FORMULACION Y

EVALUACION DE
PROYECTOS

ENSAYO
TERMINOS
ESTADISTICOS
POR:

STEPHANY CAZARES ALVARADO

MARLENE ALVAREZ REYNOSO
LILIA FERNANDEZ HERNANDEZ

Tabla de contenido
T DE STUDENT............................................................................................. 2
NIVEL DE SIGNIFICANCIA............................................................................. 5
REGRESION LINEAL..................................................................................... 6
REGRESION LINEAL MULTIPLE...................................................................10
TASA DE CRECIMIENTO.............................................................................. 12
R= COEFICIENTE DE CORRELACIN..........................................................17
R CUADRADA= COEFICIENTE DE DETERMINACIN.....................................18
R AJUSTADA=COEFICIENTE DE DETERMINACIN CORREGIDO...................19
COEFICIENTE............................................................................................. 20
COEFICIENTE MATEMTICO.......................................................................20
COEFICIENTE BINOMIAL..........................................................................21
SUAVIZACION EXPONENCIAL.....................................................................22
VARIABLES INDEPENDIENTES Y DEPENDIENTES........................................24
EJEMPLOS............................................................................................... 25
MINIMOS CUADRADOS............................................................................... 26
MODELO DE MINIMOS CUADRADOS ORDINARIOS..................................26
EJEMPLOS............................................................................................... 28

T DE STUDENT
Distribucin t de Student. En probabilidad y estadstica, la distribucin t
(de Student) es una distribucin de probabilidad que surge del problema
de estimar la media de una poblacin normalmente distribuida cuando el
tamao de la muestra es pequeo.
La distribucin t de student (desarrollada por Gosset ) es , con la chi2 , la
F de Snedecor, y , por supuesto, la normal , transcendental para
aplicaciones inferenciales , en especial para aquellas en las que
se desconoce la varianza ; dado que no depende de las varianzas de las
variables que la integran.
Su expresin formal parte de dos variables X e Y tales que :

de manera que

siendo t una nueva distribucin conocida como t de student con n grados

de libertad.
La distribucin t de student . admite , tambien , una definicin
alternativa , tomada como la distribucin marginal de la primera variable
de una distribucin "normal-gamma" ; en este sentido la expresin de
su funcin de densidad vendra dada por :

siendo n
los grados de libertad que actuan de parmetro

la funcin

gamma de Euler

La distribucin t de student con n grados de libertad tiene siempre como

media el valor "0" , sea cuales fueren los grados de libertad ; es
2

simtrica ,asitticamente tiende a

,de forma campaniforme , al igual

que la distribucin normal, teniendo como varianza el valor

Los valores de la funcin de probabilidad para los diversos

estn

tabulados atendiando al nico parmetro de la distribucin , es decir , el

nmero de grados de libertad ; evidentemente , es ms recomendable
para su clculo la utilizacin del programa que presentamos.
En otro orden de cosas la distribuccin t de student con n grados de
libertad congerge en ley a una normal tipificada (estandarizada ) cuando
el nmero de grados de libertad tiende a infinito.

NIVEL DE SIGNIFICANCIA
Cuando se toma la decisin de rechazar o no la Hiptesis Nula podemos
acertar o cometer errores. En el trabajo real no sabemos qu ocurre
porque no sabemos si la Hiptesis Nula es verdadera o no. Sin
embargo, dados ciertos supuestos podemos obtener las probabilidades
de cometer errores de tipo I y de tipo II.
La probabilidad de cometer errores de tipo I, que se simboliza alfa, es la
probabilidad de ocurrencia de los valores del estadstico en la regin de
rechazo cuando la Hiptesis Nula es verdadera. El valor de alfa, tambin
denominado nivel de significacin, es definido por el investigador antes
de recoger los datos, y la costumbre es hacer alfa=0.05 o alfa=0.01 (en
el ejemplo alfa es igual a 0.05). La probabilidad de cometer errores de
tipo II se simboliza beta y depende de varias circunstancias como la
distancia que separa el valor asignado al parmetro en la Hiptesis Nula
de su valor real, el tamao muestral y el valor asignado a alfa.

REGRESION LINEAL
El modelo de pronstico de regresin lineal permite hallar el valor esperado de
una variable aleatoria a cuando b toma un valor especfico. La aplicacin de
este mtodo implica un supuesto de linealidad cuando la demanda presenta un
comportamiento creciente o decreciente, por tal razn, se hace indispensable
que previo a la seleccin de este mtodo exista un anlisis de regresin que
determine la intensidad de las relaciones entre las variables que componen el
modelo.

