \,
l"".. n--........ . \~
."
"" l' \
. \\
';/~ \\:
~. I
" .~~.,'
/
'\
\ ."".
""
""'" #,. '
"'"...' . ......
Figura 9-2
.
población, a medida que aumenta el tamaño de la muestra. Las tres curvas
de la figura 9-2 tienen la misma área y todas SOn normales, pero difieren
en cuanto a su dispersión,
Conceptos importantes en el muestxeo, El experimento anterior
ilustra varios conceptos del muestreo que conviene comentar.
1. Cada una de las medias es aproximadamente (pero no exactamente)
igual a la media de la población. De las 100 muestras seleccionadas en el
estudio real (no reportado aquí en detalle), solamente 5 igualaron exacta-
mente a la población en su diámetro promedio; 53 muestras estuvieron por
encima y 42 por debajo de ese promedio.
2. Las medias de las muestras se agrupan mucho más cerca de la
media de la población que los valores originales (elementos de la pobla-
ción). Así pues, las medias que están en el último renglón de la tabla
varían solamente de -0.42 a +0.52, mientras que los diámetros (colum-
nas 1 y 2) varían de - 6 a + 6. Por tanto, la desviación estándar de las
medias muestrales es menor que la desviación estándar de los valores
originales.
250 Introducción a la inferencia estadística
(J"
(J"X=~
vn
en que (J" es la desviación estándar de X en la población y n es el tamaño
de la muestra.
Por lo tanto, en el ejemplo de los cojinetes, la desviación estándar de
la población (tabla 9-2, columna 2) es (unidad = 0.001 pulgadas) :
565
Luego, para muestras de tamaño 50, el error estándar de la media es
(J" 1.969
ax = -= = ~ = 0.278
vn y50
1.969
crx = -= = 0.124
y' 250-
s 1.81
.);' = - - = - - = O 256
.1 y-:;;' Y50 . .
~- - =
' 1 ,0 1 7
s = 2.021
249
y
2.021
sx = ~ = 0.127
y250
sea que s = =
VJ:.tx2/n . En tal caso, se usa la fórmula Sx slv n - 1 para lograr
el mismo resultado que con la fórmula anterior. Esto es así, porque combinando
ambas expresiones, Sx = V J:.tx 2jn (11 - 1) en cualquiera de los dos casos. (Se omite
t en cualquiera de las fórmulas, cuando se manejan datos no agrupados.)
254 Introducción a la inferencia estadística
n
N
1.969 ~ 50
ex = - - 1- - = 0.278 X 0.955 = 0.265
V50 565
Esto indica que hay notable concordancia entre los hechos y la teoría,
a pesar del hecho de que: 1) el tamaño de la muestra fue de solamente
256 Introducción o la interencia estadístico
INTERVALOS DE CONFIANZA
x = +0.14
~ 1-
n 1.81 50 1.81
- =- (0.955) = 0.244
565 7.07
#J
I
Muestra ,I, X
1 I I
X
4 1
PROPORCIONES
~
· 0 . 2 0 X 0.80 100
er
p.
= 100 ~l 500
= 0.04 X 0.9 = 0.036 ó 3.6%
.... / pSnqs
s" = "
j 0.55 X 0.45
" 400
= 0.0249 (redondeado a 0.025)
La media
La relación entre la precisión de la media muestral y el tamaño
de la muestra es
U
ux =--=
vn
para simplificar, se hace caso omiso de la conexion por población finita.
Para estimar el tamaño de n, se siguen tres etapas:
1. Determinar qué tan pequeño debe ser el error estándar de la media crx,
para obtener la precisión deseada. La precisión dependerá del uso que
se quiera dar a los datos.
2. Tomar una muestra aleatoria de cualquier tamaño conveniente y calcu-
lar la desviación estándar de esa muestra como un estimador de u, la
desviación estándar de la población.
3. Sustituir en la ecuación anterior tanto el valor deseado de crx como
la u estimada en la muestra, y de ahí despejan el valor de n. El tamaño
de muestra resultante dará la precisión deseada. Si de acuerdo con ese
valor de n se toma una muestra más grande, se puede usar su desviación
estándar como una estimación revisada dee y, Eor lo tanto, de crx.
El tamaño de la población puede pasarse por alto generalmente como
ya hemos comentado. Sin embargo, si la muestra representa más del 5%
de la población, deberá aplicarse a esa fórmula la corrección para pobla-
ciones finitas.
Por ejemplo, suponga que se desea estimar la media de la población
de los diámetros de los cojinetes dentro de un límite de 0.3, milésimas de
pulgada y con un nivel de confianza del 99% (es decir que 2.58crx = 0.3
milésimas). Tome una muestra de tamaño conveniente y calcule s como
una estimación de u. Por ejemplo, si se toma la muestra número 1 de la
tabla 9-2, se tiene que n = 50 Y s = 1.81. Primeramente se determinará
crx, así:
2.58crx = 0.3 o sea
0.3
O'Y
.,
=- - = 0.116.
2.58
Ahora, sustituya estos valores en la ecuación crx= 0'/ v--:;;' para despejar
el valor de n:
1.81
O.116 = -:::::-
vn
Despejando
vn~ =~=
1.81
0.116
15.6
¿Cuáldebe ser el tamaño de una muestra? 265
n = (15.6) 2 = Z44.
Por lo tanto, se deberá tomar una muestra de 244 cojinetes (incluyen-
do los 50 originales). En realidad, en este ejemplo no sería necesario un
tamaño de muestra tan grande, ya que 244 unidades representan una parte
significativa de la población total de 565 piezas, y se debe utilizar la correc-
ción para poblaciones finitas. Si por el contrario la muestra se extrae de
una población muy grande, podemos omitir esa corrección.
El costo de una investigación incluye un factor constante (gastos fijos,
diseño del proyecto, etcétera) y un factor variable (un tanto por unidad
muestreada). Suponga que cuesta $300 diseñar la inspección de los coji-
netes y $1.00 por cada medición que se efectúe, Por lo tanto, el costo C(n)
total, será:
C(n) = 300 + In
n s-v*
x Costo
50 o 0.256 $350
250 o o' '0' •••• ·Q127 $550
* En milésimas de pulgada.
Proporciones
Para reducir el error estándar a cualquier nivel deseado, se puede calcu-
lar el tamaño de una muestra aleatoria simple necesario para una propor-
ción, en la misma forma en que se estimó para la media. Suponga que se
266 Introducción a la inferencia estadística
Elevando al cuadrado,
n = 620
RESUMEN
PROBLEMAS
2. Explique:
a) Cómo minimizar el sesgo en el muestreo.
b) El concepto de proporción como un caso especial de la media.
e) La relación existente entre la distribución de proporciones y la distribución
normal.
d) El intervalo de confianza del 90% para una proporción.
270 Introducción a la inferencia estadistica
a) Cuando se ajusta una máquina ésta produce partes cuyo diámetro está
normalmente distribuido; el diámetro medio es de 0.300 de pulgada y hay
una desviación estándar de .04·0 de pulgada. Si la máquina está ajustada,
¿ cuál es la probabilidad de que el valor medio de una muestra aleatoria
de cuatro partes sea de entre 0.290 y 0.304 de pulgada?
b) ¿ Qué sucede con el error estándar de la media si se aumenta el tamaño
de la muestra de 4 a 16?
6. Se sabe que una población tiene una media p. = 85 Y una desviación estándar
<ro = 15.
a) ¿ Cuál es la probabilidad de que la media de una muestra de tamaño 36
esté en el intervalo de 83 a 87?
b) ¿ Cuál es la probabilidad de que la media de una muestra de tamaño 81
quede en el intervalo de 83 a 87?
e) ¿Qué tan grande debe ser la muestra para tener una seguridad del 95
por ciento de que la media de la muestra quedará en el intervalo de
83 a 87?
11. Cierta compañía internacional emplea a 400 ejecutivos. Se toma una muestra
de 36 de ellos con objeto de estimar la edad promedio de todos los ejecutivos.
Los resultados de la muestra son: X = 51.0 Ys = 4.0 años. Calcule un inter-
valo con el 99% de confianza para la edad promedio de todos los ejecutivos
de esa empresa.
12. Una muestra aleatoria de 324 ventas realizada durante el año en una tienda
de departamentos tiene una media de $10.50 y una. desviación estándar de
$2.70. No se conoce el número total de ventas.
a) Determine un intervalo dc confianza del 95% para el tamaño promedio
de todas las ventas realizadas en el año.
b) Establezca u n intervalo de confianza del sor;{¡ para resolver el punto (a).
13. Una muestra aleatoria de 225 órdenes de un envío recibido por una empresa
tiene un importante promedio de $12.74, y una desviación estándar de $2A5.
Establezca un intervalo del 95% de confianza para el importe promedio de
todas las órdenes recibidas en ese envío. (Hay 625 órdenes en total.)
14. ¿ Qué tamaño de muestra será necesario para estimar el promedio de vida
de un nuevo tipo de lámpara incandescente con un margen de 24 horas, si
se desea aceptar un riesgo no mayor de 1 a 20 de no estar en lo correcto? La
desviación estándar de la vida útil de esas lámparas se estima en 200 horas.
7 a)
270 Introducción a la inferencia estadistica
5. a) Cuando se ajusta una máquina ésta produce partes cuyo diámetro está
normalmente distribuido; el diámetro medio es de 0.300 de pulgada y hay
una desviación estándar de .0+0 de pulgada. Si la máquina está ajustada,
¿ cuál es la probabilidad de que el valor medio de una muestra aleatoria
de cuatro partes sea de entre 0.290 y 0.304 de pulgada?
b) ¿ Qué sucede con el error estándar de la media si se aumenta el tamaño
de la muestra de 4 a 16?
6. Se sabe que una población tiene una media IL = 85 Y una desviación estándar
(j". = 15.
a) ¿ Cuál es la probabilidad de que la media de una muestra de tamaño 36
esté en el intervalo de 83 a 87?
b) ¿ Cuál es la probabilidad de que la media de una muestra de tamaño 81
quede en el intervalo de 83 a 87?
e) ¿Qué tan grande debe ser la muestra para tener una seguridad de! 95
por ciento de que la media de la muestra quedará en el intervalo de
83 a 87?
11. Cierta compañía internacional emplea a 400 ejecutivos. Se toma una muestra
de 36 de ellos con objeto de estimar la edad promedio de todos los ejecutivos.
Los resultados de la muestra son: X = .51.0 Y s = 4.0 años. Calcule un inter-
valo con el 99% de confianza para la edad promedio de todos los ejecutivos
de esa empresa.
12. Una muestra aleatoria de 324 ventas realizada durante el año en una tienda
de departamentos tiene una media de $10.50 Y una desviación estándar de
$2.'10. Nq se conoce el número total de ventas.
a) Determine Un intervalo de confianza del 95% para el tamaño promedio
de todas las ventas realizadas en el año.
b) Establezca un intervalo de confianza del 80% para resolver el punto (a).
13. Una muestra aleatoria de 225 órdenes de un envío recibido por una empresa
tiene un importante promedio de $ J 2. '1 4, y una desviación estándar de $2.45.
Establezca un intervalo del 95% de confianza para el importe promedio de
todas las órdenes recibidas en ese envío. (Hay 625 órdenes en total.)
14. ¿ Qué tamaño de muestra será necesario para estimar el promedio de vida
de un nuevo tipo de lámpara incandescente con un margen de 24 horas, si
se desea aceptar un riesgo 110 mayor de I a 20 de 110 estar en 10 correcto? La
desviación estándar de la vida útil de esas lámparas se estima en 200 horas.
planea una encuesta para determinar los gastos médicos familiares anuales
empleados de una compañia con una precisión de a.1 nivel de
confianza del 90%. Un estudio piloto proporciona una de $334
desviación estándar de los gastos médicos. ¿ Cuán grande debe ser
aleatoria para (,btener una estimación con t:l precisión .n ecesaria?
26. Se planea una encuesta para medir la cantidad de tiempo que los
miran la televisión. Un chequeo preliminar indica que el tiempo promedio
por semana es cerca de 15 horas con una desviación estándar de 5
Se desea estimar el tiempo promedio por semana con una precisión de
hora, al nivel de confianza del 99%.
a) Si el costo de administración de la encuesta es de $500, más $10
entrevista, ¿ cuál es el costo total que se debe presupuestar para la
cuesta?
b) Después de completar la encuesta, se encuentra que la media es
horas y la desviación estándar de 6 horas. ¿ Qué costo adicional
que hay alguno) debe presupuestarse, excluyendo la administración,
conseguir una estimación revisada del tiempo promedio, a la luz de
nueva información?
30. Un distribuidor de televisores encuentra que cerca del 22% de los clientes
potenciales que entran a su tienda compran un televisor. Al trasladarse a otra
ciudad, desea estimar este porcentaje para su nuevo establecimiento con una
precisión de ±4%, al nivel de confianza del 90%. ¿Cuántas observaciones
debe hacer?
Un productor de agua mineral que entra a una nueva zona desea estimar
el número de consumidores que prefieren comprar agua mineral enlatada.
Una firma consultora conviene en realizar una encuesta de compradores de
agua mineral por $2,000, más $4· por entrevista. Suponga como hipótesis que
p = 0.50, y que se trata de una muestra aleatoria simple.
Ejemplo
Consideremos un ejemplo específico: obviamente, en la producción
de hojas de rasurar es importante el ancho de cada una de ellas. Alguna
variación en esta dimensión se debe a diversas pequeñas causas que afec-
tan al proceso de producción. Pero aun así, el ancho promedio debe
satisfacer ciertas especificaciones. Suponga que el proceso de producción
para una marca de hojas de rasurar se ha ajustado p~ra producirlas con
un ancho promedio de 0.700 de pulgada. El proceso de producción ha
estado funcionando durante algún tiempo, desde que las máquinas cor-
277
278 Pruebasde hipótesis
n = 100
X =. 0.7005 de pulgada
s = 0.Ql0 de pulgada
s 0.010
s" = ---=..= _ = 0.001 de pulgada
vn V 100
La diferencia entre la media hipotética y la media muestral observada
es de 0.0005 de pulgada y el error estándar de la media es de 0.001 de pul-
gada, por lo tanto, dicha diferencia es igual a 0.5 errores estándar. Con-
sultando el Apéndice D, encontramos que el área con este intervalo alre-
dedor de la media de la curva normal es 0.19 X 2 = 38%, lo que significa
que 100 - 38 = 62% del total del área queda fuera del intervalo susodicho
(vea las líneas punteadas de la figura 10-1). Por lo tanto, si la ver-
dadera media fuera 0.700 de pulgada, de todos modos deberíamos esperar
encontrar alrededor del 62% de todas las medias muestrales posibles, que
se alejarían 0.5.sx o más de esa media, por puro azar. Por lo tanto, hay
una probabilidad del 62% de que la media de esa muestra particular
esté tan alejada de la media poblaciona1.
.701 .703
Figura 10·1
s 0.010
r = - = - - = 0001 de pulgada
.,¡n V 100 .
La diferencia entre la media hipotética y la media muestral observada
es de 0.0005 de pulgada y el error estándar de la media es de 0.001 de pul-
gada, por lo tanto, dicha diferencia es igual a 0.5 errores estándar. Con-
sultando el Apéndice D, encontramos que el área con este intervalo alre-
dedor de la media de la curva normal es 0.19 X 2 = 38%, lo que significa
que 100 - 38 = 62% del total del área queda fuera del intervalo susodicho
(vea las líneas punteadas de la figura 10-1). Por lo tanto, si la ver-
dadera media fuera 0.700 de pulgada, de todos modos deberíamos esperar
encontrar alrededor del 62% de todas las medias muestrales posibles, que
se alejarían O.5sT o más de esa media, por puro azar. Por lo tanto, hay
una probabilidad del 62% de que la media de esa muestra particular
esté tan alejada de la media poblacional.
.697
Figura 10·1
Es lógico que surja la pregunta: ¿ cuál debe ser el valor crítico selec-
cionado para la probabilidad de obtener la diferencia observada al azar
{z = (X - !J.h) I «r}, por arriba del cual aceptaríamos la hipótesis y por
debajo del cual la rechazaríamos? Este valor se denomina probabilidad
crítica o nivel de significación y se denota por a (alfa). La respuesta a esta
pregunta no es sencilla, y el explorarla nos llevará a penetrar con mayor
profundidad en la naturaleza lógica de la inferencia estadística.
Pueden presentarse cuatro situaciones cuando probamos una hipóte-
sis. Podemos equivocarnos, porque:
1. rechazamos una hipótesis cierta (un error de tipo 1), o
2. aceptamos una hipótesis falsa (un error de tipo 1I).
O podemos estar en lo cierto, porque:
3. aceptamos una hipótesis cierta, o
4. rechazamos una hipótesis falsa.
Los tipos de errores posibles, indicados con 1 y 2, respectivamente, se
conocen como error de tipo 1 y error de tipo II o como error de primera
clase y error de segunda clase.
Errores tipo I
En un gran número de casos en los que la hipótesis es de hecho ver-
dadera (aunque no lo sabemos, ya que en caso de saberlo no habría
necesidad de probarla), necesariamente o estaríamos equivocados como
en 1 o estaríamos en lo cierto como en 3. Esto quiere decir que de come-
ter éste tendría que ser del tipo 1 (rechazar una hipótesis cierta). Suponga
que adoptáramos el nivel del 5% como la probabilidad crítica, aceptando
así la hipótesis cuando la probabilidad de obtener la diferencia observada
a causa del azar exceda del 5% y rechazando la hipótesis cuando esta
probabilidad sea menor del 5%. Esto equivale a la decisión de aceptar
la hipótesis cuando la discrepancia COn respecto a la media muestral es
menor de 1.96 errores estándar (es decir, z < z,,) y de rechazar la hipótesis
cuando esa discrepancia sea mayor de 1.96 errores estándar. Usando este
valor como la probabilidad crítica, esperaríamos cometer un error del tipo
1 al 5% de las veces. Este se debe a que aun cuando la hipótesis sea cierta,
el 5% de todas las medias muestrales posibles quedará más lejos de 1.96
errores estándar de la medió. poblacional, Y siempre que por producto
del azar encontremos una de estas medias muestrales y la hipótesis sea
cierta, cometeremos el error de rechazar una hipótesis cierta.
O podríamos escoger el 1% de probabilidad crítica, que correspondería
a una discrepancia entre la media hipotética y la media muestral de
2.58 errores estándar. Cuando la hipótesis es cierta, solamente el 1% de
todas las medias muestrales posibles quedarían más allá de 2.58 errores
Errores de tipo 1 y tipo JI 283
Errores. de tipo 11
Hasta ahora solamente nos hemos preocupado por el primer tipo de
error. Pero también existe una segunda clase de error posible, el de acep-
tar una hipótesis falsa. Mientras menor es el valor que fijamos para la
probabilidad crítica, en general, menos son las hipótesis que resultan re-
chazadas. Pero entonces aumentan las oportunidades de aceptar. hipó-
tesis que son falsas. Podemos ganar seguridad en una dirección sólo a
expensas de perderla en otra.
Desafortunadamente, es imposible predecir con carácter general el
porcentaje de veces en que se espera incurrir en un error de tipo Il, en
base al valor particular que se haya elegido para la probabilidad crítica.
La razón de esto es que la posibilidad de aceptar una hipótesis falsa de-
pende también del sentido en que sea falsa la hipótesis particular que se
está considerando. Recuerde que las medias muestrales tienden a agru-
parse alrededor de la media verdadera de la población donde se han
extraído esas muestras. Si la media hipotética se aleja demasiado de la
media verdadera, es poco probable que obtengamos una media muestral
que parezca congruente con la hipótesis. Si la media hipotética es falsa
pero no incongruente, es mucho más probable que se cometa un error
de tipo n.
En una gran cantidad de casos en los que la hipótesis es realmente
falsa, algunas se encontrarán más alejadas de la media verdadera que
otras. Por lo tanto, es imposible predecir --en general- la probabilidad
de aceptación de hipótesis falsas. Sin embargo, se observa que las pro-
babilidades de aceptar hipótesis falsas aumentan a medida que se re-
chazan menos hipótesis, debido a que se ha fijado un valor más bajo
para la probabilidad crítica. Más adelante, se analiza el problema de cómo
lograr un equilibrio entre el error de tipo 1 .y el de tipo n.
Curvas características de operación. La probabilidad exacta de
cometer un error del tipo II depende de cuán lejos se encuentre la ver-
dadera medida JI, de la población de la media hipotética ¡Lh. Esto se puede
ilustrar mejor por medio de una curva característica de operación o
curva OC, tal como la que se presenta en la figura 10-2.
La escala vertical de la figura 10-2 muestra la probabilidad de co-
meter un error de tipo II (o sea, de aceptar una hipótesis que es falsa).
La escala horizontal muestra todos los valores posibles de la verdadera me-
dia de la población, en relación a la media hipotética ¡Lh. Así, si la media
verdadera fuera un error estándar menor que ¡Lh, estaría en el punto
-lox en el eje horizontal. La sección A representa el uso de la probabi-
lidad crítica de 0.05 y la sección B una probabilidad crítica de 0.01.
En cualquiera de estos casos se puede calcular la probabilidad de cometer
un error de tipo rr para cualquier valor posible de la media verdadera.
Así, en la figura 10-2 A, si la media verdadera estuviera situada a tres
errores estándar a la izquierda de la media hipotética (- 3u Ix), la pro-
babilidad de un error de tipo n sería de 0.15, como se puede observar
Erroresde tipo 1 y tipo II 285
A
Probabilidad de un
error de lipo II:
aceptación de la
hip6tesis
l.OOr---------------r-------------,
Probabilidad de un
Probabilidad critica- .05 error de tipo 1- .05
.90
.eo
.70
.60
.50
.40'
.30
.20
.10
B
Probabilidad deun
errorde tipo II:
aceptación de la
hipótesis
1.00 r----------::::;:::::::::f:;;::::::::::::::-;;;:::¡::¡:;¡;:;::¡-:;:-:::----'----,
Probabilidad de un
errorde tipo J -=.01
.90 Probabilidad critica - .01
.80
.70
.60
.50
.10
-4fr
t -3crjt -2crt -lcrj J.lh +1"X +2crj +300¡ +4crj
Posición posible de la media verdadera p.en relación a p.h
pancia tan grande como la observada, o mayor, sumando los dos "extre-
mos" de una distribución muestral situadas más allá del número de erro-
res estándar elegido para la diferencia (X - jLh). Se dice que ésta es una
"prueba en ambas direcciones" o una "prueba de dos extremos" o "colas".
Pruebas de un extremo
En otros casos, podría ser apropiado probar en una dirección única-
mente, esto es, probar lo que se puede denominar una hipótesis multi-
valuada (o hipótesis compuesta).
Si nos interesara la resistencia de cuerdas de paracaídas, no nos pre-
ocuparían las que fueran demasiado resistentes; nos preocuparían sola-
mente aquellas que fueran demasiado frágiles. Si para efectos de segu-
ridad se hubiera previsto que tuvieran, por ejemplo un punto de ruptura
de 1,000 libras, nos interesaría probar la hipótesis de que la verdadera
media poblacional fuera de 1,000 libras o mayor.
Si como resultado del azar extrajéramos una muestra cuya media
fuera mayor de 1,000 libras, inmediatamente se aceptaría como congruen-
te con la hipótesis. Solamente si X fuera menor que 1,000 libras se
impondría que nos preguntáramos respecto a la validez de la hipótesis.
Entonces sería apropiado preguntar, si la media de la población fuera
realmente de 1,000 libras o aún mayor, ¿ cuál es la probabilidad de ob-
tener por azar una media muestral menor a las 1,000 libras por un margen
tan amplio como el que hemos observado? Esto quiere decir, que el signo
particular observado en esa diferencia tiene ahora un significado im-
portante en referencia a la falsedad o veracidad de la hipótesis que se ha
formulado. En este caso, lo apropiado es probar solamente en una· direc-
ción, esto es, en términos de la probabilidad de obtener por azar una
media muestral menor alas 1,000 libras por un margen igualo mayor
que el observado.
Se efectúa un cambio, importante cuando aplicamos una prueba de
un extremo en vez de una prueba de dos extremos, en el múltiplo del
error estándar que corresponde a una probabilidad crítica dada. En una
prueba de dos extremos, 1.96crx corresponde al 5% de probabilidad crí-
tica, mientras que 1.65 es el múltiplo del error estándar asociado con el
5% en una prueba de un extremo. Cuando probamos en ambas direc-
ciones, 2.58ox se asocia con el 1% de probabilidad crítica; pero al probar
en una dirección únicamente, la combinación similar es de 2.33crx y 1 %.
Esto se puede leer en el Apéndice D para varias áreas bajo la curva
normal.
Para un 5%. de probabilidad crítica en una prueba de dos extremos
y de un extremo, respectivamente, vea la figura 10-3.
Figura 10-3
AREAS DE RECHAZO: 5% DE PROBABILIDAD CRITICA
mada cada una de una población diferente. ¿ Esta diferencia debe tomarse
como significativa de una diferencia real entre las medias verdaderas
de las poblaciones correspondientes?
Para resolver este problema es necesario introducir el concepto de
una nueva distribución muestral, la distribución muestral de diferencias
entre medias. Podemos pensar en esta distribución como formada de la
siguiente manera.
Con base en un muestreo aleatorio de dos poblaciones separadas, se
formarían las distribuciones muestrales de las medias aritméticas Xl y
X 2 • Cada una de estas distribuciones muestrales es del mismo tipo que
hemos estado analizando.
Ahora imaginemos que tomamos al azar una media de cada una de
estas distribuciones muestrales y que Se anota la diferencia entre este
par de medias muestrales. Luego se selecciona al azar un segundo par de
medias muestrales, cada una a partir de su propia distribución muestra!.
La diferencia entre las medias de este segundo par casi seguramente será
diferente de la encontrada entre las medias del primer par, debido sola-
mente al azar. Podemos imaginar que este proceso se efectúa repeti-
damente. Entonces tendríamos un número infinitamente grande de valores
que representan las diferencias entre todos los posibles pares de medias
muestrales que se podrían tomar al azar de sus respectivas poblaciones.
Estas diferencias formarían una distribución teórica conocida como la
distribución muestral de la diferencia entre dos medias.
Se sabe lo siguiente acerca de esta nueva distribución:
1. De acuerdo con el teorema del límite central, la distribución muestral
de las diferencias tiende a ser normal; esto quiere decir que la variable
"diferencia.centre los pares de medias muestrales" estará distribuido
normalmente, siempre que el tamaño de la muestra sea grande.
2. La media de la distribución de diferencia será la diferencia verdadera
que hay entre las medias poblacionales (¡.L1 -. !L2). O sea, que la dife-
rencia muestral (Xl - X2) es un estimador no sesgado de la diferen-
Diferenciasentre medias aritméticas 291
nI = 100 n2 = 144
Xl = 37.4 miles de kilómetros X2 = 36.8 miles de kilómetros
SI = 5.1 miles de kilómetros S2 = 4.8 miles de kilómetros
La hipótesis nula
La forma para resolver este problema es la de formular y efectuar
una. prueba denominada "hipótesis nula". Esto ,significa que formulamos
la hipótesis de que no existe diferencia entre los kilometrajes recorridos
por la marca 1 y por la marca 2, y entonces procedemos a probar esa
hipótesis en base a la evidencia que proporcionen las muestras.
La hipótesis nula establece que la media de III distribución muestral
de diferencias es igual a cero. Esto se debe a que la media de la distri-
bución muestral de diferencias es (!Ll - !L2), Y la hipótesis es que no
existe diferencia entre estas dos medias poblacionales.
La diferencia observada (de 0.6 miles de kilómetros) entre las dos
medias de dos muestras al azar es, en efecto, una observación hecha
aleatoriamente en la distribución muestral de diferencias posibles entre
todos los pares de medias de muestras aleatorias. Por lo tanto, podemos
formular la pregunta: Si la media de la distribución muestral de dife-
rencias fuera realmente igual a cero, ¿ cuál es la probabilidad de que
encontremos una diferencia entre dos medias muestrales de 0.6 o aún
mayor?
Ya que la distribución muestral de la que proviene ese valor de 0.6
tiende a ser normal, podremos contestar esta pregunta al saber cuál es el
valor del error estándar de la diferencia entre las medias. Esto se calcula
a partir de la fórmula básica s x = si V-:;:
como SIgue:
5.1 4.8
sx = --.- = 0.51 sx., = . ~= 0.40
1 y 100 . y144
Vs=-X, +-s:J".\2
V (0.51)2 + (0.40)2
V 0.4201
Diferenciasentre medias aritméticas 293
= JO.50 X 0.50
., 400
= 0.025 ó 2.5%
Suponga que la proporción de clientes que favorecen el autoservicio
resulta ser 0.55, entonces la diferencia entre la proporción muestral (P.)
y la proporción hipotética (PI» es 0.05. En términos de múltiplos del error
estándar, eso es
296 Pruebas de hipótesis
0.025
Sólo el 2.3% del área bajo la curva normal se encuentra sobre el 50%
por más de dos errores estándar en la dirección de ese extremo (véase el
Apéndice D). Por lo tanto, la probabilidad es de sólo 2.3% de que una pro-
porción tan grande ocurra al azar si la verdadera proporción no fuera
mayor que 0.50. Debemos tomar nuestra decisión de acuerdo con lo tratado
anteriormente. Pero la probabilidad del 2.3% de que sólo por azar se
había obtenido esta evidencia, es ciertamente muy poca probabilidad. Por
lo tanto, ae indica una conclusión en el sentido de que la verdadera propor-
ción poblacional para la cadena regional es mayor que 0.50.
0.40 - 0.30
-------
0.0675
1.48
NClmero de subgrupo
2 4 6 8 10 12 14 16 18 20 22 24 26 28
Figura 10·4
Fracción defectuosa
P LCS=O.081
.08
.06
.02
LCI=O
2 10 12 14 16 18 24
Número de lote
Figura 10-5
Resumen 301
RESUMEN
5 % ; 1.96 1.65
1 % 2.58 2.33
También podemos probar si la diferencia entre dos medias muestrales
significa una diferencia real entre las medias de población o si la diferencia
observada se debe meramente al azar. Para hacerlo se calcula el error
estándar de la diferencia (teóricamente, la desviación estándar de una
distribución de diferencias entre muchos pares de medias muestrales), en
base a los errores estándar de las medias individuales. Entonces podemos
probar la hipótesis nula (de que no existe diferencia entre las medias pobla-
cionales) expresando la diferencia entre las medias muestrales en relación
a su error estándar. Si esta razón es pequeña, aceptamos la hipótesis nula;
de otra manera la rechazamos, dependiendo de la probabilidad de que la
diferencia se pueda deber al azar (del Apéndice D), y equilibrando las
consecuencias de incurrir en los errores de tipo 1 y de tipo n, tal como
antes. También podemos establecer un intervalo de confianza alrededor
de la diferencia entre las medidas muestrales, basado en su error estándar
tal como se hizo con anterioridad.
Las pruebas de hipótesis se pueden aplicar a las proporciones calculando
1
el error estándar en base a la proporción hipotética Ph. Luego la desvia-
1
ción de la proporción muestral de ese valor (Ps - Ph) se divide entre el
S
error estándar para determinar si es suficientemente grande para ser sig-
nificativo. En esa forma, si la desviación estandarizada es 1.96 o más (en
una prueba de dos extremos), es significativa al nivel de probabilidad
crítico del 5%, y así sucesivamente (Apéndice D).
También podemos probar si la diferencia entre dos proporciones (PSI -
PS2) es significativa dividiendo la diferencia entre su error estándar, donde
Sp2 _p
SI
8 12
= 'p2 + 'p2 Si esta diferencia estandarizada es 1.96 o más, es sig-
81 8;2
nificativa al nivel del 5%, etcétera, igual que antes. Cuando probamos la
hipótesis nula de que no hay diferencia entre Pt y P2' utilizamos el valor
promedio de las proporciones muestrales, ponderándolas conforme al
tamaño de las dos muestras, para calcular el error estándar de la dife-
rencia.
El control de calidad estadístico es una aplicación de la prueba de
hipótesis en la industria. Se usan diagramas de control para separar la
variación fortuita normal de la variación asignable (atribuible a causas
no aleatorias) de manera que esta última se pueda reconocer de inme-
diato y remediarla.
El diagrama X para variable se utiliza para controlar el valor pro-
medio o "nivel" de una característica. En un diagrama x: se dibujan
líneas horizontales en la media estimada de población dibujada en la
escala vertical y en los límites de control 30x por arriba y por abajo de la
media. Se grafican los promedios de los subgrupos a intervalos iguales
a lo largo del eje horizontal.
104 Pruebas de hipótesis
Casi todos los puntos deberían quedar dentro de los límites de control
de un diagrama X si la única variación presente fuera la fortuita. Si un
punto queda fuera de los límites o si cerca de siete o más puntos consecu-
tivos quedan en un solo lado de la línea central o si muestran una tenden-
cia hacia arriba o hacia abajo, es que probablemente hay presente una
variación asignable. La cual debe corregirse prontamente.
El ejemplo del disco de cerámica ilustra cómo interpretar un diagrama
de control y si es necesario, revisar los límites. El control 'de atributos se
puede conseguir a través del uso de diagramas p para la proporción de
unidades que están defectuosas. Esos diagramas se construyen e inter-
pretan en forma similar a los diagramas de control para variables.
PROBLEMAS
1. Establezca la diferencia entre:
a) Pruebas de hipótesis e intervalos de confianza.
b) Errores de tipo 1 y de tipo II.
t) Cómo encontrar la probabilidad asociada al error de tipo 1 y de tipo II
a partir de una curva característica de operación.
d) Pruebas de uno y de dos extremos.•
e) El uso de las pruebas de hipótesis para tomar decisiones y para presentar
reportes.
2. Explique
a) Cómo probar la hipótesis de que una proporción muestral de 0.45 es sig-
nificativamente menor que 0.50.
bo) La hipótesis nula para la diferencia entre dos proporciones muestrales,
e) Cómo determinar si un proceso es capaz o no de cumplir especificaciones
en el control de calidad.
3. Distinga entre:
a) Variación fortuita y variación asignable en el control de calidad.
b) Diagramas X para variables y diagramas p para atributos.
e) Dos situaciones en las cuales el patrón de puntos en un diagrama de con-
trol indicaría que hay algún problema aunque ninguno de esos puntos
quede fuera de los límites de control.
4. Una muestra aleatoria de 144 ladrillos para construcción tiene un peso medio
de 6.9 libras y una desviación estándar de 0.3 libras. ¿ Es probable que esta
muestra venga de una ladrillería que produzca ladrillos con un peso promedio
de 7 libras?
5. Una cadena de tiendas de abarrotes adopta la política de entregar billetes de
premio (del tipo de bonos) en todas las compras. Antes de iniciar este sistema,
las ventas promediaron $16.00 por cliente durante el año pasado, con una
desviación estándar de $4.80. Al finalizar el período de prueba con este nuevo
sistema, se efectuó una prueba aleatoria con 400 clientes y se obtuvo un
promedio de ventas por cliente de $16.80. Diga si el sistema de billetes de
obsequio ha incrementado el promedio de ventas.
6. Cuando una máquina está ajustada, debe producir piezas cuyo diámetro pro-
medio es de 0.300 de pulgada con una desviación estándar de 0.012 de pul-
gada. Se analizaron 36 piezas escogidas al azar y se observó un diámetro
Resumen 305
Tl"t o rn cdiD de 0. 303 de pu lgada . !\ su jU 1C1G ¿ :'le e ncuen tran las m áqui n as
todn.vía a j ustadas ? E xp liq ue el p orq u é.
Se d ise ñó una herram ie nta ne um át ica q ue d(~be func ionar a una presió n
de 20 ki los p or ce n tíme t ro c ua d rado. S in e m ba rgo, se recibreron
qu ej as de que la presión necesari a para hace r func ionar d icha herrami enta
supe raba l os 20 ki los por ce n rimct ro cuad rada es tán da r. Pa ra ver ific ar e st a s
rec la m a ciones se to ma ro n 4 0 herramie ntas dc la linea d e p ro du cc ión y se
re visó la p re sión necesa ria pa ra el fun cion a mien to d e ca d a una d e ellas b aj o
306 Pruebas de hipótesis
17. Un agente de com p ra s para u n fab ricante de eq uipo eléctrico desea comp arar
el espe sor promedio d e d os em barq ues de ta b lilla de a isla m ien to de Ys de
p ulgada, q ue co ns iste en 200 hojas que se acaba n d e re cibir del proveed or
A y 200 h ojas del proveedor B. Es ta tablilla se utiliza en la fa bricació n d e
tran sformadores de p otenc ia . El espe sor es la prin cipal ca rac terí sti ca que in flu ye
en la calidad d e la tablill a y, por consiguient e, la cal idad del t ran sformador .
Se han m ed id o to da s la s h oja s co n un micróm et ro de O a 1 p ulgad a , con los
sigu ien tes resu ltados, en mi lésim a s de p ulgad a:
Supon iendo q ue eso s lo tes son m ues tras aleatorias de la p roducción de cada
provee dor, ¿ in dica esta prue ba q ue el p ro ducto de B es su perio r en espesor?,
¿ se de be la di ferencia a l error de m ue streo? M uestre los cálcu los y explique
su re sp uesta .
Se est á co ntrola nd o el tiempo ne ce sa rio p a ra que las cajeras de spa ch en a los
cl ien tes en un su permercado. Pa ra u n a muestra de 36 cli entes en cad a c aj a ,
Mar ía emplea u n p ro med io d e 6 minutos con un a d esvi ación estánd ar de 3
min utos m ientra s que J ua na em plea un promedi o de 8 minu tos co n una d es-
viación es tá n dar de 5 min utos. Diga si la d iferen ci a en el tiempo promed io
emp lea do po r la s do s much ach a s es significa tivo a u n n ivel del 5 %. (Use
u na p rueba d e d os ex trernos.)
U na com pañía d e caf é está p rob a nd o do s nuevos envases para su ca fé in st a n-
táneo. Se eli gieron 200 tien d as d e abarrotes; en 100 de ella s se colocó un t ip o
de envase y en las 100 restantes el otro . El vo lumen m ensua l de ven tas
d e los en va ses n ue vos se ex p resó en form a de porcentaje de la s ventas m en o
su a les de los m eses a nterio res. Se llevó u n registro para cad a ti en d a . Para
el en va se A, el a um en to de l prom ed io de vent as fue d el 3% con una d es-
via ción está nd a r de l 20% . Pa ra el envase B, el a u m en to d el p rom ed io de
ve ntas fue d e 8% con u na desv iación está nda r de 24%.
a ) ¿ Existen prue bas sign ificativas de q ue el in crem ento en el promedio de
ventas del e nva se A sea mayor d e O% ?
b ) ¿ Ex iste n p ru ebas sign ificativas de que el in crem en to en el promedio de
ventas del envase B sea mayor d e O% ?
e) ¿ Existe u na diferen cia sign ificativa en tre la s m ed ias muestrales?
~l = 10 0 =
!!.2 144
Xl = 9.36 m inu to s X 2 = 9.00 minu to s
SI = 0.8 3 m inutos S2 = 1.20 m inu tos
.~-:
] 08 Pruebas de hipó tesis
1 8 7 1
2 5 3 2
3 6 7 -J.
4· 9 9 O
s J. 2 -1
6 4- 2 2
7 Si Si O
8 8 () 2
9 7 4- 3
10 5 6 - 1
11 2 1 1
12 2 2 O
13 1 O Í
14- 6 7 -1
15 5 4- 1
16 3 3 O
17 6 6 O
18 6 5 1
19 4- S - 1
20 3 1 2
21 6 6 O
22 5 4- 1
23 4- 4- O
24- S 5 O
25 4- 3 1
26 3 5 - 2
27 1- 3 1
28 8 9 - 1
29 8 5 3
:W 4- 3
T o tal 147 13T -1- 15
M ed ia 4.90 4-.40 0.5-
S UHl a de cua d ra d os 849 726 5". )
L a ge re n cIa s¿J.b ía qu e h a b ría d ife ren c ia s entre ambas eval uacion es, pero
desea ba qu e 'los age ntes de c réd ito diesen la mism a evaluaci ón en promedio.
el ) U sa n d o las ev a luaci o ne s de a rribos a g entes para los 30 cli en tes COnH) muest ra s
se p a ra das, prueb e la h ip ó tesis de que no h ay d iferencia e n s us eval uaciones,
en ·p :t o111edio. t: E xiste un a d ifere nc ia sig n ifica tiva ?
Problemas ]09
23. Un su perviso r de prod u cció n d ese a esti ma, e l p or cen t a j e d e tiern no oc ioso d e
u na m áq ui na d eb id o a desco m p ostu r as, dem ora s, et cétera. P uesto q ue ser ia difí-
c il manten er r cg ixtros p r ec isos, se es table ci ó u n proce d im ie nt o d e m u es t reo, E n
'c"'a Icrma , e l esta d o d e la máq uin a Jo rev isó el su p er visor en un p erio d o d¿:
c ua tro semanas e n for m a a le a to r ia (o sea , los t iern pox f UCnJI1 se leccionados
d e anteman o u tiliza n d o u n a tabla d e n úm eros a lea t or ios }, Este p rocedimie n to se
conoc e como m uest re o del t raba jo . S e h ic iero n e n total 30 0 cheq ueos a la m á-
q ui lla, y en 24· de e llo s la m áq u in a esta ba oci osa.
a) E st im e el p o rc e n taje d e t iempo ocioso en la m áq ui n a y c a lc u le un in te rva lo-
d e con fianza d el 90 % a lred ed or d e la est im a ción .
b ) D ete rm in e si el porcen taje d e t iempo oc ioso es sig n ifi cativam ente men or qu e
el 10 tj~ .
'.24. E n u n a e n c uesta de pref eren c ia d e marcas d e 1,600 co nS U L " " :':~ en u n a área
dada, 760 ex presa r on su p refe re n c ia. por la m a rc a A y 8 40 i~ n .: ' toda s la s o tras
rn a r c a s com b inadas ,
a) C onst r uya u n in t e rvalo d e con fi anza del 95 % para la propor ci ón que fa vo-
r ece a la m arca A.
b) ¿ E s la proporc ió n d e co n sumid or es q ue prefie r en la m arca A sig nificati va -
men t e menor q u e u n medio ?
¡;o) ¿ Es la prop orción de cl ientes qu e pre fieren la marc a A en es t a ci udad sig-
nifica tiva m en te di fer e n t e de la q ue ex ist e en ot ra c iu d ad , d o n d e 60 0 con su-
m id or es de 1,2 0 0 p r ef ir ieron la ma rc a A ·,'
d·) C o ns truya un interva lo d(>. co nfia nz a. de l 99(;0 p a ra la d ife ren c ia prob a d a
e n la p arte (e ) .
26 . Desp u és d e encon tra r q u e L3 de los 100 t u b os elec t r ón icos del fab r ic a n te J'\J f.l 1
d uraron m ás d e 6 00 h o r a s, se ordenó UH embarq u e de t ub os sim ila res a un
fa bric an te N() 2 }' se e ncontré q ue 5 2 t ubos de: una m ues tra al ea to ria de 20 0
duraro n más d e 60 0 hor a s. ;~ E x iste u n a di fe re n ci a sign i.ficat!va en la d u r ac ión
de t u bos a m bos fab rica utev? ¿ Po r q Ul:?
27. Un d j tcc ~ o .t d e i n ·.· !~s tigac j i;:,'l de u na com pañi a de mo linos d t.: .h ~lJ.-ina, i .':~be
med ir lr.t rea cci ón d el con s um id o r ~ ¡ un a nueva hari na para past eles en corn -
para c i ón co n la marca :f;, q ue se rá su pri nc ip a l competidor .
a) Suponiendo q ue se intenta r~a liz:t.r u na prueb a d e sa bor con 11:..1 3. m u estra
a le:,;to:r¡a (le co ns u mi dore s en C h ica go, y .e Cic::c·¡'t;, S ~ '::: ~; pc,~;i. b l e) d etu. -·
m inar L:;. p :r (o fr~ t"c nc. ,;. a de le;' co nsu. nido rc s con un {Je (a.1 L ,) '/ !..d
d r- co nfia nzr, d e 2(;" ) , ¿ q ué tama ño de m uestra se tO:nU2J' ~I Su p u ngz.
~1 jrr i of i q u e ;::t m it ad dc: l os consumidores p refiere el pr od ucto q :."e S~~
t.~t á p roba ndo .
31 () Pruebas de hipótesis
b) Si los res ultados d e las primeras 400 e n t revista s in di can que el 57% de
los consumidores entre vistados prefieren el nuevo producto, ¿se puede '
suponer co n ce r teza q ue h ay una ve rd a d era p referenci a por él ? ..
c- ) E n un seg un do con j un to d e 300 entr evi sta s r ea liza d a s e n M ia mi, el 60 %
prefirió el nuevo prod ucto . Su p on ien d o que ambas muest ras e ran aleatorias:
y q ue las e nt re vistas se realizaron sin sesg o, ¿ hay una di fe ren cia sig nifi-'
cativa e n la preferenci a por el prod ucto e n t re las dos ci u dades ?
28. Lo s sig uie n tes da tos fueron obtenidos por la gerencia d e una ti enda de deparo
ta me n tos en un est ud io d e c ue n tas de clientes moro sos . E n u na muestra de
600 c uen tas a b iertas p or personas q ue hab ían resid id o en la com un id a d po r
más de cinco a ño s, 58 se h a b ía n atra sado en a lg ún momen t o u ot ro . En una
muestra d e 400 c u en ta s de individuos que habían residido en la comunidad
por me nos d e cinco años, 26 se había n atrasado.
a ) ¿ Es significativa la d iferen cia que existe e n tre ambas muest ras al nivel
d el 5 % ?
b ) ¿ C uá l es la posible fa la cia a l interpretar esa diferencia , sea significativa
o no?
