I.

- Introduccin y conceptualizacin: (pagina 2 libro estadstica aplicada a los negocios

y la economa MC Graw Hill autores Lind / Marchal / Wathen decimotercera edicin) Hace ms de 100 aos, H. G. Wells, escritor e historiador ingles, dijo que algn da el razonamiento cuantitativo sera tan importante para la gran mayora de los ciudadanos como la capacidad de leer. No menciono el rea de los negocios, ya que la Revolucin industrial apenas iniciaba. No obstante, Wells tena razn. Si bien la experiencia en los negocios, cierta habilidad para hacer pronsticos razonados y la intuicin constituyen atributos fundamentales en los gerentes con xito, los problemas que en la actualidad se presentan en los negocios tienden a ser demasiados complejos como para tomar decisiones a partir de estos criterios. Una de las herramientas utilizadas para tomar decisiones es la estadstica. De la estadstica no solo se sirve la gente dedicada a los negocios; en nuestra vida cotidiana tambin aplicamos conceptos estadsticos. Por ejemplo para comenzar el da, abra la regadera y deje correr el agua unos segundos. Enseguida moje su mano para percatarse si la temperatura es adecuada o decidir si abre mas la llave del agua caliente o fra. Ahora suponga que est en una tienda comercial y quiere comprar una pizza congelada. Dos mascar tienen un puesto de promocin. Y cada una le ofrece una pequea rebanada. Despus de probar, decide cual comprar. En ambos ejemplos, usted toma la decisin y elige lo que har a partir de una muestra. Por qu se debe estudiar estadstica? Si revisa el plan de estudios de la universidad, se dar cuenta de que varios programas universitarios incluyen la estadstica. Por qu razn? Cules son las diferencias entre los cursos de estadstica que se imparten en la facultad de ingeniera, los departamentos de psicologa o sociologa en la escuela de artes liberales, y la facultad de administracin?. La diferencia principal consiste en los ejemplos que se utilizan. El contenido del curso es el mismo. En la facultad de administracin el inters son cuestiones como las utilidades, las horas de trabajo, y los salarios. A los psiclogos les importan los resultados de las pruebas, y a los ingenieros la cantidad de unidades que fabrica determinada maquina. No obstante, en los 3 casos, el inters se centra en el valor tpico y la variacin que experimentan los datos.

Qu se entiende por Estadstica? (pagina 4 libro estadstica aplicada a los negocios y la economa MC Graw Hill autores Lind / Marchal / Wathen decimotercera edicin) En su aceptacin ms comn la estadstica se refiere a la informacin numrica Estadstica: Ciencia que recoge, organiza, presenta, analiza e interpreta datos con el fin de propiciar la toma de decisiones ms eficaz.

Conceptos (pagina 6 - 9 libro estadstica aplicada a los negocios y la economa MC Graw Hill autores Lind / Marchal / Wathen decimotercera edicin) Estadstica Descriptiva: Mtodo para organizar, resumir y presentar datos de manera informativa. Estadstica Inferencial: Mtodos empleados para determinar una propiedad de una poblacin con base en la informacin de una muestra. Poblacin: Conjunto de individuos u objetos de inters o medidas obtenidas a partir de todos los individuos u objetos de inters. Muestra: Porcin o parte de la poblacin de inters Variable cualitativa o atributo: Cuando la caracterstica que se estudia es de naturaleza no numrica Variable Cuantitativa: Cuando la variable que se estudia aparece en forma numrica Variable discreta: adoptan solo ciertos valores y existen vacios entre ellos. Ejemplo el numero de camas que hay en una casa (1, 2, 3, 4.. etc), el numero de automviles que circulan por la salida 25 carretera I-4 cerca de Disney Wolrd (326, 421, etc) Variable Continua: toman cualquier valor dentro de un intervalo especifico. Ejemplos, la presin del aire en una llanta y el peso de un cargamento de tomates.

IV.- introduccin a la probabilidad

(pagina 139 libro estadstica aplicada a los negocios y

la economa MC Graw Hill autores Lind / Marchal / Wathen decimotercera edicin) Los captulos 2,3 y 4 se enfocan en la estadstica descriptiva. En el captulo 2 se organizaron los precios de 80 vehculos vendidos el mes pasado en el local autousa de whitner autoplex en una distribucin de frecuencias. Esta distribucin de frecuencias muestra los precios de venta ms bajo y ms alto y el punto donde la concentracin de datos se presenta. En el captulo 3, mediante medidas numricas de ubicacin y dispersin, se ubico un precio de venta tpico y analizo la dispersin de los datos. Se describi la dispersin en los precios de venta con medidas de dispersin como el rango y la desviacin estndar. En el captulo 4 se disearon diagramas y graficas, tales como el diagrama de dispersin, con el fin de describir ms a fondo los datos de manera grafica. A la estadstica descriptiva le concierne el resumen de datos recogidos de eventos pasados. Por ejemplo, los precios de venta de vehculos el mes pasado en whitner autoplex. Ahora se presenta la segunda faceta de la estadstica, a saber, el clculo de la probabilidad de que algo ocurra en el futuro. Esta faceta de la estadstica recibe el nombre de inferencia estadstica o estadstica inferencial.

