Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 1
Técnicas Cuantitativas para el Management y los
Negocios ILicenciado en Administración
Módulo II
ContenidosUnidad 4. ProbabilidadConceptos básicos de probabilidad: experimento aleatorio, espacio muestral y evento. Probabilidad. Definición. Enfoques de la probabilidad: clásico, de la frecuencia relativa y subjetivo. Probabilidad simple. Cálculo de probabilidades: regla de la adición y de la multiplicación. Conceptos de exclusión e independencia. Probabilidad condicional. Teorema de Bayes.
Unidad 5. Variables AleatoriasVariables aleatorias discretas y continuas. Función de probabilidades. Indicadores de posición y dispersión. Esperanza matemática. Varianza y desviación estándar. Interpretación y aplicaciones de la esperanza y la desviación estándar.
Unidad 6. Algunas distribuciones de probabilidad especialesDistribuciones discretas. Ensayos Bernoulli. Distribución Binomial, hipergeométrica y PoissonDistribuciones continuas. Distribución Normal. Distribución estandarizada. Aproximación Normal de las distribuciones Binomial y Poisson. Distribución t de Student, Chi-cuadrado y F de Fisher. Aplicaciones.
Unidad 7. Muestreo y EstimaciónNociones básicas de muestreo. Distribuciones muestrales en poblaciones infinitas y finitas. Teorema central del límite. Estimación y estimador. Estimación puntual. Propiedades deseables de los estimadores. Principales estimadores puntuales. Estimación por intervalos. Intervalos de confianza para la media, proporción y varianza. Cálculo del tamaño muestral. Aplicaciones.
Unidad 8. Prueba de hipótesisConceptos básicos. Hipótesis estadística. Hipótesis nula y alternativa. Estadígrafo de contraste. Región crítica y región de aceptación. Error de Tipo I y de Tipo II. Nivel de significación y potencia. Tipo de contraste. p-valor. Contrastes de hipótesis referentes a media, proporción y varianza poblacional.Aplicaciones.
Módulo II: ESTADÍSTICA INFERENCIAL
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 2
Contenidos
Distribuciones discretas. Ensayos Bernoulli. Distribución Binomial, hipergeométrica y PoissonDistribuciones continuas. Distribución Normal. Distribución estandarizada. Aproximación Normal de las distribuciones Binomial y Poisson. Distribución t de Student, Chi-cuadrado y F de Fisher. Aplicaciones.
Distribuciones discretas y continuas
Algunas distribuciones de probabilidad
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 3
Leyes o modelos de probabilidad
Modelo Matemático
Expresión matemática que se utiliza pararepresentar una variable de interés.
Permite calcular la probabilidad de ocurrenciaexacta correspondiente a cualquier resultadoespecífico para la variable aleatoria
Algunas distribuciones de probabilidad
Distribuciones discretas
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 4
Distribución Bernoulli
Si un experimento tiene sólo dos resultados: “éxito” y “fracaso” con probabilidades p y 1-p, entonces la cantidad de éxitos (0 o 1) tiene una distribución de Bernoulli:
O bien
Llamando a (1-p)=q
1,0)1();( 1 =−= − xparapppxf xx
pqXypXE == )var()(
Distribución Bernoulli
Distribución Binomial
Si X1,..., Xn son n variables aleatorias idénticamentedistribuidas con la distribución de Bernoulli conprobabilidad de éxito p, entonces la variablealeatoria
X = X1+...+ Xn
presenta una Distribución Binomial de probabilidad.
Distribución Binomial
Se usa cuando la variable aleatoria discreta deinterés es la cantidad de éxitos en unadeterminada cantidad (n) de pruebas.
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 5
Condiciones
El número de repeticiones (n) del experimentodebe ser finito.
En cada repetición del experimento puedenocurrir solamente dos resultados, que llamaremoséxito (E) y fracaso (F).
Los resultados deben ser independientes.
Las probabilidades de éxito (p) y de fracaso (q)permanecen constantes prueba a prueba.
Distribución Binomial
Ejemplos
� El 60% de los estadounidenses leen su contrato detrabajo incluyendo las letras pequeñas. La cantidad deempleados que leen cada una de las palabras de sucontrato puede modelarse usando la distribuciónbinomial.
� Un examen de opción múltiple tiene 10 preguntas con2 opciones cada una. La cantidad de preguntasrespondidas correctamente (si se respondieron de maneraaleatoria) sigue una distribución binomial.
� La probabilidad de que un cliente exceda su límite decrédito en un negocio es de 0.05. La cantidad de clientesque exceden el límite es una variable aleatoria binomial.
