Estadistica Aplicada A La Administracion y La Economia Leonard J Kazmier

.
www.elsolucionario.net
STADISTICAAP
A LA ADMIIMIST ".
Y A LA EC
^" " v .
Tercera edicin Leonard J. Kazmier
Incluye 531 problemas resueltos y totalmente expli
Abarca todos los conceptos y mtodos de estadstica, incluyend

* . -" * * - /, v , . - 17' ."'7-.,-' -'*" ^i-
una introduccin a la administracin de calidad total

Lo ms parecido a tener un profesor en casa
PARA USARSE EN LOS SDE:

Introduccin a la al
Estadstica aDlica
'
,
Intermedio
^
Avanzado L*
Excel para Windows

ESTADSTICA APLICADA
A LA ADMINISTRACIN
Y A LA ECONOMA
>., . .. ,. . - .!
ESTADSTICA APLICADA
A LA ADMINISTRACIN
Y A LA ECONOMA
Tercera edicin
Leonard J. Kazmier
Profesor of Decisin and Information Systems
Arizona State University
Revisin Tcnica
ALEJANDRO ALEGRA HERNNDEZ
Maestro en Estadstica
IIMAS, UNAM
Profesor Titular
Departamento de Estadstica
Instituto Tecnolgico Autnomo de Mxico
McGRAW-HILL
MXICO * BUENOS AIRES * CARACAS * GUATEMALA * LISBOA MADRID
NUEVA YORK * SAN JUAN SANTAFE DE BOGOT SANTIAGO SAO PAULO
AUCKLAND LONDRES MILN MONTREAL NUEVA DELHI
SAN FRANCISCO SINGAPUR ST. LOUIS SIDNEY TORONJO
Gerente de producto: Ricardo del Bosque Alayn

Supervisor de edicin: No Islas Lpez
Supervisor de produccin: Zeferino Garca Garca
ESTADSTICA APLICADA A LA ADMINISTRACIN Y A LA ECONOMA 3a. ed
Prohibida la reproduccin total o parcial de esta obra,

por cualquier medio, sin autorizacin escrita del editor.

DERECHOS RESERVADOS 1998, respecto a la tercera edicin en espaol

McGRAW-HILL INTERAMERICANA EDITORES, S. A. de C. V.
Una Divisin de The McGraw-Hl Companies, Inc.
Cedro Nm. 512, Col.Atlampa
Delegacin Cuauhtmoc
06450 Mxico, D. F. i
Miembro de la Cmara Nacional de la Industria Editorial Mexicana, Reg. Nm. 736
ISBN 970-10-1963-6 tercera edicin

(ISBN 970-10-0399-3 primera edicin)
(ISBN 970-10-0961-4 segunda edicin) j
Traducido de la tercera edicin en ingls de

SCHAUM'S OUTLINES BUSINESS Sf ATISTICS
Copyright MCMXCVI, by McGraw-Hill, Inc., U.S.A.
ISBN 970-10-1962-8
3456789012 0876543219
impreso en Mxico Printed in Mxico
Esta obra se termin de

imprimir en Mayo de 1999en
Litogrfica Ingramex
Centeno Nm. 162-1
Col. Granjas Esmeralda
(Delegacin Iztapalapa
09810 Mxico, D.F.
Se tiraron 4500 ejemplares

Prefacio
Este libro cubre los mtodos bsicos de descripcin estadstica, inferencia, control de procesos y anlisis de
decisin que suelen incluirse en cursos introductorios e intermedios.
Los conceptos y mtodos estadsticos se presentan en forma clara y concisa, y las explicaciones se han
reducido al mnimo en favor de la exposicin de ejemplos concretos. Dado que este libro est especficamente
dirigido a quienes se interesan en particular en la aplicacin de tcnicas estadsticas, se han omitido derivaciones
matemticas.
Esta edicin ha sido completamente puesta al da y entre sus novedades incluye un amplio tratamiento del
control estadstico de procesos en el captulo 20 y una introduccin al concepto, an ms general, de la adminis-
tracin de calidad total (ACT). Todos los resultados en computadora de esta edicin se derivaron haciendo uso de
computadoras personales, no de macrocomputadoras. El contenido de esta nueva edicin ha mejorado en virtud
del software disponible en la actualidad, gracias al cual fue posible perfeccionar en particular la presentacin y
explicacin de los mtodos de pronstico en el captulo 16.
Este volumen sirve de apoyo para la comprensin de libros ms complejos; como manual de referencia para
este propsito, su uso es ms sencillo que el de muchos otros libros de texto. Asimismo, su contenido basta para
que se le emplee como libro de enseanza. Los temas se han agrupado en consonancia con la mayora de los
libros de texto de estadstica aplicada a la administracin y la economa.
Agradezco a Minitab, Inc., la autorizacin para incorporar en este libro resultados de Minitab versin 10 y a
Duxbury Press la autorizacin para emplear resultados de Execustat 3.0. Aunque estos programas de software
estadstico fueron creados para interfaces de Windows, siempre que nos fue posible usamos versiones con co-
mandos para ilustrar la lgica del software. MINITAB es marca registrada de Minitab, Inc. (3081 Enterprise
Drive, State College, Pensilvania 16801-3008, Estados Unidos; Tel. 814-238-3280, fax 814-238-4383).
EXECUSTAT es marca registrada de Strategy Plus, Inc., y es distribuido por Duxbury Press, sello de la Wadsworth
Publishing Company (10 Davis Drive, Belmont, California 94002, Estados Unidos, Tel. 1-800-354-9706). Si
bien no se les us en este libro, tambin las versiones vigentes de los programas de hoja de clculo EXCEL
(copyright Microsoft, Inc.) y LOTUS 1-2-3 (copyright Lotus Development Corporation) incluyen rutinas de
anlisis estadstico.
Finalmente, agradezco al Longman Group UK Ltd., en nombre del ejecutor testamentario del desaparecido
Sir Ronald A. Fisher, F.R.S., y al doctor Frank Yates, F.R.S, la autorizacin para adaptar y reproducir las tablas III
y IV de su libro Statistical Tablesfor Biolgica!, Agricultura!, and Medica! Research, 6a. edicin (1974).
LEONARD J, KAZMIER
Al estudiante
Este libro se escribi con la intencin de eliminar cualquier clase de palabrera y fijar la atencin en los
conceptos y tcnicas bsicos asociados con la aplicacin de mtodos estadsticos a la administracin y la econo-
ma. Por lo tanto, puede servirle para dos propsitos diferentes.
Primero, puede servirle como excelente complemento de cursos de estadstica aplicada a la economa. Orga-
nizacin de temas y formulaciones se han seleccionado para que correspondan a las de los principales libros de
texto de la materia. De igual modo, los resultados en computadora son representativos del tipo de resultados que
se obtienen con casi cualquier paquete de software. Puede leer los captulos de este libro antes o despus de los
captulos equivalentes de su libro de texto, ya sea para adquirir una visin general del tema o para repasar los
temas ms importantes. Los numerosos ejemplos y problemas resueltos favorecern su comprensin del conteni-
do y le servirn de modelo para la resolucin en casa de problemas de su libro de texto.
Segundo, descubrir que este volumen es un excelente libro de referencia que podr seguir utilizando en el
futuro. El desarrollo modular de los temas facilita la bsqueda de procedimientos en un grado mayor al ofrecido
por muchos otros libros de texto, al tiempo que el contenido es ms amplio que el de la mayora de los textos
introductorios. De cualquier forma, este libro tambin puede ser adoptado como texto de clase.
Contenido
Captulo 1 ANLISIS DE DATOS ECONMICOS Y ADMINISTRATIVOS 1

1.1 Definicin de estadstica aplicada a la administracin y la economa .. . 1
1.2 Estadstica descriptiva e inferencial 1
1.3 Tipos de aplicaciones en administracin y economa 1
1.4 Variables discretas y continuas 2
1.5 Obtencin de datos por observacin directa contra encuestas 2
1.6 Mtodos de muestreo aleatorio 2
1.7 Otros mtodos de muestreo 3
1.8 Uso de software de cmputo para la generacin de nmeros aleatorios , 4
*
Captulo 2 REPRESENTACIONES ESTADSTICAS Y ANLISIS DE GRFICAS .. 9

2.1 Distribuciones de frecuencias
y
9
2.2 Intervalos de clase 9
2.3 Histogramas y polgonos de frecuencias 10
2.4 Curvas de frecuencias 11
2.5 Distribuciones de frecuencias acumuladas 12
2.6 Distribuciones de frecuencias relativas 13
2.7 Distribucin de frecuencias del tipo "y menor que" 14
2.8 Diagramas de tallo y hojas 14
2.9 Diagramas de puntos 15
2.10 Diagramas de Pareto 15
2.11 Diagramas de barras y grficas de lineas 16
2.12 Grficas de corridas 17
2.13 Diagramas circulares 18

Captulo 3 DESCRIPCIN DE DATOS ECONMICOS Y ADMINISTRATIVOS:

MEDIDAS DE POSICIN 39
3.1 Medidas de posicin en conjuntos de datos 39
3.2 Media aritmtica 39
3.3 Media ponderada 39
3.4 Mediana 40
3.5 Moda 40
3.6 Relacin entre media y mediana 41
3.7 Criterios matemticos satisfechos por la mediana y la media

41
3.8 Uso de media, mediana y moda 42
3.9 Uso de la media en el control estadstico de procesos 42
3.10 Cuartiles, deciles y percentiles 43
3.11 Resultados en computadora 43
Captulo 4 DESCRIPCIN DE DATOS ECONMICOS Y ADMINISTRATIVOS:

MEDIDAS DE VARIABILIDAD 51
4.1 Medidas de variabilidad en conjuntos de datos 51
4.2 Rango 51
CONTENIDO
4.3 Rangos modificados 51

4.4 Diagramas de caja 52
4.5 Desviacin media absoluta (DMA) 53
4.6 Varianza y desviacin estndar 53
4.7 Clculos simplificados de la varianza y la desviacin estndar 54
4.8 Criterio matemtico asociado con la varianza y la desviacin estndar . 55
4.9 Uso de la desviacin estndar en la descripcin de datos 56
4.10 Uso del rango y la desviacin estndar en el control estadstico
de procesos 56
4.11 Coeficiente de variacin 57
4.12 Coeficiente de asimetra de Pearson 58
Captulo 5 PROBABILIDAD 68
5.1 Definiciones bsicas de probabilidad 68
5.2 Expresin de la probabilidad 69
i
5.3 Eventos mutuamente excluyentes y no excluyentes 70
5.4 Reglas de la adicin 70
5.5 Eventos independientes, eventos dependientes y probabilidad
condicional 71
5.6 Reglas de la multiplicacin 72
5.7 Teorema de Bayes 74
5.8 Tablas de probabilidades conjuntas 75
5.9 Permutaciones 76
5.10 Combinaciones 77
Captulo 6 DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES

ALEATORIAS DISCRETAS: BINOMIAL,
HIPERGEOMTRICA Y DE POISSON 94
6.1 Qu es una variable aleatoria? 94
6.2 Descripcin de una variable aleatoria discreta 94
6.3 Distribucin binomial 96
6.4 Expresin de la variable binomial por medio de proporciones 97
6.5 Distribucin hipergeomtrica 98
6.6 Distribucin de Poisson 99
6.7 Aproximacin de Poisson de probabilidades binomiales 100
6.8 Aplicaciones de cmputo 101
Captulo 7 DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES ALEATORIAS

CONTINUAS: NORMAL Y EXPONENCIAL 114
7.1 Variables aleatorias continuas 114
7.2 Distribucin normal de probabilidad 114
7.3 Puntos percentiles para variables con distribucin normal 117
7.4 Aproximacin normal de probabilidades binomiales 118
7.5 Aproximacin normal de probabilidades de Poisson 119
7.6 Distribucin exponencial de probabilidad 120
CONTENIDO
Captulo 8 DISTRIBUCIONES DE MUESTREO E INTERVALOS

DE CONFIANZA PARA LA MEDIA 133
8.1 Estimacin puntual de un parmetro de la poblacin o del proceso . . . . 133
8.2 Concepto de distribucin de muestreo 133
8.3 Distribucin de muestreo de la media 134
8.4 Teorema central del lmite 135
8.5 Determinacin de probabilidades para la media muestral 136
8.6 Intervalos de confianza para la media con el uso de la distribucin
normal 137
8.7 Determinacin del tamao de muestra requerido para la estimacin
de la media 138
8.8 Distribucin t e intervalos de confianza para la media 139
8.9 Tabla de resumen de la estimacin por intervalo de la media
de la poblacin 140
Captulo 9 OTROS INTERVALOS DE CONFIANZA 150
9.1 Intervalos de confianza para la diferencia entre dos medias con el uso
de la distribucin normal 150
9.2 Distribucin t e intervalos de confianza para la diferencia entre
dos medias 151
9.3 Intervalos de confianza para la proporcin de la poblacin 152
9.4 Determinacin del tamao de muestra requerido para la estimacin
de la proporcin . ? 152
9.5 Intervalos de confianza para la diferencia entre dos proporciones 153
9.6 Distribucin ji cuadrada e intervalos de confianza para la varianza
y la desviacin estndar 154
Captulo 10 PRUEBAS DE HIPTESIS REFERENTES AL VALOR DE LA MEDIA

