Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Definicin de Estadstica
Clasificacin de la Estadstica
Universo
Poblacin
Muestra
Muestreo
Unidad de estudio
Observacin
Variable
Parmetro
Estimador
Tcnicas de recoleccin de datos
Instrumentos de recoleccin de datos
Anlisis de correlacin
Anlisis de regresin
Pgina - 1 -
Escuela de Postgrado
Universidad Nacional de Trujillo
3.
La distribucin Binomial
La distribucin Poisson
La distribucin normal
Aplicacin con MegaStat-EXCEL
Estimacin puntual
Estimacin intervlica
Aplicacin utilizando MegaStat-EXCEL
Definiciones preliminares
Clases de Hiptesis
Errores que se cometen en una prueba de hiptesis
Tipos de pruebas de hiptesis
Etapas de una prueba de hiptesis
Formulas de algunos estadsticos de prueba
Prueba de Hiptesis con MegaStat-EXCEL
Pgina - 2 -
Escuela de Postgrado
Universidad Nacional de Trujillo
DEFINICIN DE ESTADSTICA:
La Estadstica es una ciencia que nos ofrece un conjunto de mtodos y tcnicas
para recopilar, organizar, presentar, analizar e interpretar un conjunto de datos
respecto a variables en estudio de una poblacin, con el fin de obtener conclusiones
y tomar decisiones sobre determinados hechos o fenmenos en estudio.
La estadstica es una rama de la matemtica y es parte del mtodo cientfico. En la
actualidad, para hacer investigacin cientfica se necesita conocer de estadstica.
2.
CLASIFICACION DE LA ESTADSTICA
La Estadstica se clasifica de la siguiente manera:
2.1. Estadstica Descriptiva
Es aquella rea de la Estadstica que describe y analiza una poblacin, sin
pretender sacar conclusiones de tipo general. Es decir, las conclusiones
obtenidas con validas solo para dicha poblacin.
2.2. Estadstica Inferencial
Es aquella rea de la Estadstica, cuyo propsito es inferir o inducir leyes de
comportamiento de una poblacin, a partir del estudio de una muestra. Es
decir las conclusiones obtenidas a partir de una muestra, son validas para
toda la poblacin.
3.
UNIVERSO:
Es el conjunto de individuos, objetos o entes que tienen caractersticas comunes,
definidas en forma general en un espacio y tiempo.
Ejemplo:
Conjuntos de alumnos, conjunto de docentes universitarios, conjunto de de
pacientes, conjunto de clientes, conjunto de proveedores, conjunto de viviendas,
conjunto de establecimientos, conjunto de documentos, etc.; de una determinada
regin o zona en un tiempo determinado.
4.
POBLACIN:
Es un conjunto grande y completo de individuos, elementos o unidades que
presentan como mnimo una caracterstica en comn y observable. Para definir una
poblacin esta debe contener los siguientes elementos: contenido, espacio y
tiempo. Al nmero de elementos de una poblacin de denota por N. Una
poblacin puede clasificarse de la siguiente manera:
A.
Segn su extensin:
Poblacin Finita:
Es aquella que tiene un determinado nmero de elementos.
Poblacin Infinita:
Es aquella cuyos elementos no se pueden contar.
Pgina - 3 -
Escuela de Postgrado
Universidad Nacional de Trujillo
B.
5.
pero
MUESTRA
Es una parte o un subconjunto de la poblacin en estudio. Tambin se puede decir
que es una coleccin de unidades de muestreo seleccionados de un marco muestral
o de varios marcos muestrales. Al nmero de elementos de la muestra se denota
por n. Una muestra tiene las siguientes caractersticas:
a. Es representativa.
b. Es adecuada.
Para la determinacin del tamao de muestra se utilizan tcnicas de muestreo
donde dependiendo de esta, se utiliza correctamente las formulas adecuadas.
6.
MUESTREO
Es una tcnica estadstica por la cual se realizan inferencias o generalizaciones para
una poblacin examinando solo una muestra de ella. Es una tcnica empleada para
seleccionar elementos de una poblacin.
Su propsito es proporcionar diferente tipo de informacin estadstica de naturaleza
cuantitativa o cualitativa. Por su gran importancia los investigadores lo utilizan en
los diferentes campos de saber y tambin lo usamos en la vida diaria.
7.
UNIDAD DE ESTUDIO:
Es el animal persona o cosa de quien se dice algo. Es el elemento quien nos va a
dar la informacin. Es el individuo u objeto del cual se toman las mediciones u
observaciones.
Ejemplos:
Un docente, un auxiliar de educacin, un votante, una factura, una empresa, una
botella de cerveza, una universidad, una vaca, una gota de sangre, etc.
8.
OBSERVACIONES:
Estadsticamente son los datos que se recolectan para un estudio. Una observacin
o dato es cuando una variable en si toma un valor especifico.
9.
VARIABLE:
Una variable es una caracterstica de estudio de una poblacin. Una variable es lo
que se quiere evaluar en una investigacin. Las caractersticas toma diferentes
valores que varan de individuo a individuo o de objeto a objeto. Aquellas
caractersticas que permanecen inalterables en las unidades de estudio reciben el
nombre de constantes.
Pgina - 4 -
Escuela de Postgrado
Universidad Nacional de Trujillo
Generalmente, las variables se designan con las ltimas letras maysculas del
abecedario: X, Y, Z; y los valores de las variables se designan con letras
minsculas: xi , yi , etc.
Las variables se clasifican de la siguiente manera:
Por su relacin: Variable dependiente - variable independiente.
Por su escala de medicin: Nominal Ordinal Intervalo Razn.
Por su naturaleza: Cuantitativas - Cualitativas.
Ejemplos:
Unidad de estudio
Variable
Estudiante
Empresa
Ganancia,
costos,
produccin,
nmero
trabajadores, numero de computadoras, etc.
PYME
de
Variable
Cualidad
o
Atributo
Cualitativa
Nominal
No orden
10.
Cantidad
o
Nmero
Cuantitativa
Ordinal
Discreta
Continua
Orden
Conteo
Medicin
PARAMETRO:
Es un valor, una cantidad, un indicador que se obtiene con informacin de la
poblacin. Dentro de estos tenemos:
a. El promedio poblacional
b. La varianza poblacional.
c. La proporcin poblacional, etc.
11.
ESTIMADOR:
Es un valor, una cantidad, un indicador que se obtiene con informacin de la
muestra. Dentro de estos tenemos:
Pgina - 5 -
Escuela de Postgrado
Universidad Nacional de Trujillo
12.
a.