Distribución Binomial
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 6
xnxx
n qpCxXPpnxP −=== )(),;(
siendo:n: número de pruebasx: número de éxitos (entre 0 y n)p: probabilidad de éxito en una pruebaq: probabilidad de fracaso en una prueba / p+q=1n y p: parámetros de la distribución binomialCn
x: combinatorio
Función masa de probabilidad
Distribución Binomial
Esperanza y varianza
npXE =][ npqXV =][
Ejemplo
Por ejemplo, la distribución binomial se puede usarpara calcular la probabilidad de sacar 5 caras y 7cruces en 12 lanzamientos de una moneda
Distribución Binomial
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 7
Distribución HipergeométricaLa variable aleatoria discreta de interés es lacantidad de éxitos en una determinada cantidad (n)de pruebas.
Condiciones:
Mismas condiciones para la distribución binomial,excepto que los resultados de cada prueba debenser dependientes.
Distribución Hipergeométrica
Ejemplos
� Un auditor selecciona una muestra de 6 declaracionesde impuestos de personas de una profesión particular deun total de 50. Si 2 o más de ellas indican deduccionesno autorizadas, se auditará a todo el grupo. La cantidadde declaraciones con deducciones no autorizadas sigueuna distribución hipergeométrica.
� El director de una facultad desea formar un grupo de6 profesores exclusivos. El total es de 50 profesores, delos cuales 35 pertenecen al área de ingeniería. Lacantidad de profesores del área ingeniería seleccionadoses una variable aleatoria hipergeométrica.
Distribución Hipergeométrica
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 8
Esperanza y varianzanpXE =][
Función masa de probabilidad
n
N
xn
mN
x
m
C
CCnxP
−−= 11,......);(
donde:N: total de la poblaciónn: tamaño de la muestram1: elementos con una determinada característica (éxito)x: número de éxitosN, n y m1: parámetros
1][
−−
=N
nNnpqXV
Distribución Hipergeométrica
Distribución de Poisson
La variable aleatoria discreta de interés es lacantidad de veces que se presenta una evento en unárea de oportunidad dada.
El área de oportunidad es una unidad continua ointervalo de tiempo, volumen, o área en la cualpuede presentarse más de un evento.
Distribución Poisson
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 9
Características
La probabilidad de que un evento se presenteen un área de oportunidad dada es igual paratodas las áreas de oportunidad.
La cantidad de eventos que ocurren en un áreade oportunidad es independiente de la cantidadque se presenta en cualquier otra área.
La probabilidad de que 2 o más eventos sepresenten en un área de oportunidad tiende acero conforme esa área se vuelve menor.
Distribución Poisson
Ejemplos:
� Cantidad de llamadas por quejas por productoscomprados en una determinada empresa.
� Cantidad de defectos en la superficie de unaheladera.
� Cantidad de fallas de la red en un día.
� Cantidad de clientes que llegan a un bancoubicado en la zona central de negocios de una granciudad durante la hora del almuerzo.
Distribución Poisson
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 10
Una variable aleatoria discreta X tiene unadistribución de Poisson (y se la conoce comovariable aleatoria de Poisson) si y sólo si sudistribución de probabilidades está dada por:
xep(x; ) para x 0,1,2,...
x!
−λλλ = =
λσµ == 2
Distribución Poisson
Función masa de probabilidad
donde:λ: cantidad de eventos esperado por unidade: constante matemática aprox. igual a 2.71828x: número de éxitosλ : parámetro
Distribución Poisson
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 11
Distribución Uniforme Discreta
Distribución Uniforme
Distribución Uniforme Discreta
Ejemplos
Lanzar un dado f(x)=1/6 x=1,...,6
Lanzar una moneda (balanceada) f(x)=1/2, x=1,2
Extraer una carta de un mazo de 52 cartas
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 12
Distribuciones continuas
Ley Normal (de Gauss o Gaussiana)
Características
Distribución unimodal simétrica con forma de campana.
Media = mediana = moda.
La variable asociada es una variable
continua que toma valores entre -∞ y ∞.
Es la distribución más común.Está caracterizada sólo por la media y la varianza.
Distribución Normal
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 13
Distribución Normal
Gráfico de la
Función de
Densidad
Gráfico de la
Función de
Densidad
Acumulada
Importancia
Muchas variables continuas comunes tienendistribuciones que se asemejan a la distribuciónnormal.
Sirve como aproximación a diversasdistribuciones de probabilidad discreta (Binomialy Poisson).
Proporciona la base para la estadísticainferencial clásica.
Distribución Normal
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 14
Función de densidad de probabilidad
siendo:x: cualquier valor de la variable continua entre -∞ y ∞µ: mediaσ: desviación estándar µ y σ: parámetros de la distribución normal
21 x( )
2 21
f(x; , ) e para x2
−µ−
σµ σ = − ∞ < < −∞σ π
Distribución Normal
EjemploSe tiene un programa de capacitación para mejorar lashabilidades de los supervisores de una línea de producción. Elprograma es autoaplicable y por eso los supervisoresrequieren un número de horas para terminarlo. Un estudio departicipantes anteriores revela que el tiempo medio dedicadoal programa es de 500 horas, con una dispersión de 100horas y que dicho tiempo (requerido para terminarlo) sigueuna distribución aproximadamente normal.
a) ¿Cuál es la probabilidad de que un participante elegido demanera aleatoria tarde más de 500 horas en terminar elprograma?
b) ¿Cuál es la probabilidad de que tarde entre 500 y 650horas?
c) ¿Cuánto tardan como máximo el 10% de los empleados quetardan menos tiempo?