DE LA POBLACIN 163
10.1 Introduccin 163
10.2 Pasos bsicos de la prueba de hiptesis con el mtodo del valor crtico . 163
10.3 Prueba de una hiptesis referente a la media usando la distribucin

normal 164
10.4 Errores tipo I y tipo II en pruebas de hiptesis 167
10.5 Determinacin del tamao de muestra requerido para probar la media . 169
10.6 Prueba de una hiptesis referente a la media usando la distribucin t . . . 170
10.7 Mtodo del valor P para pruebas de hiptesis referentes a la media
de la poblacin 171
10.8 Mtodo de intervalos de confianza para pruebas de hiptesis referentes
a la media 172
10.9 Pruebas respecto de la media del proceso en el control estadstico
de procesos 172
10.10 Tabla de resumen de la prueba de un valor hipottico de la media 173
xn CONTENIDO
T T
Captulo 11 OTRAS PRUEBAS DE HIPTESIS 186

11.1 Prueba de la diferencia entre dos medias usando la distribucin normal 186
11,2 Prueba de la diferencia entre medias usando la distribucin t 1
11.3 Prueba de la diferencia entre medias con base en observaciones
apareadas 188
11.4 Prueba de una hiptesis referente al valor de la proporcin
de la poblacin 190
11.5 Determinacin del tamao de muestra requerido para probar
la proporcin 191
11.6 Pruebas respecto de la proporcin del proceso en el control estadstico
de procesos 191
11.7 Prueba de la diferencia entre dos proporciones poblacionales 192
4 11.8 Prueba de un valor hipottico de la varianza usando la distribucin
ji cuadrada 193
11.9 Pruebas respecto de la variabilidad del proceso en el control estadstico
de procesos 193
11.10 Distribucin F y prueba de la igualdad de dos varianzas poblacionales . 194
11.11 Otros mtodos para la prueba de hiptesis nulas 195
Captulo 12 LAPRUEBA JI CUADRADA 206

12.1 Propsito general de la prueba ji cuadrada 206
12.2 Pruebas de bondad de ajuste 206
12.3 Prueba de independencia de dos variables categricas (prueba
con tabla de contingencias) 208
12.4 Pruebas de hiptesis referentes a proporciones 210
Captulo 13 ANLISIS DE VARIANZA 228

13.1 Razonamiento bsico asociado con la prueba de las diferencias entre
varias medias poblacionales 228
13.2 Diseo completamente aleatorizado de un factor (ANOVA con un
criterio de clasificacin) 229
13.3 Anlisis de varianza con dos criterios de clasificacin (ANOVA
con dos criterios de clasificacin) 230
13.4 Diseo aleatorizado en bloques (ANOVA con dos criterios
de clasificacin, una observacin por celda) 230
13.5 Diseo completamente aleatorizado de dos factores (ANOVA
con dos criterios de clasificacin, n observaciones por celda) 231
13.6 Consideraciones adicionales 232
Captulo 14 ANLISIS DE REGRESIN Y CORRELACIN LINEAL 248

14.1 Objetivos y supuestos del anlisis de regresin 248
14.2 Diagrama de dispersin 248
CONTENIDO ** *
X
14.3 Mtodo de mnimos cuadrados para el ajuste de una lnea de regresin . 249
14.4 Residuales y grficas de residuales 250
14.5 Error estndar del estimador 250
14.6 Inferencias sobre la pendiente 251
14.7 Intervalos de confianza para la media condicional 251
14.8 Intervalos de prediccin para valores individuales de la variable
dependiente 252
<* 14.9 Objetivos y supuestos del anlisis de correlacin 252
14.10 Coeficiente de determinacin 253
14.11 Coeficiente de correlacin 254
14.12 Uso de la covananza para la comprensin del coeficiente de correlacin 255
14.13 Prueba de significancia respecto del coeficiente de correlacin 255
14.14 Peligros y limitaciones asociados con el anlisis de regresin
y correlacin 256

Captulo 15 REGRESINY CORRELACIN MLTIPLE 268

15.1 Objetivos y supuestos del anlisis de regresin lineal mltiple 268
15.2 Conceptos adicionales del anlisis de regresin mltiple 268
15.3 Uso de variables indicadoras (ficticias) 269
15.4 Residuales y grficas de residuales 270
15.5 Anlisis de varianza en el anlisis de regresin lineal 270
15.6 Objetivos y supuestos del anlisis de correlacin mltiple 272
15.7 Conceptos adicionales del anlisis de correlacin mltiple 272
15.8 Peligros y limitaciones asociados con el anlisis de regresin
y correlacin mltiple 273
Captulo 16 ANLISIS DE SERIES DE TIEMPO Y PRONSTICOS

ECONMICOS 282
16.1 Modelo clsico de series de tiempo 282
16.2 Anlisis de tendencias 283
16.3 Anlisis de variaciones cclicas 284
16.4 Medicin de variaciones estacionales 284
16.5 Aplicacin de ajustes estacionales 285
16.6 Pronsticos basados en factores de tendencia y estacionales 285
16.7 Pronsticos, ciclos e indicadores econmicos 286
16.8 Pronsticos basados en promedios mviles 287
16.9 La suavizacin exponencial como mtodo de pronstico 287
16.10 Otros mtodos de pronstico con suavizacin 288
Captulo 17 NMEROS NDICE PARA DATOS ECONMICOS

Y ADMINISTRATIVOS 304
17.1 Introduccin 304
17.2 Elaboracin de ndices simples 304
17.3 Elaboracin de ndices agregados de precios 304
XIV CONTENIDO
17.4 Relativos eslabonados 305

17.5 Cambio del periodo base 305
17.6 Fusin de dos series de nmeros ndice 305
17.7 El ndice de precios al consumidor (IPC) 306
17.8 Poder de compra y deflacin de los valores de series de tiempo 306
17.9 ndice de precios al productor (IPP) 306
17.10 Los promedios de precios burstiles de Dow Jones 306
17.11 ndice de produccin industrial 307
Captulo 18 ANLISIS DE DECISIN: TABLAS DE PAGOS Y RBOLES

DE DECISIN 315
18.1 Estructura de las tablas de pagos 315
18.2 Toma de decisiones con base nicamente en probabilidades 316
18.3 Toma de decisiones con base nicamente en consecuencias econmicas 317
18.4 Toma de decisiones con base tanto en probabilidades como en
consecuencias econmicas: criterio del pago esperado 319
18.5 Anlisis de rboles de decisin 320
18.6 La utilidad esperada como criterio de decisin 321
Captulo 19 ANLISIS DE DECISIN: USO DE INFORMACIN MUESTRAL . . . 335

19.1 Valor esperado de la informacin perfecta (VEIP) 335
19.2 Distribuciones de probabilidad inicial y posterior 336
19.3 Valor de informacin muestral ya obtenida 337
19.4 Valor esperado de la informacin muestral (VEIM) antes del muestreo 339
19.5 Ganancia neta esperada del muestreo (GNEM) y tamao ptimo 342
19.6 Anlisis de decisin contra procedimientos clsicos de decisin 344
Captulo 20 CONTROL ESTADSTICO DE PROCESOS 352

20.1 Administracin de calidad total 352
20.2 Control estadstico de calidad 352
20.3 Tipos de variacin en procesos 353
20.4 Grficas de control _,_ 354
20.5 Grficas de control para la media del proceso: grficas^ 355
20.6 Pruebas estndar para la interpretacin de grficas X 356
20.7 Grficas de control para la desviacin estndar del proceso: grficas s 357
20.8 Grficas de control para el rango del proceso: grficas R 358
20.9 Grficas de control para la proporcin del proceso: grficas/? 359
Captulo 21 ESTADSTICA NO PARAMTRICA 372

21.1 Escalas de medicin 372
21.2 Mtodos estadsticos paramtricos contra no paramtricos 372
21.3 Prueba de corridas para aleatoriedad 373
21.4 Una muestra: prueba de los signos 373
21.5 Una muestra: prueba de Wilcoxon 374
CONTENIDO xv
21.6 Dos muestras independientes: prueba de Mann-Whitney 374

21.7 Observaciones apareadas: prueba de los signos 375
21.8 Observaciones apareadas: prueba de Wilcoxon 376
21.9 Varias muestras independientes: prueba de Kruskal-Wallis 376
Apndice 1 TABLA DE NMEROS ALEATORIOS 387
Apndice 2 PROBABILIDADES BINOMIALES 388
Apndice 3 VALORES DE e~K 391
Apndice 4 PROBABILIDADES DE POISSON 392
Apndice 5 PROPORCIONES DE REA PARA LA DISTRIBUCIN NORMAL

