Analisis

ANLISIS DE LA VARIANZA
CON VARIABLES
CUANTITATIVAS
AO DE LA PROMOCIN
DE LA INDUSTRIA
RESPONSABLE Y COMPROMISO CLIMTICO
CONTABILIDAD
NIVERSIDAD NACIONAL
EL CENTRO DEL PERU
ANALISIS DE LA
VARIANZA CON
VARIABLESCUANTITATI
CTEDRA
:METODOS CUANTITATIVOS
CATEDRTICO
:MG. ELSA LAGOS QUISPE
INTEGRANTES:
ESPINOZA REYMUNDO SAMIRA

NOLASCO TORRES NATALIA
AUPARITICSE, ROSSANA IRENE
POMA MELENDEZ SHERLY
QUISPE HIPOLITO YESENIA DEL PILAR
RUIZ HUAMAN JANETH
VENTOCILLA TAMARA KHATERINE
SEMESTRE :
III
HUANCAYO-PER
2013
FACULTAD DE CONTABILIDAD
Mg. Elsa Lagos Quispe
METODOS CUANTITATIVOS
CON VARIABLES CUANTITATIVAS
DEDICATORIA
Anuestros Padres, por apoyarnos en
todos los momentos de nuestras vidas,
ellos han contribuido nosolo a la
realizacin de este trabajo, sino
tambin a nuestra formacin integral
por quienes pedimos a Dios
muchasalud y bienestar.
PRESENTACIN
El presente trabajo va a dar a conocer el anlisis de varianza el cual es importante
porque lo vamos a utilizar para verificar si hay diferencias estadsticamente significativas
entre medias cuando tenemos ms de dos muestras o grupos en el mismo
planteamiento. En estos casos no utilizamos la t de Student que solamente es un
procedimiento vlido cuando comparamos nicamente las medias de dos muestras.
Como explicaremos ms adelante, cuando tenemos ms de dos muestras y
comparamos las medias de dos en dos suben las probabilidades de error al rechazar la
hiptesis de no diferencia porque queda suficientemente explicada por factores
aleatorios (que tambin se denomina error muestral).
2
0
INTRODUCCION
1
3
Siempre que obtengamos muestras de una poblacin, existe la cuestin de la

confiabilidad de los resultados obtenido por muestreo con respecto a la poblacin.
Necesitamos saber si las diferencias entre los resultados obtenidos por muestreo y los
esperados de acuerdo con las leyes de las probabilidades son los suficientemente
pequeas como para que no afecten las inferencias que deseamos obtener de los datos
para nuestro uso. En otras palabras, necesitamos saber si los datos obtenidos son
confiables y no contienen errores que puedan invalidar sus resultados.
Una de las medidas de la discrepancia ms tiles es la prueba Chi-cuadrado, la cual
viene proporcionada por el estadstico 2. Si 2 = 0, las frecuencias observadas y tericas
coinciden completamente; mientras que si 2>0, no coinciden exactamente. A valores
ms grandes de 2 mayor discrepancia entre las frecuencias observadas y esperadas.
TABLA DE LA DISTRIBUCIN CHI-CUADRADO

g=grados de libertad p=rea a la derecha
El valor x de la tabla cumple que para X es chi-cuadrado con g grados de libertad P(X>x)=p
RESUMEN
Nuestra trabajo se refiere, al Anlisis de la Varianza en variables cuantitativas lo cual
est relacionado con las Aplicaciones de la Distribucin de
Probabilidades de Chi
Cuadrado, la cuales son pruebas no paramtricas, ya que se basan en pruebas de

hiptesis, acerca de una o ms medias
medicin nominal y ordinal, estas pruebas
poblacionales, aplicables a los niveles de

son: de Independencia que consiste en
calcular si las variables de clasificacin son independientes o estn relacionadas; y se

consideran herramientas
estadsticas usadas para probar hiptesis de dependencia
entre variables, referidas a un conjunto de frecuencias observadas y un conjunto de

frecuencias esperadas de una muestra; tambin son tiles para comprobar la fiabilidad
de las inferencias estadsticas en un estudio estadstico y son una estrategia importante
que facilita el desarrollo, stas eliminan obstculos para una alta calidad, productividad
y optimizar los procesos en una organizacin a travs de la toma de decisiones basadas
en datos reales, porque no se aplica la intuicin, no se decide de manera subjetiva; sino
que se decide objetivamente aplicando procedimientos estructurados o sistemticos,
dando la seguridad de un resultado verdadero.
2
INDICE
PRESENTACIN
INTRODUCCION
2
TABLA DE DISTRIBUCION CHI CUADRADO ( x