30. U na de las pa r tes co m p on entes cr íticas d e un prod ucto es un tor n illo de a cero
de 5/1,; d e p ulgada. Pa ra c um pli r co n la s espe cifica cio n es de l prod ucto este
tornillo d ebe tener un a d ureza en tre 7 7.5 y 89.5 pu n tos d e la esca la d e du reza .',.
R oc kwell "B" . L ue go de un t ratamiento de ca lo r d iseñado pa ra prod ucir la ·
du reza deseada, se ex tra e al azar una m ue st ra d e c ua t r o torn illo s d e cad a :
lo te , y se p r ueb a la dureza de cada to r ni llo . D iez d e esa s m uest ras to m adas','
e n orde n consec utivo, se prue ban en la escala R oc kwell "B" y tie nen las '
sig uie n tes med id as ( 3ux = 4-.26 ) :
( Aquí se usa n d iez m uest ras para m in im iza r los cálc ulos. Si n em ba rgo, e n la
p r ác t ica , se n ecesit a n por lo menos de 20 a 25 m ue st ra s pa ra o bte ne r re sul -
tad os co n fia bles .)
a ) Estabie zGt un d iagrama X p ara con trolar la d ureza de esos to rnillos y
d ibuje un a lí nea ce n tral) jos lími tes de con t ro i y la s m ed ias de los su b-
grupos.
Problemas 311
M uest ra x
1 . . . . · . · . · . .. . . 85 .375
2 . . . . .. · . . . o • • • 81. 87 5
3 .. ·. .. . . . . . . .. 86. 125
4· .. .. ·. ·. · . 83.250
5 .. ·. .. · . · . .. ·. 84 . 125
6 · . .. · . ·. ·. 84 .125
7 .. · . · . ·. · . 85. 625
8 ·. · . · . · . ·. . . 86.3 75
9 .. · . . . .. . . . . ·. 86 .625
10 .. · . .. .. . . ·. . . 8 7.6 25
T ota l .. .. · . ·. · . 85 1.1 25
El in gen iero enca rga d o del con tro l d e ca lidad des ea u tilizar un d iag ra-
ma X , c uyo tamaño de m uestra es igu al a 4, y con límites d e control 40 ± kox ,
Desea elegi r u n val or óptimo para k, po r lo tanto ela bora la sig uien te ta bla :
36 A B e
40 D E F
48 G H
'.~':
312 Pruebas de hipótesis
r:HRUOGRJitFIA
313
314 Otros procedimientos de prueba
t=
X-Ji.
Sx
donde SXJ el error estándar de la media se calcula a partir de s la desviación
estándar de la muestra por medio de la fórmula Sx += s/vn (multiplicada por
VI :.- n/N si es necesario).
La distribución muestral de t difiere para cada tamaño de muestra. Hay una
distribuciónt para muestras de tamaño 10. otra para el tamaño 11, Y así sucesi-
vamente. Por lo tanto, los valores de t correspondientes a los niveles de probabi-
lidad del 5 y el 1 % no son 1.96 y 2.58 como en la curva normal, sino que
dependen del tamaño de la muestra, según se muestra en la tabla ll-l.
La tabla 11-1 es un extracto de la tabla t, más detallada, del apéndice M. En
esta tabla, se anotan en la primera columna los "grados de libertad" en vez del
tamaño de la muestra. El concepto de grados de libertad (representados por la
abreviatura gl o el símbolo g) es importante y ocurre repetidamente en este
capítulo. Se refiere al número de observaciones independientes utilizadas para
Tabla 11-1
VALORES DE t A LOS NIVELES DE
PROBABILIDAD DEL
5ydell%
Grados de
libertad (gl) ,05 .01
10 2.228 3.169
20 2.086 2.845
30 2.042 2.750
co 1.960 2.576
Intervalos de confianza
Por ejemplo, un fabricante desea estimar el peso promedio de un gran em-
barque de hojas de acero sin recubrim ien to y de calibre 20, las cuales proveyó un
abastecedor. La estimación se debe expresar como un intervalo de confianza del
95% alrededor de la media muestra!. Selecciona 8 piezas al azar, y encuentra que
la media muestral es 148.4 libras por ·cien pies cuadrados, mientras que la des-
viación estándar es 2.07 libras. El error estándar de la muestra es entonces
s 2.07
sg = vi;; viS- = .73 libras
t=
x- J.Lh
SJt
148.4 150
= -2.19
73
Para el punto de probabilidad de 5% en un extremo, buscamos el punto de
10% (dos extremos) en el apéndice M para g = 7 grados de libertad. El valor es
1.895. Puesto que el valor absoluto de t, - 2.19, es mayor que 1.895 podemos
rechazar la hipótesis de que J.l ~ 150 libras al nivel del 5%. La media muestral es
significativamente menor que la especificación de 150 libras al nivel de signifi-
cación del 5%.
Puesto que se supone que las desviaciones estándar de las dos poblaciones son
iguales, ésta es la mejor estimación de la desviación estándar en cada población.
Entonces podemos calcular el error estándar para cada media muestral como:
Spo
SJt 2 = _ /-
vn2
~si, + si 2
lTambién hay pruebas disponibles, se supone que las desviaciones estandar no soI,l iguales.
Ver W. J. Dixon and F. J. Massey, Introduction to Statistical Analysis (ed ed.; New York:
McGraw-Hill, 1969), p. 119.
--
Pruebas de medias: muestras pequeñas 317
= Spo
J-+-
1
nI
1
n2
Finalmente, la razón
(Xl - X2)
t=
Spo
\1
r u (68)2
12 +
+
9 (74)2 = 70.8
10 - 2
Entonces,
!I
SPQ
30.3
J I
-
ni
+-n21 70.8\l12 + 10
1
t
(loso - 980)
2.31
30.3
318 Otros procedimientos de
Buscando en el apéndice Me! valor de t al nivel del 5% con (ni + nz) - 2) = (12
+ 10 - 2) = 20 grados de libertad-", observamos que es 2.086. Puesto que 2.31
e~, mayor que ese valor, podemos rechazar la hipótesis nula al nivel de significa-
cion del 5%. Hay una diferencia significativa en los salarios medios de los capa-
taces de las dos devisiones.
PRUEBAS JI CUADRADA
La distribución Ji Cuadrada
Antes de proseguir, introduciremos un nuevo concepto teórico denominado la
distribución ji cuadrada (x z ). La variable \z se compone de sumas de variables
aleatorias normales al cuadrado. O sea qJe, si y I es una variable que tiene una dis-
tribución normal estandarizada (p = 0,0 = 1), y si las Y i son independientes, en-
tonces la expresión
ZNote que el tamaño de muestra combinado (n I + nz). se redujo en dos para obtener lo'
grados de libertad. Ello se debe a que dos estimaciones muestrales-vlas de y ,--se
utilizaron en la fórmula para
Pruebas Ji cuadrada 319
~~I
"'x
'-,
-e
.5
]'"
:.E
'"
..o .4
o
lo<
o-
O)
-e .3
-e
~'"
~ .2
O)
CI
.1
10 15 20
Figura 11-1
DISTRIBUCION JI CUADRADA
Para 2, 6 Y 12 grados de libertad
dos grupos de mujeres -mujeres que trabajan fuera del hogar y amas de casa-o
El producto se compara con uno que está en venta en el mercado, y las mujeres
expresan su preferencia por uno u otro. La firma se interesa en saber si las
mujeres prefieren el nuevo producto al antiguo y si hay diferencias entre los
grupos. Se formula una hipótesis en la forma que sigue:
P = PI = P2 = .5
donde pes la proporción verdadera y p , Y P2 son las proporciones de mujeres
que prefieren el nuevo producto en los grupos muestreados. La hipótesis esta-
blece que las preferencias son iguales entre grupos y entre productos. 0, en otras
Tabla ll-2
VALORES DE JI-CUADRADA PARA PROBABILIDADES DE EXTREMO
DERECHO SELECCIONADAS
Grados de Probabilidades de extremo derecho
libertad gl
d .99 .95 .50 .05 .01
FUENTE: Apéndice N.
palabras, la hipótesis implica que las dos muestras podrían haberse tomado de la
misma población que teníap = .5.
Sean n] yn2los tamaños de las muestras y r] Y r: el número de las mujeres
que prefieren el nuevo producto en cada grupo. Los valores de r] Y r: provienen
320 Otros procedimientos de prueba
Tabla 11-3
Grupo 1 Grupo 2
Mujeres que trabajan fuera del hogar Amas de casa
------------_...:.-_-
Tamaño de muestra nI = 100 22S
Número de las que prefieren el nuevo
producto 0".'. TI = S6 130
Desviación estandar (con la
hipótesis p = .5) = ••••• ·(1"'1 VlOO(. S)(.S) VÚS(.S)(.S)
S 7.S
R Entonces:
(1)
Tabla 11-4
NUMERO DE PARTES DEFECTUOSAS Y NO DEFECTUOSAS (Di)
EN MUESTRAS OBTENIDAS DE CUATRO OPERADORES
11-4. Se formula la hipótesis nula, estableciendo que no hay diferencia entre ji):¡
operadores o, alternativamente, que las cuatro muestras podrían obtenerse de Í3
misma población. La hipótesis es:
3Para el ejemplo de esta sección, se puede mostrar que la fórmula (1) es algebraicame rce
equivalente a la expresión anterior utilizada para ilustrar la prueba ji-cuadrada de ¡j.:»
muestras.
322 OTrOS procedimientos de prueba
~ (~C_E;)~
L...J
i=l
E.
'l.
Tablas de contingencia
En el ejemplo de la sección anterior se probó la hipótesis de que la tasa de
producción de partes defectuosas era independiente del operador de la máquina.
4Nott' que en el ejemplo anterior, el valor de p era parte de la hipótesis y no se estimaba lt'
partir de los datos. Por lo tanto, en ese caso no se utilizarongrados de libertad para estimar
p.
Pruebas Ji cuadrada 323
Tabla 11-5
MUESTRA DE PERSONAS CLASIFICADAS POR EDAD Y
FRECUENCIA DE ASISTENCIA AL CINE (Oi)
Para responder a ello, formulamos la hipótesis de que hay dos factores (edad
y asistencia al cine) que' son estadísticamente independientes. 5 Estahi~ótesis
implica que la asistencia al cine en cada categoría de edad tiene la misma pro-
porción que muestra todo el grupo (también, que dentro de cualquier categoría
de asistencia al cine, la distribución de edad es la misma que para la población
total). En base a esta hipótesis de independencia, se puede calcular la frecuencia
teórica par:; cada celda (es' decir, cada categoría de asistencia al cine por edad).
Esas frecuencias se muestran en la tabla 11-6. El número 75.9 en la primera fila y
Tabla 11-6
FRECUENCIAS TEORlCAS O ESPERADAS
BAJO EL SUPUESTO DE INDEPENDENCIA (Eii)
t.
(Oi -
Ei
E;)2
l=1
6 para tales variables, se puede utilizar también el análisis de regresión (capítulo 16) para
probar la dependencia estadística.
Pruebas Ji cuadrada 325
Tltbla 11-7
DISTRIBUCION DE FRECUE~IAS
INGRESOS HORARIOS DE 214 APRENDICES DE OPERADORES
DF.MAQUINAS HERRAMIENTA
Número de
Operadores
Ingresos horarios Punto medio f=Oi
2.45 - 2.609
------ -1.169 and pez < -1.169) = .1212
.136
2.55 - 2.609
Zi! = - .434 and pez <- .433) .3322
.136
Tabla 11-8
PROBABILIDADES Y FRECUENCIAS ESPERADAS
= =
DISTRlBUCION NORMAL CON f1 2.609, a .136, Y X 214 =
Probabilidad Frecuencia
Ingresos horarios normal esperada (Ei)
(Oi) de la tabla 11-7 Y las frecuencias esperadas (Ei) de la tabla 11-8. O sea,
t.
(o.i -_ED~
Ei
.~¡
Grados de libertad. Luego de combinar los dos últimos intervalos, restan siete
intervalos. Sin embargo, se utilizaron dos grados de libertad al estimar J1 y a de
los datos muestrales. Se utilizó un tercer grado de libertad al hacer que las
frecuencias esperadas totales (214) fueran iguales al tamaño muestral. Por lo
tanto, sólo hay 7 - 3 = 4 grados de libertad restantes en el término X2 anterior.
Según el apéndice N, el valor X2 para el nivel de significación .10 es 7.779
para 4 grados de libertad. El valor observado X2 de 4.27 es mucho menor que
eso. De hecho, está cerca de! valor esperado de X2 con 4 grados de libertad, que
es 4.0. Por lo tanto, no podemos rechazar la hipótesis de normalidad. Fácilmente
los datos podrían provenir de una población normal.
En la misma forma, se puede utilizar el procedimiento anterior para probar si
los datos observados concuerdan con una distribución Poisson, binomial, expo-
nencial, u otra distribución de probabilidad. Note que el número de grados de
libertad en cada caso es: grados de libertad = número de intervalos menos el
número de parámetros estimados al ajustar los datos, menos uno (para igualar las
frecuencias totales).
La distribución F
Suponga que tenemos dos variables aleatorias independientes y ¡ y Y2' cada
una con una distribución de probabilidad X2 con g¡ Y g2 grados de libertad
respectivamen te- Entonces la razón:
F = .y¡/d¡
Y2/d2
tiene una distribución F. La distribución F tiene dos parámetros, g¡ Y g2, los
grados de libertad en e! numerador y denominador respectivamente. Para indicar
esto, la variable F se escribe a veces como F (I?' l ' g2)'
La variable F no puede ser negativa (ya que ninguna de las variables X2 puede
serlo) y tiene un valor esperado de aproximadamente 1.0. 9 Puesto que hay una
IlNote que esta es la misma conclusión a la que se llegó por el método gráfico utilizando el
papel probabihsticónorrnal (figura 6-5) en el capítulo 6.
9El valor esperado real de la distribución F es g2/(g2 N2). Note que para tamaños de
muestra muy pequeños en el denominador de la razón F esto puede ser distinto de 1.0.
328 Otros procedimientos de prueba
Tabla 11-9
VALORES SELECCIONADOS PARA LA DISTRlBUCION F
PROBABILIDADES DE EXTREMJ DERECHO
.05 (Tipo delgado) y .01 (Tipo negrita)
gl (Numerador)
g2 (Denominador) 2 6 10
indica que, por ejemplo, cuando gl 06 v'e, = 10, hay una probabilidad de .05
de que la variable F sea mayor que 3.22 y una probabilidad de .01 de que exceda
5.39.
S]2/U 12
F[(nl - 1), (n2 - 1)] 2/ 2
(2)
S2 U2
Ahora:
S2 ~(X - X)2
(]"2 (n ~ 1)u 2-
y el término:
2
S1
F[(nl - 1), (n2 - 1)] = -2
S2
(28.0Y
F(10,6) = 1.71
(21.4)2
Puesto que ese resultado es menor que el valor F de 5% para 10 y 6 grados de
libertad (según la tabla 11-9 o el apéndice O), que es 4.06, no podemos rechazar
la hipótesis al nivel de 5%. Las diferencias existentes entre las variancias mues-
trales se pueden atribuir fácilmente al azar.
5 lO 23
3 15 18
10 8 16
6 7 11
la hipótesis de que las medias de varias poblaciones muestreadas son iguales. Por
ejemplo, un instructor puede probar diferentes métodos de enseñanza (método
de lectura estándar, instrucción programada, o instrucción audiovisual) en dife-
rentes secciones de un curso. Cada uno de esos métodos representa una condi-
ción o tratamiento experimental diferente, Posiblemente, el instructor desee
saber si las diferencias observadas en un examen final son resultados de los
diferentes tratamientos o se pueden atribuir a la variación fortuita. O el expe-
rimento puede implicar tres grupos de estudiantes (estudiantes de los primeros
años, estudiantes de años superiores, y graduados), puede ser que el instructor
desee estimar simultáneamente los efectos separados del método de instrucción y
el nivel de los estudiantes probando la significación estadística de cada conjunto
de factores. La prueba F se puede utilizar para ese propósito, tal como se ilustra
a continuación.
Suponga que una compañía está interesada en tres métodos de promoción de
un nuevo producto alimenticio: (1) material de publicidad en el lugar de la
venta, (2) publicidad en periódicos y (3) utilización de un demostrador en la
tienda. Para probar la efectividad de los tres métodos, se prueba cada uno de
ellos en una muestra de 4 tiendas de aproximadamente igual tamaño (un total de
12 tiendas). Las ventas mensuales en cajas se muestran en la tabla, 11-10. Note
que los promedios de grupo varían de 6 a 17. El promedio total, X, es 11.0. La
empresa desea saber si las diferencias observadas son significativas, o si podrían
atribuirse a la variación fortuita.
Antes de analizar el problema se hacen-dos supuestos: (1) Que las ventas
dentro de cada grupo (o sea para cada método de promoción) están normalmen-
te distribuidas. (2) Que las variancias de las ventas dentro de cada grupo son
iguales. O sea que:
La hipótesis nula es que no hay diferencia en las medias poblacionales; o sea que,
, ¡Ll = ¡L2 = ¡La = ¡L.
¿(Xi - X 1)2
n ~ 1
(5 -=~)2 + C3 _-=-~)2 _±-~10_ 6)2 + ~~:"~l~ 26
8'.67
4 ~ 1 3
Alternativamente, podemos describir esa fórmula como:
La distribución F y el análisis de variancia 331
donde el subíndice b se refiere a "entre los grupos". Dividiendo esta SSD e por
dos grados de libertad (tres grupos menos un grado de libertad u tilizado para
estimar X ), tenernos una estimación de la variancia entre grupos O 2 :
SSD b 62
Estimada <Fg 2 =._-- 31
dfb 2
o sea, 31 es una estimación de la variabilidad de las medias muestrales de
tamaño n = 4 (el número de tiendas en cada grupo) respecto a la media total de
población.
Si la hipótesis f.1 1 = f.12 = f.1 3 = f.1 es verdadera, entonces las medias de cada
grupo se pueden considerar como muestras de la misma población con media /1.
RecJIerde ?de lo visto en el capítulo 9 que en este caso el error muestral
a-x· = a-"/n también es una medida de la variabilidad de las medias muestra-
les. Escribiendo de nuevo esa fórmula como na-l = a-2 vemos que si la hi-
pótesis es cíerta.! 2 n . ( a-;/ estimada) e~ una estimación de a- • Si la hipótesis
2
11 Cuando hay el mismo número de artículos muestreados en cada grupo, como en nuestro
ejemplo, este procedimiento es equivalente a promediar las variancias muestrales.
SSDb = ¿
i=l
n,(X, - X)2
SSD t
Variancia total
12 - 1 dft
(5 - 11)2 + C3 11)2 + ... + (11 - 11)2
11
386
35.1
11
Tabla U-U
TABLA DE ANALISIS vE VARIANCIA
Grados de Estimacion
Fuente de variación Suma de desviaciones al cuadrado libertad de a2
suave, y suave. Para probar esos factores, se pueden diseñar dos experimentos.
Sin embargo, es mucho más eficiente probar ambos factores al mismo tiempo.
Esa prueba se denomina "análisis de variancia de dos factores". Se puede utilizar
un diseño tal como el que se muestra en la tabla 11-12. Con este diseño, se
utilizan seis tiendas para estimar el efecto de cada método de promoción y, en
forma similar, se utilizan seis tiendas para cada fórmula de pasta. Pero el diseño
total requiere sólo 18 tiendas.
Suponga que se lleva a cabo el diseño, realizando el experimento en las 18
tiendas, y que los resultados obtenidos se muestran en la tabla 11-13. Hay dos
tiendas muestreadas en cada celda, y cada una de ellas se muestra separada por
una coma.
El modelo experimental. Antes de proseguir con el análisis de esos datos,
debemos examinar el modelo experimental de base supuesto. Definimos los si-
guientes términos:
Tabla 11-12
mSE¡>;¡O EXPERIMENTAL PARA PROBAR LA EFECTIVIDAD DE LOS
METOnOS DE PROMOCION y FORMULAS DE PASTA
Método de promoción
Publicidad en Utilización de un
periódicos demostrador Total
Diferencias 2 3
en
el producto
Media total. La media total es el valor esperado sobre todas las hileras y
columnas y se denomina u.
Efectos de hilera. Los efectos de hilera son los efectos de las distintas fórmu-
las de pasta. Se miden como diferencias respecto a la media total. Sea R¡ el
efecto de hilera de la i-ésima hilera.
Tabla 11-13
VENTAS DE UNA MUESTRA DE 18 TIENDAS PARA METODOS DE
PROMOCION y FORMULAS DE PASTA SELECCIONADOS
(En cajas por mes)
Métodos de promoción
Utilización de un
demostrador Promedio
Diferencias 3
en el producto
Efectos de columna. Estos son los efectos de los diferentes métodos de pro-
moción. Estos efectos se miden como desviaciones de la media total y se deno-
minan como Cj para el efecto de columna de laj-ésima columna.
Efectos de interacción. Se supone que el efecto en cualquier celda es la suma
de los efectos de hilera y de columna. Sin embargo, algunas veces hay un efecto
de interacción en el cual el efecto en la celda es mayor (o menor) que los efectos
de hilera y columna combinados. Por ejemplo, dos drogas tomadas por separado
pueden tener poco efecto, pero si se toman en combinación pueden tener gran-
des efectos. Los resultados se denominan efectos de interacción. En el ejemplo
del pastel de carne, la existencia de efectos de interacción podría significar que la
publicidad en los periódicos es efectiva cuando se la usa en combinación con la
fórmula de pasta suave, pero no con la de pasta dura. Designamos la interacción
en la i-ésima hilera, j-ésima columna, por lijo El modelo experimental es enton-
ces:
XR ¡ X 12 11 1 (estimación de Rl)
XR 2
X 11 11 O (estimación de R2)
XR 3
X 10 11 -1 (estimación de R 3)
Efectos de columna. Sea Xci..!:l promedio de los art ículos muestr~ados en la
j-ésima columna. Por ejemplo, XCI = 6. Entonces (Xc; - X) es una
estimación del efecto de columna Cj. O sea que:
que es una estimación del efecto de interacción lij" Los efectos de interacción
estimados en este ejemplo se muestran en la tabla 11-14.
Análisis de variancia: Se puede preguntar si los efectos de hilera, columna e
interacción representan sólo una variación fortuita o si representan diferencias
Tabla 11-14
EFECTOS DE INTERACCION ESTIMADOS
Columna
Hilera 2 3
Tabla 11-15
ANALISIS DE VARIANCIA DE DOS FACTORES
Hileras .. (t
.C • n
.~1
(X Ri - X)2) r- 1 SSDjgi
Columnas (t
r· n
1=1
(XCi - X)2) C - 1 SSDIJf
Interacciones .. ······· n
Dentro de las grupos
(t t i~1 i~1
cx., - XRi - XCi + X)2) (r - l)(c - 1) SSD/Jj
(celdas) '0
~ ~ (X .. _ X.)2
(denominados también L...J L...J L...J .¡k .¡
(r· c)(n - 1) SSD/lf
residuos) . ...;i 1-=..i~_1:..--k_~..:..1 _
r , n
Total ..... ...L:L:L:
i=1 ;-1 k=l
(Xiik - X)2 (n . r' c - 1)
14 Es posible tener un diseño con diferentes tamaños de muestra en cada celda. Sin ernbarr:
aquí no se tratará ese caso.
336 Otros procedimientos de prueba
cero. Si eso es cierto, los cuatro números de la columna (4) de la tabla 11-16 son
estimaciones de 0 2, la variancia entre celdas. El último valor, 14.4, es una
Tabla 11·16
ANALISIS DE VARIANCIA
Grados de Estimación
Fuente de variación Suma de desviaciones al cuadrado libertad de 0 2 RazónF
(1) (2) (3) (4) (5)
Hileras +
3.2(1 2 + 02 (-'1.)2) =i 12 }-1=2 6.0 0417
Columnas. . . .. . 3 . 2((-5)2 + ( -1)2 +6 2)
=372 3-1=2 186.0 12.910
Interacciones .. .... 2(12+ 02+(-1)2
+ (-.5)2+ ..
+12) = 8 (3 - 1)(3 - 1)= 4 2.0 .139
Dentro de los grupos (celdas)
(o residuos) .. (10 - 8)2 + (6 - 8)2
+ (14 - 10.5)2 + .
+ (11 - 17)2 = 130 (3 . 3)(2 - 1) = 9 1404
Total· ... + (6 - 11)2
.(10 - 11)2
+(14 - 11)2+ . . .
+ (11 - (1)2 = 522 (2, 3 '. 3 - 1)= 17
PRUEBAS NO PARAMETRICAS
Las pruebas estadísticas descritas al principio de este capítulo generalmente
requieren supuestos respecto a la distribución de la cual se toma la muestra. En
particular, las pruebas t y F requieren un supuesto de normalidad.! 6 Hay toda
una serie de pruebas estadísticas, generalmente denominadas no-paramétricas o
pruebas a distribución libre, que no requieren esos supuestos.
Además, muchas de las pruebas no paramétricas se pueden utilizar con datos
en la escala ordinal. Una escala ordinal sólo requiere que los artículos se clasifi-
quen en cierto orden. Por ejemplo, en una encuesta de mercado se le puede pedir
a un consumidor que clasifique un grupo de productos por orden de preferencia.
!\ menudo se encuentran datos en esa forma en investigaciones de personal, de
mercado, y estudios de conducta de organización. Con las pruebas estadísticas
presentadas anteriormente no se pueden manejar tales datos. Muchas de las
pruebas no paramétricas requieren relativamente pocos cálculos. Por lo tanto, no
sólo son métodos abreviados, sino que también son más fáciles de entender J?ara
[os menos versados en procedimientos estadísticos.
Aunque hay muchas técnicas no paramétricas, se presentan dos en este capí-
tulo para dar al lector una idea del uso de esas pruebas. Algunos libros de
referencia sobre pruebas no paramétricas se listan al final del capítulo.
Tabla 11-17
VALORES CRITlCOS DE T
(LIMITES INFERIOR (i) Y SUPERIOR (s)
PARA VALORES SELECCIONADOS DE nI y n2
n2
7 8
6 27 24 29 25
57 60 61 65
7 36 32 38 34
s 69 73 74 78
8 46 42 49 43
s 82 86 87 93
Pruebas no paramétricas 339
n¡(n! + nz + 1)
2
y desviación estándar
a = In\nz(n! + n« + 1)
TI ~ 12
12 k Ti2
H =.
n(n + 1) k' " -
ni
- 3(n + 1)
tiene aproximadamente una distribución ji cuadrada con k-l grados de libertad.
La aproximación es adecuada si el tamaño de muestra en cada grupo es de tres o
más. Como antes, a los empates se les da el rango promedio de los artículos
empatados. 2 o
Ejemplo. Para ilustrar esta técnica, utilizamos los datos de la tabla 11-10. Las
12 tiendas se jerarquizan en términos de las ventas y los rangos se muestran en la
Tabla 11-18
JERARQUIZACION DE VENTAS EN 12 TIENDAS
TRES METODOS DE PROMOCION
.
Grupo 1 Grupo 2 Grupo 3
Publicidad en el lugar de las ventas Publicidad en periódicos Utilización de un demostrador
11 6.5 1
12 4 2
6.5 8 3
lO 9 5
--
Total T 1 = 39.5 T 2 = 27.5 T, = 11
tabla 11-18. Note que dos tiendas tienen ventas de 10 cajas por mes y están
empatadas para los rangos 6 y 7. Por lo tanto, a cada una se le asigna e! rango
6.5.
Sustituyendo en la fórmula:
12 ~ Y.2
H = - - . - - ~-' - 3(n
n(n + 1) i=l ni
+ 1)
~ [(39.5)~ + (2~.5)2 + (ll,o)~J - 3(13)
12(13) . 4 4 4
7.875
20Si una cuarta parte, o más, de los elementos están empatados, se deberían realizar ajustes
para corregir eso.
Problemas 341
RESUMEN
171 15 1'72 15
Xl $.018 por milla $.025 por milla
"] .015 ·'2 .021
('Jíay evidencia en esos daros de que las dos tT!éUCáS dificrcu significativamente en los
costos ele manu-n imicnto y reparación por m illa?
cré dit o d(: un h.mco supone qU(' una indicación de qu.: una persona
es la de si I)OSCC o no una cuenta de ahorro. De acuerdo a esa conjetura
selecciona una muestra de 150 clientes de sus archivos 'V los clasifica de acuerdo a los
atrasos en los pagos:
Interrupciones Número de
p or semana semanas
o 16
1 20
2 9
3 3
4 2
Total . 50
Pruebe la hipótesis de que las interrupciones del servicio son un fenómeno aleatorio (o
sea que provienen de una distribución de Poisson).
9. Un colcga suyo dice que no tiene por qué utilizar una tabla de números aleatorios,
puesto que puede generar números aleatorios en su cabeza que "son tan aleatorios corno
los de las tablas". Usted duda, pero decide probarlo pidiéndote que "genere" 100 de sus
"números aleatorios". Usted clasifica esos cien números por la frecuencia en que él los
menciona.
Total lOO
Cuando usted le dice a su colega que) aparentemente, mencionó algunos números más
frecuentemente que otros, él responde que se debe a la variación fortuita. ¿Está usted
de acuerdo con d? Explique por qué
una variable, la posesión de una casa. Se seleccionó una muestra de 100 dueños
y se clasificaron corno se muestra a continuación.
Tienen No tienen
extinguidor extinguidor
Dueños de casa . . . . . . . . . . 20 50
No son dueños de casa . . . . . O 30
(;Jn.dican los datos anteriores de que hay alguna relación entre la posesión de
la posesión de un equipo de extinción de incendios?
11. Los siguientes datos servirán para los problemas 1 J a 16. Un investigador
experimentos para encontrar mejores mé todos de establecer probabilidades subjetivas.
desarrolló tres métodos diferentes y realizó un experimento para probar la efectividad
de cada. uno de ellos. Se entrenó un grupo de personas en cada método. A todas
les hizo una prueba para medir su habilidad en el establecimiento de probabiudades,
se calificaron las pruebas. Los resultados se muestran <t. continuaciori:
grandes
'Tiendas medianas
Tiendas pequeñas
Estime los efectos hilera y, columna.
Estima los efectos de interacción.
el análisis de varianciapara determinar siesos efectos son significativos.
Se realizó un estudio para medir las actitudes de los estudiantes hacia. las grandes
Se discúó un cuestionario que se presentó a una muestra de esrudiantes
por raza y sexo. Los resultados de cada cuestionario se clasificaron corno
favorable) neutral, o no favorable hacia las grandes cornpan ías. Los datos fueron Jos
siguientes:
Refiérase a los datos mostrados en tabla 2-3, página. 39. Pruebe la hipótesis de: qtte los
datos una muestra de una población con distribución norrnai, La media muestr.u
y L,t desviación cstaudar muestrnl es s ,.00082,
Refi{:rase al problema 17 del cap tulo 2 continuado corno problema 5 del cap itulo .3 y
í
problema El del capf rulo Pruebe Ll hi,póte."¡s jos datos son una muestra de una
distribución normal.
Se realizó un estudio para determinar los factores que in.fhrycn en el tiempo de manipu-
de las placas de metal de una prensa sacabocados. PC11SÓ que el factor de te rrni M
30 32 30 42 70 64
25 35 56 50 88 105
15 25 30 50 70 80
42 52 64 85 85 105
a) Utilizando sólo las 12 observaciones de las dos hileras superiores, pruebe la hipótesis
de que el peso no influye en el tiempo de manipulación.
b) Utilizando las 24 observaciones, pruebe la hipótesis de que el peso no influye en el
tiempo de manipulación.
23. Refiérase al problema 22 anterior. Suponga que las observaciones de las dos hileras
superiores fueron obtenidas del operador 1 y las de las filas inferiores del operador 2.
Lleve a eabo un análisis de variancia de dos factores para determinar si el tiempo de
manipulación var ia tanto por operador como por peso.
24. Se realiza un estudio respecto al tiempo que permanecen en el hospital los pacientes
con una cierta en fermcdad. Se seleccionaron al azar seis hombres y seis mujeres con esa
enfermedad de cada uno de los tres hospitales de una ciudad y se anotó el número de
días que permanecieron en el hospital. Los datos se dana continuación:
BIBUOGRAfiA
DIXON, W.J., Y MASSEY, F. J. In troduc tia n to Statistical Analysis. 3d cd. New York:
McGraw-Hill,1969.
Cubre una gran variedad de procedimientos de pruebas estadísticas. Los capítulos 8 y
10 tratan las pruebas que implican las distribuciones t y F Y el análisis de variancia.
capítulo 13 trata las aplicaciones de la distribución ji-cuadrada. El capítulo 17 trata las
pruebas no-paramétricas.
HAMBURG, M. Statistical Analysis for Decision Making, New York: Harcourt, Braco &
World, 1970.
El capítulo 9 es un estudio de fácil lectura del análisis de ji-cuadrada y de variancia
un nivel moderado.
KRAFT, C. K., y VAN EDEN, C. Anoriporam etric Introduction lo Statistics. Ne w York:
Macmillan, 1968.
La parte 1I describe varias prueba, no paramétricas. Este libro incluye ex tensas tablas
de estadísticos no paramétricos.
OWEN, D. B., Hand book of Statistical Tables. Reading, Mass.: Addison-Wesley, 1962.
Contiene extensas tablas, no sólo para t, F Y X'.!., sino para muchos estad ísticos no
param étr ico s.
PAZER H. L., Y S WANSON, 1,. A. Mo dern Metho ds f01" St.atistical Anolvsis. Scranton,
lntext Education Pub lish crs , 1972.
Los capítulos 6, 7 y 10 tratan el material de este capítulo a un nivel comparable, pero
con un poco más de detalle.
RJcHMOND, S. B. Statistical Anaiysis, 2d ed. New York: Rouald Press, 1964.
Los capítulos 11 y 12 presentan un trat.am icn to elemental del análisis de ji-cuadrada
y de variancia.
JEGEL, S. No np arnmetric Statistics. New York: McGraw-Hil1, 1956.
La fuente de referencia básica para la estadística no pararnétrica.
v. Muestreo, simulación y
toma de decisiones
CAPITULO 12
.Jlétodos de encuestas por muestreo
LA MAYOR PARTE DEL MATERIAL que hemos estudiado está relacionado con
la interpretación y evaluación de la información muestra!. Fundamental-
mente se ha puesto énfasis en las muestras aleatorias simples. Sin embargo,
E:D la práctica es a menudo imposible obtener muestras aleatorias simples,
MUESTREO PROBABlLISTlCO
349
350 Métodos de encuestas por muestreo
como una tabla de números aleatorios en vez del criterio personal para
escoger los artículos muestreados. La "probabilidad de inclusión" puede
ser igual para todas las unidades de la población (como en el muestreo
aleatorio simple) o puede ser, por ejemplo, "probabilidad proporcional al
tamaño" (por ejemplo, podría existir el doble de probabilidades de que se
escoja una compañía con ventas de dos millones de pesos en vez de una
con ventas de: un millón .de pesos). Sin embargo, en cualq:-úer c~so se debe
conocer la probabilidad y, por lo tanto, la población misma debe ser iden-
tificable.
En las muestras probabilísticas se puede estimar objetivamente la pre-
cisión de los resultados muestrales o comparar la precisión de los diferentes
tipos de muestras. La precisión de las muestras probabilísticas aumenta (o
sea que el error muestral disminuye) a medida que aumenta el tamaño
de la muestra, mientras que los errores de criterio persisten en las muestras
grandes no-probabilísticas. Por lo tanto, se utiliza generalmente el muestreo
probabilístico siempre que sea factible, en encuestas de gran escala.
Selección sistemática
Muestreo estratificado
Tabla 12-1
DISTRIBUCION DE FRECUENCIA DE LAS HOJAS HE RUTA
Porcentaje
Ingreso por Número de Porcentaje de Ingreso del ingreso
hoja de ruta hojas de ruta hojas de rufa total total
Tabla 12-2
MUESTRA ESTRATIFICADA DE HOJAS DE RUTA
Estimación de razón
NUMERACION EN SERPENTINA DE
LAS MANZANAS DE UNA CIUDAD
2 3 4 5
10 9 8 7 6
11 12 13 14 15
Muestreo replicado
MUESTREO NO PROBABILISTICO
n
N
donde n es el tamaño de muestra y N el tamaño de la población. El
término y 1 - n lN es la corrección por población finita, utilizado cuan-
do se hace un muestreo sin reemplazo de una población limitada. Si n jN es
muy pequeño se puede ignorar.
La población total y su error estándar' se pueden estimar simple-
mente multiplicando la media muestral X y su error estándar sx por el
número de artículos eJ,1 la població? N. Así,
población total == T = N X
error estándar de la población total = ST = Nsg
sp _.
8
~ J J·l
pQ
8
n
8
n
N
Muestreo estratificado
ta¡ = (~i)
El error estándar de la media global es
SY; = .
'v
Si hi
r-
m¿
1 --
Mi
(El último término es la corrección por población finita que puede igno-
rarse en cualquier estrato donde mi / M i sea muy pequeño.)
Algunos comentarios ayudarán a entender esas fórmulas. Note que
la ponderación ui; es simplemente la fracción de la población que está
en el i-ésimo estrato. La media global es simplemente un promedio pon-
derado de las medias de cada estrato, utilizando los números relativos
en cada estrato como ponderaciones'. El error estándar se pondera en
forma similar (así, la variancia se pondera por w:) .
•
Un ejemplo ayudará a aclarar aún más el significado de las fórmu-
las. Suponga que deseamos estimar el ingreso anual medio de una pobla-
ción que hemos dividido en dos estratos -un grupo de altos ingresos
y otro de bajos ingresos. El primer estrato se compone de 1,000 miem-.
bros, de los cuales muestreamos 100. El segundo estrato abarca 2,000
miembros, de los cuales muestreamos 500. Esos números se presentan
junto con los resultados del muestreo en la tabla 12-3.
Tabla 12.3
MUESTRA ESTRATIFICADA DE INGRESOS
Desvraci6n
_Vúmero de Artículos en Artículos en Ingreso medio de estándar de los
estrato el estrato la muestra los art í culos en artículos en la
(i) (Mi) (m.) la muestra (Y¡) muestra (s,)
1,000
ponderación para el primer estrato = ui, = - - = Y3
3,000
.164 Métodos de encuestas por muestreo
2,000
ponderación para el segundo estrato = W2 = -- = %
3,000
Luego queremos calcular el error estándar para esa estimación. Para esto
debemos calcular primero los errores estándar de la media de cada estrato:
o sea que,
Si'z =
Mis i
mi = n--
:E.M¡s;
366 Métodosde encuestas por muestreo
Tabla 12"4
MUESTRA ESTRATIFICADA DE INGRESOS':"'"
ASIGNACION OPTIMA
1 s 160 s 182 26 84 89
2 87 84 27 171 152
3 280 315 28 103 96
4 123 125 29 326 350
5 20 28 30 38 35
6 254 300 31 128 139
7 100 82 32 124 102
8 142 151 33 87 99
9 50 55 34 375 420
10 124 136 35 80 88
11 64 52 36 208 216
12 164 160 37 86 99
13 40 48 38 67 58
14 151 154 39 305 349
15 107 105 40 158 146
1ti 80 92 41 32 39
17 193 150 42 184 160
18 93 UO 43 137 100
19 231 250 44 U5 165
20 54 68 45 33 57
21 101 110 46 216 186
22 16 18 47 119 141
23 191 220 48 64 72
24- 109 120 49 312 300
25 91 95 50 27 35
Total $6,604 $6,903
Medición de laprecisión de los estadísticos 369
Figura 12-1
RELACIONES ENTRE EL INVENTARIO ANUAL Y EL INVENTARIO
ACTUAL POR ARTICUI.OS, MUESTRA ALEATORIA
DE 50 ARTI<:ULOS
Inventario actual
(valor en dólares
por articulo)
y
500
400
300
200
ventario actual con el inventario anual. Podemos utilizar esta razón para
estimar el total de los valores Y, como sigue: T y = RTx , donde T y es la
estimación de razón del total de la población Y y T x es el total de la po-
blación X que se supone conocida. La media de los valores Y se estima
en forma similar: YIl = R{Lx, donde Vil es la estimación de razón de la
media verdadera {Lr de la población. Y. Esto debe distinguirse de Y,
la media de los artículos muestreados. El valor Jl-x es la media .de la
población X, que es conocida. Note que, por lo general, la media muestral
X no será exactamente igual que ¡.Lx-
Por supuesto, el total es N veces la media. O sea que, T x = N jJ.x y
TI' = NVu , donde N es el número total de artículos. En nuestro ejemplo
(tabla 12.5), la razón del inventario actual al valor del inventario anual
para la muestra de 50 artículos es:
R = ¿y = 6,903 = 1.0453
¿X 6,604
Suponga que había 24,167 artículos cuando se hizo el inventario anualIo sea:
N = 24,167), de manera que el valor medio era:
3.447,519
p-x = 24,167 = $142.654 por artículo
t o William G. Cochran, Sampling Techniques (2' ed.; Nueva York: John Wiley,
2;P = 1.365,701
2:X2 = 1.227,238
2:XY = 1.285,673
( 24 16-) !IS,S20
, / ~ 2,450
66,9S0
Medición de la precisión de los estadísticos 373
s,. = gl.76
, . Sr 91. 76
Estimación del error estándar de la media = sr = -- = -~ = 12.977
vn v50
Estimación del error en el total = s'l' y
= Ns ; = (24,167)(12.977) = 313.600
374 Métodos de encuestas por muestreo
Note que esta fórmula no contiene NI, el número total de todas las unida-
des secundarias (casas). Sólo se requiere Mi, el número de casas en las
manzanas muestreadas.
La estimación 'Ve de la muestra por conglomerados es sesgada, pero el
sesgo es pequeño si se muestrea un número bastante grande de unidades
primarias (manzanas) .12
U na estimación del error muestral para la estimación por conglomera-
dos Ye es
__ 'V(N)2
SY. - M
¿M:CYi - Y )2 ( _.!!-) .(Nlo) ¿)f¡,;;
n(n _ 1) 1 N +
c
M2
donde SY; es el error estándar de la estimación de Yi en el i-ésimo conglo-
merado (el error asociado con la estimación del ingreso promedio en una
manzana), y
Si 1m.
r r, = Vmi ~ 1 - t.di
12 También hay disponible una estimación no sesgada si M es conocida. Sin
embargo, la estimación no sesgada es generalmente menos eficiente que la estima-
ción sesgada de arriba. Ver Cochran, op, cit., págs.' 300-305, para más detalles.
Medición de la precisión de los estadísticos 375
Tabla 12-6
ESTIMACION MUESTRAL DEL INGRESO PROMEDIO FAMILIAR
EN UNA CIUDAD
Estimación del
Manzana número Número de Ingreso promedio
ingreso total de
(determinada hogares en de 3 hogares en
todos los hogares
por números la manzana la manzana en la manzana
aleatorios) (miles de dólares)
(en miles de dólares)
Mi Yi Tc > MiYi
- };T. 15,038.0
Y = - - = ---- = 8.415 miles de dólares
e ~Mi 1,787
N 997 •
M = -};M· = - (1 787) = 59388
n • 30 '. '
Puesto que
mente. Ello requiere fórmulas más complicadas, pero las ideas básicas que
se han ilustrado son las mismas.
~Iuestreo replicado
- };Y;
Y=.-
. k ..
RESUMEN
geográfica tal como la manzana en una ciudad. Una muestra por conglo-
merados conduce a resultados menos precisos que una muestra aleatoria
simple del mismo tamaño, pero el costo es mucho menor. Los conglome-
rados se escogen a menudo por selección sistemática realizada en un mapa
en el cual las áreas se han numerado en orden de serpentina. •
Hay varios métodos de muestreo por conglomerados. Uno es muestrear
las unidades primarias con probabilidades iguales y submuestrear las uni-
dades secundarias. Se presentaron fórmulas y una ilustración de esta téc-
nica. Si las unidades primarias varían mucho en tamaño, se pueden selec-
cionar con probabilidad proporcional al tamaño. Hay también disponibles
otros> métodos. La técnica del muestreo replicado implica extraer varias
submuestras independientes de la población, todas utilizando el mismo di-
seño rnuestral. El uso de muestras replicadas hace que la estimación del
error muestral sea relativamente fácil.
El muestreo no probabilístico (que incluye el muestreo por cuotas y la
selección por criterio) es la selección de una muestra de acuerdo a la selec-
ción personal, criterio experto, o en condiciones donde la falta de datos
impide la selección probabilística. Se recomienda algunas veces cuando no
es factible el muestreo probabilístico.
En el muestreo por Cuotas el investigador puede escoger a los entrevis-
tados de una cuota o número asignado de individuos en cada clase desig-
nada. U na muestra por cuotas es más barata por unidad que el muestreo
aleatorio estratificado y es popular en encuestas de mercado y de opinión
pública, a pesar de los serios peligros latentes inherentes a este método.
El muestreo por criterio es la selección de una muestra basada en el
criterio experto. Se recomienda para encuestas en las cuales la muestra
es muy pequeña, para estudios piloto que preceden a encuestas más gran-
des, y para muchos números Índice económicos.
El error estándar de una muestra no probabilística posiblemente se
puede estimar con el muestreo replicado, como en el caso del Indice de
Precios del Consumidor.