ESTNDAR 396
Apndice 6 PROPORCIONES DE REA PARA LA DISTRIBUCIN t 397
Apndice 7 PROPORCIONES DE REA PARA LA DISTRIBUCIN tf 398
Apndice 8 VALORES DE F EXCEDIDOS CON PROBABILIDADES DE 5 Y 1 % . . . 399
Apndice 9 FACTORES PARA GRFICAS DE CONTROL 402
Apndice 10 VALORES CRTICOS DE T EN LA PRUEBA DE WILCOXON 403
Apndice 11 ESTADSTICA PARA NEGOCIOS CON EXCEL 5.0 405
NDICE 411
Captulo 1
Anlisis de datos econmicos y administrativos
1.1 DEFINICIN DE ESTADSTICA APLICADA A LA ADMINISTRACIN Y LA ECONOMA
La estadstica es el conjunto de tcnicas que se emplean para la recoleccin, organizacin, anlisis e inter-
pretacin de datos. Los datos pueden ser cuantitativos, con valores expresados numricamente, o cualitativos, en
cuyo caso se tabulan las caractersticas de las observaciones. La estadstica sirve en administracin y economa
para tornar mejores decisiones a partir de la comprensin de las fuentes de variacin y de la deteccin de patrones
y relaciones en datos econmicos y administrativos.
1.2 ESTADSTICA DESCRIPTIVA E INFERENCIAL
La estadstica descriptiva comprende las tcnicas que se emplean para resumir y describir datos numricos.
Estos mtodos pueden ser grficos o implicar anlisis computacional (vanse captulos 2, 3 y 4).
EJEMPLO 1. El volumen mensual de ventas de un producto durante el ao anterior puede describirse y cobrar significa-
do elaborando un diagrama de barras o una grfica de lneas (tal como se les describe en la seccin 2.11). Las ventas relativas
por mes pueden resaltarse calculando un nmero ndice para cada mes, con lo que la desviacin respecto de 100 de cualquier
mes indicara la desviacin porcentual de ventas de ese mes en comparacin con las ventas mensuales promedio durante todo
el ao.
La estadstica inferencial comprende las tcnicas con las que, con base nicamente en una muestra sometida
a observacin, se toman decisiones sobre una poblacin o proceso estadsticos. Dado que estas decisiones se
toman en condiciones de incertidumbre, suponen el uso de conceptos de probabilidad. Mientras que a las carac-
tersticas medidas de una muestra se les llama estadsticas mustrales, a las caractersticas medidas de una pobla-
cin estadstica, o universo, se les \\amaparametros de la poblacin. El procedimiento para la medicin de las
caractersticas de todos los miembros de una poblacin definida se llama censo. Cuando la inferencia estadstica
se usa en el control de procesos, al muestreo le interesa en particular el descubrimiento y control de las fuentes de
variacin en la calidad de la produccin. Los captulos 5 a 7 se ocupan de conceptos de probabilidad, y la mayora
de los captulos posteriores de la aplicacin de esos conceptos a la inferencia estadstica. El captulo 20 se dedica
exclusivamente al control estadstico de procesos.
EJEMPLO 2. Para estimar el voltaje requerido para provocar fallas en un dispositivo elctrico, una muestra de estos
dispositivos puede someterse a voltajes crecientes hasta que falle cada uno de ellos. Con base en estos resultados mustrales
puede estimarse la probabilidad de falla a varios niveles de voltaje de los dems dispositivos de la poblacin muestreada.
13 TIPOS DE APLICACIONES EN ADMINISTRACIN Y ECONOMA
Los mtodos de la estadstica clsica fueron desarrollados para el anlisis de datos muestreados (objetivos),
as como para propsitos de inferencia sobre la poblacin de la que se seleccion la muestra. Esto representa la
exclusin explcita de juicios personales sobre los datos y el supuesto implcito de que el muestreo procede de
una poblacin esttica (estable). Los mtodos del anlisis de decisin se concentran en la incorporacin al anli-
sis estadstico de juicios administrativos (vanse captulos 18 y 19). Los mtodos del control estadstico de
procesos se emplean sobre la premisa de que el producto de un proceso puede no ser estable. Ms bien, el proceso
puede ser dinmico, con causas atribuibles asociadas con la variacin de la calidad del producto en
el tiempo
(vase captulo 20).
ANLISIS DE DATOS ECONMICOS Y ADMINISTRATIVOS [CAP. 1
EJEMPLO 3. Empleando el enfoque clsico de la inferencia estadstica, el incierto nivel de ventas de un nuevo producto
se estimara con base en estudios de mercado realizados en consonancia con los requerimientos del muestreo cientfico. En el
enfoque de anlisis de decisin, los juicios de los administradores se cuantificaran e incorporaran al anlisis. El control
estadstico de procesos se centrara en particular en el patrn de ventas en una secuencia de periodos temporales durante la
comercializacin de prueba del producto.
1.4 VARIABLES DISCRETAS Y CONTINUAS
Una variable discreta puede tomar valores observados nicamente en puntos aislados a lo largo de una
escala de valores. En la estadstica aplicada a administracin y economa, estos datos ocurren usualmente por
medio del proceso de conteos de ah que por lo general los valores se expresen como nmeros enteros. Una
variable continua puede adoptar un valor en cualquier punto fraccionario a lo largo de un intervalo especificado
de valores. Los datos continuos se generan mediante el proceso de medicin.
EJEMPLO 4. Son ejemplos de datos discretos el nmero de personas por hogar, las unidades de un artculo en inventario
y el nmero de componentes ensamblados descubiertos como defectuosos. Son ejemplos de datos continuos el peso de un
embarque, el tiempo transcurrido antes de la primera falla de un aparato y el nmero promedio de personas por hogar en una
comunidad extensa. Ntese que un nmero promedio de personas puede ser un valor fraccionario, y ser por lo tanto una
variable continua a pesar de que el nmero por hogar sea una variable discreta.
1.5 OBTENCIN DE DATOS POR OBSERVACIN DIRECTA CONTRA ENCUESTAS
Uno de los medios para la obtencin de datos es la observacin directa. sta es la base de las acciones que se
emprenden en el control estadstico de procesos, en el cual se evalan sistemticamente muestras de produccin.
Otra forma de observacin directa es el experimento estadstico, en el que se ejerce un control deliberado de
algunos o todos los factores que pueden influir en la variable bajo estudio a fin de identificar posibles causas.
.
EJEMPLO 5. Dos mtodos de ensamble de un componente podran compararse haciendo que un grupo de empleados
aplicara uno de los mtodos y un segundo grupo el otro. Los miembros del primer grupo deben coincidir estrechamente con
los miembros del segundo en trminos de factores como edad y experiencia.
En algunas situaciones no es posible recolectar datos directamente; la informacin debe obtenerse en fuen-
tes individuales. Una encuesta estadstica es el proceso de recoleccin de datos mediante la solicitacin de stos
a individuos. Los datos pueden obtenerse con mtodos como entrevistas personales, entrevistas telefnicas o
cuestionarios por escrito.
EJEMPLO 6. Un analista de un departamento estatal de Seguridad Econmica puede verse precisado a determinar los
incrementos o decrementos en el nivel de empleo planeados por las empresas de la entidad. Un mtodo estndar para la
obtencin de esos datos es la realizacin de una encuesta entre las empresas involucradas.
1.6 MTODOS DE MUESTREO ALEATORIO
El muestreo aleatorio es un tipo de muestreo en el que todos los elementos de la poblacin de inters, o
poblacin objetivo, tienen una oportunidad conocida, usualmente igual, de ser elegidos para su inclusin en la
muestra. Disponer de esta muestra garantiza que sus integrantes sean seleccionados sin sesgos de ninguna espe-
cie y ofrece la base estadstica para determinar la confianza que puede asociarse con las inferencias (vanse
captulos 8 y 9). A una muestra aleatoria tambin se le denomina muestraprobabilstica o muestra cientfica. Los
cuatro mtodos principales de muestreo aleatorio son los mtodos de muestreo simple, sistemtico, estratificado
y por conglomerados.
Una muestra aleatoria simple es aquella cuyos elementos se seleccionan individualmente de la poblacin
objetivo entera con base en el azar. Esta seleccin al azar es semejante a la extraccin aleatoria de nmeros en un
sorteo. Sin embargo, en el muestreo estadstico suele emplearse una tabla de nmeros aleatorios o un programa
CAP. 1] ANLISIS DE DATOS ECONMICOS Y ADMINISTRATIVOS
de cmputo generador de nmeros aleatorios para identificar los elementos numerados de la poblacin que
sern seleccionados para la muestra.
EJEMPLO 7. El apndice 1 es una tabla abreviada de nmeros aleatorios. Supongamos que nos interesa tomar una
muestra aleatoria simple de 10 cuentas por cobrar de una poblacin de 90 cuentas de este tipo, numeradas del 01 al 90.
Consultaramos "a ciegas" la tabla de nmeros aleatorios, cerrando literalmente los ojos y sealando un punto de partida.
Despus leeramos los dgitos en grupos de dos en cualquier direccin para elegir las cuentas de nuestra muestra. Suponga-
mos que empezamos a leer nmeros (en pares) a partir del que se encuentra en la lnea 6, columna 1. Los 10 nmeros de
cuentas para la muestra seran 66, 06, 59, 94, 78, 70, 08, 67, 12 y 65. Pero como slo hay 90 cuentas, no podemos incluir el
nmero 94. Incluimos entonces en la muestra el nmero siguiente (11). S alguno de los nmeros seleccionados se repitiera,
lo incluiremos en la muestra slo una vez.
Una muestra sistemtica es una muestra aleatoria cuyos elementos se seleccionan de la poblacin a un
intervalo uniforme en una lista ordenada, como sera el caso de la eleccin de cada dcima cuenta por cobrar para
la muestra. La primera de las 10 cuentas por incluir en la muestra se elegira al azar (consultando quiz una tabla
de nmeros aleatorios). Una preocupacin particular del muestreo sistemtico es la existencia de factores peri-
dicos, o cclicos, en el listado de la poblacin que pudiera dar lugar a un error sistemtico en los resultados
mustrales.
EJEMPLO 8. Si en una comunidad, donde cada decimosegunda casa ocupa una esquina se realizara un estudio para
efectos de una adecuada iluminacin pblica, una muestra sistemtica incluira un sesgo sistemtico si en la encuesta se
incluyera cada decimosegundo hogar. En este caso, todos o ninguno de los hogares encuestados se hallara en una esquina.
i
En el muestreo estratificado los elementos de la poblacin son primeramente clasificados por el investigador
en distintos subgrupos, o estratos, sobre la base de una o ms caractersticas importantes. Despus, de cada
estrato se toma por separado una muestra aleatoria simple o sistemtica. Este plan de muestreo puede servir para
garantizar la representacin proporcional en la muestra de varios subgrupos de la poblacin. Adems, el tamao
de muestra requerido para alcanzar un nivel dado de precisin suele ser menor que en el caso del muestreo
aleatorio simple, lo que
~
reduce los costos del muestreo.
EJEMPLO 9. En un estudio sobre las actitudes de los estudiantes respecto de habitar en e! campus, tendramos razones
para creer en la posible existencia de diferencias importantes entre estudiantes an no graduados y graduados y entre estu-
diantes de gnero masculino y femenino. As, debera considerarse un plan de muestreo estratificado para la toma por sepa-
rado de una muestra aleatoria simple de los cuatro estratos: hombres no graduados, mujeres no graduadas, hombres graduados
y mujeres graduadas.
El muestreo por conglomerados es un tipo de muestreo aleatorio en el que los elementos de la poblacin
ocurren naturalmente en subgrupos. As pues, se muestrean aleatoriamente subgrupos, o conglomerados, en-
teros.
EJEMPLO 10. Si un analista de un departamento estatal de Seguridad Econmica debe estudiar los ndices salariales por
hora que se pagan en un rea metropolitana, sera difcil obtener un listado de todos los receptores de salarios en la poblacin
objetivo. En cambio, podra obtenerse ms fcilmente una lista de las empresas de esa zona. De este modo, el analista podra
tomar una muestra aleatoria simple de las empresas identificadas, las cuales representan conglomerados de empleados, y
obtener los ndices salariales que se pagan a los empleados de estas compaas.
1.7 OTROS MTODOS DE MUESTREO
Aunque es posible que una muestra no aleatoria resultara ser representativa de la poblacin, es difcil supo-
ner de antemano que carecer de sesgos o expresar estadsticamente la confianza que podra asociarse con las
inferencias a partir de esa muestra.
Una muestra de juicio es aquella en la que un individuo selecciona los elementos por incluir en la muestra.
El grado de representatividad de la poblacin de esta muestra depende as del juicio de tal individuo y no puede
evaluarse estadsticamente.
EJEMPLO 11. En lugar de elegir aleatoriamente las partidas por auditar, un contador las selecciona para una auditora
muestral con base en el juicio de que es probable que esos tipos particulares de partidas sean representativos de las partidas en
general. No hay manera de evaluar estadsticamente la probabilidad de sesgo en esa muestra o el grado en que los resultados
mustrales se aproximan a la poblacin.
Una muestra por conveniencia incluye las medidas, u observaciones, a las que se tiene acceso ms fcilmen-
te, tal como su nombre lo sugiere.
EJEMPLO 12. Una oficina de desarrollo comunitario emprende un estudio de la actitud pblica frente a una nueva plaza
comercial cntrica mediante la realizacin de una encuesta de opinin en una de las entradas de la plaza. Ciertamente es
improbable que los resultados de la encuesta reflejen la actitud de las personas que no se encuentran en la plaza; de aquellas
que, encontrndose en la plaza, decidan no participar en la encuesta, y de aquellas otras que se encuentran en secciones de la
plaza no consideradas en el muestreo.
Una muestra aleatoria estricta no suele ser factible en el control estadstico de procesos, ya que slo es
posible inspeccionar con relativa facilidad los artculos o transacciones ms a la mano. Para poder advertir cam-
bios que estn teniendo lugar en la calidad del producto en proceso, se toman muestras pequeas a intervalos
regulares de tiempo. A este esquema de muestreo se le conoce como mtodo de subgrupos racionales. Estos
datos mustrales son tratados como si en cada punto temporal se hubieran tomado muestras aleatorias, en el
entendido de que hay que estar alertas a cualesquiera razones conocidas de que este esquema de muestreo con-
duzca a resultados sesgados.
EJEMPLO 13. Grupos de cuatro paquetes de papas fritas son muestreados y pesados a intervalos regulares de tiempo en
un proceso de empacamiento para determinar el cumplimiento de las especificaciones de peso mnimo. Estos subgrupos
racionales ofrecen la base estadstica para determinar si el proceso es estable y est bajo control o si existe una variacin
inusual en la secuencia de pesos mustrales que obligue a la identificacin y correccin de una causa atribuible.
1.8 USO DE SOFTWARE DE COMPUTO PARA LA GENERACIN DE NMEROS ALEATORIOS
Se puede disponer fcilmente de software de cmputo para generar dgitos aleatoriamente seleccionados en
cualquier rango especfico de valores. El problema 1.10 ilustra el uso de este tipo de software.
Problemas resueltos
ESTADSTICA DESCRIPTIVA E INFERENCIAL
1.1 Indique cules de los siguientes trminos u operaciones se refieren a una muestra o muestreo (M) y
y
cules a una poblacin (P): d) medidas grupales llamadas parmetros^ b) uso de estadstica inferencia!, c)
realizar un censo, d) juicio sobre la calidad de un embarque de fruta recin recibido mediante la inspec-
cin de varios de los huacales del gran nmero de ellos incluidos en el embarque.
a) P, b) M, c) P, d) M
TIPOS DE APLICACIONES EN ADMINISTRACIN Y ECONOMA