4.1 conceptualizacin
Qu es la probabilidad?

(pagina 140 libro estadstica aplicada a los negocios y la economa

MC Graw Hill autores Lind / Marchal / Wathen decimotercera edicin)

Sin duda usted se encuentra familiarizado con trminos como probabilidad, azar y posibilidad. Con frecuencia se les emplea de manera indistinta. El meteorlogo anuncia que hay 70% de probabilidad de lluvia para el domingo del sper tazn. Con base en una encuesta de consumidores que degustaron un pepinillo recin elaborado con sabor a pltano, la probabilidad de que sea un xito financiero si se le comercializa es de 0.03 (esto significa que la probabilidad de que el pepinillo sabor a pltano sea aceptado por el pblico es muy remota.) Qu es la probabilidad? En general es un nmero que describe la posibilidad de que algo suceda. Probabilidad: valor entre cero y uno, inclusive, que describe la posibilidad relativa (oportunidad o casualidad) de que ocurra un evento

4.2 tipos de probabilidad

(pagina 140 a la 145 libro estadstica aplicada a los negocios y la

economa MC Graw Hill autores Lind / Marchal / Wathen decimotercera edicin) 1) Probabilidad clsica: parte del supuesto de que los resultados de un experimento son igualmente posibles. De acuerdo con el punto de vista clsico, la probabilidad de un evento que se est llevando a cabo se calcula dividiendo el numero de resultados favorables entre el nmero de posibles resultados.

2) Probabilidad emprica: es el segundo tipo de probabilidad. Esta basa en el nmero de veces que ocurre el evento como proporcin del nmero de intentos conocidos. La probabilidad de que un evento ocurra representa una fraccin de los eventos similares que sucedieron en el pasado.

3) Probabilidad subjetiva: si se cuenta con poca o ninguna experiencia o informacin con la cual sustentar la probabilidad, es posible aproximarla en forma subjetiva. En esencia, esto significa que un individuo evala las opiniones e informacin disponibles y enseguida calcula o asigna la probabilidad. Esta probabilidad se denomina adecuadamente probabilidad subjetiva. Concepto subjetivo de probabilidad: posibilidad (probabilidad) de un evento en particular que asigna un individuo a partir de cualquier informacin que encuentre disponible.

4.3 Principales axiomas de probabilidad

(pagina 66 libro probabilidad y estadstica

aplicadas a la ingeniera Limusa Wiley autores Montgomery / Runger segunda edicin) Ahora que se ah definido la probabilidad de un evento, los supuestos que se han hecho en cuanto a las probabilidades, pueden reunirse en un conjunto de axiomas que deben satisfacer las probabilidades en cualquier experimento aleatorio. Los axiomas aseguran que las probabilidades asignadas en un experimento pueden interpretarse como frecuencias relativas y que las asignaciones son consistentes con la comprensin intuitiva de las relaciones entre frecuencias relativas. Los axiomas no determinan las probabilidades: las probabilidades se asignan con base en nuestro conocimiento del sistema bajo estudio. Sin embargo, los axiomas permiten calcular con facilidad las probabilidades de algunos eventos a partir del conocimiento de las probabilidades a otros eventos. Axiomas de probabilidad: la probabilidad es un numero que se asigna a cada miembro de una coleccin de eventos de un experimento aleatorio que satisface las siguientes propiedades. Si S es el espacio muestral y E es cualquier evento en un experimento aleatorio

4.4 Leyes de Probabilidad

1) Ley de la adicin

(pagina 158 y 167, libro estadstica para administracin y

economa autores Anderson / Sweeney / Williams decima edicin)

La ley de la adicin sirve para determinar la probabilidad de que ocurra por lo menos uno de dos eventos. Es decir, si A y B son eventos, nos interesa hallar la probabilidad de que ocurra el evento A o B o ambos. Antes de presentar la ley de la adicin es necesario ver dos conceptos relacionados con la combinacin de eventos: la unin y la interseccin de eventos. Dados dos eventos, A y B, la unin de A y B se define. (La unin de A y B es el evento que contiene todos los puntos muestrales que pertenecen a A o a B o a ambos. La unin se denota A U B. 2) Ley de la multiplicacin Mientras que la ley de las sumas de probabilidades sirve para calcular la probabilidad de la unin de dos eventos, la ley de la multiplicacin es til para calcular la probabilidad de la interseccin de dos eventos. La ley de la multiplicacin se basa en la definicin de probabilidad condicional. Al despejar en las ecuaciones (4.7) y (4.8) P(A n B), se obtiene la ley de la multiplicacin.