Se debe calcular el error estándar de una estadística muestral para
determinar su precisión como estimador del valor de población. El cálculo
de medias, totales, proporciones, y sus errores estándar se ilustra para varios
tipos de muestras en la segunda mitad del capítulo.
PROBLEMAS
1. Comente las siguientes afirmaciones:
a) Los errores muestrales se deben a que los métodos para seleccionar la
muestra son inadecuados,
b) Los resultados de una encuesta se pueden hacer tan precisos como sea
necesario al aumentar el tamaño de la muestra.
e) Si el tiempo y el dinero lo permiten, siempre es preferible efectuar un
censo completo en lugar de una muestra.
d) El muestreo probabilístico debería utilizarse en todas las encuestas de gran
escala para obtener resultados válidos.
2. Distinga entre:
380 Métodos de encuestas por muestreo
Estrato I Estrato 2
8. En una fabrica se está realizando una elección para determinar si los tra-
bajadores deberían estar representados por un sindicato. Para estimar de
antemano la preferencia de los trabajadores, la gerencia contrató una firma
consultora para que tome una muestra de los trabajadores. Los resultados
se muestran en la siguiente tabla:
Artículos en Desvia~ión
n la categoría estándar
de producto aproximada
Categorla de producto
01
Artículos de elevado valor . 100 $120
e 400 20
Pinturas y otros productos .
Artículos en general . 500 10
Total . 1,000
382 Métodos de encuestas por muestreo
s
p,
= Ip8q~
~ n
Eso es equivalente al Sy, en la fórmula para la estimación del error están-
dar en muestras estratificadas.
e) Si usted tuviera que diseñar una encuesta para un producto similar (por
ejemplo: se espera que los porcentajes dentro de los diversos grupos sean
similares a los mostrados arriba), ¿ cómo asignaría una muestra propuesta
de 400 entre los tres grupos de ingreso? (Sea s, = ..¡ p,q.-)
11. La Compañía A & B de artículos deportivos está interesada en la estimación
de los gastos anuales en equipo de campamento de las 100,000 unidades fa-
miliares del área de San José, ·California. Para obtener información y diseñar
el plan de muestreo, se escogió al azar una muestra piloto de 100 familias.
Los gastos anuales estimados para equipo de campamento (V.) y el ingreso
anual familiar (Z;) se obtuvieron para cada unidad familiar. Un resumen
de esas cantidades se muestra a continuación:
ü = gasto promedio = $26
zu, = 2,600
-z.u: = 130,000
s. = $25
Z = $10 = ingreso promedio (miles)
sz, 1,000
zz: f 13,600
s. $6 (miles)
-z.U.Z. = 40,000
Problemas 383
Desviaciones
Número de estándar
unidades estimadas de
Atea familiares los gastos
1 O O 26 O O
2 O 2 27 O 2
3 2 4 28 2 4
4 O 1 29 O 1
5 O O 30 O O
6 O O 31 O O
7 O O 32 O O
8 O 2 33 O 2
9 O 2 34 O 2
10 1 3 35 1 3
11 O 1 36 O 1
12 O 1 37 O 1
13 O 1 38 O 1
14 O 2 39 O 2
15 O 3 40 O 3
16 O 2 41 O 2
17 O O 42 O O
18 O 1 43 O 1
19 O 1 4,.4 O 1
20 O 2 45 O 2
21 1 3 46 1 3
22 2 3 47 2 3
23 1 1 48 O 1
24 O 2 49 1 2
25 O 1 50 O 1
Total
-
14
-
76
13. Se realizó un estudio en cierta ciudad para estimar el número total y tipos
de los principales artículos del hogar (refrigeradores, estufas, lavadoras, seca-
doras, lavadoras de trastos, congeladores). La ciudad se dividió primero en
600 manzanas. Por medio de fotografía aérea y recorridos en automóvil rea-
lizados alrededor de la ciudad, se estimó el número de casas en cada man-
zana.: Por este proceso, se estimó que había 10,000 casas en la ciudad. Luego
se seleccionaron al azar 30 manzanas. En cada una de esas manzanas se
obtuvo información en todas las casas acerca de sus artículos. Los resultados
se muestran en la tabla.
a) Estime el número total de artículos importantes del hogar utilizando la
estimación de razón (razón del número de artículos al número de casas
en una manzana).
b) Considere las manzanas como conglomerados, con un muestreo del 100%
en. la segunda etapa, y haga una estimación del número total de artículos
Problemas 385
1 64 16
2 48 14
3 42 5
4 94 20
5 70 13
6 40 11
7 31 12
8 21 6
9 49 12
10 73 22
11 85 23
12 47 17
13 39 8
14 60 14
15 66 20
16 32 8
17 53 12
18 64 24
19 110 27
20 95 28
21 137 40
22 49 9
23 63 15
24 54 15
25 59 11
26 • 80 19
27 64 17
28 110 24
29, 73 26
30 103 33
Total
--
1975
-521
1 220 21.67
2 184 19.26
3 200 3.20
4 176 12.17
5 210 5.42
6 208 13.10
7 198 7.15
8 202 10.85
9 206 12.50
10 194 15.47
11 218 17.29
12 217 6.18
13 192 24.53
14 212 8.22
15 202 6.33
16 225 19.13
17 209 7.57
18 208 1.12
19 215 14.71
20 224 6.83
21 216 12.92
22 22~ 7.21
23 234 34.17
24 196 8.47
25 218 11.16
26 242 9.28
27 200 17.42
28 215 9.64
29 210 22.77
30 204 14.98
BIBLIOGRAFIA
COHRAN, WILLIAM G. Sampling Techniques. 2da. ed. Nueva York: John Wiley,
1963.
Este es un libro de texto y referencia sobre teoría y técnica del muestreo.
Es de un nivel relativamente avanzado y sería útil a los estudiantes que
quieran estudiar el tema más a fondo.
CYERT, R. M., ANO DAvIDsON, N. J. Statistical Sampling for Accounting Informa-
tion. Englewood Cliffs, N. J.: Prentice-Hall, 1962.
Los primeros capítulos tratan la teoría general del muestreo. El capítulo 7
aborda la estimación de razón y el capítulo 8 el muestreo estratificado. El
estudio se hace a nivel intermedio, y se incluyen ejemplos de muestreo en
la contabilidad.
DEMING, W. EDwARDs. Sample Design in Business Research. Nueva York: John
Wiley, 1960.
Contiene varios ejemplos de muestreo en la administración de negocios,
profundizando en el muestreo .replicado. Sin embargo, el nivel es avanzado
y difícil de. seguir en muchos lugares.
HANSEN. M. H., HURWITZ, 'W. N.; AND Mxoow, W. G. Sam ple Suruey Methods
and Theory.' Nueva York: John Wiley, 1953, 2 vols.
El volumen 1 es un tratamiento autorizado y completo de los métodos y
aplicaciones del muestreo.
KISH, LESLIE. Survey Sumpling, Nueva York: John Wiley, 1965.
Constituye un tratamiento moderno y comprensivo que incorpora la ex-
periencia del Survey Research Cenjer de la Universidad de Michigan.
MENDENHALL, W.; OrT, L.; ANO SCHAEFFER, R. L. Elementary Survey Sam pling,
Belmont, Calif.: Wadsworth, 1971.
Un tratamiento completo de los métodos de muestreo de encuestas a un
nivel elemental.
SLONIM, MORRIS J. Sampling in a Nutshell. Nueva York: Simond and Schuster,
1960.
Un tratamiento corto y de fácil lectura del muestreo. Abarca muchos
tópicos importantes incluyendo los muestreos estratificados, por conglomerados,
y sistemático, con aplicaciones.
YAMANE, T. Elementary Sampling Theory. Englewood Cliffs, N. J.: Prentice-
Hall, 1967.
Una buena fuente de referencia que trata el muestreo de encuestas a un
nivel medio.
CAPITULO 13
El teorema de Rayes y el muestreo
Tabla 13·1
DlSTRIBU~IONES DE PROBABILIDAD A PRIORI Y A POSTERIORI
Probabilidad Probabilidad
a priori a posteriorl
(antes de Si la pelota _ Si la pelo la
Enent a: rasi¡a
tomar la <que se Lomó que se tomó
seleccionada
pelota) ___suse. l'S blanca
Teorema de Bayes
Tabla 13·2
TABLA DE PROBABILIDAD CONJUNTA
J
P(R) = P(W) = peA, W) +P(B, W)
= .233 + .133 = .100 + .534
= .366 = .634 1.000
prAl P(RIA)
P (A IR) - -P-(A---)-P---(-=-R---¡A---)-+-.P-(-=B---)-=-P(iR---IB=-:-) (2)
P(B1R) .
P(B) P(RIB)
prAl P(RIA) + P(B) P(RIB)
(0.667) (0.20)
0(333) (0.70 + (0.667) (0.20)
Tabla 13·3
TEOREMA DE BAYES: CALCULO DE LA
PROBABILIDAD A POSTERIORI
(Resultado muestral: una pelota roja)
{l} (2) (3) (4) (5)
Probabilidad Probabilidad conjunta Probabilidad a posteriori
EURlo: Probabilidad condicional Pi resultado P(eventolresultado
'CdSija a priori P( resultado mueslral "evenlo) muestral¡
Mlunonada P(evenlo) muestralierentov . (col. 2 X col. 3)· (col. 4 + :¡; col. 4)
Tabla 13-4
CALCULO DE LAS PROBABILIDADES A POSTERIORI
(Muestra de 2 pelotas rojas y 1 pelola blanca)
(3)
Probabilidad (4) (5)
(1 ) (2) condicional Probabilidad Probabilidad
Erent o: la rasiia Probabilidad P(r '" 21 conjunta a posteriori
seleccionada es tr priori n '" 3, P) (col. 2 X col. 3) (col. 4 + ~ col. 4)
Tabla 13·5
MUESTRAS POSIBLES DE TAMAR"O TRES y DISTRIBUCIONES
A POSTERIORI
Tabla 13-6
FRACCION DEFECTUOSA DE LOTES DE LA PARTE
ESPECIFICADA
Número de lotes
Fracción con esta Frecuencia
defeetuosa (p) fracción defectuosa relotira
.01 3 .15
.02 : 5 .25
.05 7 .35
.08 , , .. 3 .15
.10,., .. ,."." , .. ," 1 .05
.20, , 1 .05
Total , .. , ,20 1.00
Probabilidades a posterioriy toma de decisiones 397
Tabla 13-8
CALCULO DE LAS PROBABILIDADES A POSTERIORI MEDIANTE
EL TEOREMA DE BAYES
(Muestra de 25 partes, con 2 defectuosas)
Probabilidad
Evento: Probabilidad a posteriori
fracción Probabilidad coníunta P(p)P(r = 21n = 25, p)
defectuosa Probabilidad condicíonal* P(p)P(r = 21n =
a priori P(r = 21n = 25, p) 'l.P(p)P(r = tln = 25, P)
del lote
P(p) 25, P) (Col. 2 X Col. 3) (Col. 4 + ~ Col. 4)
p
(1) (2) (3) (4) (5)
Evento:
fracción Costos. Costos de oportunidad
defectuosa Probabilidad
a posteriori Inspección Aceptación Inspección Aceptación
del lote
P(f) al 100% del lote al 1000; ', del lote
f! como viene corno viene
Tabla l3-10
RESULTADOS POSIBLES PARA UNA MUESTRA DE 25 ELEMENTOS
Resultado Costo de
muestral Costo oportunidad
(número de esperado a esperado a
Acción a
defectuosos) -posteriori posteriori
posteriori
r
Tabla 13·11
COSTO ESPERADO ESTIMADO A POSTERIORI, ANTES DEL
MUESTREO
Resultado
muestral Probabilidad
(número de áel resultado Costo Valor esperado
dejectuososv muestra! esperado a (columna 2 X
r P(r) posteríori columna 3)
(1) (2) (3)
RESUMEN
El tema de este capítulo es la aplicación del teorema de Bayes a la
toma de decisiones en condiciones de incertidumbre. Ello incluye la
404 El teorema de Bayesy el muestreo
PROBLEMAS
1. Explique:
a) Las distribuciones a priori y a posteriori.
b) El teorema de Bayes.
e) Las probabilidades condicional y conjunta.
d) El costo a post eriori esperado.
e) El valor esperado de la información muestra\.
2. Verifique las probabilidades posteriores P(AIW) = 0.158 Y P(B W) = 0.842
para el ejemplo dado en las páginas 391-393.
3. Verifique las probabilidades posteriores de la tabla 13-5.
4. Verifique los cálculos que se muestran en la tabla 13-10, para los renglones
que se indican a continuación;
a) El renglón de O defectuosos.
b) El renglón de 1 defectuoso.
e) El renglón de 3 defectuosos.
d·) El renglón de 4 defectuosos.
Problemas 405
10. Una compama cubre las demandas de piezas No. 805 con .lotes de 1,000
unidades. Ha sido muy difícil controlar la calidad de dicha pieza sin realizar'
un complicado reajuste al equipo de producción. El costo de dicho reajuste es
de $400. Cuando el equipo estaba ajustado,sólo el 2% de las piezas tenía
defectos; sin el ajuste la calidad ha sido muy variable, como lo muestran los
datos de los últimos 20 lotes:
Fracción
defectuosa N? de
sin ajuste lotes
.02 S
.05 8
.10 4
.15 2
.20 1
20
Está por fabricarse un lote de dicha pieza y la gerencia estudia si vale la
pena gastar en el ajuste o si se corre el riesgo de tener ,un alto porcentaje
de piezas defectuosas. Ei Costo de reemplazo por unidad. defectuosa es de $5.
a-) Haga una tabla de resultados y' 'calcule el valor esperado' de cada caso.
¿ Cuál caso es preferible?
b) ¿Cuál es el EVPI?
e) Suponga que se decide poner el equipo a funcionar y que de las primeras
20 piezas 2 están defectuosas. ¿ Detendría usted la fabricación yrnandaría
ajustar el equipo o dejaría que continuara el proceso de fabricación?
11. (Continuación del problema 10). Suponga que de las 20 primeras piezas nin-
guna estaba defectuosa. ¿ Cuál es el costo a posteriori esperado para cada caso?
¿ Qué caso es preferible? ¿ Cuál es el EVPl a posteriori?
12. (Continuación de los problemas 10 y 11.)
a) Encuentre el costo a post eriori esperado para otros resultados muestrales
relevantes.
b) ¿ Cuál es el valor esperado de la información muestral para una muestra
de 20 piezas en esta situación decisiva?
e) Suponga que el muestreo cuesta $20, más $2 por elemento muestreado. ¿ Se
debe de tomar una muestra de 20 piezas?
13. Como presidente de la sociedad de alumnos usted está planeando el banquete
anual. Hay 1,000 miembros de la sociedad de alumnos. Basándose en la asis-
tencia de años anteriores, usted da la siguiente probabilidad al número de
alurnnos que asistirán este año al banquete:
El organizador del banquete le informa que debe usted proporcionarle el
número de asistentes en fecha próxima. El costo por cubierto es de $6 para
la asistencia que se especifique. Habrá opción a un número extra de cenas
si es que la asistencia rebasa el número especificado el día del banquete
(después del registro, cuando se conoce el número exacto de asistentes), pero
Problemas 407
N' de
asistentes Probabilidad
100........... .2
200 ~2
300.... .3
400.............. .2
500...... ....... .1
50 5% .40
so '" S .30
100 10 .20
]20 12 .10
BIBLIOGRAFIA
La bibliografía de este capítulo se incluye en la lista que aparece en la
página 437.
CAPITULO 14
La toma de decisiones y el
muestreo: la distribución normal
Costo de la
'lj
acción 1
Cl)'-
'lj
oa
'"l::
-e
¡ ......
........
'" o ..................... ~
o c.
U o ............... Costo de la
-> acción 2
---------_/
o K = punto de equilibrio
variable desconocida y
Figura 14-1
Funciones de costo de oportunidad para un problema de dos
alternativas con funciones lineales de beneficio
(1)
donde
K':':'M o
D= (2)
So
En las fórmulas anteriores, t ss la pendiente de la función de costo
de oportunidad; M¿ y S¿ son los parámetros de la distribución normal de
L(Y) y P(Y)
O'-==-------~-.I"'----J..----==:...-- y
Figura 14-2
Función del costo de oportunidad L(Y)
y la distribución normal P(Y)
412 La toma de decisiones y el muestreo: lo distribución normal
p!yl
Probabilidades
de venta
Figura 14-3
Distribución normal de decisiones sobre ventas
posibles en un nuevo territorio
y así, con estos resultados, quien toma las decisiones debería vender en
la nueva zona.
La función de costo de oportunidad para esta decisión óptima es:
Si y;::: 40,000
Costo de oportunidad = L( Y) = O
ó L(Y) = (0.10) (40,000) - 1") dólares
Si Y < 40,000
= 4,000 dólares - (0.10) Y.
Usando las ecuaciones 1 y 2, podemos determinar el costo de oportu-
nidad esperado para esta decisión (el cual es el EVPI, ya que ésta es la
decisión óptima):
K- M o 40,000 - 50,000
D= - - - - - = 0.40
So 25,000
(0.10) (25,000) . L N(0.40)
(0.10) (25,000) . (0.2304) = 576 dólares
piado utilizar procedimientos de. descuento. Además, los factores tributarios asocia-
La distribución normal en la toma de decisiones 415
--
Sl.200
1,000 ,...
_,...
,...----
Tipo B
800 ., (automático)
600 I
1
I
400 I
I
Pun to de equilibrio :
200
-, K 50
Horas de trabajo requeridas (en millares)
Figura }4-4
Costos de las dos máquinas en función de las
horas de operación
dos con la depreciación son pertinentes a la decisión. Hemos omitido esos factores
para concentrarnos en el. análisis de las decisiones. Ver N. Harlan, C. Christenson,
andR. VanciI, Managerial Economics: Text and Cases (Homewood, IlI.: Richard
D. Irwin, 1962), pp. 239-265, para un estudio sobre esos tópicos.
416 La toma de decisiones y el muestreo: la distribución normal
400 Tipo A
-.
(convencional)
TipoB
(automático)
200 ,/
,
.......... , K, punto de equilibrio
............... l
50
Horas de trabajo requeridas (en millares)
Figura 14-5
Funciones de costo de oportunidad para las
dos máquinas
donde D
K - M
So o
I
=
I
D =l~o'ooo - 50,00°1_
20000
, - 0.50
DETERMINACION DE LA DISTRIBUCION
A POSTERIORI
Distribuciones implicadas
Puesto que el análisis implica cuatro distribuciones, las resumiremos
a continuación, junto con los símbolos utilizados. Las primeras dos dis-
tribuciones fueron descritas en el capítulo 9. Ellas representan la con-
ducta de la variable aleatoria X y la media muestral X. Las últimas
dos distribuciones representan la incertidumbre de quien toma las decisio-
nes respecto a la localización dep" la media poblacional, tanto antes
como después de que obtiene la información adicional de una muestra.
Las distribuciones se listan en la tabla 14-1 y se explican abajo.
1. Población donde se toma la muestra. La población de la cual
se toma una muestra es una recopilación de elementos del mundo real
(personas, casas, cuentas, etc.) que se pueden clasificar por alguna carac-
terística (ingreso, número de ha bitaciones, dólares resultantes, etc.). Al
tomar una muestra de estos elementos, quien toma la decisión puede
obtener alguna información quele ayudará a tomar su decisión. En par-
ticular, la media muestral X da una estimación de p, que es la media
desconocida de la población.
418 La toma de decisiones y el muestreo: la distribución normal
Tabla 14-1
Variable Desviación
aleatoria Media estándar*
1 1 1 (el denominador en
-
S\
= -S2- +ox- 2
(4 )
0 la fórmula 3)
Note que:
a) La media a posteriori es un promedio ponderado de la media a
priori y la media muestral, con ponderaciones que son los recíprocos de
las variancias de las dos distribuciones. Una pequeña variancia significa
una alta precisión de la media y por lo tanto una mayor ponderación.
Así, si la distribución a priori es relativamente reducida (o sea, So es
menor que al: y por lo tanto 1/S 0 2 es mayor que 1/a:x2 ) , la media a
priori recibe mayor ponderación. Pero si la muestra es relativamente pre-
cisa (o sea, ox es más pequeña que So, y por lo tanto 1/ ox2 es mayor que
1/S02 ) , la media muestral recibe una mayor ponderación. Si hubiera cierto
conocimiento a priori, la desviación estándar a priori S'0 sería muy grande,
y la distribución a posteriori reflejaría casi por completo el resultado
muestral,
b) El parámetro de ponderación que recibe la media muestral depen-
de de n, el tamaño de la muestra. Recuerde queux = avn.
Mientras
n se incremente, ox decrece, y la muestra se vuelve más precisa. Así,
mientras el tamaño de la muestra se incrementa, eÍ parámetro recibido
por la rndia rnuestral (1/ ox2 ) , se incrementa, Y. el resultado muestral
influye más en la distribución a posteriori. Para muestras muy grandes,
la distribución a priori "se va a pique" y virtualmente no tiene efecto
sobre la distribución a posteriori.
e) El recíproco de la variaricia a posteriori es la suma de los recí-
procos de las variancias de las distribuciones a priori y muestra]." Esto
implica que la variancia a posteriori (o desviación estándar) es más pe-
queña ya sea que la variancia a priori o la variancia muestral (o desvia-
ción estándar). En otras palabras, hay menos incertidumbre en la dis-
tribución a posteriori que en cualquiera de las otras.
Supuesto 3: Problema de doble acción con funciones de utilidad lineal.
Los postulados (1) Y (2) anteriores son suficientes para garantizar que
lad istribución a posteriori es normal. Este resultado puede ser suficiente
para tratar con ciertas situaciones ded ecisión. Sin embargo, como lo
hicimos anteriormente en este capítulo, restringiremos el análisis a pro-
blemas en que hay solamente dos acciones, y las utilidades (o costos)
de cada acción se pueden representar por una función lineal. Este su-
puesto nos permitirá reducir a simples fórmulas el cálculo de la utilidad
esperada, el valor esperado de la información perfecta y el valor esperado
de la información muestral,
7 Para consulta, ver R. Schlaifer, Introduction for Business Decisions, pág. 302
y siguientes.
Determinación de la distribución a posteriori 421
Ejemplo
=1 ~ 1= 0.4
25 27
D
LN(D) = L s(O.4) = 0.2304 del Apéndice E
y
M" X 27 26
-S2 +---;-
o 111' 5~ + 22
~---'---' = - - - - = 26.14
1 1 1 1
- + -.. - + -2
S¡, 0"k 5" 2
De la ecuación 2,
1 1 1
- - - + - = .;L;; + - == 0.29
Si s¡, I1f 52 2"
B Note que si la muestra contiene más del 5% de población, se debe incluir
Entonces
Si = 1/0.29 = 3.45
y
s, = V 3.45 = 1.86
D
=IK- M'I =1
S,
. - 26.14 ~ _
25 0
1.86 I-0.61
LN(D) = 0.1659 del Apéndice E
EVPI = tS,LN(D) = (tOO) (1.86) (0.1659) = $123
111
-=~+-
Si S~ at
Paso 5: determinar la reducción de la »ariancia. Designe una
Cantidad S:, que se obtiene como sigue
S,; = S~ - Si (5)
Ejemplo
pregunta: "¿ qué tan grande debe ser la muestra, incluyendo la posibilidad
de n = 0, no tomar ninguna. muestra?" Esto consiste en comparar el
valor de la muestra (EVSI) con el costo del muestreo.
Generalmente, el costo del muestreo, aumenta como función lineal
del tamaño de la muestra tal como se indica en la figura 14-6.
Costo del
muestreo
C (n)
} Costo fijo
O:"--------------n
, Tamaño de la muestra
Figura 14-6
Costos del muestreo
,
Tabla 14·2
CALCULO DE EVSI PARA VALORES SELECCIONADOS DE n
(Decisión d~ un mayorista respecto a la compra de mercancía)
de la muestra n, con una curva suavizada trazada a mano que une los
puntos calculados en la tabla 14-2, junto con el punto n = 0, para el
que EVSI = O. Note que el EVSI se aproxima al valor esperado de la
información perfecta (EVSI) para valores muy grandes de n.
100
Figura 14-7
VALOR ESPERADO DE LA INFORMACION MUESTRAL
y CO~TOS DEL MUESTREO
(Decisión de Un mayorista respecto a comprar mercancía)
Supongamos que costara $100 tomar la muestra (un costo fijo) más
$2 por elemento incluido en la muestra. ASÍ, el costo de muestreo se
puede expresar con la ecuación:
C(n). = $100 + $2 n
Esta ecuación se muestra también en la figura 14-7. En esta figura
se puede ver que el valor de la muestra (EVSI) es mayor que el costo
para valores de n entre aproximadamente n = 5 y n = 150. Por lo tanto,
será preferible tener una muestra entre 5 y 150 a no tomar ninguna.
200
Figura 14-8
GANANCIA NETA ESPERADA DEL MUESTREO
(Decisión de un mayorista respecto a la compra de mercancía)
Puede suceder que C (n) sea mayor que el EVSI para todos los
valores de n, como se ilustra en la figura 14-9. Ya que el valor obtenido
del muestreo (EVSI) nunca excede los costos del muestreo, no se debe
tomar muestra alguna.
Dólares
EVSI
I<.-------- n
Tamaño de la muestra
Figura 14-9
VALOR ESPERADO DE LA INFORMAClON MUESTRAL
y COSTO DEL MUESTREO: CASO ESPECIAL
RESUMEN
Fórmulas
EVPI = tS"L.\(D)
donde:
D=-~ IK=M\
432 La toma de decisiones y el muestreo: la distribución normal
111
--=-+-
S; S~l u}
donde
PROBLEMAS
1. Exponga:
a) El significado de una distribución de toma de decisiones norma!.
b·) Por qué tiene valor la información muestra!.
e) La diferencia que existe entre una distribución a priori y una a posteriori.
d) El efecto del tamaño de la muestra sobre el EVSI.
2. En los incisos (a) hasta (d) calcule el EVPI, utilizando los valores indicados
de la media M¿ y la desviación estándar So de la distribución normal postu-
lada, el valor de equilibrio K, y la pendiente de la función de costos de
oportunidad t.
Probabilidad
Valor al final
del año A B e
$ 90 .." ,.. .20 .30
100 " , 50 .20 .10
no , ., .40 .20 .10
120. .10 .20 .10
130 . .20 .40
Totales 1.00 1.00 1.00
a) Suponga que el inversionista desea comprar una accion de cada serie. Su-
ponga que las series son .independientes (es decir, el valor de una al final
del año no está relacionado con el valor de ninguna otra). Utilice el
análisis de Montecarlo para calcular la distribución de probabilidad aso-
ciada al valor de la cartera de tres series al final del año. Calcule la media
y la variancia de esta distribución.
b) Compare la media y la variancia de la cartera obtenidas en el inciso a
con las series A y B, pero sí está relacionada con la serie C como se muestra
tres acciones de la serie A, tres acciones de la serie B, o tres acciones de la
serie C.
7. Tome como referencia el problema 6. Suponga que una cuarta serie, la serie D,
está disponible a un precio de $100 por acción y que no está relacionada
con las series A y B, pero si está relacionada con la serie C como se muestra
por la probabilidad dada en la tabla.
Análisis del riesgo 461
$ 90 .........
100 ...... ..
no ... ,
. . . . .. . .
.............
.10
.20 .10 .30
.10 .
.10 .10
120 .... '.""" o •••• .10 .10
130 ... " ..... .. .20 .10 .10 .40
Probabilidad total .. '" .20 .10 .40 .20 .10
--
1.00
Demanda en
unidades Probabilidad
o . 0.10
1 0.30
2 .. . .. .. . . ... .. .. .. ..
~
0.20
3 '0.10
4 0.10
5 0.10
6 0.05
7 0.05
Total 1.00
El tiempo de demora (el tiempo desde que se hace la orden hasta que
se recibe) es de 20 días. Suponga que los costos por carecer de inventario son
k = $3 por unidad para cada artículo que esté agotado. El costo de un pedido
es en = $10, Y el costo por mantenimiento de una pieza en inventario es 50
centavos por mes (30 días).
10. Tome como referencia el problema 9. Suponga que en vez de utilizar respec-
tivamente cuatro y tres turnos para la descarga de un buque utilizando los
métodos A y B, los tiempos de descarga siguen las siguientes distribuciones
de probabilidad:
Análisis del riesgo 463
2.... O .20
3 , 30 .60
4 , . . .. . .. . . . ..40 .20
S 30 O
Total.. 1.00 1.00
El método de Montecado es un medio para simular una situación real que im·
plique elementos probabilísticos. El método se utiliza para determinar proba·
bilidades complejas y estimar beneficios esperados o costos por procedimientos
empíricos en vez de utilizar el análisis teórico. Muchas decisiones administrativas
importantes implican probabilidades que serían difíciles de obtener por otros
métodos. Algunos problemas no admiten una solución directa; otros tendrían
una solución muy costosa o que se tardaría mucho tiempo en obtener y en otros
casos, las condicion~s experimentales no se pueden reproducir. Por lo tanto, el
método de Montecado tiene gran aplicación en áreas tales como problemas de
inventario, organización de operaciones en el tiempo, publicidad, asignación de
recursos y planeación a largo plazo.
El método es una técnica simple que no requiere fórmulas, sólo una tabla de
números aleatorios o una computadora. Sin embargo, agrupa los principios de las
distribuciones de probabilidad, el muestreo y la toma de decisiones (ya estudia-
dos) para dar soluciones a problemas complejos.
Considere por ejemplo ul).a situación de línea de espera o problema de colas,
tal como en el mostrador de una línea área. Los clientes llegan en forma variable
de acuerdo a algún proceso probabilístico. Pueden ir a cada uno de varios mos-
tradores disponibles. El tiempo necesario para atender un cliente es variable
(probabilístico) y depende de la cantidad de equipaje, la complejidad de la con·
traseña y así sucesivamente. El administrador de esta operación puede estar in·
teresado en las probabilidades de tener distinto número de clientes en espera,
o la probabilidad de que el cliente tenga que esperar en la fIla más de cinco mi·
nutos. Debido a la complejidad de un sistema tal, es imposible-excepto en casos
muy sencillos-estimar dichas probabilidades por métodos analíticos. 1 Por otra
parte, es posible simular tal sistema de espera y estimar las probabilidades con
el método de Montecado. En las próximas páginas se dará un ejemplo.
Para entender la idea de Mantecado, considere un problema muy sencillo,
como es determinar las probabilidades de las varias cantidades de caras que se
439
440 Los métodos de Montecarlo en la toma de decisiones
Tabla 15-1
SIMULACION DE MONTECARLO DE UNA OPERACION
DE PRODUCCION
Política: fundir un grupo de 13 unidades
Costos
Fundición
por P,-esa.do
Prueba Números aleatorios* Iniciación pfJr unidad Total
unidad
* Los números encerrados en círculos indican partes defectuosas; los guiones indican partes
fundidas pero no fresadas.
3. O para garantizarle una ganancia si decide no actuar, cuando de hecho se podría haber
obtenido una ganancia. En otras palabras, el seguro pagaría el costo de oportunidad.
Como ejemplo práctico de una situación tal, considere lo sigiente de un artículo to-
mado de primera plana del The Wall Street Journal del 6 de diciembre de 1966; "La
compañía Good Weather, lnc., agencia de seguros de Long lsland que se especializa
en riesgos poco usuales, dice que en los pasados seis años, un importante fabricante de
qulces ha comprado tina póliza de seguro contra lluvia o nieve en el Día de San Valen-
tín. Henry Fox, el presidente de la compañía, dice: "puesto que la compra de dulces es
impulsiva, las tiendas minoristas de la compañía quedarían con una gran cantidad de
dulces si el tiempo fuera malo. Además la gente, después del Día de San Valentín, no
compraría dulces en las cajas en forma de corazón, por temor a que estuvieran pasados.
De manera que se asegura al fabricante contra el gasto de transferir los dulces a las cajas
normales. La póliza es por casi $ 250,000 Yla primera es de $10,000 Cubre varias ciu-
dades en el noreste y la compleja fórmula de pago está basada en la cantidad de nieve o
lluvia y en el número de horas que nieva o llueve."
Muestreo de Montewrlo en una distribución discreta 443
Tahla 15·2
COSTOS ESTIMADOS PARA CUATRO POLITICAS
Simulación de Montecarlo para una. operación
de producción
Política Costo {'stimado
Tabla 15·3
DISTRIBUCION DE PROBABILIDAD DE VENTAS
Ventas Asignaciones
Probabilidad
diarias, de números
Probabilidad acumulativa
unidades aleatorios
Númer-o
Dia aleatorío Ventas
1 504 52
2 113 • 51
3 360 52
4 559 52
5 149 51
6 837 53
Probabilidad
,1
acumulativa
(tiempo t)
~
1.00
(
.50
II.........._L-......L._.L.J.......L._'--......L._'---'-_'--......L._'--- t
2 3 4 5 6 7 8 9 10 11 12
Tiempo entre llegadas (minutos)
Figura 15·1
DISTRIBUCION EXPONENCIAL ACUMULATlVA
Tiempo entre llegadas
Tiempo de /legada =
Tiempo aleatorio tiempo de la /legada
entre llegadas de anterior + tiempo
Número de llegada Número aleatorvo la figura 15--1 entre llegadas
o 0:00.0
1 .73 4.3 0:04.3
2 .04 0.1 0:04.4
3 .97 11.3 0:15.7
4 .38 1.6 0:17.3
5 .68 3.8 0:21.1
6 .26 1.0 0:22.1
llegada
No. Tiempo Escala Tiempo de Tiempo en que
0:00.0 de Tiempo espera (minutos) se inicia el servicio
000
:
1 0:04.3
0:04.3
0:04.4
1:'9
2 0:05
0:07.3
0=10 0:10.3*
0:15
3 0:15.7 O 0:15.7
4 0=17.3
, 11.4
0:18.7
0:20
5 0:21. 1 0;6
6 0:22.1 0:21.7
12.6
0:2'> 0:24.7
7 0:25.4
8 0:26.3
9
10
0:27.4
0:27.5
12.3 0:27.7
6.3
0:33.7
0:35
9.2
O:36.7
9.7
0:40 O:39.7
Figura 15-2
DIAGRAMA ESQUEMATlCO DE LA SITUACION DE COLAS
EN UN CANAL
Tabla 15-6
SIMULACION DE UNA SITUACION DE ESPERA (COLAS)
Probabilidad acumulativa
(Demanda X)
1.0
.75
.50
.25
5 10 j5 20 25 X
Demanda (miles de unidades)
Figura 15-3
D:~--+------Ganancia
La ganancia es O
Figura 15-4.
Beneficios
(miles de dólares)
100
,--
60 /
/
//,
/ Máquilla B
60 /
/
/
/
/
40 / Máquina A
/
/
/
20
-20
Figura 15-5
4. Puesto que quizá esas horas estarían distribuídas en varios años, es apropiado utilizar
procedimientos de descuento. Además, los factores tríbutariosasociados con la depre-
ciación son pertinentes a la decisión. Hemos omitido esos factores para concentrarnos
en el análisis de las decisiones. Ver N. Hadan, C. Christenson, and R. Vallcil, Managerial
Economics: Text and Cases (Homewood, 1Il.: Richard D. Irwin, 1962), pp. 239-65,
para un estudio sobre esos tópicos.
Muestreo de Montecarlo en la distribución continua 453
5. En los problemas de dos acciones, la pendiente de las partes que no son cero de las
funci6n de costos dc oportunidad es siempre la diferencia existente entre las pendientes
de las funcioncs dc ganancia o costo. En los cjemplos anteriores la pendiente de una de
las funciones de ganancia era cero, por lo que no tuvimos que hacer este punto.
Análisis del riesgo 455
producto. Suponga que las estimaciones para esos factores se dan como
las distribucion~s de probabilidad de las tablas 15-8 y 15-9. Suponga
también que el precio de venta es alrededor de $5 por unidad, que el
costo de la inversión es conocido y alcanza una cantidad de $10,000. Si
e representa el costo unitario y S las ventas (en miles de unidades), la
ganancia (en miles de dólares) es:
Ganancia = S(5 - C) - 10
Tabla 15·8
DISTRIBUCION DE PROBABILIDAD PARA EL COSTO
VARlABJ_E POR UNIDAD
7 Para consulta, ver R. Schlaifer, Introduction for Business Decisions. pág. 302 y siga.
Análisis del riesgo 457
Tabla 15-10
ANALISIS DE MONTE CARLO PARA LA DECISION DE INVERSION
Tabla 15-U
DISTRIBUCION DE FRECUENCIA PARA
LAS GANANCIAS
Ganancia Frecuencia
(miles) Frecuenci:a relativa
La probabilidad acumulativa de
beneficios es por lo menos X
1.0
.80
.60
.40
.20
Figura 15·6
PROBABILIDAD ACUMULATIVA DE LAS UTILIDADES
Decísión sobre la adquisición de maquinaria
Problemas 459
RESUMEN
PROBLEMAS
3. Tome como base el problema 2. Para las 25 pruebas, calcule una distri-
bución de ganancias para cada máquina. Luego trace una curva de frecuel:-
cia acumulativa (tal como la de la figura 15-6) para comparar el ~
relativo a cada máquina.
4. Con base en el ejemplo de las pagmas 437-439, suponga que el nn-a tIr
ventas y el costo unitario no eran independientes, sino que estaban rda-
cionados como se muestra en la siguiente tabla:
460 Los métodos de Montecarlo en la toma de decisiones
Menos de 10. 11
O O .10 .20 .40 .20 .10
10 Y meno!> de <!O .... O .10 .20 .40 .20 .10 O
20 y más .. .10 .20 .40 .20 .10 O O
Probabilidad
Valor al final
del año A B e
$ 90 .. _ . .20 .30
100 ........•........50 .20 .10
110 .40 .20 .10
120 10 .20 .10
130 . .20 .40
Totales 1.00 1.00 1.00
a) Suponga que el inversionista desea comprar una aCClOn de cada serie. Su-
ponga que las series son independientes (es decir, el valor de una al final
del año' no está relacionado con el valor de ninguna otra). Utilice el
análisis de Montecado para calcular la distribución de probabilidad aso-
ciada al valor de la cartera de tres series al final del año. Calcule la media
y la variancia de esta distribución.
b) Compare la media y la variancia de la cartera obtenidas en el inciso a
con las series A y B, pero sí está relacionada con la serie e como se muestra
tres acciones de la serie A, tres acciones de la serie B, o tres acciones de la
serie C.
7. Tome como referencia el problema 6. Suponga que una cuarta serie, la serie D,
está disponible a un precio de $100 por acción y que no está relacionada
con las series A y B, pero si está relacionada con la· serie como se muestra e
por la probabilidad dada en la tabla.
Análisis del riesgo 461
Demanda en
unidades Probabilidad
O . 0.10
1 0.30
2 0.20
3 0.10
4 0.10
5 0.10
6 0.05
7 0.05
Total 1.00
El tiempo de demora (el tiempo desde que se hace la orden hasta que
se recibe) es de 20 días. Suponga que los costos por carecer de inventario son
k = $3 por unidad para cada artículo que esté agotado. El costo de un pedido
es Co = $10, y el costo por mantenimiento de una pieza en inventario es 50
centavos por mes (30 días).
10. Tome como referencia el problema 9. Suponga que en vez de utilizar respec-
tivamente cuatro y tres turnos para la descarga de un buque utilizando los
métodos A y B, los tiempos de descarga siguen las siguientes distribuciones
de probabilidad:
Análisis del riesgo 463
2.... O .20
3 30 .60
4 , , .40 .20
5 · 30 O
Total. .. .. l.00 1.00
DIAGRAMAS DE DISPERSION
A B
Ingreso familiar y gastos Millones de cerdos
para vivienda de criados y precio de
familias seleccionadas los mismos, por años
Gastos para vivienda Precio de los cerdos
(en millones de dólares) (en dólares)
3 • • •
• 20
•
• • • ..•
2 • • • •• •
• • • •
• •
• •
• • 10 •
• • ..
• •
•
o O'----..J.S,------,..LO---,I-S - 100
Ingreso familiar (en millares
de dólares)
Figura 16-1
Correlaciones positivas y negativas
A B
Galones de gasolina usada y millas Ingreso familiar y edad
viajadas en viajes del jefe de familia
tipo (familias seleccionadas)
Ingreso familiar
Galones de gas usada (en millares de dólares)
15
•
I •
.. . ...• -...., .
'''''''',
~
""
.....
/
.'~:\
20
10 '.'-;'
ti ,. • •
• ••
10 • •
5 •
o '-;1'-'2:':0--f.
30o---'4'=-0--'5:':0"--6-:l:0o---:::!7'=-0--:8:':0-
Edad del jefe de familia
Figura 16-2
Correlaciones lineal y curvilínea
ANALISIS DE REGRESION
El primer paso es expresar la relación que hay entre las dos variables
como una línea o ecuación matemática. La variable que se va a predecir
se designa como Y, variable dependiente. La otra variable, X, es la
variable independiente o de predicción. Entonces, la variable dependiente
se expresa como alguna función de una variable independiente; o sea,
y = [(X).
468 Correlacion y regresión simple
Tabla 16-1
Calificaciones obtenidas por 20 trabajadores
en las pruebas de destreza manual y de productividad
Calificación
en la prueba Productividad
Trabajador X y
A ' 53 45
B 36 43
C 88 89
D 84 79
E 86 84
F 64 66
G 45 49
H. .48 48
1. 39 43
J 67 76
K 54 59
L 73 77
M 65 56
N 29 28
O 52 51
P 22 27
Q; 76 .76
R 32 34
S , 51 60
T 37 32
Análisis de regresión 469
Productividad
y
100
80
60
I
I
I
I
147
40
20
o
....-----50 puntos
Jl,1
~---..L-----I----....J..----.l.--__,_----l--,x
20 40 60 80 100
Califaciones obtenidas en
Fuente: Tabla 16-3 las pruebas
Figura 16-3
Método gráfico para estimar la productividad
(a partir de las calificaciones obtenidas en las
pruebas hechas a 20 trabajadores)
regresión debe ser curva. Por tanto, se ha dibujado una línea recta a
través del promedio global y tan cerca de los promedios de grupo como
es posible. Los valores de a y bpara la línea de regresión se estiman en
la gráfica. La línea cruza el eje Y (cuando X = O) aproximadamente
en 4.0.. Así, la intersección a es 4.0. Sobre 50 puntos de calificaciones de
pruebas (de 20 a 70), el valor de Yc aumenta de 23 a 70, una diferencia de 47
unidades en la escala de tasa~ de producción. Así, la pendiente se estima que es
47/50 = 0.94. Este es el coeficiente de regresión b.Laestimación gráfica de la
línea de regresión se puede escribir ahora como
Yc = 4.0 + 0.94X
El método de los mínimos cuadrados. U na recta ajustada me-
diante mínimos cuadrados tiene las· siguientes características:
1. Permite el mejor ajuste de datos porque con ella la suma de las
desviaciones al cuadrado de la línea, }; (Y - Y c ) 2, es menor que la
obtenida con cualquiera otra recta, Esta propiedad da origen al
nombre de "mínimo.s cuadrados".
2. Las desviaciones arriba de la línea son iguales a las desviaciones bajo
la línea, en promedio. Esto significa que el total de las desviaciones
positivas y negativas es cero, o }; (Y - Y c ) = O.
3. La línea recta pasa a través de la media total de los datos (X, Y).
4. Cuando los datos representan una muestra de una población mayor
la línea de mínimos cuadrados es una estimación "óptima" de la línea
de regresión de la población. Esta propiedad se analizará con mayor
detalle posteriormente.
};Y = na + b};X
};XY = a};X + b};X2
donde n es el número de pares de elementos en la muestra.
Los cálculos se pueden simplificar en la mayoría de los problemas
uúdiendo tanto X como Y, como las desviaciones de sus medias X y Y.
Estas desviaciones se designan por letras minúsculas x y y, donde x = X - X
y y 7"'. Y-Y. Sin embargo, no es necesano sustraer la media de cada
valor de X y Y. Un procedimiento más simple es como sigue:
1. Calcule el producto XY, y calcule o busque los cuadradbs X2 y P en
el·. Apéndice G para cada par original de observaciones.