RESUMEN
ANALISIS DE LA VARIANZA CON VARIABLES CUANTITATIVAS

1.-Antecedentes Histricos de La Distribucin Chi Cuadrado
ANALISIS DE LA VARIANZA CON

VARIABLES CUANTITATIVAS
1. Antecedentes Histricos de La Distribucin Chi

Cuadrado
El matemtico Karl Pearson (18571936), advirti que cuando un cientfico realiza un
experimento de resultados aleatorios, generalmente tiene en mente como referente un modelo
terico ideal que de antemano establece cmo debera ser el comportamiento y cules
deberan ser los resultados estadsticos esperados del experimento. Sin embargo, en el mundo
real es muy normal que los resultados empricos obtenidos dentro de Muestras Estadsticas
sobre la realizacin de un experimento aleatorio no coincidan plenamente con los resultados
tericos esperados. En muchos casos es normal que ocurran grandsimas fluctuaciones en los
resultados observados en el experimento aleatorio, y aun as es posible seguir afirmando que
esos resultados fluctuantes todava estn ocurriendo dentro de los lmites previstos por el
modelo terico ideal. Justamente, una gran dificultad a la que se enfrentaron los primeros
cientficos de la Modernidad fue cmo hallar una frmula matemtica para determinar con
exactitud que las fluctuaciones o variaciones observadas en los resultados de un experimento
eran suficientemente significativas como para permitir concluir que esos resultados ya no
respondan a las expectativas del modelo terico.
Por ese motivo Karl Pearson hacia 1900 propuso uno de los primeros Test Estadsticos que
desde la ptica de las distribuciones de la probabilidad sirve para calcular si los resultados
estadsticos de un experimento se alejan significativamente o no de los resultados esperados del
modelo terico, test que actualmente es conocido como el Test Chi Cuadrado. Luego otros
importantes matemticos han propuesto la axiomatizacin de diversas funciones matemticas o
estadsticas que permiten definir y calcular los lmites ideales a partir de los cuales se puede
afirmar con gran certeza que los resultados observados en un experimento aleatorio
definitivamente ya no responden a las expectativas tericas del modelo ideal, es decir, permiten
concluir que realmente son muy significativas las disparidades existentes entre los resultados
observados y los resultados esperados. Algunas de las ms importantes funciones estadsticas
empleadas para ese propsito son la prueba Fisher, la prueba T-Student, la prueba Z, el test
Wishart, la prueba Mc Nemar, la prueba Q de Cochran, los tests de Bondad de Ajuste, etc.
A continuacin tratare sobre la Distribucin Chi-Cuadrado de la probabilidad y su relacin con el
Test
Chi-Cuadrado,
recalcando
su
aplicacin
en
los
denominados
Contrastes
de
10
Significacin que se pueden realizar entre los resultados tericos esperados y los resultados
empricos observados de un experimento.
2. . CONCEPTOS Y TRMINOS PROPIOS DEL ANLISIS DE VARIANZA

Una dificultad inicial que suele presentar el estudio del anlisis de varianza es el uso de
trminos nuevos, por eso es til familiarizarse con estos trminos ya desde el principio.
Realmente los conceptos no son nuevos, solamente pueden resultar
relativamente
nuevos los trminos para designarlos. Cuando se cae en la cuenta de que se trata de lo
que ya sabemos, desaparece la dificultad.
Recordamos la frmula de la varianza:
2
2
2
2
( X 1X ) + ( X 2X ) ++ ( X n X )
( X i X )2
i=1
N 1
2=
Recordemos
La varianza es la desviacin tpica elevada al cuadrado.