El promedio muestral.
b.
La varianza muestral.
c.
2.
Observacin
3.
4.
5.
6.
Otras
OBSERVACIN:
La observacin es una tcnica que implica seleccionar ver y registrar
sistemticamente, la conducta y caractersticas de seres vivos, objetos o
fenmenos. La observacin de la conducta humana es una tcnica de recoleccin de
datos muy utilizada que puede llevarse a cabo de diferentes formas:
a.
b.
Pgina - 6 -
Escuela de Postgrado
Universidad Nacional de Trujillo
b.
Tcnica delphi
c.
Historias de vida
d.
Escalas
e.
Ensayos
f.
Estudios de casos
g.
Mapeo
h.
i.
Encuestas participativas.
Pgina - 7 -
Escuela de Postgrado
Universidad Nacional de Trujillo
13.
PRCTICA N 01
Tipo:
Poblacin
Muestra
Pgina - 8 -
Escuela de Postgrado
Universidad Nacional de Trujillo
CASO N 02
TESIS: Propuesta
Unidad de estudio
Variable de estudio
Tipo:
Poblacin
Muestra
CASO N 03
Unidad de estudio
Variable de estudio
Tipo:
Poblacin
Muestra
CASO N 04
Unidad de estudio
Variable de estudio
Tipo:
Poblacin
Muestra
CASO N 05
Pgina - 9 -
Escuela de Postgrado
Universidad Nacional de Trujillo
Unidad de estudio
Variable de estudio
Tipo:
Poblacin
Muestra
CASO N 06
TESIS: PROGRAMA DE DESARROLLO DE INTELIGENCIA LINGSTICA Y SU EFECTO
EN LA COMPRENSIN LECTORA, EN LOS ALUMNOS DEL 5 GRADO DE PRIMARIA DE LA
INSTITUCIN EDUCATIVA REPBLICA ARGENTINATRUJILLO.2005.
Unidad de estudio
Variable de estudio
Tipo:
Poblacin
Muestra
Pgina - 10 -
Escuela de Postgrado
Universidad Nacional de Trujillo
2.
3.
a.
b.
c.
Encabezado o conceptos.
d.
e.
f.
Fuente
g.
Elaboracin
B.
Intervalos de clase:
Los intervalos son subconjuntos de la recta real Ron que estn definidos por
un lmite menor o inferior Li y un lmite mayor o superior Ls.
C.
Frecuencia:
1.
Pgina - 11 -
Escuela de Postgrado
Universidad Nacional de Trujillo
2.
Frecuencia relativa:
Se denotan por hi. Indica la relacin o proporcin existente entre la
frecuencia absoluta simple y el nmero total de datos. Estas frecuencias
son numeros fraccionarios positivos entre o y 1. Para fines
interpretativos estas frecuencias se expresan en % (hi%) . As:
hi
3.
fi
n
hi(%)
fi
x100
n
Fj = f1 + f2 + f3 + ....... + fi
4.
h1 + h2 + h3 + h4
H6 =
h1 + h2 + ....+ h6
Marca de clase:
Se denota por Yi. Es el promedio de los valores correspondientes a los
lmites inferior y superior de cada uno de los intervalos determinados.
4.
5.
PROPIEDADES DE UN CDF:
A.
B.
C.
D.
E.
Pgina - 12 -
Escuela de Postgrado
Universidad Nacional de Trujillo
Para la construccin de los CDF hay que tener en cuenta el tipo de variable que se
esta analizando, es decir, si es cuantitativa continua, cuantitativa discreta o
variable cualitativa.
A.
1 + 3.322 log ( n )
B.
C.
6.
Pgina - 13 -
Escuela de Postgrado
Universidad Nacional de Trujillo
A.
B.
CONSTRUCCION
MEGASTAT:
DE
CUADROS
DE
FRECUENCIA
UTILIZANDO
Pgina - 14 -
Escuela de Postgrado
Universidad Nacional de Trujillo
7.
GRAFICO ESTADSTICO
Un grfico estadstico es una representacin pictrica, cuyo objetivo es
expresar el comportamiento de una variable en estudio.
Los grficos estadsticos son representaciones de informacin real que existe
en nuestro mundo, es una expresin artstica de datos reales y observados.
Un grfico sirve tambin para comparar visualmente el comportamiento de
dos o ms variables similares o relacionadas.
8.
el
propio
dibujo
el
cual
representa
el
Pgina - 21 -
Escuela de Postgrado
Universidad Nacional de Trujillo
10.
11.
a.
b.
c.
d.
e.
f.
g.
h.
Pgina - 22 -
Escuela de Postgrado
Universidad Nacional de Trujillo
Pgina - 23 -
Escuela de Postgrado
Universidad Nacional de Trujillo
b.
B.
C.
1.
Amodal
b. 1 moda
Unimodal.
c. 2 modas
Bimodal
d. 3 a ms modas
Multimodal
2.
MEDIDAS DE LOCALIZACIN:
Pgina - 24 -
Escuela de Postgrado
Universidad Nacional de Trujillo
2.1. CUARTILES:
Se denotan por Qk, donde k=1,2,3
Son valores que dividen a un conjunto de datos en 4 partes iguales, es
decir, cada sector tiene el 25% de los datos.
Para calcular la media aritmtica se utilizan las formulas adecuadas ya
sea sin son datos agrupados o datos no agrupados.
2.2. DECILES:
Se denotan por Dk, donde k=1,2,3,4,5,6,7,8,9
Son valores que dividen a un conjunto de datos en 10 partes iguales, es
decir, cada sector tiene el 10% de los datos.
2.3. PERCENTILES:
Se denotan por Pk, donde k=1,2,3,4,5,6,7,8,9,10, , 99
Son valores que dividen a un conjunto de datos en 100 partes iguales,
es decir, cada sector tiene el 1% de los datos.
Para calcular la media aritmtica se utilizan las formulas adecuadas ya
sea sin son datos agrupados o datos no agrupados.
3.
MEDIDAS DE VARIABILIDAD:
3.1. RANGO:
Se denota por R y la medida de variabilidad ms fcil de calcular.
Es la diferencia que existe entre el valor mximo y el valor mnimo del
conjunto de datos.
3.2. VARIANZA:
Mide la variabilidad de un conjunto de datos respecto a un valor
central(promedio)
Mide la variabilidad pero en unidades elevadas al cuadrado, por lo tanto
es ilgica su interpretacin.
Para calcular la media aritmtica se utilizan las formulas adecuadas ya
sea sin son datos agrupados o datos no agrupados.