Análisis de regresión 473
Suma ~XY
Menos media por la suma -X~Y
Igual suma ajustada =~xy
};xy 6,974
b =- = - - = 0.943
~X2 7,395
a = Y- bX = 56.10 - 0.943(55.05) = 4.2
Por lo tanto, la línea de regresión es
1 Note que };x~ == ~(X - X)2 == ~(X2_ 2X + X2) == IX2 _ 2X:EX + nX2.
~ro puesto que nX == :2X, tenemos :Ex 2 == :EX2 - 2X:EX + (nX)X =IX2 _
XIX. Las fórmulas para :Ey 2 y Ixy se pueden deducir en una mane.ra similar.
474 Correlación y regresión simple
Tabla 16-2
Regresión. entre las calificaciones obtenidas por 20 trabajadores en las
pruebas de destreza manual y la de productividad
Calificaci6n -
obtenida en Productividad Xy Y2
Trabajador
la prueba Y
X2
X -
A 53 45 2,385 2,809 2,025
B 36 43 1,548 1,296 1,849
e 88 89 7,832 7,744 7,921
D 84 79 6,636 7,056 6,241
E 86 84 7,224 7,396 7,056
F 64 66 4,224 4,096 4,356
G 45 49 2,205 2,025 2,401
H 48 48 2,304 2,304 2,304
1 39 43 1,677 1,521 1,849
J 67 76 5,092 4,489 5,776
K 54 59 3,186 2,916 3,481
L 73 77 5,621 5,329 5,929
M 65 56 3,640 4,225 3,136
N 29 28 812 841 784
o 52 51 2,652 2,704 2,601
P 22 27 594 484 729
Q 76 76 5,776 5,776 5,776
R 32 34 1,088 1,024 1,156
S 51 60 3,060 2,601 },600
T 37 32 1,184 1,369 1,024
Regresión curvilínea
Productividad
y
lOO
00
60
20
20 40 60 80 lOO X
Calificaciones obtenidas en las pruebas
Fuente: Tabla 16-2
Figura 16-4
Línea de regresión ajustada a partir de mínimos cuadrados y error estándar
de estimación (calificaciones y estimaciones de 20 trabajadores)
Tabla 16-3
Fertilizante nitrogenado y cosechas de maíz en dieciséis campos
Cosecha de maíz
Cosecha total
Cosecha promedio
12
(bushels por acre) 18
36 r72
18
40
80
80
96
296
74
72
112
112
128
424
106
110
122
130
142
504
126
Cosecha de maíz
(bushels por acre)
y
140
•
• •
120
•
•
PARABOLA~ ~
100 7
~
•
BO ••
Curva gráfica ~ •
/;
/;
60 h
/,
h
!J
¡)
¿
40 ~ •
20
0 L - - - - - - - - -L - - - - - - - -: . ! . 0 - - - - - - - - -l..:-0 X
0 4O e 12
Cantidad de nitrógeno (libras)
Fuente: Tabla 16.3
Figura 16-5
Fertilizan te nitrogenado y cosechas de maíz en
di'ecis~s campos
a =y- bX - c:EX~/n
Este método no se ilustra aquí, puesto que en la práctica es más simple utilizar
regresión múltiple, tal como se describe en el capítulo 17. O sea, podemos tratar
X~ como si fuera una nueva variable X"' Luego, si a la variable original la llama-
mos Xl y cambiamos las constantes b y e a b 1 y b~, respectivamente, la ecuación
de la parábola se vuelve Y" = a + b1X¡ + b"X~, Esta es idéntica a la ecuación
de la regresión múltiple, de manera que podemos utilizar las mismas técnicas para
encontrar a, b 1 Y b l'
Análisis de regresión 479
relación lineal entre los logaritmos de las ventas de Sears Roebuck y los
ingresos ya deduCidos de los Estados Unidos, ilustrada en la figura 16-11
que aparece más adelante en este capítulo.
Otras transformaciones. El uso de logaritmos es un caso especial
de la técnica más general de transformación de variables para conseguir
relaciones de línea recta. Si la relación logarítmica no es lineal, podemos
transfonnar una variable en otra función, tal como el cuadrado, la raíz
cuadrada, el recíproco o combinaciones de esas funciones. Muchos pro-
gramas de cOliiputadora incorporan automáticamente esas transfonnacio-
nes en el cálculo de ecuaciones de regresión. a El problema de cuál trans-
formación utilizar en una situación específica se resuelve por medio del
criterio y la experiencia. El analista debe seleccionar funciones que sean
lógicas y luego probar varias hasta encontrar la que produce un ajuste
lineal satisfactorio.
Syx -
-J};y'n-2
- b};x.y
s =j_};.c...Y_
YJ(
2
_b_};_xy:-
-,--,.
n-2
== }7'050 - 0.943(6,974)
20 - 2
= 5.13
El error estándar· de estimación· se ha obtenido en la figura 16-4 arriba
y abajo de la línea de regresión (ver ·líneas punteadas). Si los puntos
están dispersos al azar alrededor de la línea de regresión (o sea, si
epsilon E = Y - Yo sigue más o menos una distribución normal), enton-
ces aproximadamente dos terceras partes de los puntos deben quedar
dentro de esta banda. Por lo tanto, la gerencia podría predecir que un
aspirante que presenta la prueba y obtiene 40 de calificación en ella
podría conseguir una tasa de producción de 42 -1- 5, o entre 37 y 47, con
dos oportunidades en tres de estar en lo cierto. Este error estándar tam-
bién se puede comparar con el error estándar de estimación que se
obtiene al usar pruebas de aptitudes como medios de predicción; entre
estas pruebas están las de aptitud mecánica, habilidad matemática, etc.
(El intervalo de confianza anterior se ampliará un poco si se toma en
cuenta el error, de muestreo de la línea de regresión misma.)
El error estándar de estimación también es útil para determinar cuál
de las dos curvas tiene el mejor ajuste. Así en el experimento de la
cosecha de maíz (tabla 16-3 y figura 16-5), el error estándar de estima-
ción respecto a la parábola es:
.J(5;8f7
16="2= 20.4 bushels por acre
COEFICIENTE DE DETERMINACION
No se
explica
Desviación total
·de la media
Explicada
porX
o x
Figura 16-6
Componentes del coeficiente de determina-
ción
2 2 2
Sy = sYc-Y + SYX
El error estándar de estimación (Syx) mide las desviaciones de los
puntos alrededor de la línea. Su cuadrado representa la variancia de Y
que permanece (o sea, la variancia no explicada) después de que se ha
ajustado la línea de regresión a los datos. El término S2Yc- -y es .lavariancia
de los puntos en la línea de regresión alrededor del valor medio Y (o la
variancia explicada por la línea de regresión).
Al expresar la variancia explicada como una razón de la variancia
total de Y, obtenemos el coeficiente de det,erminación:
2
Sy _:¡; variancia explicada
1"'2 = _c_ =
s~ variancia total
2
S}·x variancia no explicada
r2 ---=
S2l' vananCla total
Coeficiente de determinación 483
Variancia total es
~y2 7,050
S2 = - - = - - = 371 (Tabla 16-2)
l' n - 1 19
o sea:
26.3
1 - 371 = 0.929
(6974\2
, J - 0933
7,395 X 7,050 - .
Sin embargo, este valor muestral está sesgado cOmo estimación del ver-
dadero valor poblacional de r2 • La mejor estimación de este último es,
en este ejemplo,
n -
r2 = 1 - (1 - r) ( - -
1)
• n - 2
r = 1 - (1 - 0.933)C:) = 0.929
Postulados básicos
y = A + BX +E
donde A Y B son los verdaderos (pero desconocidos) parámetros de la
o 0 0
•
/0 • • • • ••
,..;:.... • • • • • • 0_,-
0_-e_---0_-
/ • • e • • 19. :"'.- __ '- •
-- e.
Valor extremo.----""
'-----,----..,..----x '-----------x
Figura 16-7
Dispersión de puntos alrededor de la línea de regresión
'-----------x
Tiempo
Figura 16-8
Independencia de observaciones
5.13
v'7:395
,395
= 0.060
b ± 1.96sb (Apéndice D)
b -1- 2.10s b
O sea 0.943 -1- 2.10(0.060)
= 0.943 -1- 0.126
Por lo tanto, el fabricante podría afirmar que B esta entre 0.817 y 1.069,
con una probl;i.bilidad de 0.95 de que esa afirmación sea correcta. Por
supuesto, se podría escoger cualquier otro grado de confianza en vez
del anterior, con referencia al Apéndice D o M.
S¡ = 5.131 J +- + __
1
20
2
x
7,395
Los errores de predicción para cinco calificaciones de pruebas seleccio-
nadas (X) se dan en la tabla 16-4, columna 5.
Si los cálculos para el error de predicción -se basan en una muestra
grande, y si los valores están distribuidos aproximadamente en forma
normal alrededor de la línea de regresión, entonces las oportunidades
SOil del 0.95% de que la nueva observación tomada de la misma pobla-
JI- +
n
~
,"",x 2
.. x= -
~.para cada valor de X - X
Esta medida provee un intervalo de confianza bueno para estimar el valor promedio
de Y(' (o sea, la línea de regresión misma') para un grupo de observaciones
nuevas en vez de un valor individual de Y. Así, podría ser utilizado para predecir
las calificaciones promedio de las pruebas de otro grupo de trabajadores, en vez
de la calificación de un trabajador en particular.
inferencias hechas a partir de las muestras 491
Tabla 16-4
Error estandar en una predicción específica
Calífícacíones de las pruebas y productividad de 20 trabajadores
Error estandar de
Valor selec- Desviación .... 2
cionado de de la Estimación Predicción
X media X 7,395 SXI' s¡
(1) (2) (3) (4) (S)
Tasa de producción
(
100
Intervalo de
confianza del 95 qb
eo en la predicción
60
40
oo;-...L.-L.--::-----:40l.:-----6Lo----.JeoL---1Jo~0 X
Calificaciones obtenidas en las pruebas
Fuente: Tablas 16-2 y 16-·4
Figura 16-'9
Intervalos de confianza en una predicción específica
Calificaciones y tasas de producción de los trabajadores
.90
.80
.70
.60
.50
40
. 11
.30
.20
'10,.
~ ~ ~ M ~ S m
Correlación observada en la muestn.
~ ~ ~
Figura }6-} O
Correlación de población mínima para correlación observada (r) y
tamaño de muestra variables
En condiciones del muestreo aleatorio, una muestra de cada 20 suele tener un coeficien-
te de correlación con un valor tan alto como el "observado en la muestra", cuando ésta se
deriva de una población; con una correlación verdadera dada.
Fuente: Tomada de M. Ezekiel y KA. Fox, Methods ai correlations and Regression
Analysis (+3-a.,cd., Nueva Ymk: JohnWiley, 1959) pág. 294.
transformar en una cantidad denominada la z de Fisher, cuyas distribuciones
muestrales son casi nonnales. Para un tratado de los intervalos de confianza y
pruebas de hipótesis que utilizan z, vea W. A. Spurr, L. S. Kellog y .J. Smith,
Business and Economic Statistics (Homewood, IlIinois: Richard D. Irwin, 1954),
págs. 292-293, y el Apéndice I.
494 Correlación y regresión simple
Tabla 16-5
Las ventas netas de Sears Roebuck y el ingreso personal disponible
en los Estados Unidos en el período 1953-71, con proyecciones pa-
ra 1972-75
Ingreso dispo- =
nible (en miles Ventas de Sears * Cambio porcentual con respecto
de millones de (miles de millones al año anterior
Dls.) de Dls.)
Año X Y X Y
larmente malo puesto que es sólo 1.2 veces el error estándar de estima-
ción del 3.1 %'
Para predecir las ventas de Sears para los años 1972 a 1975, podemos
prolongar la línea de regresión y utilizar el consenso sobre proyecciones
del ingreso disponible realizado por economistas prominentes publicado
en Predicasts de julio 28, 1972 (tabla ] 6·5, colum~a 3). Sustituyendo
esos valores en la ecuación de regresión, conseguimos las estimaciones
de ventas de Sears mostradas en la tabla 16.5, columna 2 y figura 16-11.
(La gran depresión de la progresión lineal corresponde a la recesión de
Regresión de series cronológicas 497
ZO
18
16
p>
,,
14 75
,...., 12 ,¡;In
6 ll)
,¡;fn
't:l
'"
ll)
10
S
=
o
9
El
ll)
't:l 8
'"
ll)
5== 7
'"
~
ll)
CIl
ll) 6
't:l
....,,;'"
>= 5
_ 62
_ 61
-60 Predicciones (i)
4 59
e58
57
3 53
de 2.9 puntos porcentuales. El aumento real para 1972 fue de 9.80/<: que
eftá dentro de ese rango. Asimismo, el coeficiente de determinación, 0.447,
es más válido que la cifra 0.994 que es muy espúria, obtenida al correla-
cionar las series originales, que tenían ambas tendencias crecientes. Sin
embargo, significa que el ingreso disponible explica sólo el 44.70/c de la
variancia de los cambios pomentuales anuales de las ventas de Sears.
Alternativamente, podríamos correlacionar las cantidades absolutas
de cambio cada año, pero los residuos (Y - Y,.) tienden a aumentar con
las ventas (Y) a través de los años. Por tanto, la utilización de cambios
absolutos viola la teoría de mínimos cuadrados, y tiende a exagerar la
influencia de las últimas cifras.
Finalmente, podríamos correlacionar porcentajes de la curva de ten-
dencia secular (capítulo 19). Esos valores se muestran en la tabla 19-3,
columna 8, y en la figura 19-7 para las ventas de Sears Roebuck; para
el ingreso disponible se podrían determinar desviaciones similares. Los
resultados muestran las relaciones cíclica~ y otras de corto plazo que hay
entre las dos series. La línea de tendencia es una base más estable para
calcular pClrcentajes que el nivel del año anterior, puesto que la disper-
sión de los porcentajes tiende a ser menos errática. Sin embargo, a largo
plazo las proyecciones obtenidas al correlacionar porcentajes de la ten-
dencia, los resultados son más susceptibles de error al extrapolar la curva
de tendencia.
Un análisis más completo utilizaría reg¡resión múltiple (capítulo 17)
para relacionar las ventas de Sears simultáneamente con varios factores
que afectan las ventas (v. g., el ingreso disponible, el número de tiendas
y el tiempo). Podríamos también proyectar la tendencia futura de las
ventas de Sears sobre el tiempo (capítulo 19). Finalmente, sería necesario
un estudio detallado de la política de la gerencia, las preferencias del
consumidor, y las perspect~vas generales de la economía, para modificar
las proyecciones estadísticas. De ser posible, el análisis debería llevarse a
cabo por separado para cada línea de mercancía, para territorios dife-
rentes, y para las ramas de tiendas de departamento y de venta por
correo para analizar con detalle los componentes del orecimiento.
RESUMEN
La regresión simple y el análisis de correlación tienen que ver con el
estudio de dos variables relacionadas lógicamente y la forma de cómo
cambian en conjunto de observación a observación. En muchos estudios,
el interés se concentra en estimar la variable dependiente Y a partir de
la variable independiente X. Ambas se grafican en un diagrama de dis-
persión, que muestra si la relación es o no cercana, si es positiva o nega-
tiva, y si es lineal o curvilínea.
Las medidas básicas de relación son: la línea de regresión o curva,
que describe la relación promedio entre X y Y; el error estándar de esti-
mación,que es la desviación estándar de los residuos (Y - Y(') ah'ededor
de esta línea; y el coeficiente de determinación,. medida relativa de rela-
ción que varía de O a 1.
El análisis de regresión se utiliza en la administración y la economía
principalmente para predecir y controlar. Así al correlacionar las ganan-
cias por acción (X) con el precio de cada acción (Y) para un número
determinado de series, podemos predecir el precio de una acción a partir
de la línea de regresión, basados en ganancias,futuras estimadas, o pode-
mos utilizar el error estándar de estimación para construir un intervalo
de confianza alrededor de esta línea y considerar que el precio de las
series es excesivamente de precio alto o bajo si están fuera de esos límites
de control.
Las líneas o curvas de regresión se pueden ajustar g'ráJica o matemá-
ticamente. En el análisis gráfico, se elaboran los ordenamientos agrupando
observaciones para las cuales los valores de X son aproximadamente igua-
La correlación no implica causalidad 501
PROBLEMAS
1. Distinga entre:
2. Explique:
3. Las cosechas de trigo en Kansas, en bushels por acre (cuadrado') tienen una
variancia total de 25 en muchos años, de la cual se puede explicar una va-
riancia de 16 por las variaciones en la lluvia estacional. La cosecha de este
504. Correlación y regresión simple
N Ola: Esta buestra "s denfasIaao pequli<ña. como pará,' proporcionar infe';'
rencias realmente válidas, pero sirve para ihistraÍ' 10s métopos.,:':q,ue implican'
un :Jpínimo de cá1clllc!'~i'"
a) En una tabla aritmétIca :grafique Jos.. datos como un diagrama aeaI'J!'-'-
sión, y trace una línea de regresión por el método gráfico, usal].do pro-
medios de grupo como guías.
b) Calcule la ecuación lineal de regresión por mínimos cuadrados. ¿ Cómo
se compara ésta con la línea gráfica al trazarla en la tabla? Explique el
significado de la ecuación de regresión en términos del fertilizante y la
cosecha de maíz.
c) Calcule el error estándar de estimación. Interprete este valor como ayuda
en la predicción de la cosecha de maíz. .
d) Prediga la cosecha de maíz para un campo tratado 'cort-60 libras de fer·
tilizante, y dé los límites de confianza del 95% para esta predicción. (Su-
ponga que existe una relación lineal e ignore errores de muestreo en la
línea de regresión).
e) Calcule el coeficiente estimado de determinación como 1 menos la va-
riancia no .explicada sobre la variancia total. ¿ Qué . n~s dice esta figura
acerca de la relación entre el fertilizante nitrogenado y la cosecha de maíz
en general?
7.
a) Si el valor muestral de T es 0.60, con n = 20, ¿cuál es el valor mínimo
del coeficiente de correlación verdadero de la población en el nivel de
confianza del 95%? (figura 16-10).
b) Si el coeficiente de correlación verdadero fuera cero, ¿qué valor muestral
sería superado por el 5% de todas las muestras aleatorias de tamaño 20?
10. Un analista de cierta compañía estudiaba la relación entre los gastos de Viaje
en dólares (Y) para 102 agentes de ventas y la duración en días (X) de
estos viajes. El graficaba los datos, y la relación es aproximadamente lineal.
Los datos se resumen en la siguiente tabla.
X Y X2 XY Y2
12. Corno secretario del Alma Mater Alumni de una universidacj, usted es el respon-
sable de las reservaciones para la comida quincenal de alumnos. Antes de cada
reunión usted envía cartas en las cuales ,van incluidas tarjetas de contestación.
A cada alumno se le pide que devuelva esta tarjeta si es que piensa asistir.
Usted encuentra que para la fecha en que es necesario hacer las reservaciones
sólo han regresado una parte, de '¡as tarjetas, entonces usted se ve obligado a
hacer una suposición acerca del número real de cubiertos que serán necesa-
rios. Usted ha analizado los datos de los últimos dos años (48 cubiertos) yha
encontrado que existe una relación aproximadamente lineal entre el número de
reservaciones que se reciben (4 días antes de la comida,) y el número real
de asistentes a la comida. Así pues, usted ajusta una línea de regresión a los
datos y encuentra: Y(' = 20 + 1.50 X, donde Yo es la estimación de la asisten-
cia real y X es el número de reservaciones recibidas 4 días antes de la comida.
Usted también tiene SyX = 5.0; n= 48; X = 20.0; ~x2 = 4,700; j7 = 50.0;
Z; y 2 = 10,575; ~xy = 7,050.
13. Tome como referencia los datos de la tabla 12-5, paglIla 368. Calcule el coefi-
ciente de correlación entre el inventario corriente y el inventario anual to-
mando como base a los artículos. ¿ Cuál es el mínimo de correlación en el
total de la población con un nivel de confianza del 95 % ? (Use la figura
16-10, página 493.)
14. La Newspaper Agency Corporation realizó una encuesta entre los vendedores
de autos usados en el área de Salt Lake City para determinar la relación
entre la cantidad de anuncios clasificados de autos usados y las ventas de
autos. La tabla siguiente muestra los cientos de líneas de avisos clasificados
y el número, de automóviles vendidos para cada uno de los 6 negocios que
no utilizaron ningún otro medio publicitario. (En la realidad una muestra
Problemas 507
15. Cierta firma que realizaba venta.s por correo solía pesar la correspondencia recibida
para estimar el número de órdenes que sería necesario procesar. En base a un
periodo de 25 días se recopilaron los siguientes datos:
I>roducdón de
alimentos Población
(1967 = 100) (millones)
Afió y X
de producción del Federal Reserve para productos alimenticios y las cifras del
Census Bureau' de población de los Estados Unidos para 1957-1971, con pro-
yecciones a 1980, mostradas en la siguiente tabla. (Las cifras son de Predicasts,
junio 25, 1972, Y Business Statistics, 1971.·)
Gas Gas
Temperatura utilizado Temperatura utilizado
Día X y Día X y
1 30° 1,108 23 44° 9.89
2 29 1,091 24 32 1,114
3 34 1,046. 25 35 1,110
4 35 1,029 26 32 1,138
5 39 963 27 SO 1,155
6 15 1,297 28 31 1,091
7 16 1,280. 29 29 1,194
8 24 1,206 30 19 1,249
9 22 1,202 31 26 1,203
10 11 1,296 32 33 1,105
33 32 1,102
11
12 °
ui,
1,532
1,375 34 6 1,441
13 .. 6 1,400 35 21 1,307
14 8 1,403 36 33 1,149
15 10 1,350 37 23 1,202
16 28 1,101 38 17 1,273
17 19 1,219 39 31 1,132
18 23 1,177 40 36 1,073
19 34 1,061 41 25 1,233
20 14 1,165 42 17 1,345
21 29 1,188 Total 1,030 50,203
22 36 1,109 Media 24.52° 1,195.3
a') Estime el error estándar de estimación ( S Lr) tra'zando dos líneas paralelas
a la línea de regresión de manera que incluyan dos tercios de los puntos
(y por lo tanto, excluyan un sexto a cada lado). El ancho vertical de esta
banda, medido en el eje Y, es aproximadamente 2S yx '
b) Estime la desviación estándar (s¡.)· delos usos de gas trazando dos líneas
horizontales para incluir dos tercios de' los puntos (y por tanto excluir un
sexto ",rriba y abajo ) El alto de esta banda es. al?oximadamerte2s 1"
21. Correlacione los datos del problema 19 matemáticamente, como ayuda para
la predicción de la utilízación diaria de gas en su compañía.
BIBLIOGRAFIA
Y" = a + b 1X 1 + b2 X 2
2 + 0.04X 1 + 0.6X 2
Tabla 17-1
.), :5 10 5
,2 .13 10 5
,} .9 20 5
4 17, 20 5
5 1~:: 30 5
6 21 30 5
7 14 10 20
8 22 10 20
9 18 10 20
10 26 20 20
11 22 30 20
12 30 30 20
13 20 10 30
14 28 10 30
15 24 20 30
16 32 20 30
17 28 30 30
18 36 30 30
Total 378 360 330
Media 21 20 18.33
Tabla 17·2
MEDIAS DE ARREGLOS DE LA VARIABLE
DEPENDIENTE Y
Xl = la 9 18 24
Xl = 20 13 22 28
Xl = 30 17 26 32
FUENTE: Tabla 17-1.
Yc = 2 + AX, + .6X 2
y
1
18
Comportamiento Comportamiento
en el trabajo en el trabajo
35 35
30 30
25 25
20 20
15 15
10 10
5 5
0
30 ....'30 O
e"'élf.25
{¡ilel - 20 25 ':0'3-i--\
ol¡ 20 :1.';).'0
e/el 15 15 c,'o \'3- "Q
el){ 1 10· 'b~
¡-e"" 5
IS{ilq, 5 -s:.'í-\c'3-C\
.. o¡- e.t C'3-
:<
Figura 17-1
Plano de regresión múltiple
método gráfico o por el método de los mínimos cuadrados. Hoy día, las
computadoras proporcionan diversos programas exactos y rápidos para
el análisis de mínimos cuadrados. Sin embargo, las técnicas gráficas son
útiles 1) para entender los conceptos básicos en regresión múltiple, 2)
para comprobar los postulados de este análisis (por ejemplo, linealidad y
lo homoscedasticidad, 3) para obtener resultados rápidos cuando no hay
computadoras disponibles, y
4) ¡'para determinar relaciones curvilíneas
cuando se desconoce la forma de la ecuación apropiada. Por estas razones
presentaremos brevemente el método gráfico. Este método es factible si
la correlación es bastante alta, 12 n'o es grande, y las variables indepen-
dientes no son demasiado numerosas ni' correlacionadas unas con otras.
Tabla 17-3
AREA; ELEVACION y PRECIO PARA 20 LOTES
RESIDENCI ALES S
7.5
• ••
• .
'
•,; ,e
• • • •
• • .e;
5.0
'. •• • •
••
• ••
• 5.0
...
'
• • •
•
2.5L..-....::.·-L----'-----X' 2"~2L5---1...15-0-=---1~75---20L.0-,.--X2
10 15 20 1
Area (en millares de pies "Elevación (pies sobre el ni-
cuadrados Area(en millares de vel del mar)
pies cuadrados)
X1 Diagrama e
.",
20 •
• •
~,.
15 ,• • •
•
•
10 X
125 150 175 200 2
Elevación (pies sobre el nivel del mar)
" Figura 17-2
Relaciones existentes entre el área, la el~vación y el precio de
20 lotes
7.5
5.0
2·\;---::10;---~1;';:5----:21.;:-0---2~5~--'---X,
Area (miles de pies cuadrados)
Figl~ra 17-3
Línea de regresión existen te en tre el precio y el área
Ecuación de regresión: y~ = 1.45 + .219 Xl
518 Correlación y regresión múltiple
Tabla 17·4
PRECIO AJUSTADO DE LOTES POR EFECTOS .DEL AREA
Precio ajustado
(en miles de dls.)
y'
2.5
ol-.-::::.--..!::----------
-2·~2L5---1~5-::-0----::17:-:5=---~2~OO:::::---;2t;2;;-5--·X2
Eleva.ción (pies sobre el nivel del ma.r)
Figura 17-4
LINEA DE REGRESION ENTRE EL PRECIO AJUSTADO
Y LA ELEVACION
Ecuación de regresión: Y'c = -4.09 + 0.0317X 2
Tabla 17·5
Suma de Símbolos
variable. . :1:X, :1:~, :1: Y :1:X,' :1:X,' :1:X,X,
Media , X, X, Y _
Menos* -X,:1:X, -X,:1:X, -Y:1:Y -X,:1:X,
Que da -:-::1:x,' :1:x,' :1:y' :EXIX2
313.605 = 9,830.0b 2
b2 = 0.03191
Sustituya este valor de b2 en la primera ecuación normal. Resolviendo
bi, = 0.2031
a = y - b¡X¡ - b~X2
= 5.080 - (0.2031) (16.535) - (0.03191) (175.05)
= -3.864
Ahora, sustituya las tres constantes en la ecuación de regresión múl-
tiple
Y c = a + blX l + b2 X 2
=, --,-3.864 + 0.2031X l + 0.03191X 2
Así, para un lote con 15 mil pies cuadrados de área (Xl = 15.0) Y una
elevación de 180 pies (X 2 = 180), el precio estimado sería
Coeficientes beta
(3r brC:1) =
br J~xl
~y2
(32 b2 C:2) =
b J~x;
2 ~y2
{3r br J~~i
--
~y2 (.2031)
J189.29
27.312
.535
y
{32 b
2.
J~x;
~y2
'\ J9,879
-
(.03191/ 27.312
.607
Es decir, para cada 'incremento de una desviación estándar en Xl
(área), el precio se incrementa en 0.535 desviaciones estándar, mientras
que para cada incremento de una desviación estándar de X 2 (elevación),
el precio se incrementa en 0.607 desviaciones estándar. Las dos betas son
números puros y son comparables. Por lo tanto, la elevación es un poco
más importante que el área en la determinación del precio de un lote.
524 Correlación y regresión múltiple
LY Z 27.312
S2 = - - - = - - - = 1.4375
y "n - 1 20 - 1
Por lo tanto,
0.4820
R2 = 1 - - - = 0.6647
1.4375
R = Vü.6647 = 0.815
2
(:¿X1 X2) (96.3) 2
,.-"
12
( LX~) (};X~) (189.29) (9,879)
= 0.0050
y los errores estándar de los coeficientes de regresión son
0.6942
v':¿X~ (1 .- r~J Y(189.29) (0.995)
= 0.0506
y
0.6942
\/(9,879) (0.995)
= 0.0070
Tahla 17·6
CARACTERlSnCAS (.lIJE AFECTAN EL PRECIO DE 20 LOTES
ELEVACIÓN ViSTA
ÁREA pies Escala 1 PRECIO
miles de sobre el PENDIENTE (deficiente) miles de
piCE' nivel grados a 9 dólart$
Lote NQ cuadrados del mar X4 (excelente) X,
X3 X•.
1 14.7 155 1.5 2 4.1
2 14.2 155 1.8 2 3.9
3 12.7 158 2.9 1 3.2
4 13.8 158 1.0 1 2.9
5 14.4 155 0.5 2 3.9
6 17.4 157 1.0 2 4.1
7 21.8 in 5.7 4 5.8
8 14.0 170 5.4 6 5.1
9 17,5 175 17.5 9 6.8
10 23.0 185 14.5 9 6.8
11 18.3 185 14.4 9 6.5
12. 19.4 205 12.2 9 7.0
13 ·15.2 215 5.0 8 5.8
14 18.3 195 13.1 6 5.1
15 21.7 178 15.2 8 5.3
16 16.7 160 10.1 8 4.9
17 1}.6 205 7.4 7 6.0
18 14.5 190 5.8 7 5.)
19 12.1 203 5.1 7 4.8
20 17.4 125 17.3 1 4.3
--- ---
Total 330.7 3501. 157.4 108. 101.6
Media 16.535 175.05 7.87 5.40 5.08
528 Correlación y regresión múltiple
Tabla 17-7
MATRIZ DE CORRELACION
VARIABLE 2 3 4 5
NUMERO
1 1.000 0.578 0.645 0.664 0.879
2 1.000 0.070 0.630 0.396
3 1.000 0.152 0.749
4 1.000 0.608
5 1.000
ETAPA NUMERO 1
VARIABLE INTRODUCIDA 5
(CONSTANTE 3.36574 1
VISTA 5 0.33597 0.04303
AREA 2 0.52309
. ELEVACION 3 -0.04302
PENDIENTE 4 0.34439
ETAPA NUMERO 2
VARIABLE INTRODUCIDA 2
(CONSTANTE 1.77976 )
AREA 2 0.10333 0.04083 ELEVACION 3 0.19185
VISTA 5 0.29475 0.0411 O PENDIENTE 4 0.09071
530 Correlación y regresión múltiple
ETAPA NUMERO 3
VARIABLE INTRODUCIDA 3
(CONSTANTE 0.62111 )
AREA 2 0.11629 0.04451
ELEVACION 3 0.00668 0.00854
VISTA 5 0.25321 0.06746
PENDIENTE 4 0.:11297
ETAPA NUMERO 4
VARIABLE INTRODUCIDA 4
(CONSTANTE 0.24021 )
AREA 0.09873
2 0.04950
ELEVACION 3 0.01068 0.00983
PENDIENTE 4 0.02950 0.03464
VISTA 5 0.20487 0.08896
LISTA DE RESIDUOS
CASO RESIDUO
1 0.29968 11 0.20937
2 0.14019 12 0.45214
3 -0.27132 13 -0.02269
4 - 0.62388 14 - 0.64444
5 0.15879 15 -1.07031
6 0.02650 16 -0.63405
7 0.58357 17 0.57611
8 0.27414 18 -0.00541
9 0.60367 19 -0.38660
10 0.04239 20 0.29218
ClOn a la variancia explicada. La columna de la derecha denominada
"Correlación Parcial" o coeficiente de correlación parcial nos da una
indicación parcial en cada etapa de la importancia relativa de cada una de
las variables que no se han incluido aún en la ecuación de regresión."
-1.07
-0.90
-0.73 •
-0.56 •
-0.39 .1
-0.22
-0.05
0.13 1
1
C.30
0.47
Pm;tulados básicos
Colinealidad
Para mayores detalles, ver). Johnston, Econcmetric Methods (2~ ed.; Nueva
York: McGraw-Hill, 1972), pág. 160.
534 Correlación y regresión múltiple
RESUMEN
Esta matriz es el arreglo de los símbolos au, hasta a'H' Tiene tres ren-
glones y cuatro columnas. Cada símbolo ai j se refiere al elemento en el
i-ésimo 'renglón y la j-ésima columna. Una matriz es 7'ectangular, indi-
cando que tiene el mismo número de elementos en cada renglón y en
cada columna (sin embargo, el número de renglones puede no ser igual
al número de columnas). '
Una matriz con un solo renglón o columna se denomina generalmente
Apéndice A. Introducción a las operaciones matriciales 537
a"
la transpuesta
A' = ran
La 12
::~J (matriz 2 X3) .
538 Cqrrela<:i,ón y regresión múltiple
B = [~ ~J entonces B ' = [i ~J
El uso de la operación transposición convierte un vector reng16n en
un vector columna y viceversa.
Multiplicación de matrices
El producto A X B es
A X B = [an a 12 a 13 ] X
a21 a22 a23
[t:31 ~21:J32
b b
(5 . 2 +
e ~ [~ - n ~ G~ ~J
D
(5 . 2 + 3.6 28)J
(2·2+ (-1) . 6 = -2)
(1 . 2 + O. 6 = 2)
A = [~~J y
B = [i ~J
entonces
(A X B)= [i 1J pero (B X A) = [~ ;J
Por lo tanto, cuando hay que multiplicar dos matrices es importante
indicar qué matriz va a la izquierda (o en primer lugar) y cuál a la
derecha (o en segundo).
A = [~~J y I = [~ ~J
CA X I) = (I X A) = [~~J A
Inversión de matrices
A X .1-1 = .1-1 X A = 1
escribimos
[i ~J[~ ~J
Podemos entonces realizar cualquiera de las siguientes operaciones nn
este conjunto de matrices:
u Una matriz no siempre tendrá una inversa única, si por ejemplo, dos ren-
glones son iguales. Vea D. Teichroew, Introduction to Science in Management
(Nueva York: John Wiley, 1964), capítulo 13.
Apéndice A. Introducción a las operaciones matriciales 541
[ ° 0J[C11 C12J
1
1 C21 C22
donde [C11
C21
C12J es el inverso de la matriz
~2
[51 32J, nuestra matriz origi
na!.
Para conseguir nuestro propósito el procedimiento es corno SIgue: las
matrices originales son
[~ ~J[~ ~J
Paso 1: Multiplicar el primer renglón por "Ys (usando la regla 1).
Esto da
1
%J[~~
3 ° 0J
Paso 2: Sustraer el renglón 1 del renglón 2 (usando la regla 2).
Esto da
[~ 2%%J[ -~~
~~
Paso 3: Multiplicar el segundo renglón por 1/(2%) ó o/¡a (regla 1).
Esto da
[~
-~'Í3 h3
%J[
1
~~ 0J
Paso 4: Simultáneamente multiplicar el renglón 2 por % y sustraerlo
del renglón 1 (regla 3). Esto· da
. - (- H3)(%)) °- (~'Í3)(%)J
[ °1 0J[O~
1 -H3 ~1s
ó
Por lo tanto,
[
° 0J[~'Í3
1
1-H3
[ ~Í3
-~'Í3 '-H3J es la inversa de [51 ~J
~'Í3
Para verificar este resultado multiplicamos
[i ~J X [~t'Í3 -~~:J
que da [~ ~J y es un método para verificar nuestros cálculos.
542 Correlación y regresión múltiple
5Xl + 2X2 + Xa = 10
3X2 + 2xa = 8
4Xl + Xa = 5
Este conjunto de ecuacIOnes se puede expresar en notación matricial
como
[~
2
3
O nX[::J [1~J
n
o cuando
[~ 1J [1~J
2
A 3 ~ ,X = :: and H
O
podemos escribir
AXX=B
Multiplicando ambos lados de esta ecuación por A-l. (A inversa) te-
nemas 10
A-I X A X X = A-l X B
2
3
O
es
-719
~Í9
~19
y el producto
-719
719 _1~197i9J X [10J8 = [lJ2
~19 1~19 5 1
Ya que
Y=XXB donde
y es el vector [~YX1J
~YX2
2
]
~xf
[~X1X2 ~X1X2]
~x~
y
~xr ~XIX2 ~XIX3 • •• ~XIXm
'.
~XIXm ~X2Xm ~X3Xm · .. ~x;.
Las ecuacIOnes normales se expresan en forma matricial, como antes,
y = X X B.
Para resclver este conjunto de ecuacione~ necesitamos la inversa de la
matriz de sumas de cuadrados y productos cruzados X. y la solución es
B = X- 1 X y
Ejemplo
Utilizando la tabla 17-5 la matriz de sumas de cuadrados y productos cruza-
dos es
x= [189.29 96.3J
96.3 9879.0
Utilizando los procedimientos descritos en el Apéndice A, encontramos
que la matriz inversa es
ó B = [b1J
}2
= [.2031 ]
.03191
Apéndice B: Solución al análisis de regresión múltiple 545
En nuestro ejemplo
Sb¡ = S1"12~
Sb 2 = S}"12VC;;;-
Sb
2
= O.6942YO.00010173 = 0.0070
como en el capítulo.
donde
En nuestro ejemplo,
S1 V(0.6942)2 + (0.1781)2
VO.5l37
0.716 miles de dólares ó $716
"PROBLEMAS
donde los números encerrados en corchetes son los errores estándar de los
coeficientes de regresión respectivos.
Para cada una de las aseveraciones que se hacen a continuación, indique
brevemen te si usted está o no de acuerdo.
a') El precio tiene. un efecto más importante sobre las compras de autos
nuevos del que tiene el ingreso per capita ya deducido.
b) Si se registró un aumento de un punto en el índice de precios en un año
dado -manteniéndose constantes los demás factores- en promedio, las
ventas de autos nuevos descenderían en $0.0201 miles de millones de
dólares.
c) El precio no tiene una influencia significativa en las ventas dI" autos
nuevos.
548 Correlación y regresión múltiple
3'. Las ventas anuales de Industrias Tidewater en millones de dólares (Y) están
correlacionadas con el ingreso personal ya deducido de los Estados Unidos en
miles de millones (XI) Y los gastos en publicidad de la compañía en millones
(X"), como sigue, para 1955-1972.
a) ¿ Qué factores pueden haber sido los que ocasionaron el cambio en el coefi-
ciente de ingreso disponible (XI') de 18 en la primera ecuación a 6 en
la segunda?
b) Si los gastos de propaganda fueran los mismos para el año próximo de lo
que fueron en este año (o sea, X" mantiene constante), ¿ esperaría usted que
las vtontas se incrementaran en $18 ó $6 millones en respuesta a mil
millones de dólares de incremento en el ingreso disponible? Explique
¡Jer qué.
Habilidad
Prcparaciún Edad
para.' vender
Vcndcdor X, X,
Y
A 1 O 3
B 1 1 4
e 1 O 2
D 2 2 4
E 2 l' 3
F 3 3 1
G 4 2 O
H 4 4 2
1 6 3 O
J 6
-30 4
-20 1
Suma 20
Problemas 549
8. Se hizo una prueba de destreza manual (X,) Y una prueba de destreza digital
j50 Correlación y regresión múltiple
y x, X,
2
YX,
Total 200 150 125 2.213 1,000 775 1,400 1,225 800
Media 8 6 5
1 30 5 35 14 50 41 191
2 32 12 46 15 70 84 196
3 '15 15 63 16 64 62 198
4 30 31 67 17 64 66 204
5 25 6 70 18 70 66 208
6 25 8 83 19 80 63 238
7 42 37 88
20 88 80 295
8 35 23 104 21 105 154 308
9 42 30 134 22 85 50 310
10 30 34 151 23 85 184 319
11 52 17 153 24 105 186 324
12 50 53 164 25
13 45 56 173 . -84
- - 122
- 394
Tocal' T 1,403 1,485 4,516
Mean 56.12 59.40 180.64
Nivel de Indice de
producción los costos de
Costo uniforme como
porcentaje, mano de obra
promedio de
de la Y materia
Período manufactura capacidad prima
fijada
1 $3.65 85 80
2 4.22 78 93
3 4.29 82 107
4 5.43 64 115
5 6.62 50 130
6 5.71 62 128
7 5.09 70 116
8 3.99 90 92
9 4.08 94 94
10 4.38 100 110
11 4.28 104 115
12 4.42 82 117
13 5.11 75 128
14 4.88 84 134
15 4.99 86 135
16 4.57 90 135
17 4.84 94 139
18 5.16 80 142
19 5.67 72 147
20 6.26 60 150
11. Nota: Este problema requiere el uso del método matricial de regreslOn múlti-
ple (Apéndice B de este capítulo) o un programa de computadora.
552 Correlación y regresión múltiple
12. La compañía Value Line Investment Survey calcula una ecuación de regre-
ción múltiple para cada acción común que muestra la relación típica entre su
precio (Xl)' ganancias por acción (X 2') , y dividendos por acción (X:j ) en
añoJl anteriores. La siguiente ecuación resultó para la Compañía Boeing Airplane:
15. a) Para tomar en cuenta el efecto de las tendencias de crecimiento así como
el ingreso personal en las ventas de Sears, Roebuck, estinle la regresión
múltiple entre el logaritmo de las ventas de Sears, Roebuck y el logaritmo
del ingreso personal disponible (ver tabla 16-5 y el análisis del texto) así
como el valor natural del tiempo para los años 1953-1971.
b) .¿Cómo compara esta ecuación con la ecuación de regresión simple, exclu-
yendo el tiempo (ver el texto len la estimación de los cambios en las
ventas de Sears? Explique porqué.
16. Parte de la variabilidad de las ventas de Sears, Roebuck se puede atribuir
al hecho de que se han abierto muchas tiendas nuevas de menudeo. El número
de tiendas al comienzo de cada año fiscal (febrero .1Q) se muestra aconti-
nuación:
Costos de
mantenimiento Millas viajadas Edad del auto
" reparación en 1972 en años Marca
Auto NQ en 1972 (miles de millas) (O es auto nuevo) ( codificada)
1 $643 18.2 O A
2 613 16.4 O B
3 673 20.1 O A
4 531 8.4 1 B
5 518 9.6 2 B
6 594 12.1 1 A
7 722 16.9 1 B
8 861 21.0 1 A
9 842 24.6 O A
10 706 19.1 1 A
11 795 14.3 2 B
12 776 16.5 2 B
13 815 18.2 2 A
14. 571 12.7 2 A
15 673 17.5 O B
pras de coches de la marca B puesto que así ahorraría $52 cada año en gastos
de reparación y mantenimiento.
¿ Esta usted de' acuerdo con el gerente? ¿ Cómo sugeriría usted que ana-
lizara los datos? ¿ Cuáles son sus conclusiones?
BIBLIOGRAFIA
Los NÚMEROS ÍNDICES expresan los cambios' relativos de una' variable com-
parada con alguna base, que se toma como 100.1 La variable puede ser
una serie única, tal como la producción de energía eléctrica, o una
serie agregada, tal como un grupo de precios de acciones comunes. El
número índice usualmente representa una muestra de tal grupo. Los
cambios medidos pueden ser los que ocurren en un período de tiempo
entre un lugar y otro.
Muchos aspectos de los negocios modernos se describen mediante el
uso de números índices. Tanto' el gobierno como las agencias privadas
se esfuerzan cada día más a la determinación de números índices como
ayudas a la dirección y en la interpretación de cambios en la vida
económica ,general. Muchos negocios' utilizan diversos números índice
para propósitos de administración interna. Algunas publicaciones esta-
dísticas, sobre todo el Survey of Current Business,2 Economic Indicatoi's,
Business Condition Digest, Federal Reserve Bulletin, y el boletín Trade
and Securities Statisticsde la Standard and Poor's Corporation contienen
cientos de series cronológicas económicas expresadas en forma de nú-
meros índice.
El ingenio estadístico ha desarrollado una lista casi enciclopédica de
usos de indicadores comerciales. Los más importantes de estos son 1)
medidas del buen comportamíento de la economía, un área geográfica,
una industria, o negocios específicos; 2) las comparaciones de series
relacionadas para propósitos administrativos; (3) el uso de índicd de
precios como deflactores para expresar una s~rie de valores en dólares
constantes; 4) el uso de índices de precios como escalas de salarios y
I El término "ínaice" se utiliza en ocasiones como indicador comercial expre-
sado en cualquier unidad. Así pues, se puede referir a la producción en toneladas
de lingotes de hierro como UD "índice" de actividad comercial. Sin embargo, en
este capítulo el término "números índice". o "índice" se refiere específicamente
a una raión qüe tenga alguna base como 00, o a una serie de dichas razones.' '
2 Un resumen de descripciones de 2,500 series se pUede encontrar en las
referencias de pie de página del bienal Business Statistics suplemento del Survey
o{ CurTflnt Business.
557
558 Números 'índice
Tabla 18-}
FVENTES BE UTILIZADOS *
A. ÍNDICES DE PRECIO
B. ÍNDICES DE CANTIDAD
C. INDICES DE VALOR
.:~ Abreviaturas:
H-cada hora o períodos menores; D-:-diariament<'; S-scllLanalnH~nt('; M-··IlIt·nsualmrHtt~
SCB-Surve)' o/ Current Business (and weekly supplement)
FRB_Federal Resen'e Bulletin
MLR-Monthl), Labor Rel';elO
C&FC-Commercial and Financial Chronicle
S&P~tandard and Poor's Trade and Sefurilies ,)'latístles
E. Ind.-President's Council oC Economic Advisf:'rs, Enmo.mic 11ldit'ato,..~
CBSE-Con/erellee Board Statistit'al Bulle/in
BCD-Business COllditiolls Digrsl
560 Números índice
Indices de precios
Algunos de los índices mejor conocidos ~n los relativos a los precios.
Los precios han sido de gran interés por siglos como barómetros sensibles
de la industria y el comercio.
Los datos necesarios para los números íl1dicede precios se obtiepen
del intercambio de artículos 1) en diferentes etapas de la producción
-materias primas, productos semielaborados y productos completamente
fabricados; 2) en varios niveles de producción -industrial, al mayoreo
y al menudeo y 3) para. diversos grupos de eleJ;Ilentos -bienes de
consumo, bienes de producción, acciones y bonos, bienes <;!uraderos y no
duraderos.
Un índice de poder de compra es el recíproco de un índice de precios,
cuando ambos índices se expresan como razones con base 1 y no 100.
Tomando el índice de precios al mayoreo de 126.9 para febrero de 1973
como 1.269, su recíproco es 1/269 = 0.788, de tal manera que el índice
de poder de compra correspondiente (con base 100) es 78.8. Esto signi-
fica que lo que se podrá comprar con un dólar en febrero de 1973 -a
precio de mayoreo-- equivalía a lo que en 1967 se podía adquirir por
78.8 centavos.