Una varianza grande indica que hay mucha variacin entre los sujetos, que hay
mayores diferencias individuales con respecto a la media; una varianza pequea
nos indica poca variabilidad entre los sujetos, diferencias menores entre los
sujetos. La varianza cuantifica todo lo que hay de diferente entre los sujetos u
observaciones.
2
A la distribucin muestral ( s )se le conoce tambin como distribucin Chi2
cuadrado ( x .
3. IMPORTANCIA DE LA VARIANZA
11
Las diferentes pruebas se centran en la estimacin de medias y proporciones

poblacionales. Se exponen tcnicas para estimar estos parmetros o para comparar dos
media o dos proporciones.
Pero en muchas circunstancias quienes toman las decisiones no solo estn interesados
en la media de una distribucin, sino tambin en el grado de dispersin en torno a la
media .Es indudable que este grado de dispersin se mide por la
2 .Por ejemplo,
supongamos que un proceso de fabricacin se ha diseado para producir piezas de

transmisin para turismos, las cuales han de tener 15cm de longitud. Si la pieza varia en
1 o 2 cm alrededor de los 15cm es posible que no sirva .Para comprobar sus
procedimientos de control de calidad el fabricante elije 100 piezas y halla una media
muestral muy prxima a 15cm.A simple vista, parecera que se cumplen los estndares
de fabricacin. sta es la buena noticia .Pero la media de 15cm puede haber sido
obtenida de 50 piezas que tienen 10cm de longitud y 50 piezas de 20cm de longitud. A
pesar de dar una media de 15, todas las piezas son defectuosas .Esta es la mala noticia.
Es evidente que la varianza es una magnitud importante para determinar el
comportamiento de la produccin .Cuando una empresa especifica el estndar de
produccin de la dimensin media de un producto, tambin estipula la varianza tolerable
en esa dimensin .Las especificaciones de la pieza de transmisin podran ser: Una
media de 15cm con una varianza de 0.89.Un manual de fabricacin utilizado por los
trabajadores de la planta de montaje de Ford ,en Kansas City,establece que el dimetro
medio del orificio de entrada al carburador ha de ser de 10.5 milmetros, con una
variacin no superior a 0.315 milmetros.
Dada la importancia de la varianza para mantener estndares de produccin, no debe
sorprendernos que se hayan ideado pruebas para estimar la varianza de una
distribucin. La prueba del valor de una sola varianza se basa en una distribucin
2
continua conocida como distribucin chi cuadrado ( x .
12
Chi cuadrado. Podemos utilizar la ji cuadrado para contrastar una hiptesis

sobre la varianza de una poblacin. La distribucin ji cuadrado nos permite
llegar a conclusiones en relacin con la variabilidad de la poblacin.
4. ANLSIS DE LA VARIANZA Y LA RELACION CON VARIABLES CUANTITATIVAS
(VARIABLE DEPENDIENTE)
Otra manera de presentar lo que se hace con el anlisis de varianza, y que ya hemos,
es ver
de qu tipos de datos disponemos y qu
informacin buscamos que nos
relaciona los distintos tipos de datos. Siempre que hacemos un anlisis de la varianza
tenemos dos tipos de informacin o dos tipos de datos:
4.1 Informacin cuantitativa. Los datos en la variable dependiente; son los datos que
hemos obtenido y tabulado: la medida de una actitud, una medida de rendimiento
acadmico, etc.; estos son los datos cuya varianza o diversidad analizamos.
2
5. DISTRIBUCION CHI-CUADRADA ( x )
La denominada Distribucin Chi Cuadrado (que usualmente se escribe y se lee

como: Ji Cuadrado), es una distribucin cuadrtica de la probabilidad que utiliza
bsicamente variables aleatorias continuas.
En realidad la distribucin ji-cuadrada es la distribucin muestral de s 2. O sea que si se
extraen todas las muestras posibles de una poblacin normal y a cada muestra se le
calcula su varianza, se obtendr la distribucin muestral de varianzas.
Para estimar la varianza poblacional o la desviacin estndar, se necesita conocer el
estadstico X2. Si se elige una muestra de tamao n de una poblacin normal con
2
varianza , el estadstico:
( n1 ) s 2
2
13
Tiene una distribucin muestral que es una distribucin ji-cuadrada con gl=n-1 grados de
libertad y se denota X2 (X es la minscula de la letra griega ji). El estadstico ji-cuadrada
est dado por:
( n1 ) s 2
x=
2
2
Donde n es el tamao de la muestra, s 2 la varianza muestral y
la varianza de la
poblacin de donde se extrajo la muestra. El estadstico ji-cuadrada tambin se puede

dar con la siguiente expresin:
x 2=
(x x )2
2
6. PROPIEDADES DE LAS DISTRIBUCIONES JI-CUADRADA