3.3. DESVIACIN ESTANDAR:
Mide la variabilidad de un conjunto de datos respecto a su valor central
pero en unidades originales.
Esta es la medida de variabilidad que tiene una interpretacin lgica.
Se obtiene al sacra la raz cuadrada de la varianza.
3.4. COEFICIETE DE VARIACIN:
Se denota por C.V.
Pgina - 25 -
Escuela de Postgrado
Universidad Nacional de Trujillo
4.
MEDIDAS DE FORMA:
4.1. ASIMETRIA:
La asimetra se entiende como la deformacin horizontal de un conjunto
de datos.
Para conocer esta asimetra se calcula el coeficiente de asimetra As.
En un conjunto de datos pueden presentar los siguientes casos:
As
a.
b.
c.
Mo
S
As
3( X
Me)
S
As
Q3 2Q2 Q1
Q3 Q1
4.2. KURTOSIS:
Se entiende por Kurtosis a la deformacin vertical de un conjunto de
datos, es decir, mide el apuntamiento o achatamiento de un conjunto de
datos.
Para conocer que tipo de asimetra tiene un conjunto de datos, se
utilizan las siguientes formulas:
A.
K1
M4
(M 2 )2
Pgina - 26 -
Escuela de Postgrado
Universidad Nacional de Trujillo
K2
M4
(s) 2
As
5.
Q3 Q1
2( P90 P10 )
PROMEDIO
xi
i 1
Xi: datos
n = nmero de datos
Procedimiento:
Observar la base de datos y determinar
el valor que ms se repite.
Mo
Li
A
1
MODA
MEDIANA
Yi f i
i i
Procedimiento:
Ordenar
la
serie
ascendente
Cuando n impar:
Me = valor central
Cuando n par:
Me = promedio de
centrales
fj
fj
fj
fj
Me
en
forma
Li
n/2
Fj
fj
valores
n / 2 es el elemento determinante
Fj-1: Frecuencia acumulada anterior al
intervalo mediano
fj: Frecuencia abs. simple del intervalo
mediano
Pgina - 27 -
Escuela de Postgrado
Universidad Nacional de Trujillo
QUARTILES
QK
Li
kn / 4
Fj
fj
CUANTILES
DECILES
DK
Li
kn / 10
Fj
fj
PERCENTILES
PK
Li
kn / 100
Fj
fj
6.
RANGO
R V max
V min
POBLACIONAL
LS
(Xi
u)
LI
N
2
2
2
i 1
u)2 * fi
(Yi
i 1
Xi : Datos de la poblacin
u : promedio poblacional
N: Nmero de elementos de la
poblacin
Yi : Marca de clase
u : promedio poblacional
N: Nmero de elementos de la
poblacin
fi: frecuencia absoluta simple
VARIANZA
m
n
s2
MUESTRAL
Formulas
abreviadas
DESVIACION ESTANDAR
COEFIENTE DE
VARIACIN
x)2
( xi
s2
1
n 1
(
xi2
D.E. Poblacional
*100
C.V. Poblacional
xi ) 2
i 1
i 1
C.V .
Xi : Datos de la muestra
x : promedio muestral
n : Nmero de elementos de la
muestra
y)2 * fi
( yi
s2
yi : Marca de clase
y : promedio muestral
n : Nmero de elementos de la
muestra
fi: frecuencia absoluta simple
s2
1
n 1
(
yi2 f i
i 1
i 1
yi f i ) 2
s2
D.E. Muestral
C.V .
s
*100
x
C.V. Muestral
Pgina - 28 -
Escuela de Postgrado
Universidad Nacional de Trujillo
7.
b.
Pgina - 29 -
Escuela de Postgrado
Universidad Nacional de Trujillo
6. Evaluacin del rendimiento al final del segundo ao. Esta evaluacin produce una
puntuacin numrica desde 0 (muy malo) hasta 100 (excelente).
La Gerencia de RUBIOJA S.A. estn seguros de que la escala es de intervalo y tambin
han decidido, con base en los tres aos de experiencia con dicha escala, que una
puntuacin inferior a 50 es insatisfactoria, 50-69 es satisfactoria, 70-89 por sobre el
promedio, y por encima de 89 es excelente. Grecia llama al estadstico a su oficina y le
dice: "Estoy encantada de tener un estadstico que nos ayude. No estamos an listos a
desarrollar un modelo estadstico acabado de lo que constituye una buena contratacin,
pero es tiempo de empezar a evaluar algunas de las variables de que tenemos
informacin. El gran nmero de personas que contratamos, el alto costo de adiestrarlas
y el hecho de que no podemos evaluar realmente los rendimientos, hasta fines del
segundo ao, significan que cualquier mejora en nuestra eficacia de contratacin tendr
por resultado ahorros sustanciales para la firma. Para comenzar a tratar el tema,
Podras dar respuesta a las siguientes preguntas?
1.
2.
3.
4.
Otro criterio era mantener por lo menos un tercio de los contratados que provengan
de escuelas de categora 2. Se sigue manteniendo este criterio?
5.