Indices de cantidad
Indices de valor
Tabla 18·2
NUMEROS INDICE SIMPLES DE VIAJEROS POR AIRE
Y VIAJES EN AUTOMOVIL ENTRE CIUDADES
EN LOS ESTADOS UNIDOS, 1966.1971
Indicc
Millas-pasaje /'0
(millones) (1967 = 100)
Tabla 18·3
DETERMINACION DEINDICES COMPUESTOS DE VIAJES
EN AVION y AUTOMOVIL MEDIANTE EL METODO
DE PROMEDIO DE RELATIVOS
(1967 = 100)
lndice simple l~dice ¡ndice
(1967 - 100) ponderado compuesto
Viajes
Viaj,es Viajes en aéreo y en
ae,:eos automóvil aulonióvil
Viajes Viajes en (columna ( columna (Columnas S
A,ío aéreos automóvil 2 X 'j,) 3 X 'j,) 4 + 5)
(1) (2) (3 ) (4) (5) (6)
1966 80 93 53 31 84
1967 100 100 67 33 100
1968 116 105 77 35 112
1969 136 111 91 37 128
1970 138 116 92 39 131
1971 141 121 94 40 134
FUENTE: tabla 18·2.
lndicc simple
(1697 = 100) lndice ponderado
lndice
File/e jaman Pollo compuesto
Jamón Pollo Col. 2 (Col. 3 (Col. 4 (To/al,
Período Filete ahumado ¡rito X 0.59) X 0.29) X 0.12) Col .. 5-7)
(1) (2) (3) (4) (5) (6) (7) (8)
Tablá 18-5
OETERMINAc!O~~ DE UN INDICE COMPUESTO PARA TRES PRECIOS
DE CARNES AL MENUDEO POR El. METODO AGREGADO
(1967 = 100)
Prom. 1967 1.10 .69 .38 5.50 2.76 1.14 9040 100
Prom. 1970 1.30 .79 .41 6.50 3.16 1.23 10.89 116
Prom. 1971 1.36 .71 .41 6.80 2.84 1.23 10.87 116
Aprox. 1972 1.47 .77 .41 7.35 3.08 1.23 11.66 124
FUENTE DE LOS DATOS DE P'IECIOS: U. S. Bureau of Labor Statistics, Eslimated Retail Food
Prices by Cities.
2. Multiplicar cada precio (columnas 2 a 4) por su parámetro de pon-
deración para obtener los precios ponderados (columnas 5 a 7). El
producto del precio por la cantidad es el costo total de cada artículo
enel "paquete" ya que su precio cambia de período a período.
3. Totalizar estos productos (columna 8) para obtener el costo de todo
el paquete.
4. Seleccionar un período base (promedio 1967) Y dividir los totales
entre el total en el período base ($9.40). Los resultados (columna 9)
son los números índice agregados. Aquí indican que en abril de 1972
el costo combinado de los tres grupos de artículos fue alrededor de
124% de lo que fue en 1967.
Como una muestra más realista del método agregado, Standard and
Poor's construye sus índices de precio de 500 acciones multiplicando el
precio corriente del mercado de cada acción por el número de acciones
en circulación en el período base (modificada por los cambios posteriores
de capitalización). Este precio ponderado, o valor de mercado agregado
de las ac.ciones originales, se totaliza entonces para las 500 acciones, y el
gran total se divide entre el valor de mercado agregado en el período
base para obtener el índice.;
¡; La base se fija en 1941-1943 = lOa fin de que el índice actual se aproxime
al costo promedio de todas las acciones enlistadas en el Mercado de Valores de
Nueva York.
Métodos básicos para determinar números índice 567
" Estas fórmulas, que usan parámetros de ponderación del año base, son va-
riantes de las "fórmulas de Laspeyres", en oposición a la "fórmula de Paasche",
que usa parámetros de ponderación del año actual, () al índice "ideal" de Irving
Fisher, que es la media geométrica de los dos.
568 Números indice
~(pnqo)
~(poqó)
~(poqn)
~(poqo)
~(pnqn)
~CPoqo)
Selección de la muestra
número índice muchas veces se elige para que coincida con los de los
números Índice existentes con los cuales es mis probable que pueda com-
pararse el nuevo. Los números índice no son directamente comparables
a menos que sus períodos base sean idénticos. Por esta razón la Oficina
del Presupuesto (ahora Oficina de Administración y Presupuesto) ha tra-
tado de estandarizar los Índices gubernamentales can base en 1947-1949,
1957-1959 Y 1967 en esa.s décadas sucesivas.
Inclusión de los años censales. Ya que' es preferible utiliz¡:tr pará-
metros de ponderación apegándose lo más posible al año base,9 el período
base debe incluir años censales para' los cuales los datos de chequeo estén
disponibles como parámetros de ponderación. Por esta razón se seleccionó
el año base 1967 para los índices gubernamentales para coincidir con los
censos comerciales, industriales, mineros, de construcción, transporte y
otros censos que se realizaron ese año.
Parámetros de ponderación
Anteriormente en este capítulo, se definieron los parámetros de pon-
deración y se utilizaron en el cálculo de números. índice ,compuestos. Aquí
se van a analizar los problemas de selección de los parámetros de ponde-
ración, tipos de parámetros, parámetros flexibles y sesgos en los paráme-
tros de ponderación.
Selección de parámetros de p(mderación. Los parámetros de pon-
deración se pueden seleccionar para representar ya sea la importancia de
un artículo específico o la importancia del grupo económico entero del
cual es típico. En el último caso, se podría incluir en un índice de
producción de muebles para el hogar el relativo a UlltipO estándar de
tapetes de lana domésticos ponderados por el valor total de todas las
cIases de tapetes similares en vez de incluir un gran número de diferentes
tapetes y ponderar cada uno de acuerdo con su propia importancia espe-
cífica. Este sistema de ponderación agrupado se utiliza en el índice de
producción industrial del Federal. Reserve Board. y en el Indice de .Precios
al Consumidor de Bureau of Labor Statisticscomo se describe posterior-
mente en este capítulo.
Los parámetros de ponderación también deben ser apropiados al pro-
pósito de un índice. Por ejemplo, un índice de precios de promedios de
relativos para un inventario de una compañía, debe ponderarse con valo-
res de inventario; un índice de precios de bienes vendidos debe ponde-.
rarse por valores de ventas, mientras que un índice de precios al consu-
midor debe ponderarse con los gastos del cC)Jlsumidor. 10
Cantidades físicas o valores como parámetros de ponderación.
Los factores utilizados como parámetros de ponderación para un número
Sustitución de elementos
Los cambios en la producción, distribución, hábitos de consumo y
Revisiones de números indice 575
Muchas veces es necesario empalmar dos series, para formar una serie
continua, como cuando se cambian las especificaciones de un artículo en
un- índice de precios. Se pueden empalmar cualesquiera dos series siempre
que ambas estén disponibles en el mismo año. Por ejemplo, podría decirse
que el Indice de Precios al Mayoreo del BLS, incluye todo excepto el
fregadero de cocina. Esto no es cierto. Incluye un fregadero de acero
esmaltado, pero el precio que reporta una nueva compañía se añadió a
su muestra en noviembre de 1958. Como resultado, el precio típico había
cambiado de 13.39 dólares (o un índice de 100.8 en la base 1957-1959)
a 13.13 dólares en ese mes. La tabla 18-7 muestra cómo continuar el
índice de precios original (columna 2) para el fregadero, empalmando
el nuevo precio (columna 3) en ella..El nuevo precio de 13.13 dólares
en el mes traslapado de noviembre de 1958 se debe cambiar no alOa
sino a 100.8, el índice para ese mes. Por lo tanto, la nueva. serie de pre-
cios se multiplica por 100.8/$13.13, como se muestra en la columna 4.
Las series empalmadas en la éolumna 5. (combinando las columnas 2
y 4) muestran ahora los precios del fregadero de acero esmaltado conti-
nuamente en este periodo, aunque' el precio de la muestra real se cambió
en noviembre de 1958.
En otro ejemplo, el componente de un nuevo coche en el índice de
precíos al consumidor (basado en el tamaño estándar de Chevrolet, Ford
y Plymouth) pasa de moda en 1960 con la introducción de carros com-
pactos, cuyo comportamiento de precios difiere del correspondiente a
los modelos de tamaño estándar. Por lo tanto, clBureau of Labor Statis-
tics introdujo los precíos de cuatro coches pequeños (Rambler, 'Falcon,
Valiant y Corvair), ligando las nuevas series con las antiguas en octubre
de 1960 de tal modo que el nivel del índice no se afectó por el bajo
precio de los carros compactos. 11
Estrictamente hablando, un índice que se cambia a una nueva base
debe estar compuesto de los mismos elementos durante todo el periodo
11 O. A. Larsgaard y L. J. Mack, "Compact Cars in the Consumer Price
Index", Monthly Labor Rel,iew (mayo de 1961).
Algunos índices importantes 577
del índice. A pesar de eso el uso más común de la base cambiante consiste
en enlazar un ínqice actual que contiene un grupo de elementos a un
índice de un periodo anterior que contiene un número de elementos simi-
lares, pero no idénticos a.l grupo de elementos considerado. Este proce-
dimiento es legítimo si los grupos antiguos y nuevos'~ de elementos se pue-
den considerar representativos de la misma población. Esto sucede en el
ejemplo anterior. En el casó de que los componentes de un índice hayan
cambill-do en forma más radical de periodo a periodo, como en el Indice
de la Compañía Cleveland Trust de actividad comercial desde 1970
hasta la fecha, el índice pierde su carácter homogéneo.
Tabla 18·7
EMPALME DE DOS SERIES DE PRECIOS QUE CORRESPONDEN A
UN FREGADERO DE ACERO INOXIDABLE
(Precies en dólares¡ índices en la base 1957-1959)
Existen muchos más índices comerciales en uso :común de los que aquí
se pueden tratar. Cientos . de éstos se citan en las bibliografías al final
de este capítulo. Sólo estudial'emos tres índices muy importantes su deter-
minación, usos y limitaciones para ilustrar los problemas más comunes
relativos a ellos: los índices de precios de mayoreo y al consumidor del
U. S. Bureau of Labor Statistics, así como el índice para producción
industrial del Federal Reserve Boa.rd; para todos ellos se toma como
periodo base 1967 = 100.
,._ ...........
llOf--,---------·----~---~-----..,...¿+_--·__,.l1lO
.. -' '
/
Bienes de consumo
I1ll f-----------,---------:,..:-7t"~+""'--~-- excluyendo alimentos 110
Alimentos
\
100
Figura 18-1
tÍculos. 16 Los precios utilizados en el índice son los que representan todas
las ventas de bienes de o a los fabricantes o productores, o los que operan
en los intercambios organizados de artículos. Por lo tanto, 'representa
precios de productores o precios del mencado primario y no aquellos que
se cargan a los mayoristas.
En el índice se incluyen precios para aproximadamente 2,500 especi-
ficaciones de artículos. Para obtener cambios de precios "reales" o "ne-
tos" no influidos por los cambios de calidad, se definen listas idénticas
de artículos con especificaciones precisas y se evalúan cada mes. Los pre-
cios se ajustan por descuentos comerciales y de cantidad, así como des-
cuentos por pago al contado y estacionales .cuando éstos se acostumbran. Se
excluyen los impuestos sobre consumo. Estos precios se obtienen de unas
2,000 compañías que son interrogadas para cuantificar los precios que
ellas cargan realmente por un artículo específico a un tipo dado de
comprador en un día particular, usualmente el maltes de la semana que
incluye el día 13 del mes. También se utilizan algunas cotizaciones de
publicaciones comerciales y reportes de mercado y de agencias guberna-
mentales.
Debido a la gran diversidad de artículos, el índice se basa en una
muestra de artículos, una muestra de especificaciones para los artículos
y una muestra de las fuentes que reportan los datos. Se seleccionan los
artículos individuales que sean más importantes en cada campo y aque-
llos que se cree representan los movimientos de precios de otros artículos
estrechamente relacionados. Así, la muestra es altamente estratificada, al
seleccionar grupos en vez de muestrear al azar. La amplia cobertura de
2,500 artículos permite el desarrollo de subíndices confiables para mu-
chas subdivisiones pequeñas de la economía.
El índice se calcula fundamentalmente como un promedio ponderado
de los precios relativos en el que los parámetros de ponderación se basan
en los valores de las ventas netas de los artículos reportados por los censos
industriales de 1963. Cada elemento tiene una ponderación que incluye
su propia ponderación basada en sus ventas en 1963 y la ponderación
de los otros elementos a los que representa en el índice.
El índice completo se divide en grandes categorías que son los artÍcu-
los industriales y los productos agrícolas y alimenticios, como se muestra
en la figura 18-2. Los índices de precios al mayoreo especiales se reportan
por etapas del procedimiento y por durabilidad del producto. Además,
se publican índices separados cada mes para muchos gtupos y subgrupos
de importancia y cientos de clases de productos y para la mayoría de
~series. .
El Bureau of Labor Statistics prepara también un Indice semanal de
Precios al Mayoreo basado en los precios reales semanales de una mues-
tra de varios cientos de los artículos incluidos en el índice mensual y 'en
estimaciones de los precios de otros artículos. El índice se puede utilizar
para dar estimaciones provisionales del índice mensual.
1" Vea U.S. Department of Labor, Wholesale PrieeO' and Priee In.dexes, for
Janllary, 1971 (julio de 1971), págs. 104-.. 109.
582 Números índice
Precios al mayoreo
Indice 1967
130
= 100 Illdice 1967 = 100
130
r-----------·--~---------------'-~---.:..:__1I2S
r---------,--------------------/'..d-cc_---1.20
r------.------c;~'"7"__;_----_:;_-_:;¡_----__A~
::.r1'-----jllS
-.......,_---1110
.05
95
Figura 18-2
120
100
80
120
100
80
RESUMEN
PROBLEMAS
1. a) Describa brevemente tres tipos de números índice que se usan para medir
cambios ocurridos' en los negocios y la "economía.
b) Según su opinión, ¿ cuál es uno de los usos más importantes de 1) núme-
ros índice simples y 2) números índice compuestos? Diga las razones
de su elección para cada caso.
e) Cite las principales limitaciones de los números índice.
Producción, miles de
Precio por bushel billones de busheles
1'rigg Malz Trigo Maíz
a:) Haga una lista de los índices de costo de perforación, así como de las
columnas de' cálculos necesarios.
b) ¿ Cuál fue el incremento porcentual del costo de perforación desde 1966
hasta 1971? Si 1971 fuese la 'base del índice de costos de perforación,
¿ cuál sería el índice de 1966? Si el trabajo y los materiales representaran
cada uno la mitad del costo de perforación, ¿ sería mayor o menor
el índice de 1971 que el mostrado? ¿ Por qué?
c) ¿ Qué otros índices más precisos podría usted encontrar, para sustituir a
los que aquí se han usado, con objeto de proporcionar un mejor índice
de los costos' de perforación para su compañía?
¿ Por qué?
e) Compare las vehtajas de los muestreos aleatorio sistemático y de criterio
en la elección de artículos para un índice de ~recios que represente una
lista amplia de prendas de vestir para dama.
9. Si tuviera que reemplazar el período base de 1967 por otro nuevo para los
índices del gobierno federal, x¿ qué año o período de años escogería usted?
Cite las ventajas y desventajas de este período, conforme a los cuatro cri-
terios dados en este capítulo para la elección de un período base.
Engineering American
News Appraisal
Record Company
(1967 = 100) (1913 = 100)
12. El acuerdo de Ford Motor Company de! mes de septiembre de 1958 con los
sindicatosUAW-CIO pedía un salario adicional por costo de vida trimestral
de aproximadamente 1 centavo por hora de ingresos ordinarios por cada 0.5
pun tos de cambio en el· Indice de Precios del Consumidor del Bureau of Labor
Statistics (1947·1949 = 100) por arriba, pero no por abajo, del nivel de!
índice base de 119.1 comenzando con 1 centavo para e! índice 119.2 a 119.6.
(El índice de noviembre de 1958 fue de 123.7.)
En otro caso, la compañía Hacordó con el Sindicato de Trabajadores de
la Metalurgia que si el Indice de Precios al Consumidor aumentaba o decre-
cía en un 5% o más en un periodo semianual, los salarios se ajustarían ya sea
hacia arriba o hacia abajo por medio del mismo porcentaje.
Compare las ventajas de estos dos acuerdos con respecto a:
a) Ajustar los salarios a todos los niveles en 1 centavo por hora por cada
0.5 puntos de cambio en el índice de precios al consumidor o ajustar los
salarios por medio del mismo porcentaje de incremento que el del índice
dé precios al consumidor.
590 Números índice
b-) Ajustar los salarios poco a poco (es decir, trimestralmente, por cada 0.5
puntos de cambio en el índice de precios al consumidor) o de una sola
vez (es decir, semestralmente, por medio de 5% o más, dependiendo de
si el Indice de Precios al Consumidor ha variado demasiado).
e) Establecer un nivel mínimo de salarios de 4.6 centavos por hora abajo de
la tasa de septiembre de 1958, como se indicó en el primer párrafo, o
ajustar sin límite los salarios ya sea hacia arriba o hacia abajo, tomando
en cuenta el Indice de Precios al Consumidor.
13. ¿ Por qué el Indice de Precios al Mayoreo del Bureau of Labor Statistics que
excluye alimentos y productos agrícolas es frecuentemente utilizado en lugar
del Indice de todos los artículos como medida. para cambios generales en los
precios?
16. ¿ Qué subindice o grupo de subíndices del Indice Mensual para el Federal
Research Board son apropiados para comparaciones con el volumen físico· de
producción de:
19. ¿ Qué índices o indicadores que se hayan publicado son apropiados para usarse
en las situaciones siguientes?
a) Usted desea fijar un precio al cual vender su casa, la cual le costó
$25,000 nueva hace cuatro años.
b-) El supervisor de una fábrica de textiles de lana quiere saber si la expan-
sión de su volumen de producción en los pasados 18 meses ha tenido el
mismo ritmo que la industria en general. '
e) El contralor de una compañía de gas necesita un factor de ajuste con el
cual revisar el nivel básico de pagos de pensiones, establecido hace diez
años para los trabajadores de la compañía que se han retirado.
Problemas 591
20. Justifique o critique las siguient~s acciones. Si una postura es incorrecta, in-
dique qué se debería haer:r.
a) Se le pide al economista de una compañía petrolera que compare el cre-
cimiento industrial de la compañía desde 1960 con el de la industria en.
general. Prepara una tabla en la que muestra el total de ventas en dólares
de cada año de la industria petrolera, expresada como números índices
con 1967 como base, junto con el índice de producción industrial del
Federal Reserve Board.
bo) A un ejecutivo de la ciudad de Kansas se le ofrece empleo en Cleveland,
y desea comparar el costo de vida de las dos ciudades. El último Indice
de Precios al Consumidor es de 115.3 para la ciudad de Kansas y de
108.1 para Cleveland. Así pues, concluye que el costo de vida es más
bajo en Cleveland.
e) El agente de compras de una cadena de tiendas de accesorios para autos
compra la mayoría de sus artículos directamente a los fabricantes. Necesita
un resumen del informe mensual de los cambios de precios con objeto de
comparar sus costos. Para este propósito escoge el Indice de Precios al
Mayoreo del Bureau of Labor Statistics.
d) El redactor de cierto periódico observa que el producto nacional bruto
se ha incrementado de 251 miles de millones de dólares en 194-8 a $1,047
miles de millones en 1971. Así pues, reporta que la producción de bienes
y servicios de la nación ha aumentado cerca de 4 veces en este período.
21. Usted desea determinar un índice para el período 1964-1971 que represente
el precio de la mercancía de su cadena de tiendas de ropa al menudeo. Ya
usted ha determinado un índice de precios desde 1969. También encuentra
en los archivos de la compañía un índice calculado por un gerente de ventas
anterior. Ese índice se descontinuó' en 1966, pero parece haber sido de ter-
minado correctamente para los años en que se lo utilizó. Puesto que su índice
empieza en 1969, Ud. decide que el Indiee de Precios al Consumidor (CPI) del Bureau
of Labor Statistics para vestidos sería satisfactorio sólo para los años no eubü:rtos. De-
termine el índice requerido empalmando las tres series, Mantenga 1969 como el año
base.
BIBLIOGRAFIA
1. Tendencia secular.
2. Fluctuaciones cíclicas.
3. Variaciones estacionales.
4. Movimientos irregulares.
120
Tendencia (T)
100
(
80
60
\
Serie actual (U)
40
20
Porcentaje
~"'"' J' ' ' ' ' 'I' ' ' ' ' ' ' ' 'I' ' ' ' '~:':' : :' ' ' ' ' ' ' ' ' ' '" "' ' ' ' ' I' ' 'h' I-,.u," .",~"J
::
Porcentaje
::~l"",""J
l
Porcentaje
120 Irregular (1) ~
1:: [='I""'I"",II""l':":=::::I"~'luu'I"""'""I'""1"'""U"'"U1IU",I'"U"'U,',"u"",.IUl"hl.,I"'='lu,
1947 49 51 53 55 57 59 61
. III!''hJ
63
Puente: Federal Reserve Board indo.>: analyzed in Suroey 01 Curren! Business, September 1962, p. 25.
Figura 19-1
EL ANALISIS DE UNA SERIE CRONOLOGICA
PRODUCCION DE PRODUCTOS QUIMICOS y OTROS RELACIONADOS
Tendencia secular 595
TENDENCIA SECULAR
100 1----+----j---___l-----=;;;;;;;~~:_'7VT_--___l---:-_+---ti
Proyección
1,000.0 I----I------+----'-.--+----'--I---'--H'-".>g-~---_j--'--_H
Proyección
100.0 1------j-----1--~'=----_l_....¿.L--+lo._l_-+----I__-~__+----+1
10.0 _
1---_jI---/,L-''--+----1-----~---~-l-'---I__--__+--'- _+_I
100 ~~~-I---__+----l-----I---~+---'--I__---1----+1
Proyección
se puede· describir mediante una curva umca, aunque difiere para cada
serie. Sin embargo, el problema de la medición de la .tendencia no es mera-
mente el aspecto mecánico de ajustar una curva asociada a los datos;
también requiere un conocimiento de los antecedentes de la industria en
consideración. Con este conocimiento, uno puede aplicar métodos de
análisis de series cronológicas que no son sólo correctos mecánicamente
sino también lógicos.
110 110
90 I+--_j_--+--+--+--+~- 90
801+--_j_--+--+--+- 80
70 t+---+---_j_---1,...~~--:._ 70
60 H - - - - t - - - - j - -....I r - - j - - - - j - - - - j - - - + - - - - t - - - - . , . - - t - - - - t - - - j 60
50
4 O L-,.1..J.,O-!...JW-f-,.1..J.-!...J-7"-..L-L..J....J'-t--:-'--'-'-t-J-I...1..J.-t-:'-'-..L-LT-'.'-'-"'--'-7:-'.W-J-I..-t:-:'--'-J....l-;'-:'--'-;'5!:-'a 4 O
g 15
Fuente: Joint Economic Committee.
Figura 19·3
TASAS ANUALES DE CAMBIO EN LA PRODUCTIVIDAD POR
HORA-HOMBRE EN EL SECTOR PRIVADO TOTAL
(1947 = 100)
600 Análisis de series cronológicas
Deflación de precios
Abril Mayo
1. Ventas en dólares . $20,000 $20,900
2. Precio promedio por par . $ 20 $ 22
3. Número estimado de pares vendidos (1 +- 2) 1,000 950
Tal índice se. puede construir marcando los precios de una muestra
de artículos importantes comprados por la tienda y ponderando estos
precios según el volumen de ventas de los departamentos representados.
Sin embargo, es más sencillo y adecuado pa~aeste fin, utilizar índices
de precios al mevudeo ya existentes. El Indice de Precios al Consumidor
en sí mismo no es apropiado, ya que contiene elementos tales como
comida, renta y servicios personales no vendidos por la ,tienda; pero
pueden ser muy apropiados los componentes de vestido y enseres para
el hogar de este índice. Un análisis de las ventaS de Sears Roebuck
indica que aproximadamente el 40% de las ventas son de ropa y otros
bienes de uso personal, y el 60% de enseres para el hogar, herramientas
y otros bienes duraderos. Por lo tanto, podemos ponderar el componente
de vestidos del Indice de Precios al Consumidor con 0.40, el compo-
nente de enseres para el hogar con 0.60 y añadir ambos para conseguir
el índice de precios combinado apropiado para las ventas de Sears
Roebuck. Podemos mantener la base de 1967 (expresando las ventas en
dólares con el poder de compra de 1967) para comparabilidad con otros
índices. Dividiendo las ventas netas reportadas entre este índice, obte-
nemos las ventas deflacionadas o reducidas (aunque aumentaron antes de
1967. En la tabla 19·-1 se comparan las ventas reales, las reducidas y el
índice de precios de ÚJ53 a 1971. El volumen real de negocios se ha
incrementado en forma más gradual que las ventas reportadas debido
a la inflación de los precios. Aún más, gran parte de las ganancias
aparentes en ventas de 1956 a 1957 y de 1969 a 1970 se debió a las
alzas en los precios del mercado; hubo poco cambio en las ventas "rea-
les". Por otra parte, casi todo el aumento en las ventas de 1957 a 1965
representó un aumento real en el volumen físico ya que los precios
fueron bastante estables en ese período. En la siguiente sección se ajus-
tarán varios tipos de curvas de tendencias para ventas reducidas.
Medición gráfica
1,000
500
400
300
Tendencia
(porcentaje)
Movimientos irregulares y cíclicos
como porcentaje de la curva de crecimiento 150
125
1-:7---'~----,.c::>.riO-.--\---f----'''''''''b''''''<7'"''''--'''"-'-------;
1OO
75
1925 1930 1935 1940 1945 1950 1955 1960 1965 1970
Figura 19-4
CURVAS DE TENDENCIAS AJUSTADAS POR EL METODO GRAFICO
Ventas reducidas de Sears Roebuck, 1926-1956, y proyectadas a 1971
50
50 10
5
O"'"""~---------...J
Años Años
Figura 19-5
LA CURVA LOGISTICA DE CRECIMIENTO
La tasa promedio de crecimiento anual se ha medido como sigue:
se ha tomado el crecimiento vertical en la línea de tendencia en cualquier
año (ver 1940-1941 en la figura 19-4) mediante divisores en la escala
de porcentaje al lado derecho de la figura. Esta distancia se prolonga de
100% hasta alcanzar el 107%, indicando un crecimiento promedio del 7%
anual en las ventas reducidas para este período. Esta tasa se puede compa-
rar directamente con la de las ventas reducidas de otros almacenes, si se desea, o
con el ingreso personal real.
La medición gráfica de la tasa promedio de crecimiento está sujeta
a errores al dibujar la pendiente de la línea de tendencia y al leer el
resultado de la gráfica. Sin embargo, el error en la pendiente es pequeño
si la tendencia es lineal y las desvia'Ciones de la línea de tendencia son
pequeñas. El error en la lectura de valores de la gráfica también es
pequeño si la escala es grande. La línea recta indica que la Sears-Roebuck
se ha expandido a una tasa casi sostenida en este período de 30 años,
aunque es evidente cierto aminoramiento después de 1947. Por lo tanto,
se ha dibujado una funCión de "crecimiento" con un curvímetro para
incorporar una tasa decreciente en la ganancia. Esta curva es más alta
en el centro y más baja en los extremos de la línea recta. La curva de
erecimiento también puede ser preferible para la proyección a largo plazo
en el futuro, ya que sigue el principio característico de retardo de'! creci-
miento de muchas industrias. '
Se puede proyectar una línea recta logarítmica para un período limi-
tado -digamos cinco a diez años- ya que la tasa de expansión puede
ser casi constante para tal período, y así se evita el problema molesto
de la curvatura. Sin embargo, en un período más grande la recta loga-
rítmica se vuelve demasiado optimista ya que crece indefinidamente a
una tasa geométrica.
Las ventas del período 1957-1971 graficadas en la figura 19-4 muestran
Métodos de medición de la tendencia 607
Estas curvas son útiles para representar las tendencias futuras' probables,
las tendencias pasadas, ya que ellas enmarcan la ley "racional del cre-
,cimiento" ya descrita. Es decir, una población o una industria tienden
a crecer a una tasa más o menos constante de crecimiento durante su
juventud; pero en su madurez, esta tasa tiende a disminuir.
Existen varios tipes de curvas de crecimiento -la logística (Pearl"
Reed) y la de Gompertz que son las más comunes- pero todas tienen
las características generales mostradas en la figura 19-5. Aquí la misma
curva logística se grafica en una escala aritmética en el cuadro A de la
gráfica y en una escala semilogarítmica en el cuadro B. Durante el
período mostrado, las curvas crecen de 1 a 99 y se aproxima al límite
superior de 100.
La curva en forma de S alargada en el cuadro A muestra el des-
arrollo de una industria típica o un producto en unidades absolutas. La
primera etapa es de expetimentación y de lento desarrollo inicial. La se-
gunda, es un período de explotación rápida del producto, y la tercera,
cuando se estanca el desarrollo comercial del lJroducto porque lademan-
da llega a su máximo y se satura. La antigüedad relativa de las dife-
rentes industrias se puede determinar por medio de esta curva. Así, las
industrias de energía atómica y de electrónica se localizarán cerca del prin-
cipio, mientras que los molinos y los ferrocarriles 'estarán cerca del nivel
de saturación. '
La misma curva marcada en una escala semilogarítmica (cuadro B)
es más sencilla, siendo cóncava hacia abajo en toda su longitud. Esta es
una gráfica que, ilustra mejor el ptincipio -de desarrollo que es casi cons-
tante al principio, seguido por un porcentaje de ganancias cada vez
menor conforme avanza la edad de la industria. '
Antes de ajustar una curva de crecimiento, se deben satisfacer dos
condiciones: 1) el proceso representado debe tener las características
de crecimiento biológico para justificar el uso de esta curva con una
base lógica. Los precios, razones, quiebras comerciales, o series de desem-
pleo no están compr~ndidas en esta característica. 2) Cuando los datos
se marcan en una escala semilogarítmica deben mostrar una tasa decli-
nante de crecimiento o decrecer (es decir, las curvas deben tender a
suavizarse cada vez más) empíricamente, de la siguiente forma: series
-de curvas de crecimiento; series declinantes. De otra manera no se
puede ajustar una función de crecimiento.
La figura 19-2 muestra las curvas de Gompertz ajustadas matemáti-
camente por la National IndustrialConference Board para tres series de
más de medio siglo hasta 1958. Hemos graficado los datos reales hasta
1971 prolongando las curvas de tendencia para probar su validez como
proyecciones. El producto nacional bruto excedió con mucho su tenden-
cia de extrapolación en la década de 1960 y primeros años de esta dé-
cada, pero el aluminio y el carbón sorpresivamente continuaban muy
cerca a la ~'urva de tendencia proyectada. '
Statistical Association, marzo 1948, págs. 127-134. Este artículo presenta una grá-
fica en la cual se puede trazar una CIl:'.a logística en forma de recta.
Métodos de medición de la tendencia 609
~Y = na + b:i;X
~XY = a~X + b~X2
donde n es el número de elementos en las series.
El método abreviado del capítulo 16 (utilizando x yy minúsculas)
se puede simplificar algo en el análisis de tendencia, escogiendo un
número impar de años con el origen X en el punto medio del tiempo.
Entonces los valores negativos de X en la primera mitad de la serie se
balancean y eliminan con los valores positivos en la segunda mitad, de
tal manera que ~X = O. En otras palabras, la variable de tiempo se
mide como una desviación de su media. De acuerdo con esto, X se
cambia por la letra minúscula x, donde x =X - X. 'Ya que ~X = 0,
los términos que contienen ¡X se eliminan de las ecuaciones normales,
y se convierten en
!,Y
a =--
n
!,xY
b=-
:Sx2
donde x se mide a partir del año central como origen. Aquí, la constante
a es la media. aritmética de las series y b es una razón simple.
Ahora se puede ajustar una recta de tendencia por el método de los
mínimos cuadrados. como sigue:
l. Elabore una tabla con colu~nas para los años (x), el valor de la serie
cronológica (Y), el producto xY, y x 2 para' cada año. (La lolumna
x 2 se puede omitir, si se desea, buscando !,x2 en el Apéndice K).
2. Sume las columnas y sustituya los totales :i;Y, !,xY y :Sx2 en las fórmu-
las anteriores para encontrar las constantes a y b de la ecuación de
tendencia Y" = a + bx.
3. Tome cualesquiera dos valores de x, bastante alejados; encuentre el
valor de Y" de la ecuación de tendencia de cada caso, marque los
Métodos de medición de la tendencia 611
puntos correspondientes y trace una recta que pase por los mismos.
Esta es la línea de tendencia.
Ventas deflacionadas
(miles de millones)
Año "y x"
(1 ) "
(2)
-y
(3)
(4) (5)
10 -
/
I
/ ,/
/ ,/
9
I
/ ,/
I /
I ,
I .
I
8
,
7 '1
/I-'PARABOLA
/
I
/
/
/
I Proyección>
O L-.....L.--J...-.II..--l.--.L--l..--L--.i--'--..L.--.l.-.-1--l,~1--1--'-.-,---,--,-1-.i-..L.--I.-
1953 1955 1960 1965 1970 1975
Figura 19·6
LINEA RECTA Y PARABOLA AJUSTADAS POR MINIMOS CUADRADOS
Ventas netas deflaeionadas de Sears Roebuck, 1953·1971, proyectadas i975
614 Análisis de series cronológicas
~xY 174.698
b = ---
~~~
= 570
= O. 30649
~X2
Luego encuentre a y e resolviendo las siguientes ecuaCIOnes normales
simultáneamente:
¡y = + C~X2
na (1)
~x2Y = ~X2 + C~X4 (2)
Tabla 19-3
RÉCTA LOGARITMICA AJUSTADA POR MINIMOS CUADRADOS
A las venias nelas .deflacionadas de Sears Roebuck, 1953-1971
Ventas Ajuote
deflacionadas* de la
(miles de tenden.
millones) Tendencia cía
Año x Y log Y x logY log y, y. Y/Y.
(1) (2) (3) (4) (5) (6) (7) (8)
Esto significa que la razón del valor de la tendencia del año a la del año
precedente es antilog b, ó 1.057. La tasa promedio de crecimiento es
entonces para 1953-1971 1.057 - 1 = 0.057 ó 5.7 por ciento.
Ventas en miles de millones de
dólares a los precios de 1967
12
/
/
10 /
/
/
9
l¿'
8
..L. ~
7
Ventas," f
6
)/ I
I
Proyección
5
Tendencia "YÍ
;/
4
V
/
3
/ Porcentaje de
tendencia
Movimientos irregulares y cÍclicos\ (Y/Yc X 100)
'" ~ ;>r-- - -
110
~
/
~
~
...........
- -
100
90
I I I I I I I '1 I I I I I I I I I I
2
1953 1955 1960 1965 1970 1975
Figura 19-7
RECTA LOGARITMICA AJUSTADA POR MINIMOS CUADRADOS
A las ventas' netas deflacionadas de Sears Roebuck, 1953-1971,
mediante el método de los llÚnimos cuadrados, proyectadas a 1975
RESUMEN
todo ,es objetivo y razonablemente preciso, siempre que los datos sigan
la ecuación del tipo, seleccionado y no sean muy erráticos. Sin embargo,
d~safortunadamente las condiciones óptimas para el método de los mí-
nimos cuadrados no ocurren en las series cronológicas.
Se puede ajustar una ecuación de tendencia utilizando un programa
de 'Computadora de regresión lineal, transformando X2 en otra variable
X 2 en el caso de la parábola o transformando Y en log Y para una
recta logarítmica. Para ajustar una recta mediante los mínimos cua-
drados, se oentra la X del origen en el año central; se hace una tabla
de x, Y, x Y Y x 2 y se sustituyen los totales de las columnas en las ecua-
ciones dadas para encontrar a y b en la ecuación Yo = a + bx. Para
eliminar la tendencia y aislar los movimientos cíclicos irregulares, se
calculan. y maI'ean las Y/Y" para cada año. Una línea recta es simple,
pero puede ser ilógica por el hecho de que los incrementos constantes
son independientes de la variable misma.
Para ajustar una parábola, se suman las columnas para x 2 Y y Xi a
las anteriores y se sustituyen los totales en las tres ecuaciones para en-
contrar a, b y e en la ecuación Y" = a + bx + cx 2 : Usualmente esta es
una forma de ajustar los datos mejor que la línea recta, aunque puede ser
indebidamente afectada por los valores extremos. Es también algo iló-
gica -como ftlDción d,el cuadrado del tiempo y su proyección hacia el
futuro tiende a ser demasiado pronunciada.
La recta logarítmica es superior a los otros dos métodos descritos para
representar un crecimiento racional de la tendencia de industrias jóve-
nes y al comparar tasas de cambio relativas. Se puede dibujar gráfica-
mente como la línea recta en una gráfica de razón o se puede calcular
pore1 método de los mínimos cuadrados. El procedimiento de los mí-
nimos cuadrados es el mismo que el descrito para la recta aritmética,
excepto que log Y se utiliza en lugar de Y. La proyección de esta fun-
ción es muchas veces e1pritner paso razonable al realizar pronósticos a
mediano .plazo para unos pocos años en el futuro. Sin embargo, en el
largo plazo, sería preferible una proyección de curva de crecimiento,
puesto que la tasa porcentual de crecimiento tiende a declinar.
PROBLEMAS
Indice
Ingreso Salario de precios
Año personal promedio al consumidor.
disponible por hora (1967 = 100)
a) Calcule el ingreso real, deflacionado por medio del índice de precios al consumi-
dor y liste los resultados.
b) Tabule los ingresos reales y los deflacionados en una pequeña gráfica.
e) Explique el significado de los datos deflacionados y compare la tendencia
de las dos curvas.
8. a) Tal vez una parábola ajustaría mejor los datos del problema 7 que una
línea recta. Ajuste una parábola para los índices de productos alimenticios
de 1957 a 1971 por mínimos cuadrados, y grafique el resultado en un
diagrama aritmético.
b) ¿ Cuál tiene el mejor ajuste, la parábola o la línea recta? Para responder
a esta pregunta, en vez de comparar los errores estándar de estimación
vi ( Y - Yc )2,/ (n ..,-- k) como en el capítulo 16, simplemente acumule las
desviaciones verticales (no perpendiculareEo) ~e cada curva de tendencia
en una tira de papel y encuentre 2; I Y - Y" I /(n - k), donde n son 15
años y k es el número de constantes (2 para una línea recta y 3 para una
parábola). La curva con 'la menor desviación media es la de mejor ajuste,
según este criterio.
15. a) Ajuste una recta logarítmica a los datos de electricidad por mínimos cua-
drados, ya sea para 1959-1965 ó 1947-1965; trácela en el diagrama semi-
logarítmico y prolongue la línea de tendencia a 1971.
b) ¿ Cómo difiere el criterio de mínimos cuadrados en la bondad de ajuste
al aplicarse a la Tecta aritmética y a la recta logarítmica?
e) Explique el significado de la constante a y b en cada una de estas ecua-
ciones.
d) . Grafique los datos reales de 1966 a 1971 en el diagrama para probar su
proyección. Calcule la proyección de la tendencia para 1971. Cuál es el
porcentaje de error comparado con el valor real de 1.614 billones de kilo-
vatios-hora. Explique la probable razón de ese error.
17. A usted, como economista de la Pacific Gas & Electric Co., se le ha pedido
proyectar los requerimientos futuros de gas natural de la compañía basados
en el siguiente registro de compras de ga5natural, en millones de MCF, to-
626 Análisis de series cronológicas
mado del informe anual de la compañía, 1971. (El período de años es corto,
pero parece adecuado en este caso debido a la constancia de la tasa de c.reci-
miento.)
a) Ajuste una recta logarítmica a los datos por mínimos cuadrados.
b) Encuentre la tasa porcentual promedio de crecimiento (del antilogaritmo
de b).
e) Proyecte esta tendencia al último año disponible, y compare con el gas
real comprado (la cual se puede obtener del informe anual de la com-
pañía:) .
Gas Gas
Año comp"ado Año comJ}rado
1961.. 581 1967 802
1962 612 1968 888
1963 654 1969 878
1964 737 1970 951
1965 749 1971.. 1,005
1966 808
18. Usted desea pronosticar la demanda de gasolina en los Estados Unidos para
1971, utilizando los siguiente datos, en miles de millones de barriles. (Las cifras
anteriores no eran comparables; ver las notas de la pág. 167 del Business
Statistics, 1971.)
Aumento
Demanda de
Año gasolina Cantidad Porcentaje
1964 1.658
1965 1.720 62 3.7
1966 ; 1.793 73 4.2
1967 1.843 50 2.8
1968 1.956 113 6.1
1969 2.042 96 4.4
1970 2.131 89 4.4
BIBUOGRAFIA
Las bibliografías para este capítulo se han incluido en la lista que aparece
en las páginas 671-672.
CApiTULO 20
Variaciones estacionales y cíclicas'
NATURALEZA DE LA ESTAClüNALlDAD
Variaciones de calendario
150
Totales mensuale~~~~1I"
J, ~ .. -1
\V
6
125
f\.. ./.. ,...-~;'''
_--fo-- .. \ . Promedios diarios
5
\V
Otros ritmos
Método gráfico
l,2001----I----f--------l---I---f----I--_-III!----!I
1 ,000 1----I--~,---+-----II---I---_Hl__------j*"---___HiI'_-""'"'H'I
600 '-""~D!...._ll_\______,{_--+I___I__---+--_Y__---I-.!..---+--_
400~----JL-----l.-----L----L.---..I...----1...---........I
1966 1967 1968 1969 1970 1971 1972
Fuente: Tablas 20-1 y 20-2
Figura 2U-2
METOIJO CRAFICO ESTACIONAL
Ventas de Sears Roebuck, 1966-1971, (~()n pronóstil'o I)ara 1972
(Gráfica de razón)
3 Las ventas de Sears, Roebuck _& Ca; no han sido ajustadas por la variación
de calendario porque los mismos índices estacionales reflejarán la diferencia en
longitud promedio de meses y corregirá para esto en los datos ajUstados. Se man-
tienen variaciones pequeñas debidas al número variable de días de la semana entre
un enero y el siguiente, etcétera, y deben ser corregidas- con tÍn ajuste de calen-
dario separado en un estüdio más detallado, amenos que se utilice un programa
de computadora que realice ese ajuste.
No precisa usar las ventas deDacionadas por variación de precios en análisis
estacional, puesto que tienen poco efecto sobre el ritmo estacional y tienden a su-
primirse en el proceso de promedio.
634 Variaciones estacionales y efe/icas
Tabla 20-1
- En.
Veutas de Sears Rüebuck, 1966-1971
/;·eh. Mal'. Ahl'. May. jU1l. .fui. AROS. Se!'. Oc/. Nm'. ' Dic. To/al
Total cuatro
valores centrales 318 290 369 :~84 :~86 98 :)90 409 :)90 405 r60 586
Media de cuatro
valores centrales 79.5 72.5 92.2 96.0 96.5 99.5 97.5 102.2 97.5 101.2¡115.0 146.5 1,196.1
[ndice estacional 79.8 72.7 92.6 96.3 96.8 99.8 97.8 102.5 97.8 101.5 115.4 147.0 1,200.0
_. 1
Porcentaje de
tendencia cíclica
160
=~
140
120
1\ I
\00
\ ~
-=
-
- ~ "7
-
-...;:¿ f.....
~
7
-='"
1)
80
\ 7 ~
:~
V
60
Dic. En. Feb. Mar. APR. May. Jun. Ju!. Agos. Sep. Oct. Nov. Dic.
Fuente: Taba120-1
Figura 20-3
INDlCES ESTACIONALES y PORCENTAJES DE LA TENDENCIA-CICUCA
DEL METODO GRAFICO
Ventas de Sears Roebuck, 1966.1971
cos e irregulares de, los datos, eliminando solamente el ritmo típico mo-
derado estacional. Esta curva muestra un aumento constante de las
ventas de Sears Roebuck, con un ciclo marcado por un ligero declive
durante el descenso general de los negocios de noviembre de 1969 a
noviembre de 1970. Las irregularidades de mes a mes se deben a las
variaciones del calendario, el cambio de fecha de la Pascua, las condiciones
insólitas del clima, ventas especiales y numerosas causas no identifica-
bles. Estas irregularidades se pueden suavizar gráficamente o por un
promedio móvil de corto plazo como se describe más adelante en este
capítulo, para aclarar el patrón de tendencia-cíclica de las ventas.
Revisión para obtener mayor precisión. Para obtener mayor exac-
titud, el método gráfico se puede mejorar como sigue: trace una curva de
tendencia-cíclica revisada en una gráfica semilogarítmica de tal forma
que biseque los datos est.acionalmente ajustados, siguiendo la tendencia
cíclica e ignorando solamente los movimientos erráticos mensuales. La
curva de tendencia-cíclica, revisada se muestra en la figura 20-6. Luego
repita los pasos 3 a 5 (y el paso 6 si se quieren ajustar los datos para
estacionalidad), utilizando la nueva curva. La curva de tendencia-cíclica
revisada es más sensible a las posiciones cíclicas de los meses individuales
que la curva originaL Por lo tanto, son mejores los índices estacionales.
Sin embargo, en este caso la corrección no parece justificar la revisión.
Se puede utilizar el mismo procedimiento para mejorar los resultados del
método de promedios moviblés de 12 meses descrito posteriormente.