Los valores de X2 son mayores o iguales que 0.
La forma de una distribucin X 2 depende del gl=n-1(Grados de libertad). En

consecuencia, hay un nmero infinito de distribuciones X 2.
El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1.
Las distribuciones X2 no son simtricas. Tienen colas estrechas que se extienden

a la derecha; esto es, estn sesgadas a la derecha.(Pendiente positiva).
Cuando n>2, la media de una distribucin X 2 es n-1 y la varianza es 2(n-1).
La varianza muestral es una variable aleatoria.
El valor modal de una distribucin X2 se da en el valor (n-3).
14
La siguiente figura ilustra tres distribuciones X 2. Note que el valor modal aparece en el
valor (n-3) = (gl-2).
La Distribucin chi-cuadrado, tiene por funcin de densidad
Para x>0
La Distribucin chi-cuadrado no tiene sentido para valores negativos de x, como se
puede ver en la figura.
Tngase en cuenta que para gl = 1 y gl = 2 la funcin de densidad para x = 0, se hace
infinito:
x 21(0)=
2
x 2(0)=
15
Para el resto de los valores de gl, para x = 0, la funcin vale 0.

La tabla que se utilizar para estos apuntes es la del libro de probabilidad y estadstica
de Walpole, la cual da valores crticos
2
x (gl) para veinte valores especiales de .
Para denotar el valor crtico de una distribucin X 2 con gl grados de libertad se usa el
smbolo
x 2 (gl); este valor crtico determina a su derecha un rea de
bajo la curva
X2 y sobre el eje horizontal. Por ejemplo para encontrar X 20.05 (6) en la tabla se localiza 6
gl en el lado izquierdo y
=0.05 a o largo del lado superior de la misma tabla.
=0.05
gl=6
12.592
05
0
16
7.
PRUEBA DE
LA VARIANZA DE
UNA POBLACION
QUE
SIGUE
UNA
DISTRIBUCION NORMAL: JI CUADRADO X2

En realidad, la distribucin x2 es, como la distribucin t, una familia completa de
distribuciones. Hay una distribucin diferente para cada valor de los grados de libertad,
donde gl=n-1.La figura a muestra las diversas distribuciones que corresponden a
diferentes grados de libertad. Cada una de ellas representa una distribucin ji cuadrado
cuando se eligen muchas muestras de un determinado tamao. La primera es la
distribucin de los valores de x2 si se toman muchas muestras n=2
Figura 7-1: Diversas distribuciones ji cuadrado
17
(gl=2-1=1).La segunda es la distribucin de los valores de x 2 si se toman muchas

muestras de tamao n=4 (gl=4-1=3),y as las dems.
Obsrvese que la distribucin de los valores de x 2 se hace ms simtrica a medida que n

aumenta. Para gl30 la distribucin se aproxima a la normal y se pueden utilizar los
valores de z correspondientes. Si n=, la distribucin ji cuadrado y la distribucin normal
son idnticas. Como veremos en un capitulo posterior, x 2se calcula como suma de
cuadrados. La consecuencia es que no puede ser negativa y parte de cero por su
izquierda.
Para contrastar la hiptesis sobre una varianza poblacional es preciso determinar una
varianza muestral
.Recordemos que cada muestra diferente que se elija dar su
propia varianza y que es posible tener una distribucin completa de varianzas

mustrales. Es necesario estandarizar esta distribucin de varianzas mustrales
potenciales por el mismo motivo que adujimos cuando utilizamos la distribucin Z para
estandarizar valores de
al contrastar hiptesis sobre la media poblacional. Si lo
hacemos as solo tendremos que analizar una forma estndar de la distribucin. Es