Genero
Edad
Calificacin
Calidad Universitaria
ndice-xito
Rendimiento 2
22
15,41
62
72
26
15,71
60
71
22
12,45
80
66
23
15,69
86
91
25
16,05
86
48
26
16,21
64
95
7
8
9
10
11
12
13
14
15
16
17
0
1
1
1
1
0
0
1
0
1
1
27
23
23
26
24
24
36
27
26
24
26
14,42
12,87
13,08
16,30
15,82
14,85
13,31
16,67
16,35
12,50
12,32
2
3
2
3
4
3
4
4
2
1
1
54
80
62
77
61
67
95
62
50
62
81
82
92
73
81
67
95
96
59
79
88
52
Pgina - 30 -
Escuela de Postgrado
Universidad Nacional de Trujillo
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
1
1
1
0
1
1
0
1
0
1
1
1
0
1
1
1
1
1
0
1
0
1
0
1
1
1
1
1
1
23
24
24
25
23
23
26
25
25
24
23
22
30
24
25
23
24
26
23
26
26
26
23
22
26
24
26
25
24
14,72
13,94
16,92
13,14
14,92
13,81
15,53
15,33
12,95
12,24
14,94
12,57
12,92
15,94
13,80
14,42
14,72
12,60
14,53
14,76
13,12
13,35
14,76
15,27
17,00
16,57
14,02
13,08
13,93
2
2
2
3
3
2
3
3
2
4
4
3
3
1
4
3
2
3
3
4
3
4
2
4
2
2
3
1
3
76
87
73
85
57
89
70
65
89
87
89
94
71
63
67
96
73
92
88
82
84
86
72
82
77
66
73
85
58
71
75
75
93
84
90
83
73
97
88
81
74
67
80
64
82
82
81
77
89
95
58
74
89
68
77
67
99
96
47
25
14,17
58
97
48
49
0
1
24
22
14,65
13,92
3
1
79
50
92
95
50
51
1
1
25
25
13,28
12,96
3
2
93
75
67
52
52
23
13,97
82
82
53
54
55
1
1
1
25
24
24
13,92
14,92
16,33
3
3
2
57
67
60
83
87
73
56
57
0
1
23
23
14,25
15,29
4
1
56
94
67
72
58
59
1
1
26
26
15,23
15,73
3
3
92
81
66
95
60
61
23
12,94
73
82
24
15,96
91
84
62
24
16,96
72
98
63
27
12,23
85
93
64
22
15,35
96
87
65
23
16,77
85
57
66
1
0
24
25
16,12
14,34
2
3
89
92
85
81
67
68
24
14,69
66
95
69
22
14,67
85
90
70
23
15,56
54
80
71
22
12,35
85
48
72
24
13,39
65
71
73
26
16,99
76
63
74
28
15,29
63
87
75
26
15,93
89
97
Pgina - 31 -
Escuela de Postgrado
Universidad Nacional de Trujillo
76
77
78
79
80
81
82
83
1
1
25
25
13,41
15,55
3
2
83
57
97
79
25
13,97
96
71
0
1
23
24
12,81
12,99
4
2
72
73
72
89
1
1
25
23
15,67
12,47
2
3
53
86
94
78
24
12,77
64
89
84
24
14,67
80
84
85
25
13,94
77
91
86
24
14,90
52
69
87
23
15,44
70
89
88
23
16,03
90
91
89
29
12,15
74
89
90
0
0
0
0
1
22
26
22
30
25
13,42
12,02
13,04
14,35
13,65
2
4
3
4
2
95
84
68
92
52
94
95
78
84
85
91
92
93
94
95
23
12,66
82
69
96
26
13,22
56
71
97
23
13,43
85
58
98
22
15,54
85
93
99
1
1
26
23
16,51
16,91
3
3
64
61
97
83
100
Pgina - 32 -
Escuela de Postgrado
Universidad Nacional de Trujillo
ANALISIS DE CORRELACIN:
El anlisis de correlacin es una tcnica estadstica que mide el grado de
asociacin o afinidad entre las variables cuantitativas consideradas en un
estudio.
Se llamar CORRELACION SIMPLE cuando se trata de analizar la relacin
entre dos variables. Se llamar CORRELACION LINEAL O RECTILINEA si la
funcin es una recta, y de CORRELACION NO LINEAL cuando la funcin es una
curva o una funcin de grado superior.
El COEFICIENTE DE CORRELACION DE PEARSON, es el estadgrafo que mide
el grado de asociacin o afinidad entre las variables cuantitativas y se denota
por r la cual se define como:
n
r
X iYi
i 1
n
X i2
i 1
i 1
n
Alta
X i )2
i 1
Interpretacin:
-1
-0.7
Perfecta
Xi
Yi
i 1
n
Yi 2
i 1
-0.4
Regular
i 1
0
Baja
0.4
Baja
NEGATIVA
2.
Y1 ) 2
0.7
Regular
Alta
+1
Perfecta
POSITIVA
ANALISIS DE REGRESION
2.1. ANALISIS DE REGRESION LINEAL SIMPLE:
El anlisis de regresin es una tcnica estadstica que consisten en
determinar la relacin funcional entre dos variables cuantitativas en
estudio.
Esta relacin funcional entre las variables, es una ecuacin matemtica
de la forma Y= A + B X, que recibe el nombre tambin de Funcin de
Regresin o Modelo de Regresin.
A la variable Y se le denomina variable dependiente, a la variable X
independiente y a A,B se les llama parmetros de la ecuacin de
regresin.
La finalidad del Anlisis de Regresin es hacer pronsticos es decir,
hacer estimaciones futuros de la variable dependiente.
PASOS A SEGUIR:
a.
Realizar el diagrama de dispersin y ver el comportamiento de la
variable.
Pgina - 33 -
Escuela de Postgrado
Universidad Nacional de Trujillo
b.
n
i 1
X i Yi
n
i 1
c.
X i2
n
i 1
n
Xi
i 1
n
i 1
A Y
Yi
BX
X i )2
X1
X 2 ...
XK
Pgina - 34 -
Escuela de Postgrado
Universidad Nacional de Trujillo
N de
casa
Nmero de
reas de
trabajo
Consumo
de
energa
(miles de
kw)
11
10
18
14
10
Total
0.857
10
0.926
Std. Error
2.021
Dep. Var.
Source
SS
df
MS
p-value
Regression
196.2333
196.2333
48.06
.0001
Residual
32.6667
4.0833
Total
228.9000
Consumo de energa
(miles de kw)
ANOVA table
Pgina - 35 -
Escuela de Postgrado
Universidad Nacional de Trujillo
Regression output
variables
coefficients
std. error
t (df=8)
p-value
Intercept
Nmero de
reas de
trabajo
-1.8889
1.5763
-1.198
.2651
confidence interval
95%
lower
95% upper
5.5237
1.7460
3.2222
0.4648
6.932
.0001
2.1504
4.2941
APLICACIN 02:
N de
maquina
1
2
3
4
5
6
Tiempo de
antigedad
(aos)
1
1
2
2
3
3
Costo de
mantenimiento.
($)
14
16
20
24
30
28
Total
APLICACIN 03:
El jefe de personal de una institucin educativa cree que
existe una relacin entre la tardanza al trabajo y la edad
del trabajador. Con el propsito de estudiar el problema
tom en cuenta la edad de diez trabajadores escogidos
al azar y contabiliz los das de tardanza durante todo
un ao. Los resultados fueron como se observa en la
tabla que sigue:
a. Construya el diagrama de dispersin.
b. Obtenga la ecuacin de la recta de regresin
c. Si un docente tiene 38 aos, Cuntos tardanzas se
espera que falte al ao?
d. Si un trabajador tiene 3 tardanzas al ao Qu edad
se puede esperar que tenga este trabajador?
e. Determinar el grado de relacin entre las variables
en estudio
N
1
2
3
4
5
6
7
8
9
10
Total
Edad en
aos
25
50
35
20
45
50
30
40
62
40
N de
Tardanza e
un ao
20
5
10
20
8
2
15
12
1
8
Pgina - 36 -
Escuela de Postgrado
Universidad Nacional de Trujillo
LA DISTRIBUCIN BINOMIAL
La Distribucin Binomial es una las distribuciones de probabilidad discretas
ms importantes, la cual tiene muchas aplicaciones en Ingeniera,
Administracin, etc..