CUNDO UTILIZAR UN PRONSTICO DE REGRESIN

LINEAL?

El pronstico de regresin linealsimple es un modelo ptimo para patrones de

demanda con tendencia (creciente o decreciente), es decir, patrones que
presenten una relacin de linealidad entre la demanda y el tiempo.

Existen medidas de la intensidad de la relacin que presentan las variables que

son fundamentales para determinar en qu momento es conveniente utilizar
regresin lineal.

ANLISIS DE REGRESIN

El objetivo de un anlisis de regresin es determinar la relacin que

existe entre una variable dependiente y una o ms variables independientes.
Para poder realizar esta relacin, se debe postular una relacin funcional entre
las variables. Cuando se trata de una variable independiente, la forma funcional
que ms se utiliza en la prctica es la relacin lineal. El anlisis de regresin
entonces determina la intensidad entre las variables a travs de coeficientes de
correlacin y determinacin.
EJEMPLO DE APLICACIN DE UN PRONSTICO DE REGRESIN LINEAL SIMPLE

La juguetera Gaby desea estimar mediante regresin lineal simple las ventas
para el mes de Julio de su nuevo carrito infantil "Mate". La informacin del
comportamiento de las ventas de todos sus almacenes de cadena se presenta
en el siguiente tabulado.
Mes
1 Enero

Ve

2 Febrero
3 Marzo
4 Abril

5 Mayo

6 Junio

El primer paso para encontrar el pronstico del mes 7 consiste en hallar la

pendiente, para ello efectuamos los siguientes clculos:

Luego, y dado que ya tenemos el valor de la pendiente b procedemos a

calcular el valor de a, para ello efectuamos los siguientes clculos:

Ya por ltimo, determinamos el pronstico del mes 7, para ello efectuamos el

siguiente clculo:

Podemos as determinar que el pronstico de ventas para el perodo 7 es

equivalente a 13067 unidades.

REGRESION LINEAL MULTIPLE

10

11

TASA DE CRECIMIENTO
Aumento o disminucin de una poblacin (por los factores de
nacimientos, muertes y migracin) en un determinado periodo
(normalmente se calcula por ao).
1.Calcula las tasas bsicas de crecimiento

A) obtn los datos que muestren un cambio en alguna cantidad a travs

del tiempo:
Por ejemplo: si tu negocio vala $1000 a principios de mes y ahora vale
$1200, podrs calcular la tasa de crecimiento usando 1000 como el valor
inicial (o "pasado") y 1200 como valor final (o "presente"). Resolvamos
un problema sencillo como ejemplo. En este caso, usaremos el nmero
205 (como valor pasado) y el 310 (como valor presente).Cuando los dos
valores son iguales, no hay crecimiento; la tasa de crecimiento es 0.
B) aplica la formula de crecimiento
Simplemente coloca los valores pasado y presente en la siguiente
frmula: (Presente) - (Pasado) / (Pasado). Obtendrs una fraccin como
respuesta y tendrs que dividir esa fraccin para obtener un valor
decimal. En nuestro ejemplo, vamos a colocar 310 como valor presente
12

y 205 como valor pasado. Nuestra frmula quedar as: (310 - 205)/205
= 105/205 = 0.51

C) expresa la respuesta decimal como porcentaje

Por lo tanto, para nuestro ejemplo, multiplicamos 0.51 por 100 y le
agregamos un signo de porcentaje. 0.51 x 100 = 51%.
Nuestra respuesta significa que la tasa de crecimiento es del 51%. En
otras palabras, nuestro valor presente es 51% ms grande que nuestro
valor pasado. Si nuestro valor presente fuera ms pequeo que nuestro
valor pasado, la tasa de crecimiento sera negativa.

