Reporte 2

Maestro: M.C. José Armando Rodríguez Romo

Equipo:
 Leticia Monserrat Pacheco Dueñas
 Ana Laura Sandoval Rangel
 María Fernanda Granados miranda
 Evelia Dalí Velasquez Silva
 María Isabel Romo García

Aguascalientes, Ags., Septiembre del 2015

CASO CONCEPTUAL

Loveland Computers

Caso 7: Estimación Aunque Lee Azko se ha sentido un tanto nervioso en su primer trabajo, las
tareas que se le han encomendado en producción y adquisiciones le han mostrado cómo aplicar
lo que aprendió en los libros. El siguiente trabajo introdujo a Lee en otro departamento de
Loveland Computers y lo enfrentó con el enfoque sin sentido de su directora, Margot Derby.

“Déjame explicarte la situación”, comenzó Margot, dejando de lado cualquier preámbulo. “Ya
sabes que nos consideramos, principalmente, distribuidores de equipos de cómputo:
computadoras personales que la gente utiliza en sus negocios y casas. Cuando empezamos,
dejamos que el cliente buscara el software. En algunas ocasiones, compran sus programas a las
compañías que los diseñan o a distribuidores nacionales que atienden pedidos por teléfono.
Ahora ya hay algunos distribuidores al menudeo locales; casi todos los centros comerciales
suburbanos tienen al menos una tienda que vende programas de computación.

“La razón por la cual no vendemos software es que ya había demasiados programas en el
mercado, y no queríamos adivinar cuál de ellos iba a ser el producto de mayor venta,
equivocarnos y terminar con un inventario de programas inútiles. Pero la situación ha cambiado.
Después de algunas sacudidas en el mercado del software, han surgido dos o tres líderes notables
en cada campo; por ejemplo, hojas de cálculo y procesadores de palabras. Para equilibrar la
competencia, empezamos a incluir algo de software en nuestras computadoras con fines de
promoción.

“El año pasado, empezamos a cargar los programas en el disco duro para ciertos clientes.
Podemos darles precios bastante competitivos por el software, y los programas precargados se
convirtieron en una característica importante que mucha gente busca en el producto. Con estos
antecedentes, estoy considerando nuevamente el software para ver si cambiamos nuestra
estrategia y hacemos algo más en esa línea. Para darme una idea del mercado, pedí que
interrogaran a 500 clientes que tienen una computadora Loveland desde hace aproximadamente
un año; les preguntaron cuánto gastaron, en total, en software durante el primer año.
“Tengo todos los datos aquí; no me llevó ni dos minutos calcular la media y la desviación estándar
con nuestro programa de hoja de cálculo. Los banqueros inversionistas de Nueva York le echaron
una mirada a un borrador de mi plan de comercialización de software y, cuando vinieron la
semana pasada, me preguntaron qué tan segura podía estar de que los resultados de mi
investigación telefónica eran exactos.

“Cada vez que tomo el periódico, veo alguna encuesta de opinión en la que se dice algo como
‘esta encuesta está basada en un sondeo de 1,200 adultos y tiene un margen de error del 3%’.
¿Cómo es que saben eso? ¿Tienen registros de todos los investigados y de cuándo están en lo
correcto o no? Sólo tengo este conjunto de resultados y no veo cómo responder a las preguntas
de los inversionistas.”

“No debe ser muy difícil”, respondió Lee al tiempo que inspeccionaba el escritorio para asegurarse
de que había a la mano una calculadora y un conjunto de tablas estadísticas.

“¿Por qué no me muestras los datos que tienes? Tal vez podamos darnos una idea de la respuesta
ahora mismo.”

Preguntas de estudio:

¿Qué distribución supondrá Lee que tienen los resultados de la encuesta telefónica, y qué tabla
estadística será más útil?

Distribución normal

¿Cómo puede Lee definir margen de error para Margot?

Depende del tamaño de la muestra

¿Es probable que Lee recomiende una muestra más grande?

Mientras mas grande sea la muestra el error será menor, es proporcional.

Ejercicio de base de datos computacional

HH Industries

Al inicio de la siguiente semana, Bob regresó a la oficina de Laurel. “Bueno, hemos empezado a
encuestar a nuestra muestra”, comentó. “¿Podrías ayudarme a tener una idea de cuántos
debemos examinar? Estoy interesado en un nivel de confianza del 95% de estar dentro de más
menos 0.05 de la proporción verdadera de la población. Pienso que vas a estar de acuerdo
conmigo en que, para fines prácticos, podemos considerar a nuestra población como infinita.”

“Creo que tienes razón”, acordó Laurel. “¡Ya vi la fila de archiveros! Para estimar el número a
encuestar, sería de gran ayuda que tuviéramos una idea fundada del parámetro real de la
población, pero al menos podremos obtener un intervalo de tamaños de muestra.”