decir, igual que la distribucin Z sirvi para estandarizar medias mustrales, la ji
cuadrado cumple la misma misin para las varianzas. Ese valor estandarizado de x 2 es:
[7.1]
1.1
18
Dnde:
n es el tamao de la muestra
s 2 Es la varianza muestral
Es la varianza hipottica de la poblacin
La tabla suministra los valores crticos de x2, igual que la tabla E daba los valores
crticos de z.
6.1 Pruebas de Hiptesis para una varianza
Las especificaciones de fabricacin de las raquetas de tenis Had exigen que el
modelo Adidas tenga una longitud de 27 pulgadas. La longitud no puede tener
una varianza superior a 0.71 pulgadas al cuadrado. La divisin de anlisis
estadstico de Head reconoce que x2 puede ser til para probar la varianza.
Este caso de raquetas de tenis de Head servir para demostrar cmo se puede
aplicar ji-cuadrado para contrastar varianzas. Las especificaciones de fabricacin
estipulan que la varianza de la longitud No puede ser superior a 0.71 pulgadas al
cuadrado. Por consiguiente la hiptesis nula se escribe
2 0.71. Es decir, el
sistema de hiptesis de la prueba es:

2
Ho: 0.71
Ho: 2 0.71
Que exige una prueba de cola a la derecha.
19
Para contrastar la hiptesis, el director de fabricacin elige 25 raquetas y halla

2=0.81 pulgadas al cuadrado. Si se desea un nivel de confianza del 90%( se
fija en el 10%), podramos afirmar que se cumple la especificacin de
fabricacin?
La Figura 7-2: ilustra el problema. Con la formula [7.1] se calcula un valor de x20
de la tabla, rechazaremos la hiptesis nula. Para hallar este valor crtico de x 2 en
la tabla nos desplazaremos hacia abajo por la columna de la izquierda hasta
gl=25-1=24 y despus por la lnea hasta la columna encabezada por el
valor0.10.Alli vemos que el valor crtico de x 2 es 33.196.La regla de decisin ser
la siguiente:
2
Regla de Decisin: No rechazar la hiptesis nula si x >33 .196

De la formula [6.1] obtenemos:
2
x=
( 251 ) ( 0.81 )
=27.38
0.71
Figura 7-2: Control de calidad de las raquetas de tenis de Head
20
Figura 7-3: Otras reas de posible inters para Head
Como 27.38 33.196, no se rechaza la hiptesis nula. No hay datos suficientes

para afirmar que la varianza de la longitud de raquetas supera el lmite
especificado de 0.71 pulgadas al cuadrado y el director de fabricacin puede
suponer que se cumplen las normas de produccin.
Hay que sealar que la tabla nicamente da los valores del rea comprendida por
la curva por encima del valor crtico de x2.El rea sombreada de la Figura 7-2 por
encima dela valor critico de x 2=33.1963 es el 10% del rea total limitada por la
curva.
21
La Figura 7-3 muestra otras reas de posible inters. Si gl=24, supongamos que
Had quisiera determinar el valor de x 2por encima del cual se contraste el 20% del
rea de la curva. La Figura 7-3 a) indica que es 29.553.Si buscramos el valor
por encima del cual se sita el 90% del rea(y, portanto, debajo del cual se halla
el 10%),bajaramos por la primera columna, encabezada por el valor de 0.90.Alli
se encuentra el valor de 15.659.
6.1.1 EJEMPLOS
Consuelo en la botella: un caso de control de calidad
Muchos productosenvasados se venden con la garanta de que el peso neto
medio es una cantidad determinada y con la garanta adicional de que la varianza
de dicho peso no supera un determinado limite.
Un artculo de reciente de business week sobre las estrategias de marketing se
refera a la campaa de Protect &Gamble para ampliar las ventas de muchos de
sus medicamentos de despacho sin receta, como Pepto-bismol y NyQuil. Gran
parte de su campaa se centr en exigencias de cumplimiento en relacin con la
calidad del producto. Es muy probable que algunas de esas exigencias se
refiriesen al peso neto envasado.
Supongamos que P&G digiera a sus clientes que la varianza de los pesos de sus
frascos de Pepto -Bismol era inferior al 1.2 onzas al cuadrado y que usted, como
representante de marketing de P&G, eligiera 25 frascos y hallara una varianza de
1.7. Al 10% de significacin, cumple P&G la garanta de uniformidad de su
producto?
22
Solucin: la afirmacin inferior a 1.2 onzas al cuadrado se escribe
< 1.2
como no contiene el signo igual, se trata de la hiptesis alternativa. Las hiptesis

son:
H : 2 1.2
H : 2 <1.2
Como se trata de una prueba de cola a la izquierda con
= 0.10. Exige un
valor de ji cuadrado que separe el 10% del rea a la izquierda de la curva. La