Esta distribucin se origina en los Ensayos o Experimentos Bernoulli que
consiste en realizar 1 experimentos que tiene dos resultados posibles,
llamados xito y fracaso.
Ejemplos:
1. Lanzar una moneda
2. Rendir un examen.
Ensayos de Bernoulli
3. Observar el sexo de un recin nacido.
4. Encender una maquina, etc
Experimento Binomial:
Es aquel que consiste en realizar n veces ensayos de Bernoulli, en el cual
se debe cumplir lo siguiente:
a.
Cada ensayo tienen solo dos resultados posibles.
b.
Los ensayos son independientes.
c.
La probabilidad de xito p es constante en cada ensayo.
Esta distribucin tienen las siguientes caractersticas:
1.
Su variable aleatoria esta definida como:
X: Numero de xitos en n ensayos.
2.
Su recorrido o rango es:
Rx = {0,1,2,3,4,5, , n}
3.
Su funcin de probabilidad esta dada por:
f ( x)
4.
P( X
x)
n x n
p q
x
,x
0,1,2,..., n
5.
6.
P
P
P
P
P
P
P
(
(
(
(
(
(
(
Xa
X>a
Xa
X=a
aX
aX
a<X
Pgina - 37 -
Escuela de Postgrado
Universidad Nacional de Trujillo
Binomial distribution
5 n
0.25 p
X
0
1
2
3
4
5
P(X)
0.23730
0.39551
0.26367
0.08789
0.01465
0.00098
1.00000
cumulative
probability
0.23730
0.63281
0.89648
0.98438
0.99902
1.00000
Pgina - 38 -
Escuela de Postgrado
Universidad Nacional de Trujillo
P(X)
0.60
0.40
0.20
0.00
0
APLICACIN 02:
En la UNT Escuela de Postgrado se est aplicando un nuevo mtodo de enseanza del
aprendizaje del Idioma Portugus. Despus de completar con la aplicacin de este
mtodo se evala que el 1% salio desaprobado. El director acadmico selecciona en
forma aleatoria estudiantes al azar de la Universidad:
a. Cual es la probabilidad de que exista ms de 3 desaprobados.
b. Cual es la probabilidad de que exista menos de 3 desaprobados.
c. Cual es la probabilidad de que haya entre 2 y 4 desaprobados inclusive.
APLICACIN 03:
Segn informacin de Secretara Acadmica de la UNT, el 65% de los estudiantes son del
sexo masculino y el resto mujeres. Para la aplicacin de una encuesta por parte de la
asistenta social, se selecciona aleatoriamente a 10 estudiantes:
a. Cual es la probabilidad de encuestar a menos de 5 hombres.
b. Cual es la probabilidad de encuestar mas de 5 hombres
c. Cual es la probabilidad de encuestar a 3 y 8 hombres inclusive.
d. Cual es la probabilidad de encuestar a ningn hombre.
2. LA DISTRIBUCIN POISSON
La Distribucin de Poisson es otra de las distribuciones de probabilidad discretas
ms importantes por que se aplica en muchos problemas reales.
Esta distribucin se origina en problemas que consiste en observar la ocurrencia
de eventos discretos en un intervalo continuo (unidad de medida).
Ejemplos:
1. Numero de manchas en un metro cuadrado de un esmaltado de un
refrigerador.
2. Numero de vehculos que llegan a una estacin de servicios durante una hora.
3. Numero de llamadas telefnicas en un da.
4. Numero de clientes que llegan a un banco durante las 10 y 12 p.m.
5. Numero de bacterias en un cm3 de agua.
Esta distribucin tienen las siguientes caractersticas:
7. Su variable aleatoria esta definida como:
X: Numero de ocurrencias en 1 unidad de medida (Tiempo, Volumen,
Superficie, etc)
8. Su recorrido o rango es:
Pgina - 39 -
Escuela de Postgrado
Universidad Nacional de Trujillo
Rx = {0,1,2,3,4,5, .}
9. Su funcin de probabilidad esta dada por:
f ( x)
P( X
x)
e ( )x
,
x!
0,1,2,...
P
P
P
P
P
P
P
(
(
(
(
(
(
(
Xa
X>a
Xa
X=a
aX
aX
a<X
Pgina - 40 -
Escuela de Postgrado
Universidad Nacional de Trujillo
Poisson distribution
mean rate of
24 occurrence
X
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
P(X)
0.00000
0.00000
0.00000
0.00000
0.00000
0.00000
0.00001
0.00003
0.00010
0.00027
0.00066
0.00144
0.00288
0.00531
0.00911
0.01457
0.02186
0.03086
0.04115
0.05198
0.06238
0.07129
0.07777
0.08115
0.08115
0.07791
0.07191
0.06392
0.05479
0.04534
0.03628
0.90415
cumulative
probability
0.00000
0.00000
0.00000
0.00000
0.00000
0.00000
0.00001
0.00005
0.00015
0.00043
0.00108
0.00252
0.00540
0.01072
0.01983
0.03440
0.05626
0.08713
0.12828
0.18026
0.24264
0.31393
0.39170
0.47285
0.55400
0.63191
0.70382
0.76774
0.82253
0.86788
0.90415
Pgina - 41 -
Escuela de Postgrado
Universidad Nacional de Trujillo
P(X)
0.08
0.06
0.04
0.02
0.00
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
X
APLICACIN 02:
Si la secretaria de la Escuela de Postgrado de la UNT, recibe un promedio de 2 llamadas
cada 3 minutos por motivos acadmicos. Calcular lo siguiente:
a. Cual es la probabilidad de que reciba ms de 3 llamadas en 3 minutos.
b. Cual es la probabilidad de que reciba menos de 2 llamadas en tres minutos.
c. Cual es la probabilidad de que reciba exactamente 2 llamadas en tres minutos.
d. Cual es la probabilidad de reciba 5 llamadas en 6 minutos.
e. Cual es la probabilidad de que reciba menos de 2 llamadas en un minuto.