1. Determine un tamaño de muestra apropiado para satisfacer las condiciones de Bob, si el

valor real de p (la proporción de órdenes de compra hechas de manera competitiva) es
aproximadamente 0.2, 0.3, 0.4 o 0.5. ¿Cuál deberá escoger Bob?
2
z 
n    / 2  p̂q̂
 E 
2
 1.96 
n    (0.2)(0.8)  245.86
 0.05 
2
 1.96 
n    (0.3)(0.7)  322.69
 0.05 
2
 1.96 
n    (0.4)(0.6)  368.79
 0.05 
2
 1.96 
n    (0.5)(0.5)  384.16 ≈ 384
 0.05 
Por lo cual se puede deducir que p=0.5 es la ideal para obtener el tamaño de la muestra que es 384.
Aproximadamente una semana después, Bob tocó en la puerta de Laurel. “Aquí están los datos
sin procesar. El objetivo de Hal, en este punto, es que tengamos al menos el 60% de las órdenes
de compra hechas de manera competitiva.
¿Crees que esto lo pondrá contento?”
“Calculemos nuestro intervalo de confianza y ya veremos”, respondió Laurel.
2. Estime la proporción y el error estándar de la proporción para las órdenes de compra
competitivas utilizando los datos de los archivos CH07A.xxx del CD que acompaña al libro.
Elabore un intervalo de confianza del 95% para la proporción. Bob observó escéptico los
resultados. “¿Existe alguna manera de reducir esos límites del intervalo de confianza?”,
preguntó.

n=384

𝑥̅ = 60% 𝑑𝑒 𝑛 = 230.4 ≈ 230

𝑥̅ 230
𝑝̂ = 𝑛= 384 = 0.6

𝑞̂ = 1 − 𝑝̂ = 0.4

𝑝̂ 𝑞̂ (0.4)(0.6)
√ = √ = 0.025
𝑛 384

p̂q̂ p̂q̂
9) Intervalo de confianza para P (muestras grandes). p̂  z / 2  P  p̂  z / 2
n n

0.6  (1.96)(0.025)  P  0.6  (1.96)(0.025)

0.551  P  0.649

Existe alguna manera de reducir esos límites del intervalo de confianza, la

respuesta es si, mientras más grande sea la muestra, el error será más pequeño.
“Sin hacer un esfuerzo adicional de muestreo, estamos limitados a disminuir el nivel de
confianza”, explicó Laurel.
3. Calcule los límites del intervalo de confianza si Bob está dispuesto a contentarse con un
nivel del 90%.

p̂q̂ p̂q̂
9) Intervalo de confianza para P (muestras grandes). p̂  z / 2  P  p̂  z / 2
n n

0.6  (2.57)(0.025)  P  0.6  (2.57)(0.025)

0.53575  P  0.66425

“La otra opción es emplear una muestra más grande”, continuó ella. “Como el muestreo, en este
caso, es relativamente poco costoso, ¿por qué no intentamos obtener un intervalo más pequeño,
digamos más menos 0.03? Podemos utilizar nuestra proporción inicial como nuestra “valor
fundamentado” con respecto a la proporción verdadera de la población y mantener nuestro nivel
de confianza del 95%.”

“¿Pero qué tanto más grande deberá ser la muestra?”, preguntó Bob. “Te lo diré en un segundo”,
respondió Laurel al tiempo que sacaba su calculadora.

4. Con estas nuevas condiciones, ¿cuántas órdenes de adquisición más necesitan examinar?

𝑒 = 0.03
𝑎
𝑍𝑎/2 = 𝑆𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒 𝑑𝑒 𝑙𝑎 𝑡𝑎𝑏𝑙𝑎 𝑑𝑒 𝑇1 𝑐𝑜𝑛 0.025 𝑑𝑒 = 1.96
2

14) Basado en la proporción de la Población

2
1z 
Si no se tiene p̂ entonces nmax    /2 
4 E 

2
1  1.96 
n max    = 1067.11≈ 𝟏𝟎𝟔𝟕
4  0.03 

Si se necesita saber el tamaño de las ordenes de adquisición se emplea una regla de 3.

 n=384

Ordenes de adquisición= 230

la nueva muestra resultante es de 1067, se necesitan conocer cuántas más ordenes de adquisición,
para saberlo hacemos una regla de 3.

𝟑𝟖𝟒 𝟐𝟑𝟎
= 𝟔𝟑𝟗. 𝟎𝟖 ≈ 𝟔𝟑𝟗
𝟏𝟎𝟔𝟕

Sin embargo, se obtuvo la suma de las órdenes de adquisición anteriores con las
ordenes de adquisición nuevas, por lo que se efectúa una resta de las actuales menos
las anteriores.

