Taller 1 Modelos estadísticos para mercadotecnia

1. Defina población y muestra

POBLACION:Una población estadística es un conjunto de sujetos o

elementos que presentan características comunes. Sobre esta población se
realiza el estudio estadístico con el fin de sacar conclusiones. El
tamaño poblacional es el número de individuos que constituyen la población.

MUESTRA: es una parte o una porción de un producto que permite conocer la

calidad del mismo.La muestra estadística es el subconjunto de los individuos
de una población estadística. Estas muestras permiten inferir las propiedades
del total del conjunto.
2. Haga la diferencia entre estadística descriptiva e inferencial.

ESTADÍSTICA DESCRIPTIVA
Esta es la más conocida por la mayoría y como su nombre lo indica, su objetivo es
describir. En este caso se usan medidas numéricas para analizar datos y llegar a
conclusiones a partir de ellos.
Hay algunos elementos y categorías que pertenecen específicamente a este
campo de la Estadística, como por ejemplo:

 El promedio: o medida de tendencia central que resulta del cálculo de la sumatoria

de todos los datos de una variable dividido entre el número de datos que contenga la
misma.
 Dispersión: tiene que ver con la distancia o diferencia que hay entre cada valor de
la variable y el promedio de la misma.

 Medida de asimetría y curtosis.

 Exploración de relación y correlación entre conjuntos de datos.

 Presentaciones de resultados estadísticos en forma de gráficos.

ESTADÍSTICA INFERENCIAL
Esta área de la Estadística se encarga del estudio de las muestras estadísticas. A partir del
análisis de dichas muestras, la Estadística Inferencial puede inferir, estimar o sacar
conclusiones a partir de la muestra de una población Estadística inferencial

A su vez, la Estadística Inferencial se divide en dos grandes grupos, que son:

  La estimación de intervalos de confianza: que es un rango de valores para un
parámetro desconocido a través de la medida de la muestra tomada de una
población.
 Prueba de significancia o prueba de hipótesis: consiste en poner a prueba las
afirmaciones que se hacen acerca de una población a partir de la medida de la
muestra.

En definitiva, la diferencia entre Estadística Descriptiva y Estadística Inferencial es que la

primera sólo se encarga de hacer descripciones a partir de ciertos datos; mientras que la
segunda se va más allá y hace estimaciones acerca de los datos que se recogen de las
muestras que se toman de una población.

3. Defina que es una variable y proporcione un ejemplo de cada clase de variable.

Variable estadística. Es cada una de las características o

cualidades que poseen los individuos de una población.

Variable cualitativa
Las variables cualitativas se refieren a características o cualidades
que no pueden ser medidas con números. Podemos distinguir dos
tipos

Variable cualitativa nominal

Una variable cualitativa nominal presenta modalidades no numéricas
que no admiten un criterio de orden. Ejemplos:

 El estado civil, con las siguientes modalidades: soltero, casado,

separado, divorciado y viudo.
 El sexo de u grupo de personas ( masculino – femenino)

 Los colores de las flores ( rojo, rosado, amarillo)

 La profesión de un grupo de personas(periodista, profesor,

científico)

Variable cualitativa ordinal o variable cuasicuantitativa

Una variable cualitativa ordinal presenta modalidades no númericas,
en las que existe un orden. Ejemplos:

 La nota en un examen: suspenso, aprobado, notable,

sobresaliente.
 Puesto conseguido en una prueba deportiva: 1º, 2º, 3º, ...

 Medallas de una prueba deportiva: oro, plata, bronce.

Variable cuantitativa

Una variable cuantitativa se refiere a atributos que expresan una

cantidad o cantidad de magnitud y por tanto toma valores numéricos
Ejemplos:

 La edad de una persona(5 años, 12 años, 20 años…)

 Número de habitantes en determinada región o en un país( 34
150, 10 987 ….

 Tiempo de duración de un suceso o evento ( 2 minutos, 3 horas,

1,5 horas ….)