APLICACIN 03:
En un estudio por parte del Ministerio de Transporte y Comunicaciones (MTC), se ha
determinado que en la carretera panamericana con destino a Lima, hay en promedio de
20 accidentes por semana (7 das), calcular las siguientes probabilidades:
a. Cul es la probabilidad de que en una semana no haya ningn accidente.
b. Cual es la probabilidad de que en dos semanas haya 10 accidentes.
c. Cual es la probabilidad de que en 1semana ocurra menos de 15 accidentes.
d. Cual es la probabilidad de que en un da haya tres o menos accidentes.
e. Cual es la probabilidad de que en un da haya tres o ms accidentes.
APLICACIN 04:
En el Centro de impresiones de la UNT se comete dos fallas en las impresiones debido a
causas externas cada vez que imprime 2,500 hojas como promedio. Con esta
informacin determinar:
a. La probabilidad de que en una impresin de 500 hojas, ocurra uno ms errores.
b. La probabilidad de que no ocurrirn errores en una impresin de 50 hojas.
APLICACIN 05:
Los clientes de una empresa llegan a la tienda de venta aleatoriamente a una tasa de
300 personas por hora. Calcular la probabilidad de que:
a. Una persona llegue durante un periodo de 1 minuto
b. Por lo menos dos personas lleguen durante un periodo dado de un minuto.
c. Ninguna persona legue durante un periodo de 1 minuto
Pgina - 42 -
Escuela de Postgrado
Universidad Nacional de Trujillo
3. LA DISTRIBUCIN NORMAL:
La distribucin normal, llamada tambin Curva de Gauss (en recuerdo al
cientfico que lo descubri), es la distribucin de probabilidad ms importancia en
la Estadstica y por ende del Calculo de Probabilidades.
Esta distribucin de probabilidad es importante porque las variables aleatorias
continuas (peso, edad, talla, produccin, gasto en publicidad, temperatura,
ventas, PBI, ganancias, etc) que son variables que ms se evalan en una
investigacin cientfica o investigacin de mercados se aproximan a esta
distribucin de probabilidad.
Tambin es importante porque se utiliza como aproximacin de las distribuciones
discretas tales como: la Binomial, la Poisson, etc.
CARACTERSTICAS
1. Tiene como parmetros a y
2. Su funcin de probabilidad est dada por:
1
2
f ( x)
-
1 X
2
Adems:
<
<+
X
-
>0
3. El promedio
puede tomar valores entre y + mientras que
> 0, entonces
existen infinitas curvas normales.
4. Esta funcin de probabilidad es asinttica con respecto al eje X, (a pesar de tener
recorrido infinito, la curva nunca toca el eje X); adems es unimodal y es
simtrica con respecto a la media .
5. El are bajo esta funcin o curva es 1 100%, de la misma manera se sabe que
las reas comprendidas bajo la curva normal son :
1.
2.
3.
= 68.3%
2
95.5%
99%
Pgina - 43 -
Escuela de Postgrado
Universidad Nacional de Trujillo
1
2
f ( z)
e2
z2
P( x
P( x
P( a
a)
P(
a) 1 P( x
x b)
a) 1 P(
P( x b) P( x a)
P( Z
x
P(
)
a
b
) 1 P( Z
) P(
Pgina - 44 -
Escuela de Postgrado
Universidad Nacional de Trujillo
Reemplazando valores:
Pgina - 45 -
Escuela de Postgrado
Universidad Nacional de Trujillo
APLICACIN 02:
Los salarios mensuales de los trabajadores administrativos de la UNT tiene un
comportamiento normal cuya media es S/. 2100 y una desviacin estndar de S/. 50.
Cuantos trabajadores tienen salarios:
a. Menores de S/. 2150.
b. Menos de S/. 2200.
c. Mas de S/. 2180.
d. Entre 2080 y 2150 soles.
APLICACIN 03:
El tiempo de duracin de los focos elctrico de los caones proyectores tienen una
distribucin normal con una media de 1000 horas y una desviacin estndar de 250
horas. Determinar la probabilidad de que:
a. Un foco tomado al azar se queme antes de las 990 horas de funcionamiento
b. Un foco se que queme entre 980 y 1120 horas de funcionamiento.
c. Un foco dure mas de 998 horas
APLICACIN 04:
NEUMA Per, es una empresa que produce llantas para automviles en nuestro pas. La
vida til de estas llantas se distribuye aproximadamente como una normal con media y
desviacin estndar iguales a 32000 y 1000 millas respectivamente. Esta empresa quiere
exportar estas llantas por lo que empieza a hacer ciertos clculos acerca de la calidad de
estas llantas, para lo cual se hace las siguientes preguntas:
a. Cual es la probabilidad de una llanta producida por esta empresa tenga una vida til
de 31900 millas.
b. Cual es la probabilidad de una llanta producida por esta empresa tenga una vida til
desde 31000 y 33000 millas.
c. Si las empresa fija una garanta de 30000 millas. Qu porcentaje de esta produccin
necesitar ser reemplazada?
Pgina - 46 -
Escuela de Postgrado
Universidad Nacional de Trujillo
A. ESTIMACION PUNTUAL:
Es aquel nico valor que se obtiene de la muestra, es decir, que para su clculo se
debe tener informacin muestral. Las formulas para calcular o realizar estas
estimaciones son las siguientes:
PROMEDIO
VARIANZA
PARAMETRO
n
ESTIMACION
PUNTUAL
PROPORCION
i 1
xi
n
( xi
x )2
i 1
n 1
a
n
B. ESTIMACIN INTERVLICA:
Al realizar una estimacin, siempre se va a cometer un error. Entonces, cuando
estimamos un parmetro nunca va a ser exacto, ese valor ser mayor o menor al
verdadero. Entonces se obtendr un intervalo de valores posibles. Ese intervalo se
llama estimacin intervlica. A esa diferencia mayor o menor se llama error de
estimacin, el cual esta en relacin directa con la variabilidad del estimador y el nivel
de confianza determinado por el investigador. La estimacin intervalica para un
parmetro en general, esta dada por:
/2
Error de Estimacin
/2
Error de estimacin
/2
Pgina - 47 -
Escuela de Postgrado
Universidad Nacional de Trujillo
:x
/2
:x
t(
s
n
/ 2 , n 1)
P: p
/2
PQ
n
P: p
/2
pq
n
: ( x1
x2 )
/2
2
1
2
2
n1
n2
B. Si las muestras son de tamao n1<30 y n2<30 (pequeas) y adems las varianzas
poblacionales DESCONOCIDAS:
1
: ( x1
x2 ) t(
/ 2 , n1 n 2 2 )
sc2 (
1
n1
1
)
n2
Donde :
sc
(n 1 1)s 12 (n 2 1)s 22
n1 n 2 2
P1
P2 : ( p1
p2 )
/2
p1 q1
n1
p2 q2
n2
Pgina - 48 -
Escuela de Postgrado
Universidad Nacional de Trujillo
Pgina - 49 -
Escuela de Postgrado
Universidad Nacional de Trujillo
APLICACIN 02:
La Gerencia de la empresa HAMILTON LIGH esta interesado en conocer el contenido de
nicotina promedio de su marca de cigarrillos. Para lo cual selecciona una muestra de 14
cigarros obteniendo un promedio de 25 miligramos y una varianza de 16 miligramos 2.
a. Calcular un intervalo de confianza para el sueldo promedio con el 99% de confianza.
b. Calcular un intervalo de confianza para el sueldo promedio con el 95% de confianza.
c. Calcular un intervalo de confianza para el sueldo promedio con el 90% de confianza.
