Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EVALUACION DE
PROYECTOS
ENSAYO
TERMINOS
ESTADISTICOS
POR:
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 n
los grados de libertad que actuan de parmetro
la funcin
gamma de Euler
estn
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.
ANLISIS DE REGRESIN
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
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
y 205 como valor pasado. Nuestra frmula quedar as: (310 - 205)/205
= 105/205 = 0.51
13
14
resta 1.Si la operacin algebraica est bien hecha, te quedar as: tasa
de crecimiento = (presente / pasado)1/n - 1.
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
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:
20
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,
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
23
24
EJEMPLOS
Una seora quiere comprar cierta cantidad de bombones, un bombn
cuesta $200.
N de bombones
Precio
1
$200
$400
$600
$800
4 = Variable independiente.
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
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