 La variable cuantitativa puedes ser discretas o continuas

Variable cuantitativa discreta

Cuando solo pueden tomar un número finito o a lo sumo numerable de
valores, con los cuales es posible establecer una correspondencia
biunívoca con el conjunto de los números enteros o subconjuntos
propios de este. Ejemplos:

 Cantidad de alumnos de un grupo, de un grado o de una escuela

(30; 218; 500…)
 Cantidad de libros de una biblioteca (10 000, 345 876. 2 345
098…)

 Número de viajes realizados por un ómnibus (0; 1; 3; 6…)

Variable cuantitativa continua

Una variable continua es aquella que puede tomar valores
comprendidos entre dos números, es decir puede tomar cualquier
valor de un intervalo real. Ejemplos:

 Estatura de un grupo de personas

 Cantidad de lluvia caída en una región en una época o tiempo
determinado

 Volumen de agua en una presa en metros cúbicos

 Tiempo que puede durar cualquier proceso

Tipos de niveles o escalas de medición de la
variable
Escala Nominal
La escala de medida nominal, puede considerarse la escala de nivel
más bajo, y consiste en la asignación, puramente arbitraria de
números o símbolos a cada una de las diferentes categorías en las
cuales podemos dividir el carácter que observamos, sin que puedan
establecerse relaciones entre dichas categorías, a no ser el de que
cada elemento pueda pertenecer a una y solo una de estas
categorías.

Ejemplo: Clasificación de 30 alumnos de un grupo de decimo grado de acuerdo con el

sexo.

Número de
Sexo
alumnos

Masculi
11
no

Femeni
19
no

Total 30

En las variables que se miden mediante una escala nominal , la

cuantifcacón se realiza mediante conteo de los elemenos de cada
clase, es decir determinando la frecuencia de clase.

Escala Ordinal
La variable que se mide se puede dvidir en categorías o clases
mutuamente excluyentes y exhaustivas que cumplen las siguientes
propiedades.

 La iguladad se obtiene entre elementos de una misma categoría

o clase.
 la desigualdad se obtiene entre elementos de clases diferentes.

 Existe relación de orden entre los elementos de dos clases

dferentes.

 La variable no toma valores numéricos.

Elemplo: Clasificación de los 30 alumnos de acuerdo con el redimiento académico.

Rendimieto Número de
acádemico alumnos

12

Bajo 3

En las variables que se miden mediante una escala ordinal, la

cuantifcacón se realiza mediante conteo de los elemenos de cada
clase, es decir determinando la frecuencia de clase.

Escalas de intervalos
La variable que se estudia se puede dividir en categotías o clases
mutuamente excluyenyes y exhaustivas que cumplen las siguientes
propiedades.

 Relación de orden bien definida internamente en cada una de

las clases y entre las clases.
 La distancia o diferencia entre las clases o categorías
consecutivas es la misma.

 Existe una unidad de medda cmún para tods las categorías.

 El valor cero no es absoluto(no significa ausencia del atributo

que se mide)

Escala de razones o proporciones

La variable que se estudia se puede dividir en categorías o clases
mutuamente excluyentes y exhaustivas que cumplen las siguientes
propiedades.
 Relación de orden bien definida internamente en cada una de
las clases y entre las clases.
 La razón entre valores de la variable adquiere significado

 Existe una unidad de medida común para todas las categorías.

 El valor cero es absoluto, indica la ausencia del atributo que se

mide.

4. Mencione algunas actividades relacionadas con la estadística descriptiva.

 Recolección y registro de datos
 Tabla de frecuencias
 Gráficos estadísticos
 Análisis de la información
5. Describa al menos dos clases de investigación de mercados.

INVESTIGACIONES EXPLORATORIAS O CUALITATIVAS

Es un modelo que se asocia al método inductivo. Puedes

ejecutarlo mediante encuestas o pruebas para obtener
información sobre los consumidores, sus preferencias,
situación económica, entre otros factores de análisis. Sirve
para definir y aclarar la naturaleza de un problema.

Su proceso conlleva la identificación de las preguntas a

resolver, establecer una hipótesis y sustentar las
investigaciones. Este tipo de investigación de mercado
sirve, sobre todo, para obtener información amplia sobre un
tema en específico.

Los procedimientos con mejores resultados son: encuestas

y comunidades online, entrevistas a expertos e
investigación de campo experimentales.
INVESTIGACIÓN CONCLUYENTE O CUANTITATIVA

En esta investigación, que parte del método deductivo, se

realizan encuestas a una gran cantidad de personas. El
público objetivo debe ser cuantioso para elevar la precisión
de los datos y estadísticas que resulten en conclusiones
más concretas y fáciles de interpretar. La forma de
recolectar datos varía entre encuestas, observación y
grupos.

Busca información acerca de las características de los

consumidores, imagen de productos, fortalezas y
debilidades, y segmentación de mercados. Sirve como
complemento para verificar los resultados formulados en
investigaciones.

6. ¿Qué es una base de datos? ¿Cómo se organiza la información en una base de

datos?