*
r
1.2 Indique cules de los siguientes tipos de informacin podran usarse ms fcilmente en inferencia esta-
dstica clsica (IC), anlisis de decisin (AD) o control estadstico de procesos (CP): a) juicios adminis-
trativos sobre el probable nivel de ventas de un nuevo producto, b) adscripcin de cada quincuagsimo
automvil ensamblado a una exhaustiva evaluacin de calidad, c) resultados de una encuesta para una
CAP. 1 ] ANLISIS DE DATOS ECONMICOS Y ADMINISTRATIVOS
muestra aleatoria simple de personas que compraron un modelo especfico de automvil, d) verificacin
de los saldos de cuentas en un banco para una muestra aleatoria sistemtica de cuentas.
f)AD, 6) CP, c) IC, ) IC
VARIABLES DISCRETAS Y CONTINUAS
1.3 En los siguientes tipos de valores, designe variables discretas (D) y variables continuas (C): a) peso del
contenido de un paquete de cereal, b) dimetro de un cojinete, c) nmero de artculos defectuosos produ-
cidos, d) nmero de individuos en un rea geogrfica que reciben beneficios de desempleo, e) nmero
promedio de clientes prospectivos contactados por representante de ventas durante el mes anterior, J)
monto de ventas en dlares.
a} C, b) C, c] D, d) D, e) C,/) D. (Nota: Aunque los montos monetarios son discretos, cuando son grandes en relacin
con las unidades de cienes discretas por lo general se les trata como datos continuos.)
OBTENCIN DE DATOS POR OBSERVACIN DIRECTA CONTRA ENCUESTAS
1.4 Indique cules de los siguientes procedimientos de recoleccin de datos seran considerados como un
experimento (E) y cules como una encuesta (EN): a) un sondeo poltico de intenciones de voto indivi-
duales en elecciones prximas, b) clientes de un centro comercial entrevistados acerca del motivo de que
hagan sus compras ah, c) comparacin de dos mtodos para la comercializacin de una pliza anual
mediante la aplicacin de cada mtodo en reas geogrficas comparables.
a) EN, b) EN, c) E
1.5 En el rea de las mediciones estadsticas, como las representadas por cuestionarios, la confiabilidad se
refiere a la consistencia del instrumento de medicin y la validez a su precisin. As, si un cuestionario
ofrece resultados similares tras ser contestado por dos grupos equivalentes de informantes, puede
describrsele como confiable. El hecho de que un instrumento sea confiable garantiza por lo tanto que
sea vlido?
La confiabilidad de un instrumento de medicin no garantiza que sea vlido para un propsito particular. Un
instrumento confiable es consistente en las mediciones repetidas producidas, pero todas las mediciones podran
incluir un componente de error, o sesgo, comn. (Vase el siguiente problema resuelto.)
1.6 Remtase al problema resuelto 1.5. Un instrumento de encuesta no confiable puede tener validez para un
propsito particular?
Un instrumento no confiable no puede ser vlido para ningn propsito particular. En ausencia de confiabilidad,
no habr consistencia en los resultados que se obtengan. Una analoga con un tiro de rifle puede ilustrar este concep-
to. Orificios de balas estrechamente aglomerados en un blanco seran indicativos de la confiabilidad (consistencia)
de los disparos del rifle. En este caso, la validez (precisin) podra mejorar ajustando la mira para que los orificios de
las balas coincidan subsecuentemente en el centro del blanco. En cambio, orificios de balas ampliamente dispersos
indicaran falta de confiabilidad, condicin en la cual ningn ajuste en la mira podra producir un puntaje alto.
MTODOS DE MUESTREO ALEATORIO
1.7 Para efectos de inferencia estadstica, es de desear una muestra representativa. Sin embargo, los mtodos
de inferencia estadstica slo requieren la obtencin de una muestra aleatoria. Por qu?
Ningn mtodo de muestreo puede garantizar una muestra representativa. Lo ms que podemos hacer es evitar
sesgos consistentes o sistemticos mediante el empleo del muestreo aleatorio (probabilstico). Aunque es raro que
una muestra aleatoria sea exactamente representativa de la poblacin objetivo de la que se le obtuvo, el uso de este
procedimiento garantiza que nicamente factores debidos al azar explicaran las diferencias entre la muestra y la
poblacin.
1.8 Una compaa petrolera desea determinar los factores que influyen en la eleccin de gasolineras por
parte de los consumidores en un rea de prueba, motivo por el cual ha obtenido tanto nombres y direccio-
nes como la informacin personal disponible de todos los propietarios de automviles registrados resi-
dentes en esa rea. Describa cmo podra obtenerse una muestra de esta lista usando cada uno de los
cuatro mtodos de muestreo aleatorio mencionados en este captulo.
Para una muestra aleatoria simple, los nombres enlistados podran numerarse secuencialmente, y despus po-
dran seleccionarse los individuos por ser muestreados empleando una tabla de nmeros aleatorios. Para una muestra
sistemtica, podra contactarse a cada ensima (cada quinta, por ejemplo) persona de la lista, empezando aleatoriamente
entre los primeros cinco nombres. Para una muestra estratificada, podemos clasificar a los propietarios de acuerdo
con el tipo de automvil, el valor del auto, sexo o edad para tomar despus una muestra aleatoria simple o sistemtica
de cada estrato definido. Para una muestra por conglomerados, podramos optar por entrevistar a todos los propieta-
rios de autos registrados residentes en cuadras aleatoriamente seleccionadas del rea de prueba. Dado que la base de
este tipo de muestra por conglomerados sera geogrfica, tambin podramos llamarla muestra de rea.
OTROS MTODOS DE MUESTREO

-
1.9 Indique cules de los siguientes tipos de muestras ejemplifican mejor o estn relacionadas con una mues-
tra de juicio (J), una muestra por conveniencia (A) o con el mtodo de subgrupos racionales (R): a)
muestras de cinco focos cada una se toman cada 20 minutos en un proceso de produccin para determinar
su resistencia al alto voltaje, b) una compaa fabricante de bebidas evala la respuesta de los consumido-
res al sabor de una nueva cerveza sin contenido alcohlico mediante pruebas de preferencia en bares
ubicados en la misma ciudad en la que se encuentran las oficinas generales, c) un investigador de opinin
al servicio de un candidato poltico conversa con personas de varias localidades del distrito con base en la
apreciacin de que tales individuos parecen representativos de los votantes del distrito.
USO DE SOFTWARE DE CMPUTO PARA LA GENERACIN DE NMEROS ALEATORIOS
1.10 Un analista econmico gubernamental desea obtener una muestra aleatoria simple de 30 empresas co-
merciales de una lista de 435 de cierta regin geogrfica. Las empresas son identificadas con nmeros
secuenciales de identificacin del 001 al 435. Use el software de cmputo a su disposicin para obtener
los 30 nmeros de identificacin de las empresas por incluir en el estudio.
En la figura 1-1 aparecen los comandos de software de Minitab y los nmeros de identificacin resultantes de
las 30 empresas para la muestra aleatoria. Si, por azar, cualquiera de estos nmeros hubiera ocurrido ms de una vez,
habran tenido que obtenerse nmeros adicionales para sustituir esos duplicados a- fin de identificar una muestra de
30 compaas diferentes.
MTB > RANDOM 30 DIGITS, PUT IN Cl;

SUBC > INTEGERS FROM 1 TO 435.
MTB > AME Cl ^SAMPLE'
MTB > PRINT Cl
SAMPLE
350 234 313 125 240 120 251 409 271 33 166
228 177 176 116 272 176 96 310 179 134 52
288 389 320 290 47 102 40 12
MTB > STOP
Fig. 1-1 Resultados de Minitab.

CAP. 1] ANLISIS DE DATOS ECONMICOS Y ADMINISTRATIVOS
Problemas complementarios
ESTADSTICA DESCRIPTIVA E INFERENCIAL f
1.11 Indique cules de los siguientes trminos u operaciones se refieren a una muestra o muestreo (M) y cules a una
poblacin (P): a) universo, b) medidas grupales llamadas estadsticas, c) aplicacin de conceptos de probabilidad, d)
inspeccin de cada artculo ensamblado, e) inspeccin de cada dcimo artculo ensamblado.
Resp. a} P, b) M, c) M, d) P, e) M
TIPOS DE APLICACIONES EN ADMINISTRACIN Y ECONOMA
1.12 Indique cules de los siguientes tipos de informacin podran usarse ms fcilmente en inferencia estadstica clsica
(IC), anlisis de decisin (AD) o control estadstico de procesos (CP): a) respuestas a un cuestionario obtenidas de
una muestra de miembros activos de una organizacin profesional, b) calificaciones de consumidores sobre un de-
partamento de servicios automovilsticos recolectadas mensualmente, c) clasificaciones de analistas de inversin de
"compaas nuevas y emergentes", d) datos de salarios y sueldos recolectados de una muestra de empleadores en un
rea metropolitana.
Resp. a} IC, b) CP, c) AD, d) IC
VARIABLES DISCRETAS Y CONTINUAS
1.13 En los siguientes tipos de valores, designe variables discretas (D) y variables continuas (C): a) nmero de unidades de
un artculo en existencia, b) razn de activos circulantes contra pasivos circulantes, c) tonelaje total embarcado, d)
cantidad embarcada, en unidades, e) volumen de trfico en una carretera de paga,y) asistencia a la asamblea anual de
una compaa.
Resp. a) D, b) C, c) C, d) D, e) D,J) D
OBTENCIN DE DATOS POR OBSERVACIN DIRECTA CONTRA ENCUESTAS
1.14 Indique cules de los siguentes procedimientos de recoleccin de datos seran considerados como un experimento
(E) y cules como una encuesta (EN): a) comparacin de los resultados de un nuevo mtodo de capacitacin de
agentes de boletos de aerolneas con los del mtodo tradicional, b) evaluacin de dos conjuntos diferentes de instruc-
ciones de armado de un juguete haciendo que dos grupos comparables de nios lo armen siguiendo las distintas
instrucciones, c) envo a los suscriptores de una revista de evaluacin de productos de un cuestionario para la califi-
cacin de los productos que han adquirido recientemente.
Resp. a) E, b) E, c) EN
MTODOS DE MUESTREO ALEATORIO
1.15 Identifique si en los siguientes casos se usa el mtodo de muestreo aleatorio simple (A) o sistemtico (S): a) empleo
de una tabla de nmeros aleatorios para seleccionar una muestra de personas asistentes a un parque de diversiones y
b) entrevista de cada centsima persona que asiste a un parque de diversiones, comenzando aleatoriamente por la 55a.
persona en entrar al parque.
Resp. a) A, >) S
1.16 En las siguientes situaciones de muestreo de grupos, identifique si se usara el mtodo de muestreo estratificado (E)
o por conglomerados (C): a) estimacin de las preferencias de voto de personas de distintas localidades y b) estudio
de las actitudes de los consumidores con la sospecha de diferencias importantes segn edad y sexo.
Resp. a) C, >) E
OTROS MTODOS DE MUESTREO
1.17 Indique cules de los siguientes tipos de muestras ejemplifican mejor o estn relacionados con una muestra de juicio
(J), una muestra accesible (A) o con el mtodo de subgrupos racionales (R): a) un valuador de bienes races seleccio-
na una muestra de casas vendidas en una localidad, la cual parece representativa de las casas ubicadas ah, para
deducir una estimacin del nivel del valor de las casas en ese rumbo, b) en una planta fabricante de bateras, el ciclo
de vida de stas se vigila cada media hora para garantizar que el producto satisfaga las especificaciones, c) en un
establecimiento de comida rpida empleados de la compaa evalan un nuevo emparedado de pollo en trminos de
sabor y valor percibido.
Resp, a)J, 6)R, c)A
USO DE SOFTWARE DE CMPUTO PARA LA GENERACIN DE NMEROS ALEATORIOS
1.18 Un auditor desea tomar una muestra aleatoria simple de tamao 50 de 5 250 cuentas por cobrar de una gran empresa.
Las cuentas se numeran secuencialmente del 0001 al 5 250. Use el software de cmputo a su disposicin para obtener
una lista de los 50 nmeros aleatorios requeridos.
Captulo 2
Representaciones estadsticas y anlisis de grficas
2.1 DISTRIBUCIONES DE FRECUENCIAS
Una distribucin defrecuencias es una tabla en la cual se agrupan en clases valores posibles de una variable
y donde se registra el nmero de valores observados correspondientes a cada clase. Los datos organizados en una
distribucin de frecuencias se llaman datos agrupados. En contraste con ello, en el caso de datos no agrupados
se enlistan todos los valores observados de la variable aleatoria.
EJEMPLO 1. En la tabla 2.1 aparece una distribucin de frecuencias de salarios semanales. Obsrvese que las cantidades
han sido consignadas de acuerdo con el dlar ms cercano. Cuando el residuo por redondear es de "exactamente 0.5" (exac-
tamente $0.50 en este caso), el procedimiento convencional es redondear al nmero par ms cercano. As, un salario semanal
de $259.50 se redondeara a $260 como parte del proceso de agrupamiento de datos.
Tabla 2.1 Distribucin de frecuencias de salarios
semanales de 100 trabajadores no calificados
Nmero de trabajadores
Salario semanal
$240-259 7
260-279 20
280-299 33
300-319 25
320-339 11
340-359
Total 1 00
2.2 INTERVALOS DE CLASE
En cada una de las clases de una distribucin de frecuencias, los lmites nominales de clase inferior y supe-
rior indican los valores incluidos dentro de la clase. (Vase la primera columna de la tabla 2.1.) A diferencia de
ello, los lmites exactos de clase, o fronteras de clase, son los puntos especficos que sirven para separar clases
adyacentes en una escala de medicin de variables continuas. Los lmites exactos de clase pueden determinarse
identificando los puntos intermedios entre los lmites nominales de clase superior e inferior, respectivamente, de
clases adyacentes. El intervalo de clase identifica el rango de valores incluidos dentro de una clase y puede
determinarse restando del lmite exacto de clase superior de la clase el lmite exacto de clase inferior. Cuando no
es posible identificar lmites exactos, el intervalo de clase puede determinarse restando del lmite nominal infe-
rior de la clase el lmite nominal inferior de la clase adyacente inferior. Finalmente, para ciertos propsitos es
comn que los valores de una clase sean representados por el punto medio de clase, el cual puede determinarse
sumando la mitad del intervalo de clase al lmite exacto inferior de la clase.
EJEMPLO 2. En la tabla 2.2 se presentan los lmites exactos de clase y los puntos medios de clase de la distribucin de
frecuencias de la tabla 2.1.
10 REPRESENTACIONES ESTADSTICAS Y ANLISIS DE GRFICAS [CAP. 2
Tabla 2.2 Salarios semanales de 100 trabajadores no calificados
Salario semanal Lmites exactos Punto medio Nmero de

(lmites de clase) de clase* de clase trabajadores
$240-259 $239.50-259.50 $249.50 7