13

2. Calcula las tasas de crecimiento promedio en intervalos de tiempo

regulares
A) organiza los datos de una tabla

14

B) Usa una ecuacin para calcular la tasa de crecimiento que tiene en

cuenta el nmero de intervalos de tiempo que aparecen en los datos.
En nuestro caso, los datos se expresan en aos. Coloca el valor pasado
y el valor presente en una nueva frmula: (presente) = (pasado) * (1 +
tasa de crecimiento)ndonde n = nmero de perodos de tiempo.Este
mtodo nos dar una tasa de crecimiento promedio para cada intervalo
de tiempo, la cual estar determinada por el valor pasado y presente y
suponiendo que hubo una tasa constante de crecimiento. Debido a que
en nuestro ejemplo usamos aos, vamos a obtener una tasa de
crecimiento promedio anual.
C) Asla la variable de "tasa de crecimiento".
Manipula la ecuacin usando tcnicas algebraicas para dejar sola la
"tasa de crecimiento" en uno de los lados del signo igual. Para hacerlo,
divide ambos lados por el valor pasado, convierte el exponente en 1/n y
15

resta 1.Si la operacin algebraica est bien hecha, te quedar as: tasa
de crecimiento = (presente / pasado)1/n - 1.

D) Resuelve la operacin para obtener la tasa de crecimiento

Resuelve de acuerdo con los principios bsicos del lgebra, el orden de
las operaciones, etc. En nuestro ejemplo, vamos a usar el valor presente
310 y el valor pasado 205, junto con un perodo de tiempo de 10 aos
para n. En este caso, la tasa de crecimiento promedio anual es
simplemente (310/205)1/10 - 1 = 0.0422
0.0422 x 100 = 4.22%. En promedio, nuestro valor creci un 4.22 por
ciento cada ao.

16

R= COEFICIENTE DE CORRELACIN
La correlacin estadstica es medida por lo que se denomina coeficiente
de correlacin (r). Su valor numrico vara de 1,0 a -1,0. Nos indica la
fuerza de la relacin.
En general, r> 0 indica una relacin positiva y r <0 indica una relacin
negativa, mientras que r = 0 indica que no hay relacin (o que las
variables son independientes y no estn relacionadas). Aqu, r = 1,0
describe una correlacin positiva perfecta y r = -1,0 describe una
correlacin negativa perfecta.
Cuanto ms cerca estn los coeficientes de +1,0 y -1,0, mayor ser la
fuerza de la relacin entre las variables

17

R CUADRADA= COEFICIENTE DE DETERMINACIN

Mide el grado de relacin lineal entre dos variables aleatorias
Analiza el grado de dependencia entre dos variables, es decir, cmo se ver
afectada una variable determinada, conociendo la variacin de una segunda
variable. Este coeficiente toma valores entre -1 y 1, indicando si existe una
dependencia directa (coeficiente positivo) o inversa (coeficiente negativo)
siendo el 0 la independencia total.
En estadstica, el coeficiente de determinacin, denominado R y
pronunciado R cuadrado, es unestadstico usado en el contexto de un modelo
estadstico cuyo principal propsito es predecir futuros resultados o probar una
hiptesis. El coeficiente determina la calidad del modelo para replicar los
resultados, y la proporcin de variacin de los resultados que puede explicarse
por el modelo.1
Hay varias definiciones diferentes para R que son algunas veces equivalentes.
Las ms comunes se refieren a la regresin lineal. En este caso, el R es
simplemente el cuadrado del coeficiente de correlacin de Pearson, lo cual es
slo cierto para la regresin lineal simple. Si existen varios resultados para una
nica variable, es decir, para una X existe una Y, Z... el coeficiente de
determinacin resulta del cuadrado del coeficiente de determinacin mltiple.
En ambos casos el R adquiere valores entre 0 y 1. Existen casos dentro de la
definicin computacional de R donde este valor puede tomar valores
negativos.2

18

R AJUSTADA=COEFICIENTE DE DETERMINACIN
CORREGIDO
Mide el porcentaje de variacin de la variable dependiente (al igual que el
coeficiente de determinacin) pero teniendo en cuenta el nmero de variables
incluidas en el modelo.
A medida que se van incluyendo variables en el modelo, el coeficiente de
determinacin aumenta aunque las variables que incluyamos no sean
significativas. Esto supone un problema, ya que no debemos olvidar que la
inclusin de nuevas variables supone un aumento en el nmero de parmetros
a estimar para el modelo....
El coeficiente de determinacin corregido viene a resolver este problema del
coeficiente de determinacin