4.5 Dependencia de eventos (http://profkarinapena.blogspot.com/2009/07/eventos-independientes-ydependientes.html)

Eventos dependientes Dos o ms eventos sern dependientes cuando la ocurrencia o no-ocurrencia de uno de ellos afecta la probabilidad de ocurrencia del otro (o otros). Cuando tenemos este caso, empleamos entonces, el concepto de probabilidad condicional para denominar la probabilidad del evento relacionado. La expresin P(A|B) indica la probabilidad de ocurrencia del evento A s el evento B ya ocurri. Se debe tener claro que A|B no es una fraccin. P(A|B) = P(A y B)/P(B) o P(B|A) = P(A y B)/P(A)

4.6 Independencia de eventos (http://profkarinapena.blogspot.com/2009/07/eventos-independientes-ydependientes.html)

Eventos Independientes Dos o ms eventos son independientes cuando la ocurrencia o no-ocurrencia de un evento no tiene efecto sobre la probabilidad de ocurrencia del otro evento (o eventos). Un caso tpico de eventos independiente es el muestreo con reposicin, es decir, una vez tomada la muestra se regresa de nuevo a la poblacin donde se obtuvo. Ejemplo: lanzar al aire dos veces una moneda son eventos independientes por que el resultado del primer evento no afecta sobre las probabilidades efectivas de que ocurra cara o sello, en el segundo lanzamiento.

4.7 Teorema de Bayes

(pagina 161 libro estadstica aplicada a los negocios y la economa

MC Graw Hill autores Lind / Marchal / Wathen decimotercera edicin) En el siglo XVIII, el reverendo Thomas Bayes, un ministro presbiteriano ingles, planteo esta pregunta: Dios realmente existe? Dado su inters en las matemticas, intento crear una frmula para llegar a la probabilidad de que Dios existiera sobre la base de la evidencia de que dispona en la tierra. Ms tarde, Pierre-Simon Laplace perfecciono el trabajo de Bayes y le dio el nombre de teorema de Bayes. De una forma entendible, el teorema de Bayes es el siguiente:

4.7.1 Probabilidad de Priori

(pagina 161 libro estadstica aplicada a los negocios y la

economa MC Graw Hill autores Lind / Marchal / Wathen decimotercera edicin) Probabilidad basada en el nivel de informacin actual. Se le da esta nombre, porque la probabilidad se asigna antes de obtener los datos empricos.

4.7.2 Probabilidad de Posteriori

(pagina 161 libro estadstica aplicada a los negocios y

la economa MC Graw Hill autores Lind / Marchal / Wathen decimotercera edicin) Probabilidad revisada a partir de informacin adicional.

V.- Variables Aleatorias y Distribuciones de Probabilidad

(pagina 97 libro

probabilidad y estadstica aplicadas a la ingeniera Limusa Wiley autores Montgomery / Runger segunda edicin) En este capitulo se presentan los modelos de probabilidad comunes para variables aleatorias discretas

5.1 Diferentes tipos de variables

(pagina 188 y 189, libro estadstica para administracin

y economa autores Anderson / Sweeney / Williams decima edicin) 1) Variables Aleatorias Discretas: a una variable aleatoria que asuma ya sea un nmero fijo de valores o una sucesin infinita de valores tales como 0, 1, 2,. Se le llama variable aleatoria discreta. Considere, por ejemplo, el siguiente experimento: un contador presenta el examen para certificarse como contador pblico. El examen tiene cuatro partes. Defina una variable aleatoria X como X = numero de partes del examen aprobadas. Esta es una variable aleatoria discreta porque puede tomar el nmero finito de valores 0, 1, 2, 3 o 4.

2) Variables Aleatorias Continuas: A una variable que puede tomar cualquier valor numrico dentro de un intervalo o coleccin de intervalos se le llama variable aleatoria continua. Los resultados experimentales basados en escalas de medicin tales como tiempo, peso, distancia y temperatura pueden ser descritos por variables aleatorias continuas. Considere, por ejemplo, el experimento de observar las llamadas telefnicas que llegan a la oficina de atencin a una importante empresa de seguros. La variable aleatoria que interesa es X = tiempo en minutos entre 2 llamadas consecutivas. Esta variable aleatoria puede tomar cualquier valor en el intervalo X > 0. En efecto, X puede tomar un numero infinito de valores, entre los que se encuentran valores como 1.26 minutos, 2.751 minutos, 4.3333 minutos, etc.