Tabla 20.2
CALCULO DE PROMEDIOS MOVIBLES DE 12 MESES
Ventas de Sears Roebuck, 1966-1971
Porcen- P()rcell~
taje taje
de pro· de pro-
V';l'tQs Total Promedio medios Ve1llaJ Total Prom,edío
Mes Mes medios
(millo- movible movible movibles (;"i/lo- movible movible movibles
nes) de 12 de 12 nis) de 12 de !~
(col. 2 (col. 2
meses meses~
meses meses ~
(1) (2) (3) (4) col. 4) (1) (2) (3) (4) col. 4)
(5) (5) _
1965: 1969:
Jul. 563 .. . .. . ... En. 628 9,318 776.5 80.9
Agos. 590 .. . . .. ... Feb 575 9,372 781.0 73.6
Sep. 595 .. . .. . ... Mar. 731 9,386 782.2 93.5
Oct. 611 .. . .. . ... Abr. 769 9,458 788.2 97.6
Nov. 682 .. . ... . .. May. 804 9,509 792.4 101.5
Dic. 908 .. . .. . ... Jun. 784 9,542 795.2 98.6
1966: Jul. 797 9,651 804.2 99.1
En. 478 7,222 601.8 79.4 Agos. 817 9,693 807.7 101.1
Feb. 439 7,260 605.0 72.6 Sep. 781 9,725 810.4 96.4
Mar. 563 7,304 608.7 92.5 Oct. 823 9,754, 812.8 101.3
Abr. 586 7,320 610.0 96.1 Nov. 926 9,779 814.9 113.6
May. 588 7,343 611.9 96.1 Dic. 1,216 9,787 815.6 149.1
Jun. 619 7,378 614.8 100.7 1970:
Jul. 601 7,416 618.0 97.2 En. 670 9,828 819.0 81.8
Agos. 634 7,427 618.9 102.4 Feb. 607 9,863 821.9 73.9
Sep. 611 7,443 620.2 98.5 Mar. 760 9,907 825.6 92.1
Oct. 634 7,471 622.6 101.8 Abr. 794 9,950 829.2 95.8
Nov. 717 7,492 624.3 114.8 May. 812 10,001 833.4 97.4
Dic. 946 7,532 627.7 150.7 Jun. 825 10,053 837.7 98.5
1967: Jul. 832 10,111 842.6 98.7
En. 489 7,581 631.7 77.4 Agos. 861 10,122 843.5 102.1
Feb. 455 7,604 ,633.7 71.8 Sep. 824 10,146 845.5 97.5
Mar. 591 7,668 639.0 92.5 Oct. 874 10,205 850.4 102.8
Abr. 607 7,730 644.2 94:2 Nov. 978 10,268 855.7 114.3
May. 628 7,785 648.7 96.8 Dic. 1,274 10,304 858.7 148.4
Jun. 668 7,868 655.7 101.9 1971 :
Jul. 624 7,926 660.5 94.5 En. 681 10,397 866.4 78.6
Agos. 698 7,991 665.9 104.8 Feb. 631 10,442 870.2 72.5
-Sep. 673 8,058 671.5 100.2 Mar. 819 10,504 875.3 93.6
Oct. 689 8,121 676.7 101.8 Abr. 857 10,588 882.3 97.1
Nov. 800 8,220 685.0 116.8 May. 848 10,642 886.8 95.6
Dic. 1,004 8,300 691.7 145.2 Jun. 918 10,765 897.1 102.3
1968: Jul. 877 10,858 904.8 96.9
En. 554 8,342 695.2 79.7 Agos. 923 10,925 910.4 101.4
Feb. 522 8,461 705.1 74.0 Sep. 908 11,OF 917.7 98.9
Mar. 654 8,566 713.8 91.6 Oct. 928 11,119 926.6 100.2
Abr. 706 8,602 716.8 98.5 Nov. 1,101 11,143 928.6 118.6
May. 708 8,685 723.7 97.8 Dic. 1,367 11,242 936.8 145.9
Jun. 710 8,778 731.5 . 97.1 1972:
Jul. 743 8,881 740.1 100.4 En. 748 .. . ... . ..
Agos. 803 8,955 746.2 107.6 Feb. 718 .. . .. . ...
Sep. 709 9,008 750.7 94.4 Mar. 926 .. . ... . ..
Oct. 772 9,085 757.1 102.0 Abr. 881 .. . ... . ..
Nov.' 893 9,148 762.3 117.1 May. 947 . .. . ..
Dic. 1,107 9,244 770.3 143.7
640 Variaciones estacionales y cíclicas
tirse año con año con la misma intensidad 1,elativa. O sea, el crecimiento
normal estacional en un mes dado tiende a permanecer en el mismo
porcentaje conforme crece la empresa, sin embargo, los valores en
dólares aumentan en este mes al mismo ritmo que la envergadura de los
negocios. Ya que el promedio movible de 12 meses describe grosso modo
el patrón de las fluctuaciones combinadas de tendencias y ciclos, los
porcentajes de los datos originales divididos entre este promedio repre-
sentan principalmente los componentes estacionales e irregulares, como
en el método gráfico. O sea, ventas reales = tendencia (T) X ciclo (C)
X componente estacional (S) X componente irregular (1) en nuestro
modelo de series cronológicas. (La tendencia se expresa en las unidades
originales, por. ejemplo dólares, mientras que los otros componentes se
formulan conio porcentajes). Entonces, en el paso 3, TCST/TC == SI,
Y promediando las razones ST en el mismo mes para diferentes años (paso
4) se cancelan la mayoría de los factores 1.
4. Calcule la media modificada de los porcentajes de promedios mo-
vibles para una mes dado en los diferentes anos, omitiendo los valores
máximos y mínimos ya que estos están dominados por factores irregula-
res, exactamente COIIlO en· el método gráfico. ,
Los porcentajes de la tabla 20-2, columna 5', se agrupan en la ta-
bla 20-3. Entonces se tachan los valores máximos y mínimos, en 'cada
columna, como se hizo antes, y los valores restantes se totalizan y dividen
entre 4 para dar las medias modificadas, o los índices estacionales pre-
liminares.
5. Ya que las medias modificadas de los 12 meses totalizan 1,202.0
y no 1,200 (última columna), cada cifra se multiplica por 1,200/1,202.0
para obtenerlos índices estacionales finales mostrados en el renglón
inferior. Estos Índices totalizan 1,200 Y por lo tanto, promedian 100%.
Ya que los pasos 4 y :> son los mismos que en el lllétodo gráfico, la
tabla 20-3 es muy similar a la tabla 20 c l, y una gráfica de las cifras
de la tabla 20-3 (no mostrada aquí) mostraría casi el mismo patrón de
índices estacionales e irregularidades estacionales que la figura' 20-3. Los
índices estacionales obtenidos por los dos métodos se comparan en la
parte inferior de la tabla 20-3. El promedio de diferencias absolutas
entre las dos es solamente 0.1 puntos para los 12 meses, que es trivial,
ya que los índices estacionales son exaCtos solamente con un punto de
aproximación, a menQs que se utilicen métodos más perfeccionados.
6. Con objeto de ajustar los datos con base en las variaciones esta-
cionales (para eliminar sus efectos), divida las ventas reales entre los
índices estacionales. Así, en diciembre de 1971, las ventas reales de
1,367 millones de dólares (tabla 20-2) divididas entre 147% (tabla 20-3)
nos dan 930 millones de dólares como las ventas ajustadas por varia-
ciones ,estacionales. Esto es, TCSl/ E = TCl. Estas cifras no se listan
aquí, ya que su gráfica sería casi idéntica a la línea punteada en la
figura 20-2 que muestra las ventas ajustadas por el método gráfico.
Métodos de medición de las variaciones estacionales 641
Tabla 20-3
1966 79.4 72.6 92.5 96.1 96.1 00.7 97.2 102.4 98.5 101.8 114.8 ~
1967 .JM ~ 92.5 .94:'2' 96.8 01.9 ..945 104.8 1.00:"2' 101.8 116.8 145.~
1968 79.7 .14-:'6" ,9.};() .9&:5' 97.8 .9-r.r J..OO:<t: 1W':'6 ..94:'4 102.0 117.1 ~
1969 80.9 73.6 93.5 97.6 J..G.l::5' 98.6 99.1 J,.l}t:'f 96.4 101.3 U3:1> 149.1
1970 ..8Hl'. 73.9 92.1 95.8 97.4 98.5 98.7 102.1 97.5 .J..W:'8' 114.3 148.4
1971 78.6' 72.5 .9%:6' 97.1 ~ ~ 96.9 101.4 98.9 .lOO:'Z J-.Hl':& 145.9
Total cuatro
valores centrales 318.6 292.6 370.6 386.6 388.1 99.7 391.9 410.7
391.3 406.9 463.0 588.6
lvIedia, cuatro
valores centrales 79.6 73.1 92.6 96.6 97.0 99.9 98.0 102.7
97.8 101.7 115.8 147.2' 1,202.0
Indice estacional 79.5 73.0 92.5 96.5 96.9 99.7 97.8 102.5 97.6 101.5 115.6 146.9 1,200.0
lndice estacional
(gráfico) * 79.8 72.7' 92.6 96.3 96.8 99.8 97.8 102.5 97.8101.5115.4 147.0 1,200
Diferencia -0.3 0.3 -0.1 0.2 0.1 -0.1 0.0 0.0 -0.2 0.0 0.2 -0.1
- .. De la tabla 20-1.
Estacionalidad cambiante
120
Noviembre
115
110
Octubre
105
100
Tabla 20-4
CAMBIOS EN EL PA1:'RON ESTACIONAL DE
LAS VENTAS 'DE: SEARS ROEBUCK
(Indices estacionales constantes en cuatro períodos 1946-1971)
[Jedado Ell. P,b. Mar. Abr. May. Jun. Jul. Agns. Se/J. Oct. Nov. Dic.
1946-51 81.8 71.9 93.5 98.7 98.7 98.9 87.1 97.5 105.7 109.9 114.9 141.4
1953-58 no 70.2 86.4 96.8 104.8 105.8 94.4 102.3 101.1 107.0 109.6 144.8
1960-65 77.1 70.1 88.6 96.7 100.6 102.5 96.3 103.5 99.5 104;7 111.4 149.0
1966-71 79.5 73.0 92.5 96.5 96.9 99.7 97.8 102.5 97.6 101.5 115.6 146.9
32
26
7 21 4 18 3 17 31 142812 26 9 23 7 21 4 18 15 2913 27 10 24 8 22
E F M A M J J A s o N D
FUENTE: Federal Reserve Chart Book, junio 1972. Esta publicación contienetam-
bién datos con ajuste estacional que aclaran los movimientos no estacio-
nales.
Fig.20-5
Producción de potencia eléctrica
que sería factible por otro medio. Más aún, se puede analizar la estacio-
nalidad en muchas más series cronológicas económicas de lo que era
posible anteriormente. ,
La computadora electrónica no puede manejar ciertos problemas
tales como los cambios bruscos en las programaciones de vacaciones o las
fechas cambiantes. de oferta de nuevos modelos de automóviles. Estas
situaciones se deben ajustar manualmente antes de que los qatos se in-
troduzcan a la computadora, o también se pueden cortar las series en
los puntos de discontinuidad y analizar separadamente los dos segmentos.
Las computadoras proporcionan resultados rápidos .y precisos en manos de
un analista experimentado, pero aún no han desplazado al hombre.
cuando se revisa para que siga los datos ajustados estacionales. La grá-
fica también constituye una comprobación visual en cada fase, revelando
las irregularidades en los datos y proporcionando las variaciones necesa-
rias en la técnica.
2. El método de los promedios movibles tiene la ventaja de ser un
procedimiento objetivo y general que puede realizar el personal de oficina
con una calculadora manual y una máquina de sumar. Es el más común-
mente usado de los métodos aritméticos simples propuestos para analizar
la estacionalidad. Como el método gráfico, sus resultados son general-
mente exactos y suficientes' para propósitos ordinarios.
3. Los métodos de computadora electrónica proporcionan tanto el
máximo ahorro de tiempo como una medición estacional mucho más
exacta, cuando se desea analizar muchas series, y tenemos disponible el
programa y la computadora. Sin embargo, tales programas son comple-
jos y requieren un analista creativo para seleccionar las opciones apro-
piadas e interpretar los resultados.
con varios años en esta forma puede ser confusa y no ofrecer un ajuste
preciso para el factor estacional. Por ejemplo, en la figura 20-5 el nivel
general de la producción de energía eléctrica en 1972 es obviamente
superior a la de los dos años anteriores, pero las comparaciones semanales
no cíclicas no son claras. En particular, ¿ fue la declinación en la pro-
ducción de febrero a mayo de 1972 mayor o menor que el monto esta-
cional usual? .
Estos métodos algunas veces son útiles para presentación simple. Sin
embargo, para un análisis cuidadoso deben calcularse los índices esta-
cionales como se describió anteriormente en este capítulo.
PRONOSTICO ESTACIONAL
VARIACIONES CICLICAS
Número de meSes
Contracción Expansión Ciclo total
(del mínimo (mínimo a (máximo al
al 'máximo máximo) máximo
Mínimo Máximo anterior) anterior)
Nota: las cifras escritas ('n cursivas indican expansiones durante la gUf'rra, contrac.eiOlu's de
postguerra .y ciclos completos que incluyen expansiones clt" tit'mpo de glH'rra .
.)(- 'Preliminar.
t 5 ciclos 194.,-1969.
t 3 ciclos 1945-1960.
FUF.NTE: Oficina Nacional de Investigación Económica, reportada ('n Business Conditiofls Digest,
apéndice E. Febrero de 1973. E~ta fuenh' también nos ofrece algunos puntos de cambios anteriores,
a partir d,' 1854.
El método típico para aislar, tanto corno 'sea posible, los ciclos de
los datos económicos, consiste: en eliminar los movimientos estacionales,
seculares e irregulares y graficar los residuos para mostrar las fluctuacio-
nes cíclicas. l .s Sin embargo, no todos estos movimientos necesitan elimi-
narse en la práctica, cuanto más pronunciado es un factor no cíclico,
más tiende a distorsionar el patrón cíclico y es mucho mayor la necesi-
dad de su eliminación. Así, l,lna gran ondulación estacional, una' tenden-
cia pronunciada o un violento zigzagueo irregular requiere un mayor
ajuste que si cada uno de estos factores fuera neutral. De ordinario, los
ajustes estacionales son los más importantes de los tres. Con frecuencia,
solamente se realiza este ajuste en los datos, junto con la suavización
de algunas irregularidades de tipo aleatorio. Esto se debe a que la ten-
denciasecular no permite apreciar ordinariamente los ciclos a corto
plazo, y el ajuste de tendencia introduce un error que proviene del ajuste
de la curva de tendencia misma. Además, los ciclos no se: pueden separar
con éxito de los movimientos irregulares causados por las fuerzas gene-
radoras.
Es necesario ajustar los datos anuales solamente para la tendencia
secular, ya que las fluctuaciones irregulares a corto plazo y estacionales
tienden a eliminarse en los totales anuales. Las figuras 19-4 y 19-7 mues-
tran las ventas ahuales reducidas de Sears Roebuck, ajustadas por la
tendencia. Los ciclos de los datos anuales se describieron en las páginas
J:< Un métcdo para promediar los ciclos en datos ajustados estacionalmente
se describe en Burns and Mitchell, op. cit., cap. 2'; ver también Mitchel1, op cit.
652 Variaciones estacionales y cíclicas
607 Y 616-618. Sin embargo, ya que los ciclos son de corta duración,
usualmente se necesitan datos mensuales para dar un panorama más
detallado.
Ajuste gráfico
Ajuste aritmético
Millones de dólares
1,600
1.400
uoo
Tenden\a cíclica-Te
1,000 Ventas ajustadas por
,,,¡,cion "ta'\,cl- TC1
A.
lY DJt1
~-<?"C
-
~ --
800
600 --~
/
IV
400
1966 1967 1968 1969 1970 1971 1972
Fuente: Figura 20-2.
Figura 20-6
Movimien tos de tendencia cíclica en las ven tas de Sears Roebuck, 1966 -7 2
Método gráfico
Tabla comparativa
L-, e
incluye la componente de tendencia, pero ésta es despreciable en un mes,
V(a Business Conditions Digest para una explicación más detallada,
Cómo medir los ciclos 655
Millones Millones
3.5 3.5
~J
L
3.0 ---- - r\
~I ~ 1)"''I'i'cidi" 3.0
2.5 -
/ .~~ 2.5
2.0
~
~
,~~~~ " :~.~ ..
2.0
~.~.~
..
1.5 -
.... ~~ ¡,
1.5
~~
~
1.0 - - 1-- 1.0
.5 .5
o O
Porcentaje Porcentaje
140 140
130 130
120 120
110 110
100 100
90 90
SO BO
7O '--J~-J.._-'-_...L..._ _-L-__L-~_-.J..~-'--
_ _..L...._l.---'_---L_-'-_...L..._-L-_L---' 711
Razón Ratio
1.30 · - , - - - , - - , - r - - - - ¡ - - , - , - - , - - - r - - r - , . - - - r - - r - - r - r - - - , 1.30
Irregular
1.20 1.20
1.10 1.10
UIO 1.00
.00 .SO
'48 'Al9 '50 '51 '52 '53 '54 '55 '56 '57 '58 '59 '50 '61 '62 '63 '64 'S5
* Edad: 20 años o más
FUENTE: U.S. Bureau of Labor Statisties, Th, BLS Seasonal Factor Mc/lwd (1966), pág. 2
Figm'a 20-7
COMPONENTES DE TENDENCIA-CICUCA, ESTACIONALES
E IRREGULARES
Hombres desempleaclos* en los Estados Unidos,
Abril de
194-8-junio de 1965
656 Variaciones estacionales y cíclicas
PRONOSTICO CICLICO
Métodos ingenuos
Existe una serie de métodos simples que se utilizan implícita o explí-
citamente para predecir el futuro a corto plazo. Algunos de ellos son los
siguientes:
1. Suponga que el nivel más probable de actividad futura será el
del pasado reciente. Esto es una falacia; la condición normal es la de
cambio. Por ejemplo, una persona compra bonos con la esperanza im-
plícita de que el poder de compra del bono permanecerá relativamente
estable durante su vida. Si las probabilidades son de que haya una ten-
dencia inflacionaria en los precios, puede: en cambio sufrir una dismi-
nución costosa del poder de compra de su bono.
2. Suponga que los negocios del próximo año ,aumentarán (o dismi-
nuirán) a la misma tasa porcentual que el año en curso. Algunos ejecu-
tivos tienden a proyectar el estado actual de los ciclos comerciales en el
futuro. Suponen que si existe prosperidad hoy, continuará mañana. La
recesión presente hace que los hombres se vuelvan cautelosos respecto a
compromisos futuros. A pensar de eso la experiencia pasada muestra que
a la prosperidad sigue frecuentemente la recesión, y viceversa.
3. Suponga que los negocios en el siguiente año se desarrollarán a la
tasa promedio de la tendencia secular de un cierto número de años
pasados.
4-. Estime que la duración de la fase actual de expanslOn o con-
tracción del ciclo será igual al promedio de los ciclos pasados. Sin em-
bargo, los ciclos individuales varían tanto en la duración de la fase,
como se muestra en la tabla 20-5, que la duración' promedio de los
ciclos pasados es de poco valor para predecir.
5. Envíe un cuestionario preguntando las opiniones sobre la pers-
pectiva de los negocios a una gran lista de personas que pueden intere-
Pronóstico ciclico 657
lndices de difusión
1970 (tabla 20-5). Los indicadores también dieron una señal temprana
de la recuperación siguiente.
122
Compuesto anticipado
120
Compuesto coinciden~te~_4--_ _ -t--__..J,.".""'-'T
94
126
19
Figura 20-8
][NDICES COMPUESTOS
Indicadores retrasados
:1
Irtdicadores coinciden tes
~Etij,EEt
1966 1961 1968 1969 1910
Fuente: St.tistic.l Indie.tor Associ.tes. North Egremont. M.ss.
1..911 1912
I
Figura 20-8 (Continuación) Expansión (porcentaje)
661
662 Variaciones estacionales y cíclicas
En este punto podemos resumir los métodos ,estadísticos que son útiles
en los pronósticos comerciales. Se necesitan los métodos de eneuestas por
muestreo (capítulo 12) para analizar las expectativas de los hombres de
negocios y los consumidores para el futuro próximo. El análisis de regre-
sión de las series cronológicas (capítulos 16-17) nos permitirá relacionar
nuestro propio proceso (por ejemplo, las ventas de una compañía o
industria) con alguna serie agregada (por ejemplo, ingreso personal)
para la cual existen proyecciones. Así, Predicasts recopila de muchas fuen-
tes,pronósticos para muchos agregados económicos y totales industriales
para 20 o más años en el futuro.
Los números índice (capítulo 18) sirven para resumir agregados eco-
nómicos y sus características (v. g. índices de difusión) y hacen compa-
rables series distintas. Finalmente, el análisis d,e series cronológicas (capí-
tulos 19 y 20) constituyen un método de proyección de tendencias secu-
lares, movimientos estacionales y ciclos de una serie comercial para obte-
ner un pronóstico compuesto. '
No todos los métodos estadísticos utilizados en el pronóstico a corto
plazo se necesitan en el pronóstico a largo plazo, que abarque tal vez
de cinco a diez años en el futuro, implica típicamente una proyección de
tendencia secular y análisis de regresión, para comparar las series con
agregados económicos básicos. Sin embargo, el pronóstico a largo plazo
no está relacionado con las variaciones estacionales ni es posible pronos-
tic,:tr, la fase de los ciclos comerciales con más de un año o dos de anti-
cipación, las encuestas de provisiones o expectaciones tampoco son válidas
en el pronóstico a largo 'plazo.
En d pronóstico a corto plazo, generalmente incluyen estimaciones
mensuales para el año próximo, todos los métodos estadísticos anteriores
son aplicables. En particular, es útil extrapolar la tendencia y los movi-
mientos estacionales de una serie mensual mediante el análisis estadístico
y económico si es factible que la fase actual del ciclo comercial continúe o
si existe la posibilidad de un punto de cambio. Finalmente, los compo-
nentes cíclicos de las series individuales (por ejemplo, ventas industria-
les) se pueden correlacionar con los elementos cíclicos en alguna serie
Resumen 663
RESUMEN
Las v.ariaciones estacionales son fluctuaciones rítmicas regulares en
un periodo de un año resultantes del clima y de las convenciones hechas
por el hombre como en el caso de las fiestas. Afectan casi todos los pro-
cesos económicos en diferentes grados, particularmente en el punto de
origen y en el punto de consumo. Las variaciones estacionales pueden
cambiar en su carácter a través de los años. Sin embargo, las fluctua-
ciones estacionales son mucho más regulares que los ciclos y en conse-
cuencia se pueden medir y proyectar mucho más exactamente. Los rit-
mos regulares también ocurren trimestral, mensual, semanalmente o en
periodos diarios. Finalmente, el calendario mismo causa variaciones cuasi-
estacionales en los datos semanales y mensuales, ya que el número de
los días hábiles en el mes varía de un mes a otro o de una semana a la
siguiente.
El ajuste por las .variaciones del calendario se realiza como un paso
preliminar en las mediciones estacionales con objeto de eliminar las fluc-
tuaciones en los datos causados por la longitud variable en los meses de
trabajo. Los datos se dividen entre el número de días hábiles que hay
en cada mes para poner las series en una base promedio diaria uniforme.
Las variaciones estacionales se miden con el propósito de entender
las fluctuaciones pasadas, pronosticar y realizar presupuestos, o ajustar los
datos y así revelar los ciclos. El patrón estacional se describe mejor con
los índices estacionales que representan el valor promedio de cada mes
relativo al promedio' de los 12 meses como 100%. El período analizado
debe ser lo suficientemente largp para eliminar las particularidades de
años individuales, pero se deben' omitir los períodos anormales.
PROBLEMAS
4. a) Con base en los informes de Standard and Poor, haga una lista, de las
ventas de Sears Roebuck para los primeros cinco períodos de 4 ó 5 se-
manas cada uno, para este año o el pasado.
b) Ajuste estas ventas a una base diaria promedio, contando el sábado como
1 Y2 días y omitiendo los domingos, el 1Q de enero, y el 30 de mayo.
(Vea el calendario.)
e) Trace las ventas reales y el promedio di¡¡.rio de ventas en una pequeña
gráfica, usando dos escalas.
d) ¿ Cómo influye el ajuste de calendario a los movimientos de mes a mes?
5. a·) Defina "índices estacionales". Distinga entre índices estacionales constan-
tes y varia,bles.
b) Habiendo éalculado índices estacionales, describa brevemente cómo hacer
un pronóstico estacional.
e) En una gráfica se lee "ajustada por variación estacional". ¿ Por qué?
d) ¿ Por qué es a veces necesario ajustar los datos mensuales por variacio-
nes de calendario antes de medir la estacionalidad?
Problemas 667
6. Los índices de ventas estacionales para la Holloway Company son enero, 97;
febrero, 89; marzo, 101; abril, 104; mayo, 120; etc.
a) Las ventas de la compañía se incrementaron de $2.910,000 dólares en
enero de 1973 a $2.964,000 dólares en abril del mismo año. ¿ Cuál fue
el cambio porcentual en las ventas ajustadas estacionalmente entre enero
y abril? .
b.) El tesorero de la compañía ha pronosticado ventas de 36 millones de
dólares para el sigujente año calendario. Considera que para mayo el
componente de tendencia cíclica deberá estar aproximadamente un 5%
arriba del nivel prcmedio mensual. Con base en esas suposiciones, diga
¿ cuál es el pronóstico de ventas del tesorero para el mes de mayo?
TRIMESTRE
Promedio
Año Primero Segundo "l'ercero Cuarto anual
a) Trace los datos en una gráfica semilogarítmica de un ciclo; trace una .curva
de tendencia cíclica de los promedios anuales de 1967-1972 (prolongándola
hasta 1973·), Y determine los 12 índices estacionales por medio de una tira
de medición.
venta~ de la Compañía de
11. Con el objeto de analizar los factores que afectan las
Petróleo Extron, usted decide calcular índices de variación estacional para los
datos del problema 10 con el método de promedios movibles. Primero calcula
un promedio movible de 12 meses para cada mes, y luego divida las ventas
originales entre estos promedios; obteniendo los siguientes porcentajes:
Problemas 669
12. Se dice que la demanda de gasolina es menos estacional que antes, puesto
que la gente de áreas más frías que antes guardaba su carro durante el invier-
no, ahora maneja durante todo el año; los viajes de vacaciones que inicialmen-
te eran confinados al verano ahora se hacen durante todo el año. ¿ Confirman
esta teoría las cifras de los problemas 10 y 11? Es decir, ¿ tiende a elevarse
la demanda de gasolina en un mes invernal expresada como razón al promedio
mensual,. y en consecuencia lá razón para, un mes de verano a descender a
través de los años? Pruebe esta hipótesis de variación estacional para los
meses de febrero y junio como sigue:
d) Lea a partir de sus líneas de tendencia, y haga una lista de los índices
estacionales cambiantes para febrero y junio de 1973.
14. a) Busque una serie de datos de meses. recientes que hayan sido publitados
con y sin ajuste estacional en el Survey of Current Business, o cúalquier
otra fuente. Describa la cifra del último mes en términos' de 1) el cambio
porcentual en el valor no ajustado de hace un año y 2) la relación del
valor' ajustado estacionalmente a aquellos de meses recientes. Compare
estos dos métodos para tomar en cuenta la estacionalidad.
b) Busque un indicador comercial semanal en forma de gráfica miíltiple para
varios años anteriores y describa su comportamiento reciente, iridicando
qué tipos de· componentes de fluctuaciones se' pueden distinguir.. (Una fuen-
te es el Federal Reserve Chart Book).
lS. a-) Haga una lista de los má.."'<imos y mínimos en negocios generales que hayan
ocurrido desde noviembre de 1970 (del Business ConditionsDigest, Apén-
dice E) para actualizar la tabla 20-S.
b) Cómo obtuvo estos "datos de referencia" la Oficina Nacional d~ Investi-
gaciones Económicas.
17. 0:) Haga una lista de los pasos gráficos y aritméticos necesarios para aislar
la componente de tendencia cíclica de una serie cronológica.
b) ¿En qué medida eliminan estos procedimientos las influencias estacionales
e irregulares? ¿ Qué indicios de estos elementos pueden quedar en los
residuos de la tendencia cíclica?
18. Usualmente los ciclasen las series mensuales se estudian examinando datos
que están ajustados únicamente por variación estacional, puesto que la ten-
dencia secular raras veces impide apreciar ciclos de corto plazo y .los movi-
mientos cíclicos irregularés no se pueden separar completamente unos de otros.
Sin embargo, en el análisis de venta de gasolina (problemas 10 y 11), los ci-
clos en los datos ajustados estacionalmente (problema 10 [e]) resultan confusos
debido a la tendencia secular y elementos irregulares. Usted decidió eliminar
en lo posible estos factores, con el objeto de determinar, si la había, la natu-
raleza del ciclo que pudiera existir en esta industria.
20. Analice las ventas de gasolina en el problema 10, usando el método de compu-
tadora indicado en el problema 19 a, b y c.
21. Estime el cambio porcentual en el producto nacional bruto de este año com-
parado con el del año pasado, usando tres de los cinco métodos "sencillos"
de pronóstico cíclico descritos en este texto. Haga un breve comentario de
la validez de los resultados.
22. Busque un artículo que \trate el uso de promedios movibles ponderados expo-
nencialmente en el pronóstico de corto plazo y prepare un reporte breve que
explique este método (ampliando la descripción del texto), indicando los' 'pros
y los contras.
25. Prepare una revisión crítica sobre el uso de índices de difusión (incluyendo
la duración promedio del recorrido) como método de pronóstico cíclico. La
explicación debe ser mucho más profunda que la indicada en este texto.
Vea las publicaciones de la Oficina Nacional de Investigaciones Económicas,
Statistical Indicators Reports, o Business Conditions Digest.
BIBLIOGRAFIA
ANDER8oN, T. W. The Statistical Analysis 01 Time Series. Nueva York: John
Wiley, 1971.
672 Variaciones estacionales y cíclicas
FUF..NTI:.: Fredt"ric.k E. CroxtoI1 y Dudley J. Cowden, Practical Business StatiJ'tics (21:t t~d.;
Nueva York; Pre-ntice-Hall, lne., 1948), pág. 511. Reproducido con l>cnniso del autor.
Hasta x/O" = 2.99, tomado de Rugg's Slatistical Methods Applied to Educarion. mediante
convenio con el editor, Houghton A:fifflin Company.. Una tabla mucho máJ. eh"tallada de. las árt~as
bajo la curva normal se da"" en Fcdt~ral Works Agency, Admini¿tración de Proyectos de Trabajo
para la Ciudad de Nueva York, Tables al Prabability Functions (Nueva York: National Bureau
of Standards, 19+2), Vol. n, págs. 2-238. En este apéndice los valores para x/O" = 3.00 ha,,;ta
5.00 se calcularon a partir de la fuente anterior.
699
APENDICE E
Función de costo de oportunidad normal unitario
El valor L N (D) es el costo de oportunidad esperado (o EVPI) para
una función de costos de oportunidad lineales con pendiente uno y una
distribución nonnal unitaria. El valor D representa la posición relativa
del punto de equilibrio.
Cuando se utiliza L N (D) para una distribución nonnal general, el
valor D representa la desviación absoluta del punto de equilibrio K ele la
media M Q , expresada en unidades de desviación estándar, So. Esto es
D .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
.0 .3989 .3940 .3890 .3841 .3793 .3744 .3697 .3649 .3602 .3556
.1 .3509 .3464 .3418 .3373 .3328 .3284 .3240 .3197 .3154 .3111
.2 .3069 .3027 .2986 .2944 .2904 .2863 .2824 .2784 .2745 .2706
.3 .2666 .2630 .2592 .2555 .2518 .2481 .2445 .2409 .2374 .2339
.4 .2304 .2270 .2236 .2203 .2169 .2137 .2104 .2072 .2040 .2009
.5 .1978 .1947 .1917 .1887 .1857 .1828 .1799 .1771 .1742 .1714
.6 .1687 .1659 .1633 .1606 .1580 .1554 .1528 .1503 .1478 .1453
.7 .1429 .1405 .1381 .1358 .1334 .1312 .1289 .1267 .1245 .1223
.8 :1202 .1181 .1160 .1140 .1120 .1100 .1080 .1061 .1042 .1023
.9 .1004 .09860 .09680 .09503 .09328 .09156 .08986 .08819 .08654 .08491
1.0 .08332 .08174 .08019 .07866 .07716 .07568 .07422 .07279 .07138 .06999
1.1 .06862 .067~7 .06595 .06465 .06336 .06210 .06086 .05964 .05844 .05726
1.2 .05610 .05496 .05384 .05274 .05165 .05059 .04954 .04851 .04750 .04650
1.3 .04553 .04457 .04363 .04270 .04179 .04090 .04002 .03916 .03831 .03748
1.4 .03667 .03587 .03508 .03431 .03356 .03281 .03208 .03137 .03067 .02998
1.5 .02931 .02865 .02800 .02736 .02674 .02612 .02552 .02494 .02438 .02380
1.6 .02324 .02270 .02217 .02165 .02114 .02064 .02015 .01967 .01920 .01874
1.7 .01629 .01785 .01742 .01699 .01656 .01617 .01578 .01539 .01501 .01464
1.8 .01428 .01392 .01357 .01323 .01290 .01257 .01226 .01195 .01164 .01134
1.9 .01105 .01077 .01049 .01022 .02 9957 .02 9698 .02 9445 .0 2 9198 .028957 .028721
2.0 .02 8491 .02 8266 .02 8046 .02 7832 .0 2 7623 .02 7418 .02 7219 .02 7024 .0 2 6835 .02 6649
2.1 .0 2 6468 .02 6292 .02 6120 .02 5952 .02 5788 .02 5628 .02 5472 .02 5320 .02 5172 .02 5028
2.2 .0 2 4887 .02i,750 .02 4616 .02 4486 .02 4358 .02 4235 .024114 .02 3996 .02 3882 .02 3770
2.3 .02 3662 .02 3556 .023453 .0 2 3352 .02 3255 .02 3159 .02 3067 .02 2977 .02 2889 .02 2804
2.4 .0 2 2720 .02 2640 .02 2581 .02 2484 .02 2410 .02 2337 .02 2267 .022199 .02 2132 .02 2067
2.5 .0 22005 .02 1943 .02 1883 .0 2 1826 .0 2 1769 .02 1715 .02 1662 .02 1610 .02 1560 .02 1511
3.0 .03 3822 .03 3689 .0 3 3560 .0 3 3436 .0 33316 .0 3 3199 .033o¡l7 .0 3 2978 .03 2873 .0 32771
3.5 .04 5848 .04 5620 .0 4 5400 .045168 .0 4 4984 .0 4 4788 .04 4599 .04 4417 .04 4242 .04 4073
4.0 .05 7145 .05 6835 .0 5 6538 .0 5 6253 .05 5980 .05 5718 .0 5 5468 .05 5227 .05 4997 .054777
Reproducido COn permiso de Robert Schlaifer) lntrodllctioll lo Statirtics lor RUJ;neJ,r J)eci.rions
(Nueva York: McGraw-HiIl 1961) págs. 370-371.
70l
APENDICE F
Distribución binomial-términos individuales
703
704 Apéndice
D r .01 .02 .04 .05 .06 .08 .10 .12 .14 .15 P.16 .16 .20 .22 .24 .25 .30 .35 .40 .45 .50 r
2 o 980 960 922 902 884 846 810 TI4 740 722 706 672 640 608 578 562 490 422 360 302 250
1 020 039 0T7 095 113 147 160 211 241 255 269 295 320 343 365 062375 420 455 480 495 500 1
2 0+ 0+ 002 002 004 006 010 014 020 022 026 032 040 048 058 090 122 160 202 250 2
o 970 941 885 857 831 TI9 729 681 636 614 593 551 512 475 439 422 343 275 216 166 125 o
1 029 058 111 135 159 203 243 279 311 325 339 363 384 402 416 422 441 444 432 408 375 1
2 0+ 001 005 007 010 018 027038 051 057 065 080 096 113 131 141 169 239 288 334 375 2
3 0+ 0+ 0+ 0+ 0+ 001 001 002 003 003 004 006 008 011 014 016 027 043 064 091 125 3
4 o 961 922 849 815 781 716 656 600 547 522 498 452 410 370 334 316 240 179 130 092 063 o
1 039 075 142 171 199 249 292 327 356 368 379 397 410 416 421 422 412 384 346 299 250 1
2 001 002 009 014 019 033 049 067 087 098 108 131 154 1TI 200 211 265 311 346 368 375 2
3 0+ 0+ 0+ 0+ 001 002 004 006 009 011 014 019 026 033 042 047 076 111 154 200 250 3
4 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 001 002 002 003 004 008 015 026 041 062 ~
o 951 904 815 TI4 734 659 590 528 470 444 418 371 328 289 254 237 168 116 078 050 031 G
~
1 048 092 170 204 234 287 328 360 383 392 398 407 410 407 400 360 312 259 206 156 1
2 001 004 014 021 030 050 073 098 125 138 152 179 205 230 253 309 336 346 337 312 2
3 0+ 0+ 001 001 002 004 008 013 020 024 029 039 051 065 080 088 132 181 230 276 312 3
4 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 002 003 004 006 009 013 015 028 049 OTI 113 156 ~
6 o 941 886 783 735 690 606 531 464 405 3TI 351 304 262 í!25 193 178 116 075 047 028 016 o
1 057 108 196 2]2 264 316 354 ]80 395 399 401 400 393 381 365 356 303 244 167 136 094 l.
2 001 006 020 031 042 069 098 130 161 176 191 220 246 269 288 297 324 328 311 278 234 2
3 0+ 0+ 001 002 004 008 015 024 035 041 049 064 082 101 121 132 165 235 ~ 303 312 3
4 0+ 0+ 0+ 0+ 0+ 001 001 002 004 005 007 011 015 021 029 033 060 095 ...,.., 166 234 ~
5 0+0+0+0+0+0+0+0+0+0+~~002002004004~=~*094 5
6 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+' 0+ 0+ 001 002 004 008 016 6
7 o 932 868 751 648 558 478 348 321 295 249 210 176 146 133 082 049 015 008 o
1 066 124 219 290 340 372 396 396 393 383 367 347 ]24 311 247 185 087 055 1
2 002 008 027 055 089 124 194 210 225 252 275 293 307 311 316 298 214 164 2
3 0+ 0+ 002 006 013 023 053 062 071 092 115 138 161 173 227 268 292 273 :;
4 0+ 0+ 0+ 0+ 001 003 009 011 014 020 029 039 051 058 097 144 239 273 ~
5 0+ 0+ 0+ 001 001 002 003 004 007 010 012 025 047 0T7 111 164 5
6 Ot 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 001 004 008 017 032 055 6
7 0+ 0+ 0+ 0+ Ot 0+ 0+ 0+ 0+ 0+ 0+' 0+ 001 002 004 008 T
8 o 923 851 721 663 610 513 430 360 299 272 248 204 168 137 111 100 058 032 017 008 004 o
1 075 139 240 279 311 357 383 392 390 385 378 359 336 309 281 267 198 137 090 055 031 1
2 003 010 035 051 070 109 149 167 222 238 252 276 294 305 311 311 296 259 209 157 109 2
3 0+ 0+ 003 005 009 019 033 051 072 084 096 121 147 172 196 208 254 279 279 257 219 :;
4 0+ 0+ 0+ 0+ 001 002 005 009 015 018 023 033 046 061 0T7 087 136 188 232 263 273 ~
0+ 0+ 001 002 003 003 006 009 014 020 023 047 081 :1'24 172 219
~
0+ 0+ 0+ 0+
0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 OO! 002 003 004 010 022 041 070 109 ~
7 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ Ot 0+ 0+ 0+ 0+ 0+ 0+ ~ 003 008 016 031 7
8 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ Ot 0+ 0+ 0+ 0+ 0+ 0+ 001 002 004 8
9 o ~~~~m~~~m~208~~m~~*~~~OO2
1 ~m~299.~~.m368mm_m~~~~o6o~~
2 ~~~~084~m=~~nm __ ~_.~*111m
3 O+~OO4008~~~*~ml2l~~~_~.nm=.
4 O+O+O+~~~OO7~~~~~o66~~mmmm~~
5 0+ 001 C02 004 005 007 011 017 024 033 039 071> 116 167 213 ~
6 0+ 0+ 0+ 0+ 001 001 002 003 005 007 009 021 042 oyI¡ 116 164
7 0+ 0+ 0+ u+ 0+ 0+ 0+ 0+ 001 001 001 004 010 ~ 041 070
8 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 004 009 018
9 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ ~ 002
10 o 904 817 665 599 539 434 349 279 221 197 175 137 107 083 064 056 ~ 013 006 003 001
1 091 167 2T7 315 344 378 387 ]80 360 347 333 302 268 235 203 188 121 072 040 ~ 010
2 004 015 052 075 099 148 194 233 264 276 286 298 302 298 288 282 233 176 121 076 044
0+ 001 006
3
4 0+ 0+ 0+
010
001
017
002
034
005
057
011
085
020 033 *
115 130 145 174 201
048 067 088
224 243 250
111 134 146
267 252 215 166
200 238 251 238
117
205
5 0+ 0+ 0+ 0+ 0+ 001 001 003 006 008 011 018 026 037 051 058 103 154 201 234 ~
6 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 002 003 006 009 013 016 037 069 111 160 205
7 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 002 003 009 021 042 075 117
8 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 004 011 023 044
9 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 004 010
Distribución binomial-Términos individuales 705
D r .01 .02 .04 .05 .06 .08 .10 •12 .14 .15 P.16 .18 .20 .22 .24 .25 .30 .35 .40 .45 .50
10 10 ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ w
u O ~~~.~~~~~~~~~~~*=q~~~ o
1 ~~~mm.~.~m~m~_mm~~m~~ 1
2 ~~~~~~wmm~~~m_d~~~~~m 2
3 ~~~~=~m~mm~~~fu~~m~m~~ 3
4 ~~~~~~~-~~~~~~~m=~~~~ 4
5 ~ ~ ~ ~ ~ 001 002 005 010 013 017 027 039 054 071 080 132 183 221 236 226 5
6 ~ ~ ~ ~ ~ ~ ~ 001 002 002 003 006 010 015 022 027 057 099 147 193 226 6
7 ~ ~ ~ ~ ~ ~ ~ 0+ ~ ~ ~ 001 002 003 005 006 017 036 070 113 161 7
8 ~ ~ ~ ~ ~ ~ ~ ~ 0+ ~ 0+ ~ ~ ~ 001 001 004 010 023 046 081 8
9 ~ ~ ~ ~ ~ ~ ~ ~ ~ 0+ ~ ~ ~ ~ ~ ~ 001 002 005 013 027 9
10 ~ ~ ~ ~ ~ ~ ~ 0+ 0+ ~ ~ 0+ ~ ~ ~ ~ ~ 0+ 001002005 lO
u ~ ~ ~ ~,~ ~ ~ 0+ 0+ 0+ 0+ ~ 0+ ~ ~ 0+ ~ ~ ~ ~ ~ J.l
12 o -~~~~.-~~~w~*~rn~~~=~~ o
1 ~ m _ ~ ~ ~ m m ~ ~ - ~ ~ m f u m m ~ m ~ ~1
2 ~ = ~ ~ ~ ~ ~ ~ - m ~ ~ ~ _ ~ ~ ~ ~ ~ ~ ~2
3 ~ ~ ~ m m ~ ~ ~ m m ~ ~ ~ ~ m ~ ~ ~ ~ ~ ~3
4 ~ ~ ~ = ~ ~ = ~ ~ d o 8 o ~ m ~ ~ ~ s m w ~ ~4
5 ~ 0+ ~ ~ ~ 001 004 008 015 019 025 037 053 072 092 103 158 204 227 222 193 5
6 ~ ~ ~ ~ ~ ~ 0+ 001 003 004 005 OW 016 024 034 040 079 128 177 212 226 6
7 ~ ~ C+ ~ ~ 0+ ~ ~ 0+ 001 001 002 003 006 009 011 029 059 101 149 193 7
8 ~ ~ ~ ~ 0+ 0+ ~ 0+ ~ ~ ~ 0+ 001 001 002 002 ~ 020 042 076 121 8
9 ~ 0+ ~ ~ 0+ ~ ~ ~ ~ ~ 0+ ~ ~ ~ ~ ~ 001 005 012 028 054 9
10 ~ 0+ ~ ~ ~ 0+ ~ 0+ 0+ ~ 0+ 0+ ~ 0+ 0+ 0+ 0+ 001 002 007 016 10
U ~ ~ ~ ~ 0+ 0+ 0+ ~ ~ 0+ 0+ 0+ 0+ ~ 0+ ~ 0+ 0+ 0+ 001 003 U
12 0+ ~ ~ ~ ~ ~ ~ 0+ 0+ ~ ~ 0+ 0+ 0+ ~ 0+ 0+ 0+ 0+ ~ ~ 12
13 o ~.~~~~$~fu~~~~* __ ~~~o+~ o
1 w ~ m m m . ~ ~ ~ m m ~ m ~ ~ ~ ~ ~ ~ ~ =1
2 007 025 080 ~ 142 199' 245 275 291 294 293 285 268 245 220 ~ 139 084 045 022 oio 2
3 O+~~=~~~~~~~~~$~~~~~~~ 3
4 ~o+~~~~-~mS~~~m=~~=~m* 4
5 ~ 0+ 0+ 0+ 001 002 006 012 021 027 033 050 069 091 u4 126 180 215 221 199 157 5
6 0+ 0+ 0+ 0+ 0+ 0+ 001 002 ~ ~~ 015 023 034 048 056 103 155 197 217 209 6
7 ~ 0+ 0+ 0+ 0+ 0+ 0+ .. 0+ 001 001 002 003 006 010 015 019 ~ 083 131 177 209 7
8 ~ 0+ 0+ ~ 0+ 0+ 0+ ~ 0+ ~ 0+ 001 001 002 ~ 005 014 034 066 109 157 8
9 0+ 0+ 0+ 0+ 0+ 0+ 0+' 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 003 010 024 050 087 9
lO ~ 0+ 0+ 0+ 0+ 0+ 0+ ~ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 006 016 035 10
U 0+ 0+ 0+ 0+ 0+ 0+ 0+ ~ 0+ ~ 0+ 0+ 0+ 0+ 0+ ~ 0+ 0+ 001 004 010 U
12 0+ ~ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ ~ 0+ 0+ 0+ 002 12
13 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ o+o+~o+o+o+ 13
14 o ~~~~~m~~~w*~~~=~~=~o+o+o
1 w ~ m m ~ m ~ m ~ $ ~ m ~ ~ ~ ~ ~ ~ ~ ~ ~1
2 ~ ~ ~ w ~ ~ m ~ m m ~ m ~ ~ ~ ~ ~ ~ ~ ~ ~2
3 ~ = ~ ~ * ~ ~ ~ ~ ~ m m ~ ~ ~ ~ ~ m ~ ~ =3
4 ~o+=~~~~~~~w~m~~= m~~ 4 __
5 ~ 0+ ~ ~ 001 003 008 016 028 035 044 063 086 UO 135 147 196 218 207 170 122 5
6 ~ 0+ 0+ 0+ 0+ 0+ 001 003 007 q 012 021 032 047 064 073 126 176 207 209 183 6
7 0+ ~ 0+ 0+ 0+ 0+ ~ 001 001 002 003 005 009 015 023 028 062 108 157 195 209 7
8 ~ 0+ ~ 0+_0+ 0+ 0+ 0+ ~ 0+ 0+ 001 002 004 006 008 023 051 092 140 183 8
9 ~ ~ 0+ 0+ ~ 0+ 0+ 0+ 0+ 0+ ~ ~ 0+ 001 001 002 007 018 041 076 122 9
10 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ ~ ~ 0+ 001 005 014 031 061 10
U ~ ~ ~ ~ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ ~ ~ 0+ 001 003 009 022 11
12 ~ 0+ ~ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ ~ 0+ 0+ 0+ 0+ 001 002 006 12
13 0+ ~ ~ ~ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ ~ 001 13
'14 ~ ~ 0+ ~ 0+ 0+ 0+ 0+ ~ 0+ 0+ ~ ~ ~ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 14
15 O 860 739 542 463 395 286 206 147 104 087 073 051 035 024 016 013 005 002 ~ 0+ 0+ O
1 130 226 339 366 376 373 34 3 301 254 231 209 168 132 102 077 067 031 013 005 002 ~ 1
2 q 032 099 135 169 227 267 287 290 286 279 258 231 201 171 156 092 048 022 009 003 2
3 ~ 003 018 031 047 086 129 170 204 218 230 245 250 246 234 225 170 111 063 032 014 3
4 ~ ~ 002 005 q 022 043 069 100 u6 131 162 188 208 221 225 219 179 127 078 042 4
706 Apéndice ,.l.l,t'lhti ,¡
DISTRIBUCIÓN BINOMIAL-TÉRMINOS INDIVIDUALES (Continuación)
P(r) = nCr P'qn-r
D r .01 .02 .04 .05 .06 .08 .10 .12 .14 .15,P.16 .18 .20 .22 .24 .25 .30 .35 .40 .45 .50
15 5 O<- O<- O<- 001 001 004 010 021 036 045 055 078 103 129 154 165 206 212 186 140 092
6 O<- O<- O<- O<- O<- 001 002 005 010 013 017 029 043 061 081 092 147 191 207 191 153
7 O<- O<- O<- O<- O<- O<- O<- 001 002 003 004 008 014 022 033 039 081 132 177 201 196
8 O<- O<- O<- O<- O<- O<- O<- O<- O<- 001 001 002 003 006 "010 013 035071 u8 165 196
9 O<- O<- O<- O<- O<- O<- O<- O<- O<- O<- O<- O<- 001 001 003 003 012 030 061 105 15]
lO O<- O<- O<- O<- O<- O<- O<- 0+ O<- O<- O<- O<- 0+ 0+ O<- 001 003 010 024 051 092
U O<- O<- O<- O<- O<- O<- O<- O<- O<- O<- O<- O<- O<- O<- O<- 0+ 001 002 007 019 0Il2
12 O<- O<- O<- O<- O<- O<- O<- 0+ O<- O<- O<- 0+ 0+ 0+ O<- 0+ 0+ 0+ 002 005 01_
13 O<- "'O<- O<- O<- O<- O<- O<- 0+ O<- O<- O<- 0+ 0+ 0+ O<- 0+ 0+ 0+ 0+ 001 003
14 O<- O<- O<- O<- O<- O<- O<- O<- O<- O<- 'O<- 0+ O<- 0+ O<- 0+ 0+ 0+ 0+ O<- 0+
15 0+0<-0+0<-0+0<-0<-0<-0+0+0+0<-0<-0<-0+0+0+0+0+0+0+:5
16 O' 851 724 520 440 372 263 185 129 090 074 061 042 028 019 012 010 003 001 0+ 0+ 0+ 111
1 138 236 347 371 379 366 329 282 233 210 187 147 U3 085 063 053 023 009 003 001 0+ l!