tabla H nicamente de las reas por encima, es decir, a la derecha del valor de ji
cuadrado. Por consiguiente, como se ve en la figura, encontraremos en la tabla H
el valor 0.90 (=1.0 0.10).
Si descendemos por la primera columna de la tabla H hasta g.l =25 1 =24 y
cruzamos hasta la columna encabezada por 0.90 localizaremos la ji -cuadrado
critica de 15.659.
f(X2)
DNR
.90
.10
15.659
34
23
REGLA DE DECISIN: No rechazar la hiptesis nula si X 2 15.659
rechazar la
hiptesis nula si X2 15.659

Ji cuadrado se calcula as:
X 2=
(n1)s 2
2
( 24 ) 1.7
1.2
= 34
INTERPRETACIN: Como 34>15.659 , no rechazaremos la hiptesis nula de

2
1.2
Los datos indican que la variabilidad de los pesos del producto no es inferior a la
mxima permitida.
En la mayora de los caso quienes toman las decisiones se preocupan cuando la

varianza de los estndares de produccin es demasiado grande .los ejecutivos de
las raquetas de tenis head y de P&G no se distinguirn si la produccin fuera tan
uniforme que las varianzas bajaran de las tolerancias permitidas. En cambio, es
motivo de preocupacin que los controles de produccin relajen y las variaciones
del producto se separen.
Pero sobre todo hay situaciones en que la desviacin der la varianza por arriba o
pro abajo podra provocar algo de pnico. Se trata sobre todo delos casos de
gestin de existencias. Las empresas desean mantener las existencias de
materias primas dentro de un estrecho margen. Si son excesivas, las empresas
tendrn mucho capital invertido en materiales innecesarios y al contrario, un nivel
demasiado bajo significa que la produccin pueda llegar a interrumpirse por falta
24
de existencias. Es decir, hay que evitar las fluctuaciones amplias de existencias

en uno u otro sentido. El ejemplo siguiente ilustra este problema.
6.1.2 EJEMPLOS
INMERSION EN AGUA CALIENTE
Hot Tubs fabrica jacuzzis y accesorios para ellos. El modelo supremo de jacuzzi
que produce Hot tubs, el Buns Warmer, est equipada con un televisor con mando
a distancia para los muy sibaritas. (bubbles) Bailey, propietario de hot tubs, Inc.,
quiere mantener las existencias semanales de estos televisores miniaturizados
dentro dela varianza
2=75
de 30 semanas y halla
unidades al cuadrado. Bubbles toma una muestra
s 2=71 . al nivel de
=10 , se cumple el objetivo de
Bubbles?
SOLUCION:
Como Bubbles quiere
=75 , se trata de una prueba bilateral. Las hiptesis
son:
H 0 : 2=75
H a : 2 75
En una prueba bilateral, en cada extremo se tendr la mitad de valor de
como
muestra la figura siguiente. Hay que hallar dos valores crticos de X 2en la tabla H.
25
estos valores de ji cuadrado tomados dela tabla limita el 5% del rea

comprendido por la curva en cada extremo. El valor superior de X 2deja a la
derecha el 5% del rea limitada por la curva. Para hallarlo, descendemos por la
primera columna hasta g.l= n-1 =29 y por la lnea hasta la columna encabezada
por 0.05. All se encuentra X 2= 42.557. El valor inferior tiene que dejar el 5% del
rea en extremo izquierdo y el 95% restante a la derecha. Como la tabla solo da
valores de reas situadas a la derecha de X 2, habremos de encontrar la entrada
que corresponde al 95%. Esta entrada, en la columna encabezada por 0.95, es
17.708.
REGLA DE DECISION: No rechazar la hiptesis nula si
Rechazarla si
X 2=
X 2 <17.708
(n1)s
2
17.708< X 2 < 42.557 .
X 2 > 42.557
26
(301)71
75
27.453
INTERPRETACION:La varianza no supera el nivel admisible. Bubbles puede
suponer que las existencias cumplen su objetivo.