260-279 259.50-279.50 269.50 20
280-299 279.50-299.50 289.50 33
300-319 299.50-319.50 .309.50 25
320-339 319.50-339.50 329.50 110
340-359 339.50-359.50 349.50 4
Total 100
* En general, en los lmites exactos de clase slo se expresa un dgito adicional significativo,
en comparacin con los lmites nominales de clase. Sin embargo, dado que en el caso de las
unidades monetarias la unidad de medida ms precisa relativa al "dlar ms cercano" suele
definirse como "el centavo ms cercano", conviene expresar dos dgitos adicionales.
EJEMPLO 3. Calculado con los dos mtodos, el intervalo de clase de la primera clase de la tabla 2.2 es $259.50 -
$239.50 = $20 (resta del lmite exacto de clase inferior al lmite exacto de clase superior de la clase) $260 - $240 = $20 (resta
del lmite nominal de clase inferior de la clase al lmite nominal de ciase inferior de la clase adyacente superior)
Para efectos de clculo, por lo general es deseable que todos los intervalos de clase de una distribucin de
frecuencias dada sean iguales. La siguiente frmula puede emplearse para determinar el intervalo de clase aproxi-
mado oor usar:
'mayor valor en datos " ' menor valor en datos'

no agrupados no agrupados
Intervalo aproximado (2.1)
nmero de clases deseadas
EJEMPLO 4. En referencia a los datos originales no agrupados que se agruparon en la tabla 2.1, supongamos que el
salario observado ms alto fue de $358 y el salario observado ms bajo de $242. Dado que el objetivo es disponer de seis
clases con iguales intervalos de clase,
358 - 242
Intervalo aproximado = -$19.33
As, el tamao de clase conveniente ms cercano al valor calculado es $20.
En el caso de datos distribuidos en forma notoriamente no uniforme, como los datos del sueldo anual para
una amplia variedad de ocupaciones, pueden ser requeridos intervalos desiguales de clase. En este caso, los
intervalos de clase mayores se utilizan para los rangos de valores con relativamente escasas observaciones.
2.3 HISTOGRAMAS Y POLGONOS DE FRECUENCIAS
Un histograma es una grfica de barras de una distribucin de frecuencias. Tal como se indica en la figura
2-1, se acostumbra colocar los lmites exactos de clase en el eje horizontal de la grfica y los nmeros de obser-
vaciones en el eje vertical. Sin embargo, tambin se usan puntos medios de clase en lugar de lmites de clase para
identificar las clases.
CAP. 2] REPRESENTACIONES ESTADSTICAS Y ANLISIS DE GRFICAS 11
40
O
o
<S
'51 30
es
O 20
O
e
\HP
E 10
O
239.50 259.50 279.50 299.50 319.50 339.50 359.50
Salarios semanales, en dlares

Fig. 2-1
EJEMPLO 5. En la figura 2-1 se muestra unhistograma de la distribucin de frecuencias de los salarios semanales de la
tabla 2.2.
Un polgono de frecuencias es una grfica de lneas de una distribucin de frecuencias. Tal como se indica
en la figura 2-2, los dos ejes de esta grfica son similares a los del histograma, salvo que en el eje horizontal suele
identificarse el punto medio de cada clase. El nmero de observaciones de cada clase se representa con un punto
por encima del punto medio de la clase, puntos que se unen despus con una serie de segmentos lineales para
formar un polgono o "figura de muchos lados".
EJEMPLO 6. En la figura 2-2 se muestra un polgono de frecuencias de la distribucin de salarios semanales de la tabla
2.2.
u, 40
O
es
I^B
es' 30
.0
os
o 20
O
S
E 10
'3
O
229.50 249.50 269.50 289.50 309.50 329.50 349.50 369.50
Fig. 2-2
2.4 CURVAS DE FRECUENCIAS
Una curva de frecuencias es un polgono de frecuencias suavizado.
EJEMPLO 7. La figura 2-3 es una curva de frecuencias de la distribucin de salarios semanales de la tabla 2.2
En trminos de asimetra, una curva de frecuencias puede ser: 1) asimtrica negativa: no simtrica con la
"cola" a la izquierda; 2) asimtrica positiva: no simtrica con la "cola" a la derecha, o 3) simtrica.
12 REPRESENTACIONES ESTADSTICAS Y ANLISIS DE GRFICAS [CAR 2
Sfl
40
e
o
t
^MI
' 30
X)
es
CU
O
20
O
OJ
S 10
O
229.50 249.50 269.50 289.50 309.50 329.50 349.50 369.50
Fig. 2-3
EJEMPLO 8. El concepto de asimetra de las curvas de frecuencias se ilustra grficamente en la figura 2-4.
En trminos de curtosis, una curva de frecuencias puede ser: 1) platicrtica: plana, con las observaciones
distribuidas en forma relativamente pareja entre las clases; 2) leptocrtica: afilada, con las observaciones con-
centradas en un estrecho rango de valores, o 3) mesocrtica: ni plana ni afilada en trminos de la distribucin de
los valores observados.
X X
1) Asimtrica negativa 2) Simtrica 3) Asimtrica positiva
Fig. 2-4
EJEMPLO 9. En la figura 2-5 aparecen los diversos tipos de curvas de frecuencias en trminos de curtosis.
v \ X X
1) Platicurtica 2) Mesocrtica 3) Liptocrtica
Fig. 2-5
2.5 DISTRIBUCIONES DE FRECUENCIAS ACUMULADAS

4
Una distribucin de frecuencias acumuladas identifica el nmero acumulado de observaciones inclui-

das bajo el lmite exacto superior de cada clase de la distribucin. Las frecuencias acumuladas de una clase
pueden determinarse sumando las frecuencias observadas de esa clase a las frecuencias acumuladas de la clase
anterior.
EJEMPLO 10. El clculo de las frecuencias acumuladas se ilustra en la tabla 2.3.
Tabla 2.3 Clculo de las frecuencias acumuladas de ios datos de salarios semanales
de la tabla 2.2
Salario Lmite exacto Nmero de trabajadores Frecuencias acumuladas

semanal de clase superior (/) 06)
$240-259 $259.50 7 7
260-279 279.50 20 20+ 7 = 27
280-299 299.50 33 33 + 27 = 60
300-319 319.50 25 25 + 60 = 85
320-339 339.50 11 1 1 + 85 = 96
340-359 359.50 4 4 + 9 6 = 100
Total 1 00
f
La grfica de una distribucin de frecuencias acumuladas se llama ojiva. En el caso de distribuciones acu-
muladas del tipo "y menor que", esta grfica indica las frecuencias acumuladas bajo cada lmite exacto de clase
de la distribucin de frecuencias. Si esa grfica de lneas se suaviza, se obtiene la curva llamada ojiva.
EJEMPLO 11. En la figura 2-6 se observa una ojiva de la distribucin acumuladade la tabla 2.3.
100
o
es 80
3
U 60

J
40
9
g 20
O
239.50 259.50 279.50 299.50 319.50 339.50 359.50
Fig. 2-6
2.6 DISTRIBUCIONES DE FRECUENCIAS RELATIVAS
Una distribucin de frecuencias relativas es aquella cuyo nmero de observaciones asociadas con cada clase
se ha convertido en una frecuencia relativa dividiendo entre el nmero total de observaciones de toda la distribu-
cin. De este modo, cada frecuencia relativa es una proporcin, la cual puede convertirse en un porcentaje mul-
tiplicndola por 100.
Una de las ventajas de la elaboracin de distribuciones de frecuencias relativas es que su distribucin acu-
mulada y su ojiva indican la proporcin acumulada (o porcentaje) de observaciones hasta los diversos valores
posibles de la variable. Un valorpercentil es el porcentaje acumulado de observaciones hasta un valor designado
de una variable. (Vanse problemas 2.14 y 2.16 a 2.20.)
2.7 DISTRIBUCIN DE FRECUENCIAS DEL TIPO "Y MENOR QUE"
Los lmites de clase de las distribuciones de frecuencias obtenidas por computadora suelen ser del tipo "y
menor que". En estos lmites, los lmites nominales de clase son al mismo tiempo los lmites exactos que definen
la clase. Los valores agrupados en cualquier clase son iguales a o mayores que el lmite de clase inferior y hasta
el valor del lmite de clase superior, sin incluir a ste. Un medio descriptivo para la presentacin de estos lmites
de clase es:
5 y menor que 8
8 y menor que 11
Adems de ser ms fcil de aplicar en software de cmputo, este tipo de distribucin tambin suele representar un
modo ms "natural" de recoleccin de datos. Por ejemplo, la edad de las personas se registra por lo general en
correspondencia con su aniversario anterior, no con el prximo. As, un individuo de 24 aos de edad tiene 24
como mnimo, pero menos de 25. En los problemas resueltos 2.21 a 2.24 se presentan varias distribuciones de
frecuencias del tipo "y menor que", incluidos resultados obtenidos por computadora.
2.8 DIAGRAMAS DE TALLO Y HOJAS
Un diagrama de tallo y hojas es una modalidad relativamente simple de organizacin y presentacin de

medidas en un formato de grfica de barras jerrquicamente ordenado. Se trata de una tcnica comn en el
anlisis exploratorio de datos. Como su nombre lo indica, el anlisis exploratorio de datos es un conjunto de
tcnicas de anlisis preliminar de datos para la deteccin de patrones y relaciones. Tambin las distribuciones
de frecuencias y tcnicas grficas asociadas expuestas en las secciones anteriores de este captulo suelen em-
plearse con este propsito. En cambio, el anlisis confirmatorio de datos incluye los principales mtodos de
inferencia estadstica contenidos en la mayor parte de este libro, a partir del captulo 8, dedicado a la estimacin
estadstica. El anlisis confirmatorio de datos persigue la extraccin de conclusiones estadsticas definitivas
sobre patrones y relaciones presentes en los datos.
Aunque muy semejante a un histograma, un diagrama de tallo y hojas se diferencia de ste en que es ms
fcil de elaborar y en que muestra los valores reales de los datos, pues los valores especficos no se pierden por
efecto de su agrupamiento en clases definidas. No obstante, esta tcnica slo es aplicable y significativa si el
primer dgito de la medicin, o quiz los dos primeros, sirve efectivamente de base para la separacin de los datos
en grupos. En consecuencia, cada grupo es anlogo a una clase o categora en una distribucin de frecuencias.
Cuando nicamente se usa el primer dgito para agrupar las medidas, la denominacin "tallo y hojas" alude al
hecho de que el primer dgito es el tallo, mientras que cada una de las medidas con valor a partir de ese primer
dgito pasa a ser una hoja en el contexto de esta representacin.
EJEMPLO 12. En la tabla 2.4 se presenta el puntaje obtenido por 50 estudiantes en un examen de contabilidad financiera
de 100 puntos. La figura 2-7 es el diagrama de tallo y hojas de ese puntaje. Advirtase que, adems del patrn general del
puntaje, tambin es posible observar el puntaje individual. En la lnea correspondiente al tallo de 6, por ejemplo, los dos
valores de 2 de las hojas representan a los dos puntajes de 62 incluidos en la tabla 2.4.
Tabla 2.4 Puntajes obtenidos por 50

estudiantes en un examen
de contabilidad financiera
58 88 65 96 85
74 69 63 88 65
85 91 81 80 90
65 66 81 92 71
82 98 86 100 82
72 94 72 84 73
76 78 78 77 74
83 82 66 76 63
62 62 59 87 97
100 75 84 96 99
Tallo Hojas
8 9
2 2 3 3 5 5 5 6 6 9
7 2 2 3 4 4 5 6 6 7 8 8
0 1 1 2 2 2 3 4 4 5 5 6 7 8 8
0 1 2 4 6 6 7 8 9
10 O O
Fig. 2-7 Diagrama de tallo y hojas.
2.9 DIAGRAMAS DE PUNTOS
Un diagrama de puntos se asemeja a un histograma en el sentido de que consiste en una representacin

grfica de una distribucin de los valores de los datos. Sin embargo, se diferencia de ste en que los valores se
representan individualmente, en lugar de agruparse en clases. Los diagramas de puntos se aplican preferente-
mente a pequeos conjuntos de datos, en cuyo caso no se garantiza el agrupamiento de valores en clases de una
distribucin de frecuencias. Son particularmente tiles en la comparacin de dos conjuntos de datos diferentes, o
de dos subgrupos de un conjunto de datos. El problema resuelto 2.27 incluye un diagrama de puntos que ilustra
la comparacin grfica de dos subconjuntos de datos.
2.10 DIAGRAMAS DE PARETO
Un diagrama de Pareto se asemeja a un histograma, excepto que es una grfica de barras de frecuencias de
una variable cualitativa, no de datos cuantitativos agrupados en clases. Las barras de la grfica, que pueden
representar frecuencias o frecuencias relativas (porcentajes) se organizan en orden descendente de izquierda a
derecha. Esta disposicin da como resultado la ubicacin de las categoras ms importantes de datos, segn su
frecuencia de ocurrencia, en las posiciones iniciales de la grfica. Los diagramas de Pareto se usan en el control
de procesos para tabular las causas asociadas con variaciones de causas atribuibles en la calidad del producto del
proceso. Es comn que solamente unas cuantas categoras de causas se asocien con la mayora de los problemas
de calidad, de modo que los diagramas de Pareto permiten que tanto equipos de trabajadores como gerentes se
concentren en las reas ms importantes en las que se necesitan acciones correctivas.
EJEMPLO 13. Se encontr que los refrigeradores que no fueron aprobados en la inspeccin final en una planta
ensambladura de aparatos elctricos durante el ltimo mes tenan defectos debidos a las siguientes causas: ensamble, acabado
de laca, fallas elctricas, abolladuras u otras causas. La figura 2-8, obtenida con Minitab, es el diagrama de Pareto para la
representacin grfica tanto de las frecuencias como de las frecuencias relativas de cada causa de falla en inspeccin. Como
puede verse, la gran mayora de fallas en inspeccin se deben a defectos en el ensamble y el acabado de laca.
Diagrama de Pareto de: Defectos
200 100
SO
4
o
01 60 'e?
*-
e
G
100
O
o
40 o.
-
1 . -- _.. ,
:;;-
"-;.
. ' <-.- ' 20
-.
-:
-..-
;- .- -- ,
^ M^
O e . " :-: V',.;;. ' 1 t
O
Defecto Ensamble Laca Elctrico Abolladuras Otros
Conteo 98 60 20 12 10
Porcentaje 49.0 30.0 10.0 6.0 5.0
% acumulado 49.0 79.0 89.0 95.0 100.0
Fig. 2-8
2.11 DIAGRAMAS DE BARRAS Y GRFICAS DE LINEAS
Una serie de tiempo es un conjunto de valores observados, tales como datos de produccin o ventas, durante
una serie de periodos temporales secuencialmente ordenados. En el captulo 16 se describen mtodos especiales

de anlisis de datos de este tipo. Para efectos de representacin grfica, tanto los diagramas de barras como las
grficas de lneas son de gran utilidad. En un diagrama de barras, una serie de barras representa cantidades de
una serie de tiempo.
EJEMPLO 14. En el diagrama de barras de la figura 2-9 se recoge la informacin de ganancias netas (en millones de
dlares) de un importante banco comercial durante una secuencia de aos codificados.
En un diagrama de barras de componentes se marcan subdivisiones en las barras del diagrama. Por ejemplo,
cada barra de la figura 2-9 podra subdividirse en distintas partes (tal vez diferenciadas con colores) para indicar
la contribucin relativa de cada segmento de la empresa a las ganancias netas de cada ao. (Vase problema
resuelto 2.29.)
Una grfica de lneas contiene cantidades de series de tiempo unidas entre s por segmentos lineales.
170-
160-
150-