Distribución Normal
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 15
Cálculo
Distribución Normal
( )
dxeaXob
xa
−−
∞−∫=≤
2
2
2
2
1)(Pr
σ
µ
πσ
El área por debajode la curva entre xy -∞ es la Prob(X≤x)
Ley Normal estandarizada
La integral es dificil de resolver.Afortunadamente, toda variable normal puedeser reexpresada como una N(0,1), proceso que sedenomina estandarización.
De esta forma se computan tablas deprobabilidades para N(0,1) que se pueden usarpara cualquier variable Normal
Distribución Normal
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 16
Ley Normal estandarizada
Distribución Normal
Sea , el proceso de estandarización de
la variable implica realizar la siguiente operación
� Tal que
2: ( ; )x XX N µ σ
x
x
xz
µσ−
=
2
0
1
z
z
y
µ
σ
=
=
Ley Normal estandarizada
Distribución Normal
( )
dxeaXob
xa
−−
∞−∫=≤
2
2
2
2
1)(Pr
σ
µ
πσ
dxeaXob
xa
−
∞−∫=≤ 2
2
2
1)(Pr
π
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 17
Tabla de distribución normal estandarizada
Distribución Normal
Propiedades de las variables aleatorias normales
Distribución Normal
La v.a. generada por una suma (finita) de v.a.normales es normal (si X1 ,…, Xn son v.a.Normales, Y=a1 X1+…+an Xn es también una v.a.Normal)
Por ser una v.a. continua:Prob(z<k) = Prob(z≤k)
Por tener una distribución simétrica:Prob(z≤-k) = Prob(z≥k)
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 18
La distribución normal como aproximación a otras distribuciones de probabilidad
Distribución Normal
DiscretasBinomialHipergeométricaPoisson
Continuas
Aproximación a binomial
Distribución Normal
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 19
Aproximación a binomial
Distribución Normal
Condiciones1) n . p ≥ 52) n . (1 - p) ≥ 5
Corrección por continuidad para valoresconcretosP (X = x1) ≈ P (z1 - 0.5 ≤ Z ≤ z1 + 0.5)
Aproximación a binomial
Distribución Normal
Se obtiene una muestra de n = 1600 llantas enun proceso de producción constante, en el que8% de todas las llantas producidas sondefectuosas. ¿Cuál es la probabilidad de que enesa muestra no más de 150 llantas seandefectuosas?
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 20
Distribución t de Student
Distribución t de Student
Surge en estadística con el objetivo de hacerinferencias sobre la media cuando no se conoce lavarianza y se utiliza una estimación.
El cociente de una variable normal estandarizadasobre una variable Chi-cuadrado con n grados delibertad sigue una t de Student con n grados delibertad.
A medida que los grados de libertad tienden ainfinito, la t de Student converge a una distribuciónNormal.
Distribución t de Student
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 21
Distribución de probabilidad
Distribución t de Student
� Función de Densidad:
donde v son los grados de libertad de la Chi-
Cuadrado
� E[X]=0 para v>1 (sino no está definida)
� Var(X)= infinitio si
sino no está definida
Distribución Chi-cuadrado
Distribución Chi-cuadrado
La suma de N variables aleatoriasindependientes al cuadrado, donde cada unatienen una distribución normal estándar, sigueuna distribución Chi-cuadrado (χ2) con N gradosde libertad.
Sean X1, …, Xn variables N(0,1)
Es un caso especial de una distribución másgeneral llamada Gamma.
( )
)(~
:
1
2
NQ
donde
XQN
i
i
χ
∑=
=
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 22
Distribución Chi-cuadrado
Gráfico de la Función
de Densidad
Gráfico de la Función
de Densidad
Acumulada
Distribución de probabilidad
Distribución Chi-cuadrado
Función de Densidad:
E(X) = k
Var(X) = 2k
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 23
Distribución F de Snedecor
Distribución F de Snedecor
Si X e Y son dos variables aleatoriasindependientes que siguen una Chi-cuadradocon grados de libertad d1 y d2 respectivamente,entonces:
F=(X/ d1)/(Y/ d2)
Sigue una distribución F (o F de Snedecor)
Distribución F de Snedecor
Gráfico de la Función
de Densidad
Gráfico de la Función
de Densidad
Acumulada
Técnicas Cuantitativas para el
Manag. y los Negocios I - Clase 6
Segundo cuatrimestre - 2014
Mag. María del Carmen Romero 24
Distribución de probabilidad
Función de Densidad:
E[X]=d2/(d2-2) para d2>2
Var(X) = para d2>4
Distribución F de Snedecor