5.2 Distribuciones de probabilidad

(pagina 99 libro probabilidad y estadstica aplicadas

a la ingeniera Limusa Wiley autores Montgomery / Runger segunda edicin) La distribucin de probabilidad de una variable aleatoria es una descripcin de las probabilidades asociadas con los valores posibles de X. para una variable aleatoria discreta, es comn especificar la distribucin con una lista de los valores posibles junto con la probabilidad de cada uno. En algunos casos, resulta conveniente expresar la probabilidad en trminos de una frmula.

5.3 Tipos de distribucin de probabilidad (pagina 110 a la 138 libro probabilidad y

estadstica aplicadas a la ingeniera Limusa Wiley autores Montgomery / Runger segunda edicin) 1) Distribucin discreta uniforme: El modelo de los resultados de varios sistemas fsicos puede establecerse mediante los mismos experimentos aleatorios y variables aleatorias o similares. La distribucin de las variables aleatorias presentes en cada uno de estos sistemas comunes puede analizarse, y es posible usar los resultados de ese anlisis en diferentes aplicaciones y ejemplos. La variable aleatoria discreta ms simple es aquella que solo asume un numero finito de posibles valores, cada uno con la misma probabilidad. Una variable aleatoria X que asume cada uno de los valores X1, X2, . Xn, con la misma probabilidad 1/n, con frecuencia es de inters.

(pagina 200, libro estadstica para administracin y economa autores Anderson / Sweeney / Williams decima edicin) 2) Distribucin Binominal: un experimento binominal tiene las cuatro propiedades siguientes. 1.- el experimento consiste en una serie de n ensayos idnticos. 2.- En cada ensayo hay dos resultados posibles. A uno de estos resultados se le llama xito y al otro se le llama fracaso. 3.- La probabilidad de xito, que se denota p, no cambia de un ensayo a otro. Por ende, la probabilidad de fracaso, que se denota 1 p, tampoco cambia de un ensayo a otro. 4.- Los ensayos son independientes.

VIII.- Las Distribuciones Continuas: (pagina 227,

libro estadstica para administracin y

economa autores Anderson / Sweeney / Williams decima edicin) En este Captulo se Tratan las variables aleatorias continuas. En especifico veras Tres Distribuciones de probabilidad continua, la uniforme, la normal y la exponencial.

8.1 La distribucin normal general: (pagina 231,

libro estadstica para administracin y

economa autores Anderson / Sweeney / Williams decima edicin) La probabilidad ms usada para describir variables aleatorias continuas es la distribucin de probabilidad normal. La distribucin normal tiene gran cantidad de aplicaciones practicas, en las cuales la variable aleatoria puede ser el peso o la estatura de las personas, puntuaciones de exmenes, resultados de mediciones cientficas, precipitacin pluvial u otras cantidades similares. La distribucin normal tambin tiene una importante aplicacin en inferencia estadstica, tema principal del resto de este libro. En estas aplicaciones, la distribucin normal describe que tan probables son los resultados obtenidos de un muestreo. Aparece en la forma de distribucin normal, una curva normal en forma de campana. La curva normal tiene dos parmetros u y o. Estos parmetros determinan la localizacin y la forma de la distribucin normal.

8.2 La distribucin normal estndar: (pagina 233,

libro estadstica para administracin

y economa autores Anderson / Sweeney / Williams decima edicin) Una variable aleatoria que tiene una distribucin normal con una media cero y desviacin estndar de uno tiene una distribucin normal estndar. Para designar esta variable aleatoria normal se suele usar la letra z. Dado que u=0 y o=1, la formula de la funcin de densidad de probabilidad normal estndar es una versin ms simple de la ecuacin.

8.3 La aproximacin de la normal a la binominal: (pagina 174 libro probabilidad y

estadstica aplicadas a la ingeniera Limusa Wiley autores Montgomery / Runger segunda edicin) La seccin sobre la distribucin normal se inicio con un desarrollo de la distribucin normal como una aproximacin de una variable aleatoria binominal para un gran nmero de ensayos. En consecuencia, no debera ser motivo de sorpresa utilizar la distribucin normal para aproximar probabilidades binominales para casos en los que n es grande.

8.4 La aproximacin de la normal a la poisson: (pagina 176 libro probabilidad y

estadstica aplicadas a la ingeniera Limusa Wiley autores Montgomery / Runger segunda edicin) Recurdese que la distribucin de Poisson se desarrollo como el limite de una distribucin binominal cuando el numero de ensayos se incrementa a infinito. Por consiguiente, no debe sorprender encontrar que la distribucin normal puede usarse para aproximar probabilidades de una variable aleatoria de Poisson.