J2 140-
*S
130-
"'

120-
110-
^

100-
1
90- 1 1 1
1 1 1 1 1 1
1 2 3 4 5 6
Ao
Fig. 2-9 Diagrama de barras.
EJEMPLO 15. Los datos de la figura 2-9 se presentan en forma de grfica de lneas en la figura 2-10.
170-
160-
150-
140-
.3
*S
e 130-

e
a
O 120-
110-
100-
90-
I I ! I I I
1 2 3 4 5 6
Ao
Fig. 2-10 Grfica de lneas,
2.12 GRFICAS DE CORRIDAS
Una grfica de corridas es una grfica de valores de datos en el orden secuencial temporal en que fueron
observados. Los valores trazados pueden ser valores observados individuales o valores compendiados, como en
el caso de una serie de medias mustrales. Cuando a una grfica de este tipo se le agregan los lmites inferior y
superior del muestreo de aceptacin, se le llama grfica de control. La determinacin de esos lmites y el uso de
las grficas de control en el control estadstico de calidad se explican e ilustran en el captulo 20.
EJEMPLO 16. En la figura 2-11 se muestra una grfica de corridas de la secuencia de pesos medios de muestras de
cuatro paquetes de papas fritas tomadas en 15 momentos distintos con el mtodo de muestreo de subgrupos racionales (vase
captulo 1, ejemplo 13). La secuencia de pesos medios de las muestras fue la siguiente: 14.99, 15.08, 15.05, 14.95, 15.04,
14.91, 15.01, 14.84, 14.80, 14.98, 14.96, 15.00, 15.02, 15.07 y 15.02 onzas. La especificacin de peso neto promedio por
empacar en el proceso es de 15.00 onzas. La determinacin de si considerar o no como una desviacin significativa a cual-
quiera de las desviaciones de estas medias mustrales respecto de la norma de peso especificada se expondr ampliamente en
el captulo 20, problemas resueltos 20.13 y 20.14.
15.1-
15.0-
a
^ ^"^^
a
s
o
en
14.9-
14.8-
!
Muestra 5 10 15
Fig, 2-11 Grfica de corridas.
2.13 DIAGRAMAS CIRCULARES

Un diagrama circular es una figura en forma de pastel cuyas piezas representan divisiones de una cantidad
total, como podra serlo la distribucin de las ventas en dlares de una compaa.
Un diagrama circular de porcentajes es aquel cuyos valores han sido convertidos a porcentajes para facilitar
su comparacin.
EJEMPLO 17. La figura 2-12 es un diagrama circular en el que se describen los ingresos y el porcentaje de ingresos
totales de Xerox Corporation durante un ao reciente de acuerdo con las categoras actividad principal (que Xerox denomina
"zona de importancia decisiva"), mercados en crecimiento, pases en desarrollo y nichos de oportunidad.
Ingresos de Xerox Corporation(en miles de millones de dlares)
Principal (10,65.8%)
Nichos (1,5.1%)
En desarrollo (1,5.1%)
Mercados en crecimiento (4,24.0%)

Fig. 2-12 Diagrama circular.
Problemas resueltos
DISTRIBUCIONES DE FRECUENCIAS, INTERVALOS DE CLASE

Y MTODOS GRFICOS CORRESPONDIENTES
2.1 En referencia a la tabla 2.5,
Tabla 2.5 Distribucin de frecuencias de tasas de renta

mensual por departamento de 200
departamentos-estudios
Tasa de renta Nmero de departamentos
$350-379 3
380-409 8
410-439 10
440^69 13
470-499 33
500-529 40
530-559 35
560-589 30
590-619 16
620-649 12
Total 200
a) cules son los lmites nominales inferior y superior de la primera clase?

b) cules son los lmites exactos inferior y superior de la primera clase?
c) el intervalo de clase aplicado es igual en todas las clases de la distribucin. Cul es el tamao de
este intervalo?
d) cul es el punto medio de la primera clase?
e) cules son los lmites exactos inferior y superior de la clase en la que fue tabulado el mayor nmero
de tasas de renta por departamento?
/) supongamos que se reportara una tasa de renta mensual de $439.50. Identifique los lmites nomina-
les inferior y superior de la clase en la que sera contabilizada esta observacin.
a) $350 y $379
b) $340.50 y $379.50. (Nota: Como en el ejemplo 2, en este caso se expresan dos dgitos adicionales en lugar de
uno solo, situacin esta ltima que suele ser ms comn en los lmites exactos de clase en comparacin con los
lmites nominales de clase.)
c) Si nos atenemos al intervalo de los valores de la primera clase,
$379.50 - $349.50 = $30 (resta del lmite exacto de clase inferior al lmite exacto de clase superior de la clase)
$380 - $350 = $30 (resta del lmite nominal de clase inferior de la clase al lmite nominal de clase inferior de la
clase adyacente superior)
rf) $349.50 + 30/2 - $349.50 + $15.00 - $364.50
e) $499.50 y $529.50
./) $440 y $469. (Nota: $439.50 se redondea primeramente en $440, el dlar ms cercano, de acuerdo con la regla
de nmeros pares descrita en la seccin 2.1.)
2.2 Elabore un histograma con los datos de la tabla 2.5.

En la figura 2-13 aparece un histograma de los datos de la tabla 2.5.
40
I
O
V 20
o
10
O
349.50 379.50 409.50 439.50 469.50 499.50 529.50 559.50 589.50 619.50 649.50
Tasa de renta (lmites exactos de clase), en dlares
Fig. 2-13
2.3 Elabore un polgono de frecuencias y una curva de frecuencias con los datos de la tabla2.5.
La figura 2-14 es una representacin grfica del polgono de frecuencias y la curva de frecuencias de los datos
de la tabla2.5.
ACOTACIONES
W) 40
e Polgono de frecuencias
e
o
Curva de frecuencias
30
IM
es
D.
4 20
o
4*
S 10
O
334.50 364.50 394.50 424.50 454.50 484.50 514.50 544.50 574.50 604.50 634.50 664.50
Tasa de renta (puntos medios de clase), en dlares
Fig. 2-14
2.4 Describa la curva de frecuencias de la figura 2-14 desde el punto de vista de su asimetra.
La curva de frecuencias parece corresponder al tipo asimtrico negativo.
2.5 Elabore una distribucin de frecuencias acumuladas con los datos de la tabla 2.5.
Vase tabla 2.6.
2.6 Represente grficamente la distribucin de frecuencias acumuladas de la tabla 2.6 por medio de una
ojiva.
La ojiva de los datos de la tabla 2.6 aparece en la figura 2-15.
Tabla 2.6 Distribucin de frecuencias acumuladas de tasas

de rentas de departamentos
Tasa Fronteras Nmero de Frecuencias acumuladas

de renta de clase departamentos
$350-379 $349.50-379.50 3 3
38CM09 379.50-409.50 8 11
410-439 409.50-439.50 10 21
440-469 439.50-469.50 13 34
470-499 469.50-499.50 33 67
500-529 499.50-529.50 40 107
530-559 529.50-559.50 35 142
560-589 559.50-589.50 30 172
590-619 589.50-619.50 16 188
620-649 619.50-649.50 12 200
Total 200
fa
200
150
100
50
O
349.50 379.50 409.50 439.50 469.50 499.50 529.50 559.50 589.50 619.50 649.50
Tasa de renta (lmites exactos de clase), en dlares

Fig. 2-15
2.7 En la tabla 2.7 se enlistan los tiempos requeridos para la conclusin de una tarea de ensamble para una
muestra de 30 empleados que presentaron su solicitud de ascenso a un puesto de ensamble de precisin.
Supongamos que nos interesa organizar estos datos en cinco clases de igual tamao. Determine el tamao
de intervalo correspondiente.
mayor valor en datos menor valor en datos
no agrupados no agrupados
Intervalo aproximado =
nmero de clases deseadas
18-9
= 1.80
En este caso, es conveniente redondear el intervalo en 2.0.
Tabla 2.7 Tiempos de ensamble de 30 empleados, en minutos
10 14 15 13 17
16 12 14 11 13
15 18 9 14 14
9 15 11 13 11
12 10 17 16 12
11 16 12 14 15
2.8 Elabore una distribucin de frecuencias de los datos de la tabla 2.7 con un intervalo de clase de 2.0 para
todas las clases y fijando en 9 minutos el lmite nominal inferior de la primera clase.
La distribucin requerida aparece en la tabla 2.8.
Tabla 2.8 Distribucin de frecuencias

de los tiempos de ensamble
Tiempo, en min Nmero de empleados
9-10 4
11-12 8
13-14 8
15-16 7
17-18 3
Total 30
2.9 Remtase a la clase con el menor nmero de empleados de la tabla 2.8 e identifique a) sus lmites exactos,
b) su intervalo y c) su punto medio.
a) 16.5-18.5, b) 18.5 - 16.5 - 2.0, c) 16.5 + 2.0/2 = 17.5.
2.10 Elabore un histograma con la distribucin de frecuencias de la tabla 2.8.

El histograma se presenta en la figura 2-16.
/
10
8.5 10.5 12.5 14.5 16.5 18.5

Tiempo, en minutos
Fig. 2-16
2.11 Elabore un polgono de frecuencias y una curva de frecuencias con los datos de la tabla 2.8.
El polgono de frecuencias y la tabla de frecuencias aparecen en la figura 2-17.
2.12 Describa la curva de frecuencias de la figura 2-17 en trminos de su asimetra.

Esta curva de frecuencias es casi simtrica, aunque con una ligera asimetra positiva.
/
10
7.5 9.5 11.5 13.5 15.5 17.5 19.5

Tiempo, en minutos
Fig. 2-17
2.13 Elabore una distribucin de frecuencias acumuladas con la distribucin de frecuencias de tiempos de
ensamble de la tabla 2.8; emplee lmites exactos para identificar cada clase e incluya en la tabla tanto
porcentajes acumulados como frecuencias acumuladas.
Vase la tabla 2.9 para la distribucin de frecuencias acumuladas.
Tabla 2.9 Distribucin de frecuencias acumuladas

de los tiempos de ensamble
Tiempo, en min / fa % acumulado
8.5-10.5 4 4 13.3
10.5-12.5 8 12 40.0
12.5-14.5 8 20 66.7
14.5-16.5 7 27 90.0
16.5-18.5 3 30 100.0
2.14 Remtase a la distribucin de frecuencias acumuladas de la tabla 2.9.
a) Trace la ojiva de porcentajes de estos datos.