6.2 Intervalo de confianza para la varianza de una poblacin normal
Se rehace o no la hiptesis nula, antes de tomar una decisin es preciso fijar un

intervalo de confianza para que sirva para estimar la varianza poblacional
desconocida. El intervalo de confianza de una varianza poblacional se calcula por
la frmula:
( n1 ) s 2 2 (n1)s 2
< <
X 2U
X 2L
Dnde: x2u es el valor superior de x2 tomado de la tabla

X2L es el valor inferior de X2 tomado de la tabla
En el ejemplo 12,2 Bubbles no rechaz H o: =75 unidades al cuadrado los datos
de la muestra sugeran que la varianza poblacional podra ser 75 - .Pero ello
representa una mera estimacin puntual de
.Bubbles podra preferir una
estimacin de intervalo de la varianza. Con los datos del ejemplo dicha estimacin
seria
(301)(71) 2 (301)(71)
< <
42.557
17.708
27
48.382< 2<116.275
Bubbles puede confiar al 90% en que la varianza semanal de los niveles de

existencias de los televisores se sita en este intervalo. El 90% de todos los
intervalos de confianza construidos de esa manera contendrn la
real.
Para ilustrarlo mejor, supongamos que un fabricante de equipos deportivos mide

cada cierto tiempo la varianza de la longitud de sus palos de golf con objeto de
mantener su calidad. Una muestra de 20 palos indica una desviacin tpica de 4.1
mm. Para construir el intervalo del 95% para la varianza de la longitud de los
palos hay que repartir por igual el valor 0.05 de alfa entre las colas de la
distribucin. Los valores correspondientes de ji cuadrado son X 219,975= X219,025 =
32.852, como se muestra en la figura.
Con la formula calculamos:
(19)(4.1)2 (19)(4.1)2
+
32.852
8.907
9.7< 2 <35.86
El fabricante puede confiar al 95% en que la varianza de la longitud del palo esta
entre 9.72 y 35.86mm. Con estos datos, tendr que decidir si la varianza es
demasiado grande para permitir que el proceso de produccin contine sin
proceder a su ajuste.
28
CONCLUSIONES
La Estadstica es una ciencia con base matemtica, es decir, que estudia cmo
debe emplearse la informacin y cmo dar una gua de accin en situaciones
prcticas
que denotan incertidumbre, asimismo busca explicar condiciones
regulares en fenmenos de tipo aleatorio, sta hoy en da ofrece al gerente una

gran variedad de herramientas analticas en la toma de decisiones, como lo es la
Estadstica No Paramtrica.
Las Pruebas No Paramtricas ms utilizadas son las Pruebas de Chi Cuadrado

las cuales se aplican a travs de Pruebas de hiptesis
29
RECOMENDACIONES
En el mundo empresarial se vive en una constante incertidumbre, es por ello que

los gerentes deben utilizar la estadstica como una herramienta que le permite
resolver problemas. En stas existen una gran diversidad de datos y los gerentes
se ven a menudo obligados a tomar decisiones, por ello es recomendable que
utilicen sistemas de soportes de decisiones basados en modelos estadsticos,
como los son las Pruebas de Chi Cuadrado.

Hoy en da es importante darse cuenta que vivimos en una constante toma de
decisiones, en diferentes contextos como pueden ser familiar, laboral y
empresarial entre otros.

Esta prueba se caracteriza por tener un procedimiento sistemtico que le
permitir al gerente recolectar, analizar e interpretar inteligentemente los datos
relevantes en su toma de decisin, solucionar problemas en una diversidad de
contextos, agregar soporte a las decisiones, es decir, tomar decisiones de manera
objetiva y reducir el trabajo de adivinar, esto permitir que los resultados objetivos
sean realistas con un margen de error mnimo, reduciendo as costos y el riesgo
que tendra al tomar una mala decisin.
30
BIBLIOGRAFIA
Webster, Allen L., Estadstica Aplicada a los Negocios y la Economa, Colombia,
2000, 640 pgs.
Estadstica Para Administracin Y Economa, 7ma Edicin Richard I. Levi, David S.
Rubn, Ji cuadrado y anlisis de la varianza .En: Estadstica para Administracin y
Economa, 7ma edicin, capitulo 11, p 484-488.
Anderson David, SWEENEY, Denis. Williams Thomas. Muestreo y distribuciones
mustrales.En: Estadstica para Administracin y Economa, 10a edicin, capitulo 7,
p.270-288.