2 010 036 108 146 182 239 275 289 285 277 268 242 2U 179 148 134 073 035 015 006 002 Z
3 Q+ 003 021 036 054 097 142 184 216 229 238 248 246 236 218 208 146 089 047 022 009 )
4 O<- O<- 003 006 ou 027 051 081 U4 131 147 177 200 216 224 225 204 155 101 057 Oál II
5
6
0+
0+
O<-
O<-
0+
O<-
001
O<-
002
0+
006 014
001 003
027 045
007 013
056
018
067
02]
093 120
037 055
146
076
170 180
098 UO
210
165
006 012 020 030 044 052 101 152 189 197 175
201
198
162 112 067
198 168 122 ,
I
~
7 0+ O<- 0+ O<- O<- O<- O<- 001 003 005
8 ó+ O<- O<- 0+ 0+ O<- O<- O<- 001 001 001 003 006. 010 016 020 049 092 142 181 196
9 ?'" O<- (')+ 0+ O<- 0+ 0+ 0+ O<- 0+ O<- 001 001 002 004 006 019 044 084 132 175
10 0+ O<- 0+ O<- 0+ O<- O<- 0+ O<- 0+ 0+ 0+ 0+ O<- 001 001 006 017 039 075 122
U 0+ 0+ 0+ 'O<- 0+ Ot, O<- O<- O<- 0+ 0+ 0+ 0+ O<- 0+ 0+ 001 005 014 034 067
12 0+ O<- O<- 0+ O<- 0+ O<- (}.t 0+ O<- 0+ O<- 0+ O<- O<- 0+ 0+ 001 004 ou Oál
13 0+ 0+ O<- 0+ O<- O<- 0+ O<- 0+ 0+ 0+ 0+ O<- 0<-. O<- O<- O<- O<- 001 003 009
14 0+ O<- O<- 0+ O<- O<- 0+ O<- 0+ 0+ O<- 0+ 0+ O<- 0+ 0+ 0+ 0+ 0+ 001 002
17 o ~~~~~~~mm~~~~~OO9008=~o+o+o+ •
1 ~~~~m~m~m~~~~~~~~oo6=~o+ •
2 ~~~~~~~_~.~~m~~m~~~oo4~Z
3 =oo4~~~d~~~~~~~~=~m~~~~!
4 o+o+oo4008~m*~~~~~~=~=~W*~~·
5 0+ O<- O<- 001 002 007 017 033 054 067 080 108 136 162 183 191 208 185 138 087 01>1
6 0+ O<- 0+ 0+ 0+ 001 004 009 018 024 031 047 068 091 u6 128 178 199 184 143 Q9Io
7 0+ 0+ 0+ 0+ 0+ O<- 001 002 005 007 009 016 027 040 057 067 120 168 193 184 1lo8
8 0+ O<- 0+ 0+ 0+ 0+ O<- 0+ 001 00], 002 004 008 014 023 028 064 U3 161 188 185
9 0+ O<- 0+ 0+ 0+ 0+ 0+ O<- O<- 0+ 0+ 001 002 004 007 009 028 061 107 154 lB5
10 0+ 0+ 0+ ()¡. ()¡.O<- O<- 0+ 0+ 0+ 0+ O<- O<- 001 002 002 009 026 057 101 148
U 0+ O<- 0+ O<- O<- O<- O<- 0+ 0+ 0+ 0+ 0+ 0+ ~ 0+ 001 003 009 024 052 Q9Io
12 0+ O<- ()¡. 0+ O<- O<- 0+ 0+ 0+ 0+ 0+ O<- 0+ O<- 0+ 0+ 001 002 008 021 0l>T
13 0+ 0+ 0+ O<- 0+0+ 0+ O<- 0+ 0+ 0+ 0+ O<- O<- 0+ 0+ 0+ 001 002 007 olB
14 0+ O<- 0+ O<- O<- 0+ 0+ 0+ 0+ O<- 0+ 0+ 0+ O<- O<- 0+ 0+ ()¡. 0+ 002 ~
15 0+ O<- 0+ 0+ O<- 0+ O<- 0+ 0+ O<- O<- O<- O<- O<- O<- O<- 0+ ()¡. 0+ 0+ OOl
16 0+ ()¡. 0+ 0+ 0+ O<- 0+ O<- 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ ()¡. 0+ O<- ()¡.
17 0+ O<- 0+ 0+ O<- Ot O<- O<- O<- 0+ 0+ 0+ O<- 0+ 0+ O<- 0+ ()¡. 0+ O<- 0+
18 o 835 695 480 397 328 223 150 100 066 054 043 028 018 ou 007 006 002 0+ 0+ O<- O<-
1 152 255 360 376 377 349 300 246 194 170 149 lU 081 058 041 034 013 004 001 0+ 0+
2 013 044 121 168 205 258 284 285 268 256 241 207 172 139 109 096 046 619 007 002 001
3 001 005 028 047 070 120 168 207 233 241 244 243 230 209 184 170 105 055 025 009 003
4 0+ O<- 004 009 017 039 070 106 142 159 175 200 215 221 218 213 168 UO 061 029 012
5 0+ 0+ 001 001 003 009 022 040 065 079 093 123 151 175 193 199 202 166 U5 067 033
6 0+ O<- 0+ 0+ 0+ 002 005 012 023 030 038 058 082 107 132 144 187 194 166 u8 07l
7 0+ O<- 0+ 0+ 0+ 0+ 001 003 006 009 013 022 035 052 071 082 138 179 189 166 121
8 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 002 003 007 012 020 031 038 081 133 173 186 161
9 0+ 0+ O<- 0+ 0+ 0+ O<- 0+ O<- 0+ 001 002 003 006 OU 014 039 079 128 169 lB5
10 0+ O<- 0+ O<- 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 003 004 015 038 077 125 167
U (}.t 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ O<- 0+ O<- 001 001 005 015 037 074 121
12 0+ 0+ 0+ 0+ 0+ 0+ O<- O<- 0+ O<- 0+ O<- 0+ 0+ 0+ 0+ 001 005 015 035 07l
13 0+ 0+ 0+ 0+ O<- 0+ 0+ 0+ 0+ 0+ 0+ O<- 'Q+ O<- 0+ 0+ O<- 001 004 013 033
14 0+ 0+ O<- 0+ 0+ 0+ O<- 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ O<- 0+ 001 004 012
D r .01 .02 .04 .05 .06 .08 .10 .12 .14 .15 P.16 .18 .20 .22 .24 .25 .30 .35 .40 .45 .50 r
19 o ~~~m~~m~~~~~~~~~~~~~~ o
1 ~~~m~m~~~m~_~~m~~~~~~ 1
2 ~~mmw~~8~~~m~~m~~~~~~ 2
3 ~~~~~~~m~~~~m~~~*~m~= 3
4 ~~~~=~~~mm~~~~~a~~~=~ 4
5 ~ ~ 001 002 004 012 027 0!¡8 076 091 106 137 164 185 199 202 192 093 050 022 5
6 ~ ~ ~ ~ 001 002 007 015 029 037 047 070 095 122 146 157 192 145 095 052 6
7 ~ ~ ~ ~ ~ ~ 001~ ~ 012 017 029 044 064 086 097 153 180 144 096 7
8 ~ ~ ~ ~ 0+ 0+ ~ 001 002 003 005 ~ 017 027 041 049 098 180 177 144 8
-
9 ~ ~ ~ ~ ~ ~ ~ ~ ~ 001 001 003 005 ~ 016 020 051 146 177 176 9
10 ~ ~ ~ 0+ 0+ 0+ 0+ ~ 0+ ~ 0+ 001 001 003 005 007 022 053 098 145 176 10
II ~ ~ ~ 0+ 0+ 0+ 0+ 0+ 0+ ~ ~ ~ 0+ 001 001 002 008 023 053 097 144 U
12 ~ ~ ~ ~ ~ ~ 0+ ~ ~ 0+ 0+ 0+ ~ 0+ 0+ 0+ 002 008 024 053 12
13 ~ ~ 0+ 0+ 0+ ~ 0+ ~ 0+ ~ 0+ 0+ ~ ~ 0+ 0+ 001 002 008 023 0 52 13
14 ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~. ~ ~ ~ ~ 001 002 008 022 14
5 ~ 0+ 001 002 005 015 032 057 087 103 ll9 149 175 192 201 202 179 127 075 036 015 5
6 ~ 0+ ~ 0+ 001 003 ~ 019 035 045 057 082 109 136 159 169 192 171 124 075 037 6
7 ~ 0+ 0+ 0+ ~ 001 002 005 012 016 022 036 055 076 100 ll2 164 184 166 122 074 7
8 0+ 0+ ~ 0+ 0+ ~ 0+ 001 003 005 007 013 022 035 051 061 ll4 161 180 162 120 8
9 ~ 0+ 0+ 0+ 0+ 0+.:0+ 0+ 001 001 002 004 007 013 022 027 065 ll6 160 177 160 9
10 0+ ~ ~ 0+ 0+ ~ 0+ ~ 0+ ~ ~ 001 002 004 008 010 031 069 ll7 159 176 10
II ~ ~ ~ 0+ 0+ 0+ 0+ 0+ ~ ~ ~ ~ 0+ 001 002 003 012 034 071 ll9 160 U
12 0+ 0+ 0+ 0+ 0+ ~ 0+ 0+ ~ ~ ~ ~ ~ ~ 001 001 004 014 035 073 120 12
13 ~ 0+ 0+ 0+ 0+ ~ ~ ~ ~ 0+ ~ ~ ~ ~ 0+ ~ 001 004 015 037 074 13
14 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ ~ ~ ~ ~ 0+ ~ ~ ~ 0+ 001 005 q15 037 14
20 ~ 0+ ~ ~ ~ 0+ 0+ ~ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ ~ 0+ 0+ 0+ 0+ 20
21 o ~~~~mm~~~m~~~~~=~~ ~ ~ 0+ o
1 w~m~_m~~~122~~~~=m~~~ ~ 0+ 1
2 m~m~m~~~~w~m~®~~=OO7002 0+ 0+ 2
3 ~~~~~~~~~fu~m~~~m~~~ 003 001 3
4 o+=oo8~~~=ilimm=w~~~~m~026 009 003 4
5 0+ 0+ 001 003 006 018 038 065 098 ll5 131 161 183 197 201 199 164 109 059 026 010 5
6 0+ 0+ ~ 0+ 001 004 Oll 024 043 054 067 094 122 148 169 177 188 156 105 057 026 6
7 0+ 0+ 0+ ~ ~ 001 003 007 015 020 027 044 065 089 ll4 126 172 180 149 101 055 7
8 ~ 0+ ~ ~ 0+ ~ 001 002 004 006 009 017 029 044 063 074 229 169 174 144 ,097 8
9 0+ 0+ 0+ ~ ~ ~ ~ ~ 001 002 002 005 010 018 029 036 080 132 168 170 140 9
10 0+ ~ 0+ 0+ Q+ ~ ~ ~ ~ 0+ 001 001 003 ~ Oll 014 041 085 134 167 168 lO
II ~ ~ ~ ~ Q+ Q+ Q+ ~ ~ 0+ ~ 0+ 001 002 003 005 018 046 089 137 168 U
12 0+ 0+ 0+ ~ 0+ Q+ ~ ~ 0+ 0+ 0+ 0+ 0+ ~ 001 001 006 021 050 093 140 12
13 ~ 0+ 0+ 0+ ~ ~ 0+ Q+ ~ 0+ 0+ ~ 0+ 0+ 0+ Q+ 002 008 023 053 097 13
14 0+ 0+ ~ ~ ~ 0+ ~ 0+ ~ ~ ~ 0+ 0+ 0+ 0+ 0+ Q+ 002 009 025 055 14
a r .01 .02 .()I, .05 .06 .06 .10 .12 .111 .15 P.16 .18 .20 .22 .210 .25 .30 .35 .!Io ••5 .50
22 o 802 61>1 1>07 3211 256 160 098 060 036 026 022 013 007 004 002 002 0+ 0+ 0+ 0+ 0+
178 268 373 375 360 306 2111 180 130 109 090 061 041 026 017 004 001
281 258 222 201 181 141 107 078 055 ~ 017 005
1 0+ 0+ 0+
019 062 001 0+ 0+
045 073 103 ~ 208 235 2101 237 230 2IYf 178 1106 116 102 047 018
2 163 2IYf 2111
3 001 006 006 002 0+
• 0+
0+
001 009 018 031 067 110 152 186 199 208 216 211 196 174 161 096 047
0+ 001 007 021 0411 075 109 126 143 170 190 199 197 193 149 091 0106 019 006
019 006 002
5 003
6 0+ l)+ l)+ 001 001 005 olio 029 050 063 134 159 177 183 181 139 086 043 018
077 106
7 0+ 0+ l)+ 0+ 0+ 001 004 009 019 025 077 102 126 139 177 ln 131 081 041
033 053
8 0+ 0+ ()l. 0+ 0+ 0+ 001 002 006 008 036 054 075 087 142 173 161> 125 076
012 022
9 0+ 0+ l)+ 0+ 0+ 0+ 0+ 0+ 001 002 004 007 01. 0210 037 045 095 145 170 161> 119
10 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 002 005 009 015 020 053 101 148 l69 154
060 107 151 168
l.
11 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 003 005 007 025
12 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 002 010 029 066 113 15!t
13 0+ O+- 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 003 012 034 071 119
0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 004 olio 037 076
15 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 016 041
16 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 006 018
17 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 002 007
18 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 002
19 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ O+' 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+
20 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+
21 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+
22 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+
23
,
g
o
1
2
794 628
020
391 307
184 295 375 372 354 294 226
066 172 215 248 281 277
001 009 050 079 III 171 215
0+
0+
0+
001 010 021 035 074 120
0+
0+
002 004 009 025 051
0+ 001 002 006 017
241 147 089 053 031 0211
194
145
196
168
001
004
014
037
192 185 133 076
182 185 171 122
0+ 0+
0+
001
004
014
035
0+
0+
0+
001
0+
0+
0+
0+
004 001
013 004
070 032 012
7 0+ 0+ 0+ 0+ 0+ 001 005 011 023 031 01>0 063 088 115 139 150 178 160 113 061> 029
8 0+ 0+ 0+ 0+ 0+ 0+ 001 003 006 011 015 028 044 065 088 100 153 172 151 105 058
9 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 003 005 010 018 030 0106 056 109 155 168 143 097
10 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 003 006 012 020 026 065 117 157 161> 136
11 0+ 0+ 0+ 0+. 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 004 006 010 033 074 123 159 161
12 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 003 014 040 082 130 161
13 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 005 018 0106 090 136
14 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 002 007 022 053 097
15 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 002 009 026 058
16 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 003 011 029
17 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 004 012
18 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 004
19 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001
20 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+
21 0+ 0+ eH 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+
22 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+
23 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+
24 o *~mmmm*~~=~OO9005~~~O+O+O+ 0+ 0+
1 190 302 375 369 347 282 213 152 105 086 070' 045 028 017 010 008 002 0+ 0+ 0+ (>+
2 O22ml8o~m_m~~~m~~~~®~~~ 0+ 0+
3 002~~086ml8oE~~~~~~m088~®~~ 001 0+
4 O+~~~*S~m~q~211~m~~*~~ 003 001
5 0+ 0+ 002 005 010 029 057 093 130 147 162 185 196 195 184 176 118 062 027 009 003
6 0+ 0+ 0+ 001 002 008 020 040 067 082 096 129 155 174 184 185 160 106 056 024 008
7 0+ 0+ 0+ 0+ 0+ 002 006 014 028 037 048 073 100 126 149 159 176 147 096 05° 021
8 0+ 0+ 0+ 0+ 0+ 0+ 001 004 010 014 019 034 053 076 100 112 160 168 136 087 044
9 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 003 004 007 013 024 038 056 067 122 161 161 126 078
10 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 002 004 009 016 027 033 079 130 161 155
11 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 003 006 011 014 043 089 137 161
12 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 004 005 020 052 099 143
13 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 008 026 061 108
14 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 003 011 032 069
Distribución binomial- Términos individuales 709
D r .01 .02 .04 .05 .06 .08 .10 .12 .14 .15 P.16 .16 .20 .22 .24 .25 ·30 ·35 .40 ,45 ·50 r
24 15 0+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ 001 004 014 038 078 15
16 0+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ 0+ C)+ 001 005 017 044 16
17 C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ 002 007 021 17
16 C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ 0+ C)+ C)+ C)+ C)+ 0+ 0+ C)+ C)+ 0+ 002 008 16
19 C)+ 0+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ 0+ 0+ C)+ C)+ C)+ C)+ C)+ 0+ 001 003 19
20 C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ 0+ 001 20
21 C)+ C)+ C)+ C)+ C)+ C)+ 0+ 0+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ 21
22 0+ C)+ C)+ C)+ C)+ C)+ C)+ 0+ C)+ C)+ C)+ C)+ C)+ 0+ C)+ C)+ C)+ C)+ C)+ C)+ 0+ 22
23 C)+ C)+ C)+ C)+ C)+ C)+ C)+ 0+ C)+ C)+ C)+ C)+ C)+ C)+ 0+ C)+ C)+ C)+ C)+ C)+ C)+ 23
24 C)+ C)+ C)+ C)+ C)+ C)+ 0+ C)+ C)+ C)+ C)+ C)+ C)+ 0+ C)+ C)+ C)+ C)+ C)+ 0+ C)+ 24
25 o 778 603 360 277 213 124 072 041 023 017 013 OOT 004 002 001 001 0+ 0+ 0+ 0+ 0+ o
1 196 308 375 365 340 270 199 140 094 076 061 036 024 014 008 006 001 0+ 0+ 0+ 0+ 1
2 024 075 188 231 260 282 266 228 183 161 13:1 101 071 048 031 025 007 002 0+ 0+ 0+ 2
3 002 012 060 093 127 188 226 23:1 229 217 203 170 136 104 076 064 024 008 002 0+ 0+ 3
4 C)+ 001 014 027 045 090 138 179 205 211 213 206 187 161 132 118 057 022 007 002 0+ 4
5 0+ C)+ 002 006 012 033 065 103 140 156 170 190 196 190 175 165 103 051 020 006 002 5
6 0+ 0+ 0+ 001 003 010 024 047 076 0:12 108 13', 163 179 184 183 147 091 044 017 005 6
7 0+ C)+ 0+ 0+ 0+ 002 007 017 034 044 056 083 111 137 158 165 171 133 080 038 014 7
8 0+ 0+ 0+ 0+ 0+ 0+ 002 005 012 017 024 041 062 087 112 124 165 161 120 070 032 6
9 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 004 006 009 017 029 046 067 078 134 163 151 108 061 9
10 0+ C)+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 003 006 012 021 034 042 012 141 161 142 097 10
11 C)+ 0+ 0+ 0+ C)+ 0+ 0+ C)+ 0+ C)+ 001 002 004 008 015 019 054 103 147 156 133 11
12 C)+ 0+ 0+ C)+ 0+ 0+ C)+ 0+ 0+ 0+ C)+ C)+ 001 003 005 OOT 027 065 114 151 155 12
13 0+ 0+ 0+ 0+ C)+ 0+ C)+ 0+ C)+ C)+ C)+ C)+ 0+ 001 002 002 011 035 076 124 155 13
14 C)+ C)+ C)+ C)+ C)+ 0+ 0+ C)+ 0+ C)+ 0+ 0+ C)+ 0+ C)+ 001 004 016 043 087 133 14
15 C)+ 0+ C)+ 0+ C)+ C)+ C)+ 0+ 0+ 0+ C)+ C)+ C)+ C)+ C)+ C)+ 001 006 021 052 017 15
16 C)+ C)+ C)+ C)+ C)+ 0+ C)+ C)+ 0+ 0+ C)+ C)+ 0+ 0+ C)+ C)+ 0+ 002 009 027 061 16
17 C)+ C)+ 0+ 0+ C)+ 0+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ C)+ 0+ C)+ C)+ 001 003 012 032 17
18 C)+ C)+ C)+ 0+ 0+ C)+ 0+ C)+ 0+ 0+ 0+ C)+ 0+ C)+ C)+ 0+ 0+ 0+ 001 004 014 18
19 0+ C)+ C)+ 0+ C)+ 0+ 0+ C)+ C)+ 0+ C)+ C)+ 0+ 0+ 0+ 0+ 0+ C)+ C)+ 001 005 19
20 C)+ C)+ C)+ C)+ 0+ 0+ C)+ C)+ 0+ C)+ 0+ C)+ 0+ 0+ 0+ C)+ 0+ C)+ C)+ C)+ 002 20
21 C)+ 0+ 0+ C)+ 0+ 0+ C)+ C)+ C)+ C)+ 0+ 0+ 0+ C)+ C)+ C)+ 0+ 0+ 0+ 0+ 0+ 21
22 C)+ 0+ 0+ C)+ C)+ C)+ C)+ C)+ C)+ 0+ C)+ 0+ 0+ C)+ C)+ C)+ 0+ C)+ 0+ C)+ C)+ 22.
23 0+ C)+ C)+ C)+ C)+ C)+ C)+ 0+ C)+ 0+ C)+ C)+ C)+ 0+ 0+ 0+ C)+ C)+ , C)+ 0+ C)+ 23
24 C)+ 0+ C)+ C)+ C)+ O+t 0+ 0+ C)+ 0+ C)+ 0+ 0+ 0+ C)+ 0+ C)+ 0+ jC)+ 0+ 0+ 24
25 C)+ 0+ 0+ C)+ 0+ 0+ C)+ 0+ 0+ C)+ C)+ 0+ C)+ C)+ C)+ C)+ C)+ C)+ 0+ 0+ C)+ 25
APENO ICE G
Distribución binomial-términos acumulativos
711
712 Apéndice
•
Probabilidad de ,. o más éxitos en n intentos = I..Crprqo-r
r
D r .01 .02 .04 .05 .06 .08 .10 .12 .14 .15 P.16 .18 .20 .22 .24 .25 .30 .35 .40 .45 .50
2 o 1 1
~*~_~$_~~~
1 1 1 1 1 1 1 1 1 1 1 1 1
~~~~M.~
111 111
1
2 ~~~~--=~~~~~*~~*~=~=~
3 o
1
1 1
~_~~*=m~
1 1 1 111
__
11 1 1
~~~m.~~m_~~
1 1 1 1 1 1 111
2 ~~~~=~~*~~~~~.~~~~~~~
3 ~~~~~~~~~~ __ d~~~~~d~~
4 o 1 1 1 1 111 111 1 1 1 1 1 1 1 1 1 1 1
-
039 ~ 151 185 219 264 344 666 664 160 621 1lT0
~
1 400 453 476 502 546 590 630 936
2 001 002 009 014 ~ 034 052 073 097 110 123 151 181 212 245 262 346 437 525 686
001 002 _ _ 010 012 014 020 045 051 084 126 179 241 312
3 ~ ~ ~ ~ 027 036
4 ~ ()f' ~ ~ ~ ~ ~ 0+ 0+ 001 001 001 002 ~ 003 008 015 ~ 041 062
o 11111 1 1 1 1 1 1 1 1 1 1 1 1 1 111
1 049 096 185 ~ 266 341 410 412 530 556 562 629 672 7ll 746 763 632 664 922 950 969
2 001 _ 015 023 032 054 081 112 147 165 183 222 263 304 346 367 472 572 663 744 612
001 001 002 ~ 009 014 022 02T 032 163 235 317 401 500
~
~ ~ 044 056 014 093 104
~ ~ ~ ~ ~ ~ ~ 001 002 002 003 004 ~ 010 013 016 031 054 o6T 131 166
-
0+ ~ ~ 0+ 0+ 0+ ~ ~ ~ 0+ ~ 0+ 0+ 001 001 001 002 005 010 016 031
i •
-
6 o 1 1 1 1 1 1 1 1 1 1 1
1 1 1 111 111
1 059 114 211 265 310 394 469 536 595 623 649 696 136 775 601 622 662 925 953 972 964
2 001 022 033 046 077 114 156 200 224 247 296 345 394 442 466 560 681 767 636 691
3 ~ 0+ 001 002 009 016 ~ 039 _
047 007
056 016 099 125 154 l69 256 353 456 556 656
4 0+ 0+ 0+ 0+ 0+ 001 ~ 003 005 012 017 024 033 036 070 117 179 255 344
,
7 1 1 1 1 1 1 1 1 1 1 111 1 1 1 111 1
1
2 002 d
~ 0+
029 044
002 004 _
*
068 132 249 302 352 442 522 591 652 679 705 751 790 624 654 667 918 951 972 985 992
103 150 201 256 263
014 ~ 042 062 014 ~~~~~~~~~~;~~~:~
~ ~ 0+ ~ ~ 001 003 005 009 012 015 023 033 046 062 011 126 200 290 392 500
g ~
0+
~
~
0+
0+
~
~
~
~
~
~
~
~
~
0+
001 001 ~ 003 005 007 011 013 029 056 096 153 227
0+ 0+ ~ ~ 0+ 001 001 001 004 009 019 036 062
7 ~ ~ 0+ ~ ~ 0+ ~ ~ 0+ 0+ 0+ 0+ 0+ ~ 0+ ~ 0+ ~ 002 _ 008
6 o 111 1 1 1 1 111 1 111 1 1 111 1 1
1 077 149 279 337 390 467 570 640 701 728 752 796 63>! 663 669 900 942 966 963 992 996
2 003 010 036 057 079 130 167 246 311 343 374 437 497 554 608 633 745 631 694 937 965
_ 010 021 036 061 089 105
~
~ ~ 003
001 ~ 005 010 017 021
123 161 203 249 297 321 446
194 572
_ 406 780
685 655
~ ~ 0+ 0+ 02T 040 056 016 100 114 523 637
9
g
7
6
,
o
1
2
~
0+
~
~
1
~
1
0+
~
0+
O>
0+
0+
~
1
Ot
0+
~
~
11
~ 166 301 370 427 526
003 013 046
Ofo
~
001 004
0+ ~
~
156
014 030
001 001 004.
0+
~
~
- -
0+
1
0+
0+
~
0+
~
~
~
~
1
613
225
053
d
001 002 003 004 007 010 016 023 02T 056 106 114 ~ 363
0+
0+
~
1
0+
0+
0+
1
0+
Ofo
~
1
0+
~
Ofo
1
001 001 ~ 003 _
0+
0+
1
684 743 768 792 832 666
~
~
~
0+
~
~
~
011
001 025
0+
1
_
~
1
050 086 145
009
1
016 035
001 002
1 1 1 1 1
893 915 925 960 979 990 995 996
622 675 700 604 679 929 961 960
316 371 399 537 663 768 850 910
114 146 166 270 391 517 639 746
-
g
7
6
9
~
~
~
~
0+
~
~
0+
~
~
0+
~
0+
0+
0+
~
~
0+
~
0+
~
~
~
0+
Ofo
O>
O>
~
~
~
001 002 004
~
~
~
~
~
0+
~
0+
~
~
0+
~
0+
01-
~
OOT 012 020 029 042 049 099 172 267 379
001 001 ~ 003 005 d
~
~
~
0+
0+
~
0+
~
~
~
0+
0+
~
010 025 054 099 166
001 001 001 004 011 025 050 ~
0+
~
~
0+
001
~ ~
009 020
001 002
- ~
10
,
o
1
2
5
6
7
6
9
1
:f
~
Ofo
O<-
~
~
Ofo
~
1
001
~
~
~
~
0+
~
O>
-
1
163 335 401
016 056 ~
~
012
001
0+
O>
~
0+
1
~
~
~
~
O>
1
~
~
0+
~
0+
1
~
0+
0+
0+
~
~
0+
0+
1
461 566 651 721
ll8 166 264 342
019 040
002
_ 010
013 109
024
~
~
~
~
1 1
779
418
155
040
1
-
322
121
1 1
623
377
172
055
011
Distribución binomial-términos acumulativos 713
r .01 .02 .04 .05 .06 .oS .10 .12 .14 .15 P.16 .18 .20 .22 .24 .25 .30 .35 .40 .45 ·50
10 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 10
o 1 1 1 1 1 1 1 11111111 1 1 1 1 1 1 o
1 105 199 362 431 494 600 686 155 810 833 853 881 914 935 951 958 980 991 996 999 1- 1
2 005 020 069 102 138 218 303 387 469 508 54 5 615 678 733 181 803 881 939 970 986 994 2
3 0+ 001 008 015 025 052 090 131 191 221 252 316 383 449 513 545 681 800 881 935 961 3
4 0+ 0+ 001 002 003 009 019 034 056 069 oS5 120 161 208 260 287 430 514 704 809 887 4
g 0+
0+
0+
0+
0+
0+
0+
0+
0+
0+
001 003 006 012 016 021 033 050 012 099
0+ 0+ 001 002 003 004 001 012 019 028
115
034
210
078
332
149
467 603
247 361
726
500
5
6
1 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 004 006 008 022 050 099 174 274 7
8 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 004 012 029 061 113 8
9 0+ O~ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 006 015 033 9
10 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 006 10
11 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 11
o 1 1 11111111 1 1 1 1 1 1 1 1 1 1 1 o
1 114 215 381 460 524 632 118 184 836 858 811 908 931 949 963 968 986 994 998 999 1- 1
2 006 023 oSI 118 160 249 341 431 511 551 595 664 125 118 822 842 915 958 980 992 997 2
3 0+ 002 011 020 032 065 111 167 230 264 299 310 442 511 578 609 747 849 917 958 981 3
4 0+ 0+ 001 002 004 012 026 046 015 092 111 155 205 261 320 351 501 653 775 866 927 4
5 0+ 0+ 0+ 0+ 0+ 002 004 009 018 024 031 049 013 102 138 158 276 417 562 696 806 5
6 0+ 0+ 0+ 0+ 0+ 0+ 001 001 003 005 006 012 019 030 045 054 118 213 335 473 613 6
1 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 (>()2 004 001 011 014 039 oS5 158 261 381 7
8 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ ~. 001 001 002 003 009 026 051 112 194 8
9 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 002 006 015 036 013 9
10 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 C03 008 019 10
11 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 003 11
12 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 12
o 111 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 o
1 122 231 412 481 553 662 146 810 859 819 896 924 945 960 972 976 990 996 999 1- l· 1
2 001 027 093 135 181 279 319 414 561 602 640 loS 166 815 856 813 936 910 987 995 998 2
3 0+ 002 014 025 039 oSo -134 198 270 30S 346 423 498 570 636 661 798 881 942 913 989 3
4 0+ 0+ 001 003 006 016 034 061 097 118 141 194 253 316 382 416 579 722 831 901 954 4
5 0+ 0+ 0+ 0+ 001 002 006 014 026 034 044 068 099 131 182 206 346 499 647 112 867 5
6 0+ 0+ 0+ 0+ 0+ 0+ 001 002 005 008 010 018 030 046 068 oSo 165 284 426 513 109 6
1 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 002 004 001 012 019 024 062 129 229 356, 500 1
8 0+ 0+ 0+ 0+ 0+ 0+ 0+,0+ 0+ 0+ 0+ 001 001 002 004 006 018 046 098 179 291 8
9 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 004 013 032 010 133 9
10 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 003 008 020 046 10
11 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 004 011 11
12 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 12
13 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 13
o 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 O
1 131 246 435 512 519 689 111 833 819 891 913 938 956 969 979 982 993 998 999 1- l · 1
2 008 031 106 153 204 310 415 514 603 643 681 141 802 841 884 899 953 919 992 991 999 2
3 0+ 002 011 030 048 096 158 232 311 352 393 414 552 624 689 719 839 916 960 983 994 3
4 0+ 0+ 002 004 008 021 044 011 121 141 114 235 302 312 443 419 645 119 816 931 911 4
g 0+
0+
0+
0+
0+
0+
0+
0+
001 004 009 020 036 041 059 091
0+ 0+ 001 004 008 012 016 021
130
044
116 230 258 416 511 121 833 910
066 095 112 219 359 514 663 188 6
5
1 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 002 003 006 Oli 020 031 038 093 184 30S 454 605 1
8 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 002 005 008 010 031 015 150 - 259 395 8
9 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 002 008 024 058 119 212 9
10 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 002 006 018 043 090 10
11 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 004 011 029 11
12 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 006 12
13 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 13
14 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 14
o 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 O
~
1 140 261 458 531 605 714 194 853 913 921 949 96; 916 981 995 998 1- 1- 1- 1
2 010 035 119 111 226 340 ·51 552 681 118 781 833 814 920 965 986 995 998 1- 2
3 0+ 003 020 036 051 113 184 265 352 396 439 523 602 613 164 813 938 973 989 996 3
4 0+ 0+ 002 005 010 027 056 096 148 111 209 278 352 427 539 103 827 909 958 982 4
714 Apéndice
D r .01 .02 .04 .05 .06 .08 .10 .12 .14 .15 p.1.6 .18 .20 .22 .24 .25 .30 .35 .40 .45 .50
15 5 001 001 005 013 026 048 062 018 117 164 219 281 314 485 648 783 880 941
6 ()+ ()+ 001 002 006 012 017 023 039 061 090 127 148 278 436 597 739 849
7 ()+ ()+ ()+ ()+ 001 002 004 005 010 018 030 046 057 131 245 390 548 696
e ()+
()+
()+
()+
()+
()+
()+
()+
()+
()+
()+ 001 001
0+ ()+ ()+
002
()+
004 008 013 017
_
050 113 213 346 500
9 ~
003 004 015 042 095 182 304
10 ()+ ()+ ()+ ()+ ()+ ()+ ()+ ()+ ()+ ()+ 0+ ()+ 001 001 004 012 034 07T 151
11 ()+ ()+ 0+ ()+ ()+ ()+ 0+ ()+ ()+ ()+ ()+ ()+ ()+ ()+ 001 003 009 025 059
12 ()+ ()+ ()+ ()+ ()+ ()+ ()+ ()+ ()+ ()+ ()+ ()+ 0+ ()+ ()+ 0+ 002 006 018
13 ()+ ()+ 0+ 0+ ()+ 0+ 0+ 0+ 0+ ()+ 0+ ()+ 0+ ()+ ()+ 0+ 0+ 001 004
14 0+ ()+ ()+ ()+ ()+ ()+ 0+ ()+ 0+ ()+ 0+ ()+ 0+ ()+ ()+ 0+ 0+ 0+ ()+
o
~
16 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 149 276 480 560 628 737 815 871 910 926 939 958 972 961 990 99T 999 1- 1- 1-
2 011 040 133 l.89 249 370 485 588 677 716 751 811 859 89T 9 2 5 937 974 990 997 m 1-
3
4
001 004 024 043 067 131
0+ 0+ 003 007 013 034
211 300 393
068 116 176
439
210
484 570 648 717 777
246 322 402 481 558
803 901
595 754 m.
982 993 996
935 972 969
5 0+ 0+ 0+ 001 ~ 007 017 035 062 079 099 146 202 265 334 370 550 711 833 915 962
6 0+ 0+ 0+ 0+ 0+ 001 003 008 017 024 032 053 082 119 164 190 340 510 671 802 895
7 0+ 0+ 0+ 0+ 0+ 0+ 001 002 004 006 008 015 027 043 066 080 175 312 473 634 ro
8 0+ 0+ 0+ ()+ 0+ 0+ 0+ 0+ 001 001 002 004 rxY7 013 021 027 074 159 284 437 596
9 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 003 006 007 026 067 142 256 402
15 0+
16 ()+
17 o 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 157 291 500 582 651 758 833 886 923 937 946 966 977 965 991 992 998 m 1- 1- 1-
2 012 045 147 208 272 399 518 622 710 748 781 838 882 915 950 961 993 998
~
940 1-
3 001 004 029 050 078 150 238 335 432 480 527 613 690 758 812 836 923 967 988 999
4 0+ 0+ 004 009 016 042 083 138 20T 244 284 367 451 533 611 647 798 897 954 982 99"
5 0+ 0+ 0+ 001 003 009 022 045 078 099 122 178 242 313 388 426 611 765 874 940 975
6 0+ 0+ 0+ 0+ 0+ 001 005 011 023 032 042 069 106 151 205 235 403 580 736 853 <¡:21!
7 0+ 0+ 0+ 0+ 0+ 0+ 001 002 006 008 012 022 038 060 089 107 225 381 552 710 8~
8 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 003 006 011 019 032 040 105 213 359 526 6115
-..'/) 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ Q+ 0+ 0+ 001 003 005 009 012 040 099 199 337 500
10 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 003 013 038 092 183 315
11 0+ 0+ 0+ 0+ 0+. 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 003 012 035 083 166
12 o· 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 003 011 030 072
13 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 003 009 025
14 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 002 006
15 0+ 04 0+ 0+ 0+ 0+ 0+ 0+ 0+ Q+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001
16 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+
17 0+ 0+ 0+ O... 0+ ()+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+
18 o 1 1111111 1 1 1 1 1 1 1 1 1 1 1 1 1
1 165 305 5~'Ü 603 672 777 850 900 934 946 957 972 962 969 993 994 99B 1- l·- 1- 1-
2 014 050 161 226 294 428 550 654 740 776 808 861 901 931 952 961 986 995 999 1- 1-
3 001 Cü5 033 058 09C 170 266 369 471 520 567 654 729 792 84 3 865 940 976 ~92 997 m
4 0+ 0+ 005 011 C20 051 096 162 238 280 323 411 499 582 659 6,,4 835 )22 967 988 7/>
5 0+ 0+ 001 002 003 012 028 056 096 121 148 212 284 361 441 481 667 811 906 959 965
6 0+ 0+ Q+ Q+ Q+ 002 006 015 031 042 055 089 133 187 2 49283 466 645 7·,1 892 95"
7 0+ 0+ 0+ 0+ 0+ 0+ 001 003 008 012 017 031 051 080 117 139 278 451 626 774 88l.