>) En qu punto percentil se encontrara un tiempo de ensamble de 15 minutos?
c) Cul es el tiempo de ensamble del 20o. percentil de la distribucin?
a) La ojiva se presenta en la figura 2-18.
b) Tal como se deduce de las lneas punteadas en la seccin superior de la figura, el percentil aproximado corres-
pondiente a 15 minutos de tiempo de ensamble es 72.
c) Tal como se deduce de las lneas punteadas de la seccin inferior de la figura, el tiempo aproximado del 20o.
percentil es 11 minutos.
100 -
80 -
60 -
40 -
8.5 10.5 12.5 14.5 16.5 18.5

Tiempo, en minutos
Fig. 2-18
FORMAS DE CURVAS DE FRECUENCIAS
2.15 Dada la curva de frecuencias d) de la figura 2-19, la cual es simtrica y mesocrtica, describa las curvas
b), c\ d), e) yj) en trminos de asimetra y curtosis.
La curva b) es simtrica y leptocrtica; la curva c\ asimtrica positiva y mesocrtica; la curva d) asimtrica
negativa y mesocrtica; la curva e), simtrica y platicrtica, y la curvay) asimtrica positiva y leptocrtica.
x e} X X
Fig. 2-19
DISTRIBUCIONES DE FRECUENCIAS RELATIVAS
2.16 Siguiendo las instrucciones de la seccin 2.6, determine a) las frecuencias relativas y b) las proporciones
acumuladas de los datos de la tabla 2.10.
Las frecuencias relativas y las proporciones acumuladas de los datos de la tabla 2.10 aparecen en la tabla 2.11.
REPRESENTACIONES ESTADSTICAS\
Tabla 2.10 Nmero promedio de accidentes por millar

de horas-hombre en una industria
Nmero promedio de accidentes Nmero

por millar de horas-hombre de empresas
1.5-1.7 3
1.8-2.0 12
2.1-2.3 14
2.4-2.6 9
2.7-2.9 7
3.0-3.2 5
Total 50
Tabla 2.11 Frecuencias relativas y proporciones acumuladas

del nmero promedio de accidentes
Nmero promedio de accidentes Nmero a) Frecuencias b) Proporciones

por millar de horas-hombre de empresas relativas acumuladas
1.5-1.7 3 0.06 0.06
1.8-2.0 12 0.24 0.30
2.1-2.3 14 0.28 0.58
2.4-2.6 9 0.18 0.76
2.7-2.9 7 0.14 0.90
3.0-3.2 5 0.10 1.00
Total 50 Total 100
2.17 En referencia a la tabla 2.11, elabore a) un histograma de la distribucin de frecuencias relativas y b) una
ojiva de las proporciones acumuladas.
a) Vase figura 2-20.
30
20
n
.2
gU
10
E
u.
o
1.45 1.75 2.05 2J5 2.65 2.95 3.25
Nmero promedio de accidentes
Fig. 2-20
6) Vase figura 2-21.

100 -
1.45
Nmero promedio de accidentes
Fig. 2-21
2.18 a) En referencia a la tabla 2.11, qu proporcin de empresas pertenecen a la categora de un promedio

de al menos 3.0 accidentes por cada mil horas-hombre? b) Qu porcentaje de empresas se hallan en o por
debajo de un promedio de 2.0 accidentes por cada mil horas-hombre?
o) 0.10, b) 6% + 24% = 30%
2.19 a) En referencia a la tabla 2.11, cul es el valor percentil asociado con un promedio de 2.95 (aproxima-
damente 3.0) accidentes por cada mil horas-hombre? b) Cul es el nmero promedio de accidentes en el
58o. percentil?
a) 90o. percentil, b) 2.35.
2.20 Por interpolacin grfica en una ojiva podemos determinar los percentiles aproximados de diversos valo-
res de la variable y viceversa. En referencia a la figura 2-21, d) Cul es el percentil aproximado asociado
con un promedio de 2.5 accidentes? b) Cul es el nmero promedio aproximado de accidentes en el 50o.
percentil?
d) 65o. percentil. (sta es la altura aproximadade la ojiva correspondiente a 2.50 en el eje horizontal.)
b) 2.25. (ste es el punto aproximado en el eje horizontal que corresponde a la altura de 0.50 de la ojiva.)
DISTRIBUCIN DE FRECUENCIAS DEL TIPO "Y MENOR QUE"
2.21 Identifique los lmites exactos de clase de los datos de la tabla 2.12.
Tabla 2.12 Tiempo requerido para procesar

y preparar pedidos postales
Nmero
Tiempo, en min de pedidos
5 y menor que 8 10
8 y menor que 11 17
11 y menor que 14 12
14 y menor que 17 6
17 y menor que 20 2
Total 47
Con base en la tabla 2.12,

Tabla 2.13 Tiempo requerido para procesar y preparar

pedidos postales (con lmites exactos de clase)
Tiempo, Lmites exactos Nmero

enmin de clase de pedidos
5 y menor que 8 5.0- 8.0 10

8 y menor que 11 8.0-11.0 17
11 y menor que 14 11.0-14.0 12
14 y menor que 17 14.0-17.0 6
17 y menor que 20 17.0-20.0 2
Total 47
2.22 Elabore un polgono de frecuencias de la distribucin de frecuencias de la tabla 2.13

El polgono de frecuencias aparece en la figura 2-22.
18
O
o
5 12
O
)H
a
E
O
3.5 6.5 9.5 12.5 15.5 18.5 21.5
Tiempo requerido (puntos medios), en minutos
Fig. 2-22
2.23 Use software de cmputo para construir una distribucin de frecuencias y producir un histograma de los
datos de la tabla 2.7, en la que se enlistan los tiempos en minutos para la realizacin de una tarea de
ensamble en una muestra de 30 empleados.
a) Describa el tipo de la distribucin de frecuencias encontrada.
b) Identifique el punto medio de la primera clase.
c) Determine el tamao del intervalo de clase.
d) identifique los lmites nominales de clase inferior y superior de la primera clase.
) Determine los lmites exactos de clase inferior y superior de la primera clase.
En la figura 2-23 se presenta el histograma obtenido por computadora.
a) Se trata de una distribucin de frecuencias del tipo "y menor que". Esto se ilustra en la solucin del inciso d),
ms adelante.
b) 10.
c) En referencia a los puntos medios de dos clases adyacentes: 12 - 10^2.
d) 9 y menor que 11. (En el caso de los datos reportados, esto incluira a todos los tiempos reportados de 9 y 10
minutos, pero no a los de 11 minutos.)
e) 9.0 y 11.0.
28 REPRESENTACIONES ESTADSTICAS Y ANLISIS DE GRFICAS [CAR 2
7-
6-
Gfl
3t 5-
3
c
4-
u, -1 _
2 -
1 -1
0-
I f ! I I
10 12 14 16 18
Tiempo
Fig. 2-23 Solucin del problema 2.23 obtenida en Minitab.
2.24 Remtase al problema anterior. Realice de nuevo el anlisis con la especificacin de que el punto medio
de la primera clase debe fijarse en 9.0 y se debe emplear un intervalo de clase de 1.0.
a) Describa el tipo de la distribucin de frecuencias encontrada.
b) Identifique el punto medio de la primera clase.
c) Determine el tamao del intervalo de clase.
d) Identifique los lmites nominales de clase inferior y superior de la primera clase.
e) Determine los lmites exactos de clase inferior y superior de la primera clase.
En la figura 2-24 se presenta el histograma obtenido por computadora.
a) Se trata de una distribucin de frecuencias del tipo "y menor que".
b) 9.
c) En referencia a los puntos medios de dos clases adyacentes: 10-9= 1.
4-
1
a 3-
i i
1 1 1 1 1 1 1 1 1 1
9 10 11 12 13 14 15 16 17 18
Tiempo
Fig. 2-24 Solucin del problema 2.24 obtenida en Minitab.
d) 8.5 y menor que 9.5. (En el caso de los datos reportados, esto incluira simplemente a todos los tiempos repor-
tados de 9 minutos.)
e) 8.5 y 9.5.
DIAGRAMAS DE TALLO Y HOJAS
2.25 En la tabla 2.14 aparece un listado de las temperaturas ms alta y ms baja registradas el 15 de mayo de un
ao reciente en 40 ciudades estadunidenses seleccionadas. Elabore un diagrama de tallo y hojas de las
temperaturas registradas ms altas.
Tabla 2.14 Temperaturas ms alta y ms baja de 40 ciudades estadunidenses
Ms alta Ms baja Ms alta Ms baja
Albany, N. Y. 69 39 Las Vegas 94 63

Anchorage 60 47 Los ngeles 76 61
Atlanta 76 46 Memphis 78 51
Austin 82 66 Miami Beach 82 67
Birmingham 76 42 Milwaukee 75 48
Boston 64 53 Ciudad de Nueva York 74 50
Buffalo 63 44 Palm Springs 93 64
Casper 58 51 Phoenix 94 74
Chicago 76 45 Pittsburgh 67 44
Cleveland 70 40 Portland, Ore. 70 53
Columbia, S.C, 74 47 Richmond 70 46
Columbus, Oh. 71 40 Roche ster, N. Y 62 42
Dallas 86 68 St. Louis 76 58
Detroit 71 43 San Antonio 81 69
Forth Wayne 76 37 San Diego 69 62
Green Bay 75 38 San Francisco 78 55
Honolul 84 65 Seattle 67 50
Houston 84 67 Syracuse 63 43
Jacksonville 77 50 Tampa 85 59
Kansas City 72 59 Washington D. C. 69 52
El diagrama de tallo y hojas aparece en la figura 2-25.
Tronco Hojas
5 8
6 0 2 3 3 4 7 7 9 9 9
7 " 0 0 0 1 1 2 4 4 5 5 6 6 6 6 6 6 7 8 8
8 1 2 2 4 4 5 6
9 3 4 4
Fig. 2-25 Diagrama de tallo y hojas.
2.26 Use software de cmputo para obtener un diagrama de tallo y hojas de los puntajes incluidos en la tabla
2.4. Compare sus resultados con el diagrama de tallo y hojas de la figura 2-7.
El diagrama de tallo y hojas aparece en la figura 2-26. Adems de valores de tallo y hojas, Minitab incluye entre
sus resultados una columna adicional con informacin de frecuencias acumuladas. Los tres primeros nmeros en
sentido descendente indican que el primer tronco contiene dos puntajes; que, considerados en conjunto, el primero y
segundo troncos contienen un total de 12 puntajes, y que los tres primeros troncos contienen un total de 24 puntajes.
El cuarto nmero, (15), aparece entre parntesis, lo que indica que este tronco contiene el puntaje medio del grupo
tras la ordenacin de los 50 puntajes reportados e incluye 15 puntajes reportados. Los nmeros restantes de la colum-
na se leen en sentido ascendente. El nmero que aparece ms abajo, 2, indica que ese tronco contiene dos puntajes,
mientras que el nmero inmediatamentesuperior, 11, indica que el primero y segundo troncos de abajo hacia arriba
incluyen un total de 11 puntajes.
Stem-and-leaf of Scores N - 50
Leaf Unit = 1.0
2 5 89
12 6 2233555669
24 7 122344566788
(15) 8 011222344556788
11 9 012466789
2 10 00
Fig. 2-26 Resultados en Minitab.
Tabla 2.15 Ritmos cardiacos en estado de reposo de una

muestra de adultos, de 30-35 aos de edad
Fumador habitual? Gnero
Ritmo cardiaco (0 = no; 1 = s) (0 = F; 1 = M)
82 0 0
68 0 0
78 0 0
80 0 0
62 0 0
60 0 0
62 0 0
76 0 0
74 0 0
74 0 0
68 0 1
68 0 1
64 0 1
76 0 1
88 0 1
70 0 1
78 0 1
80 0 1
74 0 1
82 0 1
80 1 0
90 1 0
64 1 0
74 1 0
70 1 0
74 1 0
84 1 0
72 1 0
92 1 0
64 1 0
94 1 1
80 1 1
78 1 1
88 1 1
60 1 1
68 1 1
90 1 1
89 1 1
68 1 1
72 1 1
DIAGRAMAS DE PUNTOS
2.27 En la tabla 2.15 se presentan los ritmos cardiacos en estado de descanso de una muestra de 40 adultos, la
mitad de los cuales no fuman (cdigo 0) en tanto que la otra mitad la componen fumadores regulares
(cdigo 1). Use software de cmputo para elaborar un diagrama de puntos que facilite la comparacin
entre el ritmo cardiaco de los no fumadores y de los fumadores de esta muestra. Interprete el diagrama de
puntos que obtenga.
En la figura 2-27 se presenta un diagrama de puntos en el que los dos subgrupos de personas aparecen por
separado, aunque con la misma escala a fin de facilitar la comparacin. Tal como se desprende de la concentracin de
las respectivas distribuciones, la muestra de fumadores habituales deja ver que el ritmo cardiaco de stos es ligera-
mente superior al de los no fumadores. Tal como lo indica a su vez la dispersin de cada subconjunto de datos, los
fumadores presentan mayor variabilidad en su ritmo cardiaco que los no fumadores. La consideracin acerca de si
estas diferencias mustrales pueden interpretarse como indicativas de diferencias reales en la poblacin ser tratada
en los captulos 9 y 11, que se ocupan, respectivamente, de la estimacin de la diferencia entre parmetros de la
poblacin y de la prueba de diferencias en parmetros de la poblacin.
SMOKER
O
PULSE
SMOKER
1
+ h -- -4- _,__ i i ,
PULSE
63 O 70.0 77.0 84.0 91.0 98.0
Fig. 2-27 Resultados en Minitab.
DIAGRAMAS DE BARRAS Y GRFICAS DE LINEAS
2.28 La tabla 2.16 incluye algunos de los resultados financieros reportados por una compaa generadora de
energa elctrica durante seis aos consecutivos. Elabore un diagrama de barras verticales en la que se
describan las utilidades anuales por accin de esta compaa correspondientes a los aos codificados.
Tabla 2.16 Utilidades por accin de operaciones, dividendos y

utilidades retenidas de una compaa generadora
de energa elctrica
Ao Utilidades Dividendos Utilidades retenidas
1 $1.61 $1.52 $0.09