639-230= 409.08=409

“Buenas noticias”, anunció Bob a Laurel varios días más tarde. “La nueva muestra más grande
arrojó una proporción de 0.58. Eso significa que puedo decirle al jefe que estamos entre 0.55 y
0.61 con una certeza del 95%. Estoy planeando hacer una pequeña presentación juntos para el
día de la reunión de la junta directiva.” “Suena bien”, dijo Laurel, “solamente ten cuidado en la
forma en que utilizas los términos. Recuerda que hicimos unas cuantas triquiñuelas estadísticas
en nuestros cálculos y no sería bueno que les causes una mala impresión”.

5. Verifique los cálculos de Bob. ¿Qué piensa acerca de la preocupación de Laurel? ¿Cómo
enfocaría la presentación si fuera Bob?

Debido a los datos obtenidos se puede afirmar que se encuentran dentro del intervalo, ya que
se emplearon cálculos estadísticos para su obtención, con porcentajes de confianza elevados,
como de 96% y 90%.

La presentación de Bob salió bien en la junta directiva del lunes siguiente. Hal hizo unas cuantas
preguntas, pero en general se mostró complacido con los resultados. Luego pasó al siguiente
punto a tratar.

“Como la mayoría de ustedes saben, hace aproximadamente un año introdujimos en nuestro

inventario refacciones métricas. Con el flujo de equipo hidráulico portátil fabricado en el
extranjero por compañías como Toyota, Nissan y Komatsu, el mercado de refacciones métricas
parece estar maduro. Y hasta donde yo sé, fuimos los primeros en nuestro ramo en tener varias
líneas completas. En cualquier caso, es hora de que veamos cómo estamos y de estimar las ventas
potenciales para el año siguiente. Laurel, me temo que no te dejaremos descansar mucho, pero
puedes darte cuenta que ¡definitivamente te necesitamos aquí!”

De regreso a su oficina, Laurel se puso a revisar lo que sabía de las líneas de refacciones métricas
de HH Industries. Peggy estaba en proceso de pasarle un informe que le daría los detalles sobre
las ventas del año anterior. Desafortunadamente, cuando se incorporaron las refacciones
métricas, no se les asignó un código único de producto, lo cual hizo un tanto difícil aislar las ventas.
Sin embargo, Laurel hizo lo que pudo.

6. Basándose en los datos de los archivos CH07B.xxx del CD que acompaña al libro, estime la
media de la población y la desviación estándar de las ventas de refacciones métricas por
semana.

Con ayuda de la calculadora mediante el modo SD, se van guardando los datos en la
memoria. Con S-VAR se obtienen los siguientes datos:

𝑥̅ = 5945.2

𝜎 = 2284.85

7. Estime el error estándar de la media para esta muestra.

𝜎 2284.85
𝑆𝐸(𝑥̅ ) = 𝑆𝐸(𝑥̅ ) = =323.12
√𝑛 √50
 8. Construya un intervalo de confianza del 95% para las ventas semanales medias de
refacciones métricas.

 
1) Intervalo de confianza para , conociendo . x  z / 2    x  z / 2
n n

5945.2  (1.96)(323.12)    5945.2  (1.96)(323.12) 

5311.88    6578.51

9. ¿Deberá HH Industries continuar ofreciendo refacciones métricas si Hal desea tener el 95%
de confianza de que las ventas del año siguiente sean de al menos $300,000? Suponga que
habrá 50 semanas hábiles durante el siguiente año.

HH Industries debe continuar ofreciendo refacciones métricas porque se encuentra dentro del
intervalo de ventas anuales.

265594    328925.5

Por lo tanto el intervalo $265 594 y $328 925.5 contiene a $300 000.
 10. Stan argumentó que el uso de los 12 meses de datos sobre ventas de refacciones métricas
daba una estimación demasiado baja, porque incluía los meses en que fueron
introducidas. Está convencido que el uso de los datos correspondientes a los segundos
seis meses mostrarán una predicción más precisa, ya que las ventas se habrían nivelado.
Laurel está de acuerdo. Repita los cálculos anteriores sólo con los datos de las segundas
25 semanas

9200
8830
6490
4520
3780
9290
6110
7240
8730
6730
4380
8050
5580
4360
8290
9890
7970
3580
5370
9640
8460
7050
5630
2910
4960

Con ayuda de al calculadora en modo SD, se guardan los datos en la memoria y se calcula la media
y la desviación con ayuda de la función S-VAR

𝑥̅ = 6681.6

𝜎 = 2098.87
𝜎 2098.87
𝑆𝐸(𝑥̅ ) = 𝑆𝐸(𝑥̅ ) = =419.77
√𝑛 √25
  
. x  z / 2    x  z / 2
n n

6681.6  (1.96)( 419.77)    6681.6  (1.96)( 419.77) 

5858.85    7504.34

Con un 95% de confianza, se puede afirmar que la media de las últimas 25 semanas de ese año
se encuentre entre el intervalo de 5858.85 y 7504.34.