19

COEFICIENTE
Se llama coeficiente al nmero o letra que se le coloca antes de una cantidad
para multiplicarla
Coeficiente es sinnimo de cifra, factor o proporcin. Etimolgicamente, est
compuesta por el prefijo latn cum, que significa con, y efficients, que deriva
del verbo de efficere, y traduce hacer, obrar. Por ello, en determinados
contextos, funciona como un adjetivo que se refiere algo que, junto con otra
cosa, contribuye a producir un determinado efecto.
COEFICIENTE MATEMTICO
En matemticas, un coeficiente es un factor vinculado a un monomio. Dado
un divisor del monomio, el coeficiente es el cociente del monomio por el divisor.
As el monomio es el producto del coeficiente y el divisor. Los diferentes
coeficientes dependern de la factorizacin del monomio.
Un coeficiente numrico es un factor constante de un objeto especfico. Por
ejemplo, en la expresin 9x2, el coeficiente de x2 es 9. En lgebra elemental,
coeficientes numricos de trminos semejantes se agrupan para simplificar las
expresiones algebraicas..
El objeto puede ser cosas tales como una variable, un vector, una funcin, etc.
En algunos casos, los objetos y los coeficientes estn ordenados de la misma
manera, dando lugar a expresiones tales como:

donde an es el coeficiente de la variable xn para cada n = 1, 2, 3,

En un polinomio P(x) de una variable x, el coeficiente de xk puede ordenar
por k, dando por ejemplo:

20

Para el mayor valor de k, donde ak 0, ak se denomina primer

coeficiente de P, ya que la mayor parte de las veces, los polinomios se
escriben a partir de la izquierda, con la mayor potencia de x. As, por
ejemplo, el primer coeficiente del polinomio:

es 4.
Los coeficientes de los polinonios tambin pueden estar en otro
orden:
9x2+9+6
y debe ser a0 0 y a0 es el primer coeficiente de Q.

COEFICIENTE BINOMIAL
Importantes coeficientes en matemticas incluyen los coeficientes
binomiales que son los coeficientes en la declaracin del teorema del binomio.
Estos se pueden encontrar parcialmente con el tringulo de Pascal. Por
ejemplo,

El coeficiente 4 en los trminos de xbyc - xcybes conocido como el

coeficiente binomial

(los dos tienen el mismo valor).

21

SUAVIZACION EXPONENCIAL
El mtodo de suavizacin exponencial es un mtodo de promedio mvil
ponderado muy refinado que permite calcular el promedio de una serie
de tiempo, asignando a las demandas recientes mayor ponderacin que
a las demandas anteriores.
Es el mtodo de pronstico formal que se usa ms a menudo, por su
simplicidad y por la reducida cantidad de datos que requiere. A diferencia
del mtodo de promedio mvil ponderado, que requiere n periodos de
demanda pretrita y n ponderaciones, la suavizacin exponencial
requiere solamente tres tipos de datos: el pronstico del ltimo periodo,
la demanda de ese periodo y un parmetro suavizador, alfa , cuyo valor
flucta entre 0 y 1.0. Para elaborar un pronstico con suavizacin
exponencial, ser suficiente que calculemos un promedio ponderado de
la demanda ms reciente y el pronstico calculado para el ltimo
periodo.
En la suavizacin exponencial se asignan pesos a los datos pasados tal
que los pesos disminuyen al hacerse los datos ms antiguos, esto es
que en un proceso cambiante, esto es que los datos recientes son ms
validos que los datos antiguos.
Este mtodo solo necesita el pronstico ms reciente, una constante de
suavizacin (es un valor arbitrario entre 0 y 1) y el ltimo dato real, y as
se elimina la necesidad de almacenar grandes cantidades de datos
pasados.
EJEMPLO
Cundo utilizar un pronstico de suavizacin exponencial simple?
El pronstico de suavizacin exponencial simple es ptimo para patrones de
demanda aleatorios o nivelados donde se pretende eliminar el impacto de los
elementos irregulares histricos mediante un enfoque en perodos de demanda
reciente, este posee una ventaja sobre el modelo de promedio mvil ponderado
22

ya que no requiere de una gran cantidad de perodos y de ponderaciones para

lograr ptimos resultados.

En Enero un vendedor de vehculos estim unas ventas de 142

automviles para el mes siguiente. En Febrero las ventas reales fueron
de 153 automviles. Utilizando una constante de suavizacin
exponencial de 0.20 presupueste las ventas del mes de Marzo.
Solucin
Podemos as determinar que el pronstico de ventas para el perodo 3
correspondiente a Marzo es equivalente a 144 automviles

23

VARIABLES INDEPENDIENTES Y DEPENDIENTES

Variable dependiente
Es una letra cualquiera la cual depende de otra ya conocida (valor
numrico).
Variable independiente
Es una letra cualquiera a la cual se le asigna un valor ya conocido.
Ejemplo: Sean "X y Y" dos variables, tal que:
A la letra "X" se le asigna dentro una "funcin" como variable
independiente.
Y a la letra "Y" se le asigna dentro una "funcin" como variable
dependiente.
Notacin f(x)= Y
g(x)= Y
r(x)= Y

24

EJEMPLOS
Una seora quiere comprar cierta cantidad de bombones, un bombn
cuesta $200.
N de bombones
Precio
1

$200

$400
$600

$800

2 bombones= 2 x 200 = $400

10 bombones= 10 x 200 = $2000
Tabulacin:
N(x)

4 = Variable independiente.