Analisis

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Analisis

Cargado por

Copyright:

Formatos disponibles

ANLISIS DE LA VARIANZA

:MG. ELSA LAGOS QUISPE

ESPINOZA REYMUNDO SAMIRA

CON VARIABLES CUANTITATIVAS

CON VARIABLES CUANTITATIVAS

Siempre que obtengamos muestras de una poblacin, existe la cuestin de la

TABLA DE LA DISTRIBUCIN CHI-CUADRADO

CON VARIABLES CUANTITATIVAS

Cuadrado, la cuales son pruebas no paramtricas, ya que se basan en pruebas de

poblacionales, aplicables a los niveles de

calcular si las variables de clasificacin son independientes o estn relacionadas; y se

estadsticas usadas para probar hiptesis de dependencia

entre variables, referidas a un conjunto de frecuencias observadas y un conjunto de

TABLA DE DISTRIBUCION CHI CUADRADO ( x

ANALISIS DE LA VARIANZA CON VARIABLES CUANTITATIVAS

ANALISIS DE LA VARIANZA CON

1. Antecedentes Histricos de La Distribucin Chi

2. . CONCEPTOS Y TRMINOS PROPIOS DEL ANLISIS DE VARIANZA

La varianza es la desviacin tpica elevada al cuadrado.

Las diferentes pruebas se centran en la estimacin de medias y proporciones

supongamos que un proceso de fabricacin se ha diseado para producir piezas de

continua conocida como distribucin chi cuadrado ( x .

Chi cuadrado. Podemos utilizar la ji cuadrado para contrastar una hiptesis

de qu tipos de datos disponemos y qu

informacin buscamos que nos

La denominada Distribucin Chi Cuadrado (que usualmente se escribe y se lee

Donde n es el tamao de la muestra, s 2 la varianza muestral y

poblacin de donde se extrajo la muestra. El estadstico ji-cuadrada tambin se puede

6. PROPIEDADES DE LAS DISTRIBUCIONES JI-CUADRADA

La forma de una distribucin X 2 depende del gl=n-1(Grados de libertad). En

El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1.

Las distribuciones X2 no son simtricas. Tienen colas estrechas que se extienden

Cuando n>2, la media de una distribucin X 2 es n-1 y la varianza es 2(n-1).

La varianza muestral es una variable aleatoria.

El valor modal de una distribucin X2 se da en el valor (n-3).

La Distribucin chi-cuadrado, tiene por funcin de densidad

Para el resto de los valores de gl, para x = 0, la funcin vale 0.

x 2 (gl); este valor crtico determina a su derecha un rea de

=0.05 a o largo del lado superior de la misma tabla.

DISTRIBUCION NORMAL: JI CUADRADO X2

(gl=2-1=1).La segunda es la distribucin de los valores de x 2 si se toman muchas

Obsrvese que la distribucin de los valores de x 2 se hace ms simtrica a medida que n

.Recordemos que cada muestra diferente que se elija dar su

propia varianza y que es posible tener una distribucin completa de varianzas

al contrastar hiptesis sobre la media poblacional. Si lo

hacemos as solo tendremos que analizar una forma estndar de la distribucin. Es

Es la varianza hipottica de la poblacin

sistema de hiptesis de la prueba es:

Para contrastar la hiptesis, el director de fabricacin elige 25 raquetas y halla

Regla de Decisin: No rechazar la hiptesis nula si x >33 .196

Figura 7-3: Otras reas de posible inters para Head

Como 27.38 33.196, no se rechaza la hiptesis nula. No hay datos suficientes

Solucin: la afirmacin inferior a 1.2 onzas al cuadrado se escribe

como no contiene el signo igual, se trata de la hiptesis alternativa. Las hiptesis

Como se trata de una prueba de cola a la izquierda con

valor de ji cuadrado que separe el 10% del rea a la izquierda de la curva. La

REGLA DE DECISIN: No rechazar la hiptesis nula si X 2 15.659

hiptesis nula si X2 15.659

INTERPRETACIN: Como 34>15.659 , no rechazaremos la hiptesis nula de

En la mayora de los caso quienes toman las decisiones se preocupan cuando la

de existencias. Es decir, hay que evitar las fluctuaciones amplias de existencias

unidades al cuadrado. Bubbles toma una muestra

=10 , se cumple el objetivo de