APLICACIN 03:
Nuestro amigo BRUNO se dedica al negocio de los AUTOS, el sospecha que su margen de
beneficios mensual promedio por auto vendido est por debajo del promedio nacional de
S/. 700. Para evaluar su margen de beneficio toma informacin (muestra) respecto a 8
meses cuya informacin es la siguiente:
MES
BENEFICIO
a.
b.
c.
800
840
780
850
810
790
805
800
Promedio
Varianza
RESPECTO A LA PROPORCION:
APLICACION 04:
Segn un vendedor de automviles, de todos los vehculos adquiridos por los docentes
universitarios, en ms del 80% de los casos el color es elegido por la mujer. Para
verificar esta hiptesis se toma una muestra de 400 parejas que han comprado autos
nuevos durante el ltimo ao, hallndose que en 310 casos el color fue en efecto elegido
por la dama. Calcular:
a. El intervalo confidencial para la proporcin considerando el 99 % de confianza.
b. El intervalo confidencial para la proporcin considerando el 90% de confianza.
SOLUCION
Pgina - 50 -
Escuela de Postgrado
Universidad Nacional de Trujillo
Pgina - 51 -
Escuela de Postgrado
Universidad Nacional de Trujillo
TCNICAS DE MUESTREO
Existen 2 tipos de tcnicas de muestreo:
A. TECNICAS PROBABILISTICAS:
B. TECNICAS NO PROBABILISTICAS
Muestreo aleatorio simple
El muestreo a criterio o juicio.
Muestreo aleatorio estratificado
El muestreo por cuotas.
Muestreo sistemtico
El muestreo por conveniencia.
Muestreo por conglomerados
etc
Etc.
Pgina - 52 -
Escuela de Postgrado
Universidad Nacional de Trujillo
VARIABLE
POBLACION
INFINITA
(Cuando no se
conoce N)
POBLACION
FINITA
(Cuando se
conoce N)
n0
Cuantitativa
(Promedio Poblacional)
Z 2 P(1 P)
E2
Z 2 P(1 P) N
E 2 ( N 1) Z 2 P(1 P)
n0
Z 2S 2
E2
Z 2S 2N
E 2 ( N 1) Z 2 S 2
Z= es el valor de la distribucin normal estandarizada para un nivel de confianza fijado por el investigador.
S= Desviacin estndar de la variable fundamental del estudio o de inters para el investigador. Obtenida
por estudios anteriores, muestra piloto, criterio de experto o distribucin de la variable de inters.
P= es la proporcin de la poblacin que cumple con la caracterstica de inters.
E= % del estimador o en valor absoluto (unidades). Fijada por el investigador.
N= Tamao de la poblacin.
C.
n0
N
n0
Si
N
Si
n0
N
n0
n0
1
N
, n es la muestra final.
Pgina - 53 -
Escuela de Postgrado
Universidad Nacional de Trujillo
TABLA N 01
VALORES DE LA DISTRIBUCIN NORMAL
ESTANDARIZADA(Z)
Nivel de confianza
(1- )
90%
95%
98%
99%
=
=
=
=
0.90
0.95
0.98
0.99
Valor Z
Nivel de significancia
( )
Bilateral
1.64
1.96
2.32
2.57
10% = 0.10
5% = 0.05
2% = 0.02
1% = 0.01
Unilateral
1.28
1.64
2.05
2.32
COMPORTAMIENTO DE P y Q
Q=1-P
0.95
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.05
PQ
0.0475
0.090
0.160
0.210
0.240
0.250
0.240
0.210
0.160
0.090
0.0475
3.5
APLICANDO MEGASTAT:
Pgina - 54 -
Escuela de Postgrado
Universidad Nacional de Trujillo
APLICACIN 02:
El Director de la seccin de control de la rabia del Dpto. de Salud Pblica de la Ciudad de
Chiclayo desea obtener una muestra de los registros de dicho Dpto. acerca de las
mordidas de perro reportadas durante el ao anterior, para estimar la edad media de las
personas mordidas. El director desea una seguridad del 95%, con un E=2.5 y en base a
estudios anteriores conoce que la desviacin estndar es de 15 aos. De que tamao
debe ser la muestra?
APLICACIN 04:
Se desea estimar el tiempo medio de duracin de artefactos elctricos (focos) producidos
por la empresa PHILIPSS. Se sabe por un estudio piloto de 10 focos que la desviacin
estndar del tiempo de duracin es de 20 meses. De que tamao debe ser la muestra
para estimar el tiempo medio de duracin con un error mximo de 4 meses y con una
confianza del 95%?.
APLICACIN 05:
Por estudios cientficos se sabe que el Coeficiente de Inteligencia promedio para jvenes
segn la escala de Weshler es de 100 puntos con una desviacin estndar de 15 puntos.
Determinar el tamao de muestra para realizar una investigacin sobre niveles de
inteligencia en la UPN, si se admite un error del 2% del promedio y una seguridad del
95%.
APLICACIN 06:
Se desea estimar la proporcin de jvenes de la ciudad de CHICLAYO que hacen uso de
Internet como mnimo una hora diaria con un 95% de confianza. De estudios anteriores
se conoce que P=0.70 y se desea un E = 5%. Cual debe ser el tamao de muestra.
Pgina - 55 -
Escuela de Postgrado
Universidad Nacional de Trujillo
CLASES DE HIPOTESIS:
2.1. HIPOTESIS NULA.
Se denota por Ho.
Es una afirmacin o enunciado tentativo que se realiza acerca del valor de
un parmetro poblacional.
Por lo comn es una afirmacin acerca del parmetro de poblacin cuando
toma un valor especfico.
2.2. HIPOTESIS ALTERNATIVA.
Se denota por H1.
Es una afirmacin o enunciado contraria a la presentada en la hiptesis
nula.