P(y) 200 400 600 800 = Variable dependiente.

25

MINIMOS CUADRADOS
MODELO DE MINIMOS CUADRADOS ORDINARIOS
El anlisis de regresin trata de la dependencia de las variables
explicativas, con el objeto de estimar y/o predecir la media o valor
promedio poblacional de la variable dependiente en trminos de los
valores conocidos o fijos de las variables explicativas.
Se trata de encontrar una mtodo para hallar una recta que se ajuste de
una manera adecuada a la nube de puntos definida por todos los pares
de valores muestrales (Xi,Yi).
Este mtodo de estimacin se fundamenta en una serie de supuestos,
los que hacen posible que los estimadores poblacionales que se
obtienen a partir de una muestra, adquieran propiedades que permitan
sealar que los estimadores obtenidos sean los mejores.
Pues bien, el mtodo de los mnimos cuadrados ordinarios consiste en
hacer mnima la suma de los cuadrados residuales, es decir lo que
tenemos que hacer es hallar los estimadores que hagan que esta suma
sea lo ms pequea posible.
Otro autor nos menciona que Mnimos cuadrados es una tcnica
de anlisis numrico enmarcada dentro de la optimizacin matemtica,
en la que, dados un conjunto de pares ordenados: variable
independiente, variable dependiente, y una familia de funciones, se
intenta encontrar la funcin continua, dentro de dicha familia, que mejor
se aproxime a los datos (un "mejor ajuste"), de acuerdo con el criterio
de mnimo error cuadrtico.
En su forma ms simple, intenta minimizar la suma de cuadrados de las
diferencias en las ordenadas (llamadas residuos) entre los puntos
generados por la funcin elegida y los correspondientes valores en los
datos. Especficamente, se llamamnimos cuadrados promedio (LMS)
cuando el nmero de datos medidos es 1 y se usa el mtodo
de descenso por gradiente para minimizar el residuo cuadrado. Se
puede demostrar que LMS minimiza
26 el residuo cuadrado esperado, con

el mnimo de operaciones (por iteracin), pero requiere un gran nmero

de iteraciones para converger.
Desde un punto de vista estadstico, un requisito implcito para que
funcione el mtodo de mnimos cuadrados es que los errores de cada
medida estn distribuidos de forma aleatoria. El teorema de GaussMrkov prueba que los estimadores mnimos cuadrticos carecen de
sesgo y que el muestreo de datos no tiene que ajustarse, por ejemplo, a
una distribucin normal. Tambin es importante que los datos a procesar
estn bien escogidos, para que permitan visibilidad en las variables que
han de ser resueltas (para dar ms peso a un dato en particular,
vase mnimos cuadrados ponderados).
La tcnica de mnimos cuadrados se usa comnmente en el ajuste de
curvas. Muchos otros problemas de optimizacin pueden expresarse
tambin en forma de mnimos cuadrados, minimizando la energa o
maximizando la entropa.

27

EJEMPLOS
Supuesto 1
El modelo de regresin es lineal en los parmetros:
Yi = 1 + 2*Xi +i
La linealidad de los parmetros se refiere a que los s son elevados
solamente a la primera potencia.
Supuesto 2
Los valores que toma el regresor X son considerados fijos en muestreo
repetido. Esto quiere decir que la variable X se considera no estocstica.
Este supuesto implica que el anlisis de regresin es un anlisis
condicionado a los valores dados del (los) regresores.
Supuesto 3
Dado el valor de X, el valor esperado del trmino aleatorio de
perturbacin i es cero.
E ( i/Xi ) = 0
Cada poblacin de Y corresponde a un X dado, est distribuida
alrededor de los valores de su media con algunos valores de Y por
encima y otros por debajo de sta. Las distancias por encima y por
debajo de los valores medios son los errores, y la ecuacin antes
sealada requiere que en promedio estos valores sean cero

28