8 0+ 0+ 0+ 0+ (}t 0+ 0-+ 001 002 003 004 009 016 028 046 057 141 272 4)7 60) 76C
9 0+ 0+ 0+ 0+ 0+ CH Q+ 0+ 0+ 001 001 002 004 008 015 019 060 139 263 422 5jj
10 0+ 0+ O+O+()+Q-!- 0+ 0+ 0+ 0+ o· 0+ 001 002 004 005 021 06<- 135 253 ~C7
11 0+ 0+ 0+ 0+ Q-t- 0+ 0-1 0"- 0+ 0+ 0+ o- 0+ 0+ 001 001 006 021 058 128 2IoC
12 Q+ 0+ 0+ 0+ O... O+- ()+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 0<.6 02C. 054 119
13 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ O, 0+ 0+ 0+ Ocl 006 018 048
14 0+ 0+ 0+ 0+ 0+ Q-t- 0+ O... 0+ 0+ 0+ 0+ 0+ 0+ Q+ 0+ 0+ O.¡. 001 005 015
0+ 0+
001 _
15 0+ 0+ Q+ 0+ 0+ 0+ o~ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+
16 0+ 0+ 0+ 0+ 0+ ()+ 0+ 0+ 0+ 0+ O.. 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001
17 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ ()+ 0+ 0+ 0+"", 0+ 0+ 0+ o· 0+ 0+ 0+ 0+
18 0+ 0+ 0+ 0+ 0+ 0+ 0+ O... O· O· 0+ 0+ 0+ Q+ ()+ 0+ 0+ 0+ 0+ 0+ 0+
DistriblJción binomial-términos acumulativos 715
n r .01 .02 .04 .05 .06 .08 .10 .12 .14 .15 P.16 .18 .20 .22 .24 .25 .30 .35 .40 .45 .50 r
19 o 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 o
1 174 319 540 623 6n 795 865 912 943 954 964 977 966 991 995 996 999 1- 1- 1- 1- 1
2 015 055 175 245 317 456580 683 767 802 832 881 917 943 962 969 990 997 999 1- 1- 2
3 001 006 036 067 102 191 295 403 509 559 606 691 763 822 869 889 954 963 995 996 1- 3
4 Ot Ot 006 013 024 060 115 187 271 316 362 455 545 628 703 737 867 941 977 992 996 4
5 Ot Ot 001 002 004 015 035 069 116 144 176 248 327 410 494 535 718 850 930 972 990 5
6 0+ 0+ 0+ 0+ 001 003 009 020 040 054 070 III 163 225 295 332 526 703 837 922 968 6
7 0+ Ot Ot Ot Ot 0+ 002 005 011 016 023 041 068 103 149 175 334 519 692 827 916 7
8 0+ Ot 0+ Ot Ot 0+ 0+ 001 003 004 006 013 023 040 063 OTI 182 334 512 683 820 8
9 0+ 0+ Ot 0+ Ot 0+ 0+ 0+ 001 001 001 003 007 013 022 029 084 185 333 506 676 9
10 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 003 007 009 033 087 186 329 500 10
11 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 002 011 035 088 184 324 11
12 0+ 0+ 0+ 0+ Ot 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 003 011 035 087 180 12
13 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 003 012 034 084 13
14 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 003 011 032 14
5 0+ 0+ 001 003 006 018 043 083 137 170 206 285 370 458 762 882 949 961 994
~
544 585
6 0+ 0+ 0+ 0+ 001 004 Oil 026 051 067 087 136 196 266 343 383 584 755 874 945 979
0+ 0+ 0+ 0+ 0+ 001 002 007 015 022 030 054 007 130 1114 214 392 583 750 ti70 942 l
é 0+ 0+ Ot Ot 0+ 0+
Ot
()+ 001 004
0+ 001
006
001
009
002
018
005
032
010
054
019
083 102
032 041
228
il3
399
236
584
404
748
586
868
748
8
9
9 Ot Ot Ot 0+ 0+ ()+
20 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 20
21 o 1 1 1 1 1 1 1 111111111
1 1 1 1 1 o
1 190 346 576 659 727 826 891 932 958 967 974 965 991 995 997 996 999 1- 1- 1- 1- 1
509 635 736 814 845 872 913 943 962 976 961 994 999 1-1- 1- 2
~;
2 019 065 204 362
3 001 008 050 128 234 352 470 580 630 676 756 821 872 910 925 973 991 996 999 1- 3
4 0+ 001 009 019 034 082 152 240 338 389 440 538 630 710 779 808 914 967 969 997 m 4
5 0+ 0+ 001 003 007 023 052 096 161 197 237 323 414 505 592 633 802 908 963 967 996 5
6 Ot Ot 0+ 0+ 001 005 014 033 063 083 106 '162 231 308 391 433 637 799 904 961 967 6
7 0+ 0+ Ot 0+ 0+ 001 003 009 020 02; 039 068 109 160 222 256 449 643 800 904 961 7
8 0+ Ot 0+ 0+ 0+ 0+ 001 002 005 008 012 024 043 070 108 130 277 464 650 803 905 8
9 0+ 0+ 0+ o()+ 0+ Ot Ot 0+ 001 002 003 007 014 026 044 056 148 294 476 659 808 9
10 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 004 008 016 021 068 162 309 488 669 10'
11 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 005 006 026 077 174 321 500 11
12 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 002 009 031 085 184 332 12
13 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ Q+ 0+ 002 011 035 091 192 13
14 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 003 012 038 095 14
20 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ (}+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 20
21 0+ 0+ 0+ (}+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ Q+ 0+ 0+ (}+ 0+ (}+ 0+ 0+ 0+ 0+ 21
716 Apéndice
D r .01 .02 .04 .05 .06 .06 .10 .12 .14 .15 P.16 .18 .20 .22 .24 .25 .30 .35 .40 .45 .50 r
o 11111 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 o
1 198 359 593 676 744 840 902 940 964 972 978 987 993 996 998 998 1- 1- 1- 1- 1- 1
2 020 071 219 302 384 535 661 760 834 863 888 926 952 970 981 985 996 999 1- 1- 1- 2
3 001 009 056 095 142 256 380 502 612 662 707 785 846 892 926 939 979 994 998 1- 1- 3
4 0+ 001 011 022 040 094 172 267 372 425 477 578 668 746 810 836 932 975 992 998 1- 4
g 0+
0+
0+
0+
002 004 009 027 062 115 186
0+ 001 002 006 018 041 077
m
100
270
127
362 457 550 637 677 835 926 973 992 998
191 267 351 439 483 687 837 928 973 992
5
6
7 0+ 0+ 0+ 0+ 0+ 001 004 012 026 037 050 065 133 193 263 301 506 698 842 929 974 7
8 0+ 0+ 0+ 0+ 0+ 0+ 001 003 008 011 017 032 056 090 135 162 329 526 710 848 933 8
9 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 003 005 010 020 036 060 075 186 353 546 724 857 9
10 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 003 006 012 022 030 092 208 376 565 738 10
11 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 004 007 010 039 107 228 396 584 U
12 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 003 014 047 121 246 416 12
13 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 004 018 055 133 262 13
14 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 006 021 062 143 14
23 o 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 o
1 206 372 609 693 759 853 911 947 969 976 982 990 994 997 998 999 1- 1- 1- 1- 1- 1
2 022 077 23 4 321 405 559 685 781 852 880 902 937 960 975 98;> 988 997 999 1- 1- 1- 2
~
002 ou 062 105
0+
0+
278 406 533 643
001 012 026 ~ 107 193 295 405
002 005 011 033 073 133
736 810
514 615
212
m 867
703 m§~ 863
951 984
946 ~ 999
995 999
1-
5 0+ 0+ 002 006 013 039 085 153 239 287 337 439 540 634 717 753 889 958 987 996 999 5
6 0+ 0+ 0+ 001 002 010 026 060 109 139 174 254 344 439 533 578 771 896 960 987 997 6
7 0+ 0+ 0+ 0+ 0+ 002 007 019 041 057 076 126 189 264 349 393 611 789 904 964 989 7
8 0+ 0+ 0+ 0+ 0+ 0+ 002 005 013 020 028 053 089 136 199 234 435 642 808 914 968 8
9 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 004 006 009 019 036 062 099 121 Z75 474 672 827 924 9
10 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 002 006 013 024 042 055 153 313 5U 701 846 10
11 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 004 008 016 021 074 183 350 546 729 11
12 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 002 005 007 031 094 213 365 581 12
13 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 001 002 012 042 u4 242 419 13
14 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 001 004 0~6 053 134 271 14
Distribución binomial-términos acumulativos 717
"
Probabilidad de r o más éxitos en n intentos ::: ~"Crpr q"-r
r
D r .01 .02 .04 ·05 .06 .08 .10 .12 .110 .15 P.16 .lB .20 .22 .210 .25 .30 ·35 .40 .45 .50 r
25 o 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 o
1 222 397 6loo 723 787 876 928 959 9T7 983 987 993 996 99B 999 999 1- 1- 1- l. 1- 1
2 026 089 2611 358 447 605 729 820 883 907 926 955 973 9Blo 991 993 99B 1- l. l· 1- 2
3 002 013 en6 121' 187 323 463 591 700 746 787 853 902 936 959 968 991 99B 1- 1- l· 3
4 0+ 001 017 034 060 135 2)6 352 471 529 584 683 766 832 883 904 967 990 99B l. l· lo
5 0+ 0+ 003 ocn 015 045 098 173 267 318 371 477 579 672 752 786 910 968 991 99B 1- 5
6 0+ 0+ 0+ 001 003 012 033 enl 121 162 200 288 383 482 571 622 8en 917 971 991 99B 6
7 0+ 0+ 0+ Ot 001 003 009 024 051 eno 092 149 220 303 393 439 659 821 926 974 993 7
8 0+ 0+ 0+ Ot ()+ 001 002 007 017 025 036 066 109 166 235 213 488 694 846 936 978 8
9 0+ 0+ 0+ 0+ ()+ 0+ 0+ 002 005 008 012 025 047 Cf79 123 149 323 533 726 866 946 9
10 O< ()+ O< O< 0+ O< 0+ 0+ 001 002 003 006 017 033 056 Cf71 189 370 575 758 885 lO
11 0+ ()+- O< 0+ ()+ 0+ O. 0+ ()+ 0+ 001 002 006 012 022 030 098 229 414 616 7~8 11
12 0+ 0+ 0+ 0+ 0+ O< 0+ 0+ 0+ 0+ 0+ 001 002 004 006 011 041, 125 268 457 655 12
13 0+ 0+ 0+ 0+ 0+ ()+ ()+ 0+ ()+ 0+ O' 0+ 0+ 001 002 003 017 060 151, 306 soo 13
14 O< O< O< O< O< O< O< O' 0+ 0+ O< o' 0+ O. 001 001 006 025 078 183 34 5 14
~~
O< 0+ O< O< O< O< O< O< O< 0+ O< ()+ o· 0+ 0+ O· 002 009 0310 0')6 212 15
O< O< O< 0+ 0+ O< O< O< O< o. 0+ O· O< O· O· o· o' OC·3 el! :J41, 11~ 16
17 O< 0+ O< 0+ 0+ 0+ O< ()+ O< 0+ o. o· O< O' o· O· 0+ 001 ~ 01 7 ~jl, F
18 ()+ ()+ ()+ 0+ 0+ O< ()+ 0+ O< O< ()+ ()+ 0+ ()+ O· o. ()+ 0+ 001 006 022 18
l~ 0+ 0+ ()+ 0+ 0+ 0+ 0+ 0+ O< ()+ ()+ ()+ 0+ 0+ 0+ 0+ ()+ ()+ O· 002 OOT 19
20 ()+ ()+ ()+ 0+ 0+ O< 0+ O< ()+ 0+ ()+ 0+ 0+ 0+ 0+ O< ()+ 0+ Ó' 0+ 002 20
21 O< 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ ()+ 0+ 0+ 0+ 0+ 0+ O. 0+ 0+ O. 0+ 21
22 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ 0+ O· 0+ 22
23 0+ ()+ O< 0+ 0+ O< O< 0+ 0+ ()+ 0+ 0+ 0+ 0+ ()+ 0+ 0+ ()+ O. 0+ 0+ 23
24 0+ ()+ O< 0+ ()+ 0+ ()+ ()+ 0+ 0+ ()+ O< 0+ O< 0+ 0+ 0+ 0+ 0+ ()+ 0+ 24
25 0+ 0+ 0+ 0+ 0+ O< ()+ 0+ 0+ 0+ 0+ ()+ ()+ 0+ 1)+ O< O< O< o+·~O+ 0+ 25
J'¡
APENDICE H
Distribución de Poisson-técminos individuales
, e--mm"
f(x)=-
xl
.001 .002 .003 .004 .005 .006 .007 .008 .009 .01 .02 .03 .04 .05 .06 .07 .08 .09 .10 .15 x
999 998 997 996 995 994 993 992 991 990 980 970 961 951 942 932 923 914 905 861 o
001 002 003 004 005 006 007 008 009 010 020 030 038 048 057 06,. 074 082 090 129 1
001 001 002 002 003 004 005 010 2
m
.20 .25 ·30 .40 ·50 .60 .70, .80 .90 1.0 1.1 1.2 1.3 1.4 1.5 1.6 ".7 1.8 1.9 2.0 x
819 779 741 670 607 ' ')49 497 449 407 368 333 301 273 247 223 202 183 165 150 135 O
164 195 222 268 303 329 348 359 366 368 366 ]61 354 345 335 323 311 298 284 271 1
016 024 033 0')4 076 099 122 144 16') 184 201 217 230 242 251 258 264 268 270 271 2
001 002 003 007 013 020 028 038 049 061 074 087 100 113 126 13tl 150 161 171 180 3
001 002 003 005 008 OH 015 020 026 032 039 047 055 063 072 081 090 4
001 001 002 003 004 006 008 011 0.14 018 022 026 031 036 5
001 001 001 002 003 004 005 006 008 010 012 6
001 001 001 001 002 003 003 7
001 001 8
2.1 2.2 2·3 2.4 2·5 2.0 2·7 2.8 2·9 3·0 3·1 3.2 3·3 3.4 ).5 3.6 3.7 3.8 3.9 4.0 x
122 111 100 091 082 074 067 061 055 050 045 041 037 033 030 027 025 022 020 018 O
257 244 231 218 205 193 181 170 160 149 140 130 ~2 113 106 098 091 065 079 073 1
270 268 265 261 257 251 245 238 231 224 216 209 201 193 185 177 169 162 151> 147 2
189 107 203 209 214 218 220 222 224 224 224 223 221 219 216 212 209 205 200 195 3
099 108 117 125 134 141 149 156 162 168 173 178 182 186 l89 191 193 194 195 195 4
042 048 054 060 067 074 080 087 094 101 107 114 120 126 132 138 143 148 152 156 5
015 017 021 024 028 032 0]6 041 045 050 056 061 066 072 077 083 088 094 099 104 6
004 005 007 008 010 012 014 016 019 022 025 028 031 035 039 042 047 051 055 060 7
001 002 002 002 003 004 005 006 007 008 010 011 013 015 017 019 022 024 027 030 8
001 001 001 001 002 002 003 003 004 005 006 007 008 009 010 012 013 9
001 001 001 001 002 002 002 003 003 004 005 005 10
001 001 001 001 001 002 002 11
001 001 12
719
720 Apéndice
m
x 4.1 4.2 4.3 4.4 4.5 4.6 4·7 4.8 4.9 5.0 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 6.0
O 017 015 014 012 011 010 009 008 007 007 006 006 005 005 004 004 003 003 003 002
1 068 063 058 054 050 046 043 040 036 034 031 029 026 024 022 021 019 018 016 015
2 139 132 125 119 112 106 100 095 089 084 079 075 070 066 062 058 054 051 048 045
3 190 185 180 174 169 163 157 152 146 140 135 129 124 119 113 108 103 098 094 089
4 195 194 193 192 190 188 185 182 179 175 172 168 164 160 156 152 147 143 138 134
5 160 163 166 169 171 173 174 175 175 175 175 175 174 173 171 170 168 1.66 163 16J.
6 109 114 119 124 128 132 136 140 143 146 149 151 154 156 157 158 159 160 160 161
7 064 069 073 078 082 087 091 096 100 104 109 113 ll6 120 123 127 130 133 135 138
8 033 036 039 043 046 050 054 058 061 065 069 073 077 081 085 089 092 096 100 103
9 015 017 019 021 023 026 028 031 033 036 039 042 045 049 052 055 059 062 065 069
10 006 007 008 009 010 012 013 015 016 018 020 024 026 029
022 031 O.H 036 039 041
11 002 003 003 004 004 005 006 006 007 008 009 010 012 013 014 016 017 019 02l 023
12 001 001 001 001 002 002 002 003 003 003 004 005 005 006 007 007 008 009 010 011
13 001 001 001 001 001 001 002 002 002 002 003 003 004 004 005 005
14 001 001 001 001 001 001 001 002 002 002
m
x 6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 7.0 7.1 7.2 7.3 7.4 7.5 8.0 8.5 9.0 9.5 10.0
O 002 002 002 002 002 001 OO! 001 001 001 001 001 001 001 001
1 014 013 012 011 010 009 008 008 007 oc6 006 005 005 005 004 003 002 001 001
2 042 039 036 034 o~ 030 028 026 024 022 021 019 018 017 016 011 007 005 003 002
3 085 081 077 073 069 065 062 058 055 052 049 046 044 041 039 029 021 015 011 008
4 129 125 121 ll6 112 108 103 099 095 091 087 084 080 076 073 057 044 034 025 019
5 158 155 152 149 145 142 138 135 131 128 124 120 117 113 109 092 075 061 048 038
6 160 160 159 159 157 156 155 153 151 149 147 144 142 139 137 122 107 091 076 063
7 140 142 144 145 146 147 148 149 149 149 149 149 148 147 146 140 129 117 104 090
8 107 110 113 ll6 119 121 124 126 128 130 132 134 135 136 137 140 138 132 123 113
9 072 076 079 082 086 089 092 095 098 101 104 107 110 112 114 124 130 132 130 125
10 044 047 050 053 056 059 062 065 068 071 074 077 080 083 086 099 110 119 124 125
11 024 026 029 031 033 035 038 040 043 045 048 050 053 056 059 072 085 097 10'7 114
12 012 014 015 016 018 019 021 023 025 026 028 030 032 034 037 048 060 073 084 095
13 006 007 007 008 009 010 011 012 013 014 015 017 018 020 021 030 040 050 062 073
14 003 003 003 004 004 005 005 006 006 007 008 009 009 010 011 017 024 032 042 052
15 001 001 001 002 002 002 002 003 003 003 004 004 005 005 006 009 014 019 027 035
16 001 001 001 001 001 001 001 001 002 002 002 002 003 005 007 011 016 022
17 001 001 001 001 001 001 001 002 004 006 009 013
18 001 002 003 005 007
19 001 001 002 004
20 001 001 002
21 001
APENDICE I
Distribución de Poisson-términos acumulativos
co e-mmx
~--
'" x!
m
x .X1 .002 .003 .004 .005 . 006 •orrr . 008 •009 •01 .02 .e3 .04 .05 .06 .(17 .08 .C? .-le .15 x
e 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 o
:lo 0Ol. 002 003 oc4 005 006 007 oo'l 009 010 020 030 039 049 058 068 077 086 095 139 1
2 -) .. :~ 001 001 002 002 003 oc4 005 010
001
2
3
3
m
x .20 .25 ·30 .40 ·50 .60 .70 ,.80 ·90 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1·7 1.8 1·9 2.0 x
O 1 1 1 1 1 1 l. '1 1 1 1 1 1 1 1 1 1 1 1 1 O
1 2.81 221 259 330 393 451 503 551 593 632 66T 699 753 777
?'2'7 798 817 835 850 865 1
2 e18 026 037 062 090 122 156 191 228 264 301 337 373 408 442 475 507 537 566 594 2
3 001 002 oc4 oc8 014 023 034 o4T 063 080 100 121 143 167 191 217 243 269 296 323 3
4 001 002 003 006 009 013 Ol.9 026 034 043 054 066 079 093 109 125 143 4
5 001 001 002 oc4 005 008 011 014 019 024 030 036 044 053 5
6 001 001 002 002 OC3 oc4 006 oo'l Ol.0 013 017 6
7 001 001 001 002 003 003 005 7
'3 001 001 001 8
m
x 2.1 2.2 2·3 2." 2.5 2.6 2.7 2.8 2·9 3·0 3.1 3.2 3.3 3.4 3·5 3.6 3.7 3.8 3·9 4.0
"
O 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 O
~~
1 818 889 900 909 926 933 939 945 950 955 959 963 967 970 973 975 978 980 982 1
2 620 645 6&) 692 733 751 769 185 801 815 829 841 853 864 8T4 884 893 901 9o'l 2
3 35C m lo()lo 430 456 482 506 531 554 577 599 620 641 660 679 697 715 731 747 762 3
4 161 lBl 2Cl 221 242 264 286 308 330 353 375 397 420 442 46 3 485 506 527 547 567 4
5 r:/í.2 ~ ~ :l'J6 J...."'O' ~ l..~ 152 168 185 202 219 237 256 275 294 313 332 352 371 5
6 020 c25 C(lIC ~ ="" 7'-') t'5"" ~ 074 áll> og4 105 117 129 142 156 11'0 184 199 215 6
7 006 ocr X'9 :&2 !P S1" Z ::2' G29 0)0 039 ()Io5 051 058 065 073 082 091 101 III 7
p ,X'j xr e:::..: :J2 OJ.I, Cl? 020 023 027
8
"'
..
CC1 ttt" X3 X3 031 035 040 045 051 8
9 :le XlI. m:1 ~ :tU ::G< :le XJL :Il5 :xt6 ~ rxi3 Ole Cl2 014 016 e19 021 9
10 m. iC. m. !IIIIll lIIIIII. .~ ::ICl< XS 013 :x1> 005 006 007 oo'l le
11 ma. ~ 0Ql 002 0C2 002 ce3 11
12 rol 001 001 12
722 Apéndice
m
x 4.1 4.2 4.3 4.4 4.5 4.6 4.1 4.8 4·9 5.0 5.1 5.2 5·3 5.4 5.5 5.6 5·1 5.8 5.9 6.0 x
O 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 O
1 983 985 986 988 989 ')')0 991 ')92 993 993 994 994 995 995 996 991- 991 991 991 9'f" 1
2 915 922 C)28 934 939 ')44 ')48 952 956 960 963 966 969 911 913 916 918 919 981 983 2
3 116 190 803 815 826 831 848 851 861 81"5 884 891 898 905 912 918 923 928 933 938 3
4 586 605 623 641 658 614 690 1r:i5 121 135 1 49 162 115 181 198 809 820 830 840 849 4
5 391 410 430 449 468 481 505 524 542 560 511 5')4 610 627 642 658 613 681 101 115 5
6 231 241 263 280 291 314 332 34 9 366 384 402 419 431 45 4 411 488 505 522 538 55 4 6
1 121 133 144 156 169 182 195 209 223 238 253 268 283 29'3 314 330 346 362 318 3')4 1
8 051 064 011 079 081 095 104 113 123 1"JJ 144 155 161 118 191 203 216 229 242 256 8
9 024 028 032 OJ6 040 045 c50 056 oE2 068 015 082 089 091 106 114 123 133 143 153 9
lO 010 011 013 015 011 020 022 025 028 :32 036 040 044 049 054 059 r:i55 011 011 084 lO
11 003 0Ql. 005 or:i5 001 008 OC? 010 012 el.\ 016 018 020 023 025 028 031 035 039 042 11
12 001 001 002 002 002 003 003 004 005 005 or:i5 001 008 010 011 012 014 016 018 020 12
13 001 001 001 001 001 001 002 002 002 003 003 004 004 005 or:i5 001 008 009 13
14 001 001 001 001 001 001 002 002 002 003 003 004 14
ro
x 6.1 6.2 6·3 6.1, 6.5 6.6 6.1 6.8 6.9 1.0 1.1 1.2 1.3 1.4 "1.5 8.0 8.5 9.0 9·5 10.0 x
O 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 O
1 998 998 998 998 9?'1 999 m m 999 999 999 999 999 999 999 1- 1- 1- 1- 1- 1
2 734 985 981 988 'j'\'J no 991 ?91 992 993 993 994 994 995 995 991 998 999 999 1- 2
3 ')42 ')46 950 954 957 960 963 966 968 910 913 915 916 918 980 986 991 994 996 991 3
4 857 866 814 881 888 895 901 907 913 918 923 928 933 931 941 958 910 919 985 990 4
5 728 741 153 165 176 181 1<)8 808 818 821 836 844 853 860 868 900 926 94 5 960 911 5
6 570 586 601 616 631 645 659 673 686 699 112 124 136 141 159 809 850 884 911 933 6
1 410 426 442 458 413 489 505 52C 535 550 565 580 594 608 622 681 144 193 835 810 1
8 270 284 2<)8 313 327 342 357 ...~7"'"
,<:.. 386 401 416 431 446 461 415 541 614 616 131 180 8
9 163 174 185 197 208 220 233 2 4 5 258 271 284 291 311 324 338 401 417 544 608 661 9
10 091 093 106 114 123 131 140 150 151 110 180 190 201 212 224 283 341 413 418 542 la
11 041 051 056 061 061 07 3 079 095 092 099 106 113 121 129 138 184 231 294 355 411 11
12 022 025 028 031 034 037 (,AJ 045 049 053 058 063 068 074 019 112 151 197 248 303 12
13 010 011 013 014 016 018 020 022 024 027 030 033 036 039 043 064 091 124 164 208 13
14 004 005 005 006 001 008 009 010 011 013 014 016 018 020 022 034 051 014 102 136 14
15 002 002 002 003 003 003 004 004 005 006 006 007 008 009 010 017 027 041 060 083 15
16 001 001 001 001 001 001 0C2 002 002 002 003 003 004 004 005 008 014 022 033 049 16
11 001 001 COl 001 001 001 001 001 002 002 004 001 011 018 021 11
18 001 001 001 001 002 003 005 009 014 18
19 001 001 002 004 001 19
20 001 001 002 003 20
2l 001 002 21
22 001 22
APENDICE J
Valores de e- X
Esta tabla lista los valores de e-x para valores de X de O a 10. Los
valores intennedios se pueden calcular haciendo uso de la relación
e-(a+b) = e-a. e-b . Por ejemplo, para encontrar e-l. 2 1, use e-l.O = 0.368 Y
e-O•21 = 0.811; luego e-l. 21 = (0.386) (0.811) = 0.298.
723
APENOICE K
Sumas de cuadrados y cuartas
potencias usadas en ajustes de tendencia
Esta tabla da los valores de ¡x 2 y ~X4 que se necesitan para encontrar
las constantes en las ecuaciones de tendencia secular ajustadas mediante
mínimos cuadrados, donde el origen de x se centra en el punto medio,
Use la tabla del lado izquierdo para un número impar de años, donde la
unidad x es un año. Use la mitad derecha de la tabla para un número
par de años, donde la unidad x es de seis meses, y los años se numeran
1, 3, 5, ... y -1, -3, -5,'" a partir del origen. La suma incluye las
potencias de valores negativos y positivos de x. Por ejemplo, n = 51 in-
cluye valores enteros de x de - 25 a 25, y n = 50 incluye valores nume-
rados impares de x de - 49 a 49.
'3 2 2 2 2 2
5 10 34 4 20 164
7 28 196 6 70 1414
9 60 708 8 168 6216
n no 1958 10 330 19338
13 182 4550 12 572 48620
15 280 9352 14 910 105742
17 408 17 544 16 1360 206992
19 570 30666 18 1938 374034
21 770 , 50' 666 20 2660 634676
23 1012 79948 22 3542 1023 638
25 1300 121 420 24 4600 1 583320
27 1638 178542 26 5850 2364570
29 2030 255374 28 7308 3427452
31 2480 356624 30 8990 4842014
33 2992 469696 32 10 912 6689056
35 3570 654 738 34 13090 9060898
37 4218 864690 36 15540 12 062148
39 4940 1125332 38 18278 15810470
41 5740 1445332 40 21320 20437352
43 6622 1 834294 42 24682 26088874
45 7590 2302806 44 28380 32926476
47 8628 2862488 46 32430 41 127726
49 9800 3526040 48 36848 50887088
51 11050 4307290 50 41650 62416690
725
APENDICE M
Valores de t
729
730 Apéndice
PROBABILIDAD (P)
I
gl 1 '. '.20 .10 .OS .02 .01
VALORES DE x 2
~ Esta tabla muestra ~
G rad os
de Probabilidad (P)
ibertadt
g .99 .98 .95 .90 .50 .10 .05 .02 .01
Reproducida con base en la tabla III de Fisher: Statistical 'Methods for Research Workers,
publicada por üliver y Boyd Ltd., Edimburgo, con permiso del autor y los editores.
t .Pa:a v.~lores m~yores de grados de libertad, se puede suponer que la cantidad VfX2
tiene
una ~stnbuclOn aproxImadamente nonnal COIl. nlcdia y2d -- 1 y desviación estándar 1. ,Por tanto,
se puede suponer que el e-~,tadístico, ~ -:V2d - 1, tiene distribución normal estándar.
731
APENDICE
p
Prueba de suma de rangos
~n2_ 2 3 4 5 6 7 8 9 10
nI
f ~ ·05 .01 .05 .01 .05 .01 ·05 .01 .05 .01 .05 ·01 .05 .01 .05 .01 .05 ·01
2 1 3 3 3
u 19 21 23
3 1 6 7 7 8 8 6 9 6
u 21 23 26 28 31 33 33 36
I
4 1 10 11 12 10 13 10 14 11 14 11 15 12
u 26 29 32 34 35 3i! 38 41 42 45 45 48
5 1 15 16 17 15 18 16 20 16 21 17 22 18 23 19
u 30 34 38 40 42 44 45 49 49 53 53 57 57 61
6 1 22 23 21 24 22 26 23 27 24 29 25 31 26 32 27
u 38 43" 45 48 50 52 55 57 60 61 65 65 70 70 75
7 1 29 31 28 33 29 34 31 36 32 38 34 40 35 42 37
u 48 53 56 58 62 64 67 69 73 74 78 79 84 84 89
8 1 36 38 40 37 42 38 44 40 46 42 49 43 51 45 53 47
u 52 58 64 67 70 74 76 80 82 86 87 93 93 99 99 105
9 1
u
45
63
47
70
.
,.'
45
72
49
77
46
80
52
83
48
87 I
55
89
50
94
57
96
52
101
60
102
54
108
62
109
56
115
65
115 122
58
10 1 55 58 55 60 57 63 59 66 61 69 64 72 66 75 68 78 11
u 75 82 85 90 93 97 101 104 109 _._---,-
111 116 118 124 125 132 132 13
737
La distribución F
VALORES DE F
APENDICE o
EXTREMO DERECHO DE LA DISTRIBUCIÓN PARA P = 0.05 (TIPO DELGADO),
0.01 (TIPO NEGRITA)
o
.
'"Cl
8
12.25
5.32
9.55
4.46
8.45
4.07
7.85
3.84
7.48
3.69
7.19
3.58
7.00
3.50
8.84
3.44
8.71
3.39
8.82
3.34
&.54
3.31
8.47
3.28
os 11.28 8.85 7.59 7.01 8.83 8.37 8.19 8.03 5.91 5.82 5.74 5.87
¡::
·so 9 5.12
lD.58
4.26
8.02
3.86
8.99
3.63
8.42
3.48
8.08
3.37
5.80
3.29
5.82
3.23
5.47
3.18
5.35
3.13
5.28
3.10
6.18
3.07
5.11
¡:: 10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.97 2.94 2.91
Il)
.,
'"Cl
11
10.04
4.84
9.65
7.58
3•.98
7.20
8.55
3.59
6.22
5.99
3.36
5.87
5.84
3.20
5.32
5.39
3.09
5.07
5.21
3.01
4.88
5.08
2.95
4.74
4.95
2.90
4.63
4.85
2.86
4.54
4.78
2.82
4.46
4.71
2.79
4.40
r:os 12 4.75 3.88 3.49 3.26 3.11 3.00 2.92 2.85 2.80 2.76 2.72 2.69
p.. 9.33 8.93 5.95 .,. 5.41 5.08 4.82 4.65 4.50 4.39 4.30 4,22 4.18
'"Cl 13 4.67 3.80 3.41 3.18 3.02 2.92 2.84 2.77 2.72 2.67 2.63 2.60
¡g
...
Il)
9.07 8.70 5.74 5.20 4.88 4.82 4.44 4.30 4.19 4.10 4.02 3.98
'14 4.60 3.74 3.34 3.11 2.96 2.85 2.77 2.70 2.65 2.60 2.56 2.53
;§ 8.88 8.51 5.58 5.03 4.89 4.48 4.28 4.14 4.03 3.94 3.88 UD
Il)
'"Cl
15 4.54 3.68 3.29 3.06 2.90 2.79 2.70 2.64 2.59 2.55 2.51 2.48
8.88 8.38 5.42 4.89 4.58 4.32 4.14 4.00 3.89 3.80 3.73 3.87
~ 16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.45 2.42
'"Cl
r:
b/)
8.53 8.23 5.29 4.77 4.44 4,20 4.03 3.89 3.78 3.89 3.81 3.55
17 4.45 3.59 3.20 2.96 2.81 2.70 2.62 2.55 2.50 2.45 2.41 2.38
1I 8.40 8.11 5.18 4.67 4.34 4.10 3.93 3.79 3.88 3.59 3.52 3.45
,¡;¡ 18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.37 2.34
8.28 8.01 5.09 4.58 4.25 4.01 3.85 3.71 3.80 3.51 3.44 3.37
19 4.38 3.52 3.13 2.90 2.74 2.63 2.55 2.48 2.43 2.38 2.34 2.31
8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.83 3.52 3.43 3.38 MO
20 4.35 3.49 3.10 2.87 2.71 2.60 2.52 2.45 2.40 2.35 2.31 2.28
8.10 5.85 4.94 4.43 4.10 3.87 3.71 3.58 3.45 3.37 3.30 3.23
2.49 2.28 2.25
I 21 4.32
8.02
3.47
5.78
3.07
4.87
2.84
4.37
2.68
4.04
2.57
3.81 3,85
2.42
3.51
2.37
3.40
2.32
3.31 3.24 3.17
22 4.30 3.44 3.05 2.82 2.66 2.55 2.47 2.40 2.35 2.30 2.26 . 2.~3
7.94 5.72 4.82 4.31 3.99 3.78 3.59 3.45 3.35 3.26 3.18 3.12
23 4.28 3.42 3.03 2.80 2.64 2.53 2.45 2.38 2.32 2.28 2.24 2.20
7.88 5.66 4.76 4,26 3.94 3.71 3.54 3.41 3.30 3.21 3.14 3.07
24 4.26 3.40 3.01 2.78 2.62 2.51 2.43 2.36 2.30 2.26 2.22 2.18
7.82 5.81 4.72 4,22 3.90 3.87 3.50 3.38 3.25 3.17 3.09 3.03
25 4.24 3.38 2.99 2.76 2.60 2.49 2.41 ~.34 2.28 2.24 2.20 2.16
7.77 5.57 4.68 4.18 3.88 3.83 3.48 3.33 3.21 3.13 3.05 2.99
26 4.22 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.23 2.18 2.15
7.72 5.53 4.84 4.14 3.82 3.59 3.42 3.29 3.17 ' 3.09 3.0a 2.98
Esta tabla se ¡m.prlme COn permiSO de Gt"orgeW. Snedecor. Statistical -MethQds (5~.t-ed.; Iowa
City: {"wa State Ulliversity Pre'S. Copyright 1956).
711
734 Distribución ji-cuadrada
LA DISTRIBUCION F( Continuación)
3.68 3.48 3.36 3.29 3.20 3.12 3.07 3.00 2.97 2.92 2.89 2.87 "O
B
2.37 2.33 2.28 2.24 2.20 2.16 2.13 2.09 2.07 2.04 2.02 2.01 16 ébtJ
3.48 3.37 3.25 3.18 3.10 3.01 2.96 2.89 2.88 2.80 2.77 2.75
2.29 2.15 1.99 1.97 1.96 17 11
2.33 2.23 2.19 2.11 2.08 2.04 2.02
3.35 3.27 3.18 3.08 3.00 2.92 2.88 2.79 2.78 2.70 2.87 2.85 .;;,
2.29 2.25 2.19 2.15 2.11 2.07 2.04 2.00 1.98 1.95 1.93 1.92 18
3.27 3.19 3.07 3.00 2.91 2.83 2.78 2.71 2.88 2.82 2,59 2,57
2.26 2.21 2.15 2.11 2.07 2.02 2.00 1.96 1.94 1.91 1.90 1.88 19
3.19 3.12 3.00 2.92 2.84 2.78 2.70 2.83 2.80 2.64 2.51 2.49
2.23 2.18 2.12 2.08 2.04 1.99 1.96 1.92 1.90 1.87 1.85 1.84 20
3.13 3.05 2.94 2.88 2.77 2.69 2.63 2.56 2.53 2.47 2.44 2.42
2.20 2.15 2.09 2.05 2.00 1.96 1.93 1.89 1.87 1.84 1.82 1.81 21
3.07 2.99 2.88 2.80 2.72 2.83 2,58 2,51 2.47 2.42 2.38 2.36
2.18 2.13 2.07 2.03 1.98 1.93 1.91 1.87 1.84 1.81 1.80 1.78 22
3.02 2.94 2.83 2.75 2.87 2.58 2.53 2.48 2.42 2.37 2.33 2.31
2.14 2.10 2.04 2.00 1.96 1.91 1.88 1.84 1.82 1.79 1.77 1.76 23
2.97 2.89 2.78 2.70 2.62 2.53 2.48 2.41 2.37 2.32 2.28 2.28
2.13 2.09 2.02 1.98 1.94 1.89 1.86 1.82 1.80 1.76 1.74 1.73 24
2.93 2.85 2.74 2.68 2.68 2.49 2.44 2.36 2.33 2.27 2.23 2.21
2.11 2.06 2.00 1.96 1.92 1.87 1.84 1.80 1.77 1.74 1.72 1.71 25
2.89 2.81 2.70 2.82 2.54 2.45 2.40 2.32 2.29 2.23 2.19 2.17
2.10 2.05 1.99 1.95 1.90 1.85 1.82 1.78 1.76 1.72 1.70 1.69 26
1.86 2.77 2.86 2.68 2.50 2.41 2.36 U8 2.25 2.19 2.18 2.13
La distribución F 735
LA DISTRIBUCION F (Continuación)
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.30 2.25 2.20 2.16 2.13
7.68 5.49 4.60 4.11 3.79 3.58 3.39 3.28 3.14 3.08 2.98 2.93
28 4.20 3.34 2.95 2.71 2.56 2.44 2;36 2.29 2.24 2.19 2.15 2.12
7.64 5.45 4.57 4.07 3.78 3.53 3.36 3.23 3.11 3.03 2.95 2.90
29 4.18 3.33 2.93 2.70 2.54 2.43 2.35 2.28 2.22 2.18 2.14 2.10
7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20 3.08 3.00 2.92 2.87
30 4.17 3.32 2.92 2.69 2.53 2.42 2.34 2.27 2.21 2.16 2.12 2.09
7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.08 2.98 2.90 2.84
32 4.15 3.30 2.90 2.67 2.51 2.40 2.32 2.25 2.19 2.14 2.10 2.07
7.50 5.34 4.46 3.97 3.66 3.42 3.25 3.12 3.01 2.94 2.86 2.80
34 4.13 3.28 2.88 2.65 2.49 2.38 2.30 2.23 2.17 2.12 2.08 2.05
7.44 5.29 4.42 3.93 3.61 3.38 3.21 3.08 2.97 2.89 2.82 2.76
36 4.11 3.26 2.86 2.63 2.48 2.36 2.28 2.21 2.15 2.10 2.06 2.03
7.39 5.25 4.38 3.89 3.58 3.35 3.16 3.04 2.94 2.86 2.78 2.72
~ 38 4.10 3.25 2.85 2.62 2.46 2.35 2.26 2.19 2.14 2.09 2.05 2.02
"Ó
ro 7.35 5.21 4.34 3.86 3.54 3.32 3.15 3.02 2.91 2.82 2.75 2.69
.5 40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.07 2.04 2.00
§ 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.88 2.80 2.73 2.66
..,
¡::
42 4.07 3.22 2.83 2.59 2.44 2.32 2.24 2.17 2.11 2.06 2.02 1.99
"Ó 7.27 5.15 4.29 3.80 3.49 3.26 3.10 2.96 2.86 2.77 2.70 2.64
Q) 44 4.06 3.21 2.82 2.58 2.43 2.31 2.23 2.16 2.10 2.05 2.01 1.98
7.24 5.12 4.26 3.78 3.46 3.24 3.07 2.94 2.84 2.75 2.68 2.62
~
o.. 46 4.05 3.20 2.81 2.57 2.42 2.30 2.22 2.14 2.09 2.04 2.00 1.97
7.21 5.10 4.24 3.76 3.44 3.22 3.05 2.92 2.82 2.73 2.66 2.60
"Ó 1.99
ro 48 4.04 3.19 2.80 2.56 2.41 2.30 2.21 2.14 2.08 2.03 1.96
1:: 7.19 5.08 4.22 3.74 3.42 3.20 3.04 2.90 2.80 2.71 2.64 2.58
;§" 50 4.03 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07 2.02
2.70
1.98
2.62
1.95
2.56
7.17 5.06 '4.20 3.72 3.41 3.18 3.02 2.88 2.78
.., 2.00 1.97 1.93
"Ó 55 4.02 3.17 2.78 2.54 2.38 2.27 2.18 2.11 2.05
7.12 5.01 4.16 3.68 3.37 3.15 2.98 2.85 2.75 2.66 2.59 2.53
¡s
"Ó 60 4.00 3.15 2.76 2.52 2.37 2.25 2.17 2.10 2.04 1.99 1.95 1.92
...Mro 7.08 4.98 ~13 3.65 3.34 3.12 2.95 2.82 2.72 2.63 2.56 2.50
65 3.99 3.14 2.75 2.51 2.36 2.24 2.15 2.08 2.02 1.98 1.94 1.90
11 7.04 4.95 4.10 3.62 3.31 3.09 2.93 2.79 2.70 2.61 2.54 2.47
70 3.98 3.13 2.74 2.50 2.35 2.23 2.14 2.07 2.01 1.97 1.93 1.89
"" 7.01 ,.92 4.08 3.60 3.29 3.07 2.91 2.77 2.67 2.59 2.51 2.45
80 3.96 3.11 2.72 2.48 2.33 2;21 2.12 2.05 1.99 1.95 1.91 1.88
6;96 4.88 4.04 3.56 3.25 3.04 2.87 2.74 2.64 2.55 2.48 2.41
100 3.94 3.09 2.70 2.46 2.30 2.19 2.10 2.03 1.97 1.92 1.88 1.85
6.90 4.82 3.98 3.51 3.20 2.99 2.82 2.69 2.59 2.51 2.43 2.38
125 3.92 3.07 2.68 2.44 2.29 2.17 2.08 2.01 1.95 1.90 1.86 1.83
6.84 4.78 3.94 3.47 3.17 2.95 2.79 2.65 2.56 2.47 2.40 2.33
150 3.91 3.06 2.67 2.43 2.27 2.16 2.07 2.00 1.94 1.89 1.85 1.82
6.81 4.75 3.91 3.44 3.14 2.92 2.76 2.62 2.53 2.44 2.37 2.30
200 3.89· 3.04 2;65 2.41 2.26 2.14 2.05 1.98 1.9'2 1.87 1.83 1.80
6.76 4.71 3.88 3.41 3.11 2.90 2.73 2.60 2.50 2.41 2.34 2.28
400 3.86 3.02 2.62 2.39 2.23 2.12 :i.03 1.96 1.90 1.85 1.81 1.78
6.70 4.66 3~83 3.36 3.06 2.85 2.69 2.55 2.46 2.37 2.29 2.23
1,000 3.85 3.00 2.61 2.38 2.22 2.10 2.02 1.95 1.89 1.84 1.80 1.76
6.66 4.62 3.80 3.34 3.04 2.82 2.86 2.53 2.43 2.34 2.26 2.20
00 3.84 2.99 2.60 2.37 2.21 2.09 2.01 1.94 1.88 1.83 1.79 1.75
6.64 4.60 3.78 3.32 3.02 2.80 2.64 2.51 2.41 2.32 2.24 2.18
736 Distribución ji-cuadrada
LA DISTRIBUCION F (Conclusión')
1.90 1.86 1.79 1.74 1.70 1.64 1.61 1.56 1.53 1.50 1.47 1.45 48
2.48 2.40 2.28 2,20 2.11 2.02 1.98 1.88 1.84 1.78 1.73 1.70
1.90
2.48
1.88
1.85
2.39
1.83
1.78
2,28
1.76
1.74
2.18
1.72
1.69
2.10
1.67
1.63
2.00
1.61
1.60
1.94
1.58
1.55
1.88
1.52
1.52
1.82
1.50
1.48
1.78
1.46
1.46
1.71
1.43
1.44
1.88
1.41
50
55
ª
.,
"O
¡s
2.43 2.35 2,23 2.15 2.08 1.98 1.90 1.82 1.78 1.71 1.88 1.84 "O
1.86 1.81 1.75 1.70 1.65 1.59 1.56 1.50 1.48 1.44 1.41 1.39 60 í'bIl!
2.40 2.32 2.20 2.12 2.03 1.93 1.87 1.79 1.74 1.88 1.83 1.80
65 11
1.85 1.80 1.73 1.68 1.63 1.57 1.54 1.49 1.46 1.42 1.39 1.37
2.37 2.30 2.18 2.09 2.00 1.90 1.84 1.78 1.71 1.84 1.80 1.58 tlb
1.84 1.79 1.72 1.67 1.62 1.56 1.53 1.47 1.45 1.40 1.37 1.35 70
2.35 2.28 2.15 2.07 1.98 1.88 1.82 1.74 1.89 1.82 1.58 1.53
1.82 1.77 1.70 1.65 1.60 1.54 1.51 1.45 1.42 1.38 1.35 1.32 80
2.32 2,24 2.11 2.03 1.94 1.84 1.78 1.70 1.85 1.57 1.52 1.49
1.79 1.75 1.68 1.63 1.57 1.51 1.48 1.42 1.39 1.34 1.30 1.28 100
2,28 2.19 2.08 1.98 1.89 1.79 1.73 1.84 1.59 1.51 1.48 1.43
1.77 1.72 1.65 1.60 1.55 1.49 1.45 1.39 1.36 1.31 1.27 1.25 125
2.23 2.15 2.03 1.94 1.85 1.78 1.88 1.59 1.34 1.48 1.40 1.37
1.76 1.71 1.64 1.59 1.54 1.47 1.44 1.37 1.34 1.29 1.25 1.22 150
2.20 2.12 2.00 1.91 1.83 1.72 1.88 1.58 1.51 1.43 1.37 1.33
1.74 1.69 1.62 1.57 1.52 1.45 1.42 1.35 1.32 1.26 1.22 1.19 200
2.17 2.09 1.97 1.88 1.79 1.89 1.82 1.53 1.48 1.39 1.33 1.28
1.72 1.67 1.60 1.54 1.49 1.42 1.38 1.32 1.28 1.22 1.16 1.13 400
2.12 2.04 1.92 1.84 1.74 1.84 1.57 1.47 1.42 1.32 1.24 1.19
1.70 1.65 1.58 1.53 1.47 1.41 1.36 1.30 1.26 1.19 1.13 1.08 1,000
2.09 2.01 1.89 1.81 1.71 1.81 1.54 1.44 1.38 1.28 1.19 1.11
1.69 '
2.07
1.64
l.99
1.57
1.87
1.52
1.79
1.46
1.89
1.40
1.59
1.35
1.52
1.28
1.41
1.24
1.38
1.17
1.25
1.11
1.15
1.00
1.00
.