3.
Decisin
posible
Aceptar Ho
Rechazar Ho
Ho Verdadera
Decisin
correcta
Error tipo I
Ho Falsa
Error Tipo II
Decisin
Correcta
Pgina - 56 -
Escuela de Postgrado
Universidad Nacional de Trujillo
4.
= 0
0
/2
/2
=
<
0
0
5.
=
>
0
0
Pgina - 57 -
Escuela de Postgrado
Universidad Nacional de Trujillo
6.
Zt
/2
(distribucin normal)
n
D. Si n es menor o igual a 30 y la varianza poblacional es desconocida:
Estadstico de prueba:
tt
s
n
t(
/ 2 , n 1)
(distribucin t de student)
P
PQ
n
Zt
/2
Esta formula es tanto para muestras grandes como para muestras pequeas.
III. PRUEBA DE HIPOTESIS PARA LA DIFERENCIA DE MEDIAS
C. Si las muestras son de tamao n1>30 y n2>30 (grandes) y adems las varianzas
poblacionales se CONOCEN:
Estadstico de prueba:
( x1
x2 )
n1
n2
Zt
/2
D. Si las muestras son de tamao n1<30 y n2<30 (pequeas) y adems las varianzas
poblacionales DESCONOCIDAS:
( x1
Sc
x2 )
1
n1
tt
1
n2
t(
/ 2 , n 1)
(distribucin t de student)
Donde :
sc
(n 1 1)s 12 (n 2 1)s 22
n1 n 2 2
( p1
p1 q1
n1
p2 )
p2 q2
n2
Zt
/2
Esta formula es tanto para muestras grandes como para muestras pequeas.
Pgina - 58 -
Escuela de Postgrado
Universidad Nacional de Trujillo
Pgina - 59 -
Escuela de Postgrado
Universidad Nacional de Trujillo
Pgina - 60 -
Escuela de Postgrado
Universidad Nacional de Trujillo
T2
22.088 mean
1.637 std. dev.
8 n
16
-7.7975
5.3911
2.3219
1.1014
0
df
difference (T1 - T2)
pooled variance
pooled std. dev.
standard error of difference
hypothesized difference
-7.08 t
2.61E-06 p-value (two-tailed)
Pgina - 61 -
Escuela de Postgrado
Universidad Nacional de Trujillo
APLICACIN 02::
JORGE MELENDEZ, Administrador deL BCP est interesado en saber si existe diferencia
significativa entre los tiempos de atencin al cliente de los mismos empleados que
trabajan en los dos turnos: maana y tarde. Al respecto, ayer personalmente registr los
tiempos que utilizaron los empleados para atender a sus clientes en ambos turnos. Los
tiempos en minutos que registr fueron los siguientes:
Maana 2.10
4.10
4.70
3.70
6.00
3.90
Tarde
4.00
4.50
3.70
4.00
4.10
3.45
A la luz de estos resultados, A qu conclusin lleg Jorge Melndez?. Utilice un nivel de
confianza del 95%.
SOLUCION: (Aqu se utiliza la prueba T para muestras pareadas)
hypothesized value
mean Maana
mean Tarde
mean difference (Maana - Tarde)
std. dev.
std. error
n
df
0.23 t
.8244 p-value (two-tailed)
Pgina - 62 -
Escuela de Postgrado
Universidad Nacional de Trujillo
APLICACIN 03:
Un fabricante de microcircuitos esta interesado en determinar si dos diseos diferentes
producen un flujo de electricidad equivalente. El ingeniero responsable ha obtenido la
siguiente informacin:
Diseo 1
20.3 22.5 23.3 29.1 26.5 22.1 20.8 28.6 23.3 21.5
Diseo 2
23.5
26.5
23.6
21.5
26.4
27.9
22.5
25.5
26.7
23.9
Diseo 3
29.1
26.5
22.1
25.6
23.5
26.5
25.5
26.7
20.3
22.5
Diseo 4
20.3
22.5
25.5
26.7
28.9
17.3
21.5
20.4
27.9
26.5
Std. Dev
23.80
10
3.163 Diseo 1
24.80
10
2.089 Diseo 2
24.83
10
2.657 Diseo 3
23.75
10
3.865 Diseo 4
24.30
40
2.944 Total
ANOVA table
Source
SS
df
MS
p-value
10.833
3.6110
0.40
0.7558
Error
327.266
36
9.0907
Total
338.099
39
Treatment
Comparison of Groups
30.00
25.00
20.00
15.00
Diseo 1
Diseo 2
Diseo 3
Diseo 4
Pgina - 63 -
Escuela de Postgrado
Universidad Nacional de Trujillo
APLICACIN 04:
Una compaa desea estudiar el efecto que tiene la pausa para el caf, sobre la
productividad de sus obreros. Selecciona 6 obreros y mide su productividad en un da
cualquiera (sin pausa para el caf), y luego mide la productividad de los mismos 6
obreros en un da que se concede la pausa para el caf. Las cifras que miden la
productividad son las que siguen: Con = 0,05. A qu conclusin llegar la compaa?.
TRABAJADOR
1
2
3
4
5
6
Sin pausa
23
35
29
33
43
32
Con pausa
28
38
29
37
42
30
APLICACIN 05:
En fecha reciente fue descubierto un neurotransmisor cerebral endgeno llamado
galanina. Segn parece, ste afecta de manera directa el deseo de ingerir alimentos con
un alto contenido de grasa. Mientras ms alta sea la cantidad de este neurotransmisor de
origen natural en un individuo, mayor ser el apetito que este sienta por la comida con
alto contenido de grasa. Recientemente una compaa farmacutica desarroll una
sustancia experimental que bloquea la galanina sin alterar el apetito por otros alimentos
ms saludables (es decir con menos grasas). Un neurocientfico piensa que esa sustancia
experimental ser muy til para controlar la obesidad. Se realiza un experimento para lo
cual se elige 10 mujeres obesas todas ellas voluntarias y se les administra el
medicamento experimental durante 06 meses. Se registra el peso inicial y el peso final
(despus de 6 meses) de cada persona. Los pesos se presentan en la siguiente tabla.
Probar si el uso del medicamento experimental produce prdida de peso en las personas.
Utilice un nivel de significancia de 0.05.
Persona
PESO INCIAL
PESO FINAL
(libras)
(libras)
1
165
145
2
143
137
3
175
170
4
135
136
5
148
141
6
155
138
7
158
137
8
140
125
9
172
161
10
164
156
Fin
Curso: Uso de Excel en la Educacin
Pgina - 64 -