2 2.17 1.72 0.45
3 2.48 1.92 0.56
4 3.09 2.20 0.89
5 4.02 2,60 1.42
6 4.35 3.00 1.35
El diagrama de barras aparece en la figura 2-28.
2.29 Elabore un diagrama de barras de componentes con los datos de la tabla 2.16 en tal forma que indique la
divisin de utilidades por accin entre dividendos (D) y utilidades retenidas (R) en cada ao.
f
En la figura 2-29 se presenta un diagrama de barras de componentes de los datos de la tabla 2.16.
2.30 Elabore una grfica de lneas de las utilidades por accin reportadas en la tabla 2.16.
La grfica de lneas aparece en la figura 2-30.
GRFICAS DE CORRIDAS
2.31 Cuando un proceso de canje de cupones se halla bajo control, un mximo de 3% de las deducciones se
realizan incorrectamente, de modo que la proporcin mxima aceptable de errores es de 0.03. En relacin
con 20 muestras secuenciales de 100 canjes de cupones cada una, una auditora revela que el nmero de
errores encontrados en las muestras de subgrupos racionales es: 2, 2, 3, 6, 1,3, 6,4, 7,2, 5, O, 3, 2,4, 5,
3, 8,1 y 4. Convierta en proporciones estos nmeros de errores por muestra de 100 y elabore la grfica de
corridas de las proporciones de los errores observados.
La grfica de corridas aparece en la figura 2-31, tal como se le obtuvo con el empleo del software de cmputo
Minitab.
0.08
0.07 -
0.06 -
0.05 -
0.04 -
o. 0.03 -
0.02 -
0.01 -
0.00 -
i I I I
Muestra 5 10 15 20
Fig. 2-31 Grfica de corridas.
DIAGRAMAS CIRCULARES
2.32 En la tabla 2.17 aparecen los montos de portafolios de inversiones en varias zonas geogrficas de un
fondo de inversin de acciones globales. Elabore un diagrama circular de porcentajes con esta informa-
cin.
Tabla 2.17 Distribucin de inversiones:

Fondo de acciones globales
(en millones de dlares)
E.U. y Amrica del Norte $231

Japn y Extremo Oriente 158
Europa continental 84
Inglaterra 53
Total $526
El diagrama circular se presenta en la figura 2-32.

Distribucin de inversiones (en millones de dlares)
Amrica del Norte (231,43.9%)
Inglaterra (53,10.1%)
Extremo Oriente (158,30.0%)

Europa (84,16.0%)
Fig. 2-32 Diagrama circular.
Problemas complementarios
DISTRIBUCIONES DE FRECUENCIAS, INTERVALOS DE CLASE

Y MTODOS GRFICOS CORRESPONDIENTES
2.33 La tabla 2.18 es una distribucin de frecuencias del kilometraje por gasolina obtenida con base en una muestra de 25
viajes de vehculos de una compaa, a) Cules son los lmites nominales inferior y superior de la ltima clase? b)
Cules son los lmites exactos inferior y superior de la ltima clase? c) Qu intervalo de clase se us? d) Cul es
el punto medio de la ltima clase? e) Supongamos que el kilometraje por litro de un viaje especfico fue de 29.9.
Indique los lmites inferior y superior de la clase en la que fue incluido este resultado.
Resp. a) 34.0 y 35. 9, b) 33.95 y 35.95, c) 2.0, d) 34.95, e) 28.0 y 29.9
Tabla 2.18 Kilometraje automovilstico de 25 viajes

de vehculos empresariales
Kilmetros por litro Nmero de viajes
24.0-25.9 3
26.0-27.9 5
28.0-29.9 10
30.0-31.9 4
32.0-33.9 2
34.0-35.9 1
Total 25
2.34 Elabore un histograma con los datos de la tabla 2.18.
2.35 Elabore un polgono de frecuencias y una curva de frecuencias con los datos de la tabla 2.18
236 Describa la curva de frecuencias resultante del problema 2.35 desde el punto de vista de su asimetra.
Resp. Esta curva de frecuencias parece ser del tipo asimtrico positivo.
237 Forme una distribucin de frecuencias acumuladas con los datos de la tabla 2.18 y elabore una ojiva para la represen
tacin grfica de esta distribucin.
238 En la tabla 2.19 se presentan las cantidades de 40 prstamos personales utilizados para financiar la compra de mue-
bles y aparatos elctricos. Supongamos que nos interesa ordenar estas cantidades en una distribucin de frecuencias
con un total de siete clases. Partiendo del supuesto de intervalos de clase iguales, cul sera el intervalo de clase ms
conveniente para esta distribucin de frecuencias?
Resp. $400
Tabla 2.19 Cantidades de 40 prstamos

personales
$932 $1000 $356 $2227

515 554 1 190 954
452 973 300 2112
1900 660 1610 445
1200 720 1525 784
1278 1388 1000 870
2540 851 1 890 630
586 329 935 3000
1 650 1423 592 334
1219 727 655 1590
239 Elabore una distribucin de frecuencias con los datos de la tabla 2.19 iniciando la primera clase con un lmite de clase
inferior de $300 y aplicando un intervalo de clase de $400.
2.40 Elabore un histograma de la distribucin de frecuencias formada en el problema 2.39.
2.41 Elabore un polgono de frecuencias y una curva de frecuencias de la distribucin de frecuencias formada en el
problema 2.39.
2.42 Describa la curva de frecuencias resultante del problema 2.41 en trminos de su asimetra.
Resp. Se trata evidentemente de una curva de frecuencias asimtrica positiva.
2.43 Elabore una distribucin de frecuencias acumuladas de la distribucin de frecuencias formada en el problema 2.39 y
trace una ojiva con estos datos.
FORMAS DE CURVAS DE FRECUENCIAS
2.44 Describa las siguientes curvas en trminos de asimetra o curtosis, como corresponda: a) una curva de frecuencias
con una cola a la derecha, b) una curva de frecuencias relativamente afilada, c) una curva de frecuencias relativamen-
te plana, d) una curva de frecuencias con cola a la izquierda.
Resp. a) Asimtrica positiva, b) leptocrtica, c) platicrtica, d) asimtrica negativa
DISTRIBUCIONES DE FRECUENCIAS RELATIVAS
2.45 Elabore una tabla de frecuencias relativas a partir de la distribucin de frecuencias presentada en la tabla 2.20,
Tabla 2.20 Periodo de vida de herramientas cortantes

en un proceso industrial
Horas antes de remplazo Nmero de herramientas
0.0-24.9 2
25.0-49.9 4
50.0-74.9 12
75.0-99.9 30
100.0-124.9 18
125.0-149.0 4
Total 70
2.46 Elabore un histograma de la distribucin de frecuencias relativas del problema 2.45.
2.47 En referencia a la tabla 2.20, a) Qu porcentaje de herramientas cortantes dur al menos 125 horas? b) Qu
porcentaje de herramientas cortantes tuvo un periodo de vida de al menos 100 horas?
Resp. a) 6%, b) 31%
2.48 Elabore una tabla de proporciones acumuladas con la distribucin de frecuencias de la tabla 2.20.
2.49 En referencia a la tabla resultante del problema 2.48, a) Qu periodo de vida de las herramientas se asocia con el
26o. percentil de la distribucin? b) Cul percentil se asocia con un periodo de vida de herramientas de aproximada-
mente 100 horas?
Resp. ) 74.95 hr, = 75 hr, b) 69o. percentil
2.50 Elabore una ojiva con las proporciones acumuladas determinadas en el problema 2.48.
2.51 Remtase a la ojiva elaborada en el problema 2.50 y determine los siguientes valores, aproximadamente, por medio
de interpolacin grfica: a) el periodo de vida de las herramientas en el 50o. percentil de la distribucin, b) el
percentil asociado con un periodo de vida de herramientas de 60 horas.
Resp. a) Aproximadamente 89 hr, b) aproximadamente el 16o. percentil
DISTRIBUCIN DE FRECUENCIAS DEL TIPO "Y MENOR QUE
2.52 En referencia a la distribucin de frecuencias de la tabla 2.21, determine a) el lmite nominal inferior de la primera
clase, ?) el lmite nominal superior de la primera clase, c) el lmite exacto inferior de la primera clase, d) el lmite
exacto superior de la primera clase, e) el punto medio de la primera clase.
Resp. a) 18, b) 20, c) 18.0, d) 20.0, e) 19.0
Tabla 2.21 Edades de una muestra de candidatos

a un programa de capacitacin
Edad Nmero de candidatos
1 8 y menor que 20 5
24 y menor que 26 6
26 y menor que 28 5
28 y menor que 30 4
30 y menor que 32 2
Total 50

Estadistica Aplicada A La Administracion y La Economia Leonard J Kazmier

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Estadistica Aplicada A La Administracion y La Economia Leonard J Kazmier

Загружено:

Авторское право:

Доступные форматы

.

Tercera edicin Leonard J. Kazmier

Incluye 531 problemas resueltos y totalmente expli

Abarca todos los conceptos y mtodos de estadstica, incluyend

una introduccin a la administracin de calidad total

PARA USARSE EN LOS SDE:

Excel para Windows

Gerente de producto: Ricardo del Bosque Alayn

ESTADSTICA APLICADA A LA ADMINISTRACIN Y A LA ECONOMA 3a. ed

Prohibida la reproduccin total o parcial de esta obra,

DERECHOS RESERVADOS 1998, respecto a la tercera edicin en espaol

ISBN 970-10-1963-6 tercera edicin

Traducido de la tercera edicin en ingls de

impreso en Mxico Printed in Mxico

Esta obra se termin de

Se tiraron 4500 ejemplares

Captulo 1 ANLISIS DE DATOS ECONMICOS Y ADMINISTRATIVOS 1

Captulo 2 REPRESENTACIONES ESTADSTICAS Y ANLISIS DE GRFICAS .. 9

Captulo 3 DESCRIPCIN DE DATOS ECONMICOS Y ADMINISTRATIVOS:

Captulo 4 DESCRIPCIN DE DATOS ECONMICOS Y ADMINISTRATIVOS:

4.3 Rangos modificados 51

Captulo 6 DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES

Captulo 7 DISTRIBUCIONES DE PROBABILIDAD PARA VARIABLES ALEATORIAS

Captulo 8 DISTRIBUCIONES DE MUESTREO E INTERVALOS

Captulo 10 PRUEBAS DE HIPTESIS REFERENTES AL VALOR DE LA MEDIA

Captulo 11 OTRAS PRUEBAS DE HIPTESIS 186

Captulo 12 LAPRUEBA JI CUADRADA 206

Captulo 13 ANLISIS DE VARIANZA 228

Captulo 14 ANLISIS DE REGRESIN Y CORRELACIN LINEAL 248

Captulo 15 REGRESINY CORRELACIN MLTIPLE 268

Captulo 16 ANLISIS DE SERIES DE TIEMPO Y PRONSTICOS

Captulo 17 NMEROS NDICE PARA DATOS ECONMICOS

17.4 Relativos eslabonados 305

Captulo 18 ANLISIS DE DECISIN: TABLAS DE PAGOS Y RBOLES

Captulo 19 ANLISIS DE DECISIN: USO DE INFORMACIN MUESTRAL . . . 335

Captulo 20 CONTROL ESTADSTICO DE PROCESOS 352

Captulo 21 ESTADSTICA NO PARAMTRICA 372

21.6 Dos muestras independientes: prueba de Mann-Whitney 374

Apndice 1 TABLA DE NMEROS ALEATORIOS 387

Apndice 2 PROBABILIDADES BINOMIALES 388

Apndice 3 VALORES DE e~K 391

Apndice 4 PROBABILIDADES DE POISSON 392

Apndice 5 PROPORCIONES DE REA PARA LA DISTRIBUCIN NORMAL

Apndice 6 PROPORCIONES DE REA PARA LA DISTRIBUCIN t 397

Apndice 8 VALORES DE F EXCEDIDOS CON PROBABILIDADES DE 5 Y 1 % . . . 399

Apndice 9 FACTORES PARA GRFICAS DE CONTROL 402

Apndice 10 VALORES CRTICOS DE T EN LA PRUEBA DE WILCOXON 403

Apndice 11 ESTADSTICA PARA NEGOCIOS CON EXCEL 5.0 405

Anlisis de datos econmicos y administrativos

1.1 DEFINICIN DE ESTADSTICA APLICADA A LA ADMINISTRACIN Y LA ECONOMA

1.2 ESTADSTICA DESCRIPTIVA E INFERENCIAL

13 TIPOS DE APLICACIONES EN ADMINISTRACIN Y ECONOMA

1.4 VARIABLES DISCRETAS Y CONTINUAS

1.6 MTODOS DE MUESTREO ALEATORIO

1.7 OTROS MTODOS DE MUESTREO

1.8 USO DE SOFTWARE DE COMPUTO PARA LA GENERACIN DE NMEROS ALEATORIOS

TIPOS DE APLICACIONES EN ADMINISTRACIN Y ECONOMA

VARIABLES DISCRETAS Y CONTINUAS

OBTENCIN DE DATOS POR OBSERVACIN DIRECTA CONTRA ENCUESTAS

MTODOS DE MUESTREO ALEATORIO

OTROS MTODOS DE MUESTREO

USO DE SOFTWARE DE CMPUTO PARA LA GENERACIN DE NMEROS ALEATORIOS

MTB > RANDOM 30 DIGITS, PUT IN Cl;