Una base de datos es un conjunto de datos pertenecientes a un mismo contexto y

almacenados sistemáticamente para su posterior uso. En este sentido; una biblioteca
puede considerarse una base de datos compuesta en su mayoría por documentos y textos
impresos en papel e indexados para su consulta.

 los pasos para organizar los datos en tu tabla son los

siguientes:
Dale un nombre a tu tabla, para ellos sigue los consejos que te
acabamos de dar.

 2. Identifica los objetos, observa el listado de información que

quieres alojar en la base de datos, analízala e identifica esos
objetos. Nombre, dirección, edad, RUT, pueden ser algunos de
esos objetos.
 3. Identifica y crea una tabla distinta según tus objetos. Puede
que sea mejor separar la información de contacto de la
información personal en distintas bases de datos.

 4. Identifica los atributos para cada objeto; separa la

información que se almacena lo que más te sea posible. Por
ejemplo, si almacenas nombres de personas en una tabla,
puede separar el nombre en primer nombre y apellido. Hacer
esto te permitirá ordenar por el apellido, lo que será más útil
de si llegaran a estar juntas.

 Define y nombra columnas por cada atributo que identificaste

en el paso anterior. Da a cada columna un nombre que
identifique claramente la información que contiene. Los
nombres de columna deben ser una sola palabra, sin espacios.
Por ejemplo, PrimerNombre ó primer_nombre

 Algunas palabras están reservadas por MySQL y SQL para su

propio uso y no se puede utilizar como nombres de columna.
Algunas de las palabras que se utilizan actualmente en SQL o
se reservan para uso futuro, son ADD, ALL, AND, CREATE,
DROP,GROUP, ORDER, RETURN, SELECT, SET, TABLE,
USE, WHERE, y muchos otras que no se puede utilizar como
nombres de columna. Para una lista completa de las palabras
reservadas, consulte el manual de MySQL en línea en
www.mysql.com/doc/en/Reserved_words.html.

 Identificar la clave principal.

 Cada fila de una tabla necesita un identificador único. Ninguna

fila de una tabla debe ser exactamente igual a otra. Al diseñar
 tu tabla, tú decides qué columna tiene el identificador único,
llamado la clave principal.

 Definir los valores predeterminados.

 Puede definir un valor predeterminado que MySQL asignará a

un campo cuando no hay datos introducidos en él. Por
ejemplo, si tu aplicación almacena una dirección que incluye
un país, puedes especificar, Chile como el predeterminado. Si
el usuario no escribe un país, Chile será automáticamente
ingresado.

 Identificar las columnas que requieren datos.

6. Haga la diferencia entre modelos cualitativos y cuantitativos.

8. Defina parámetro y estimador. Proporcione al menos 4 ejemplos de parámetros y

4 de estimadores.

Una población cuya distribución es conocida pero desconocemos algún parámetro,

podemos estimar dicho parámetro a partir de una muestra representativa.
Un estimador es un valor que puede calcularse a partir de los datos muéstrales y
que proporciona información sobre el valor del parámetro. Por ejemplo la media
muestra es un estimador de la media poblacional, la proporción observada en la
muestra es un estimador de la proporción en la población.

Una estimación es puntual cuando se obtiene un sólo valor para el parámetro. Los
estimadores más probables en este caso son los estadísticos obtenidos en la
muestra, aunque es necesario cuantificar el riesgo que se asume al considerarlos.
Recordemos que la distribución muestral indica la distribución de los valores que
tomará el estimador al seleccionar distintas muestras de la población. Las dos
medidas fundamentales de esta distribución son la media que indica el valor
promedio del estimador y la desviación típica, también denominada error típico de
estimación, que indica la desviación promedio que podemos esperar entre el
estimador y el valor del parámetro.

Más útil es la estimación por intervalos en la que calculamos dos valores entre los
que se encontrará el parámetro, con un nivel de confianza fijado de antemano.

 Llamamos Intervalo de confianza al intervalo que con un cierto nivel de

confianza, contiene al parámetro que se está estimando.

 Nivel de confianza es la "probabilidad" de que el intervalo calculado

contenga al verdadero valor del parámetro. Se indica por 1- y
habitualmente se da en porcentaje (1-)100%. Hablamos de nivel de
confianza y no de probabilidad ya que una vez extraída la muestra, el
intervalo de confianza contendrá al verdadero valor del parámetro o no, lo
que sabemos es que si repitiésemos el proceso con muchas muestras
podríamos afirmar que el (1-)% de los intervalos así construidos contendría
al verdadero valor del parámetro.

Parámetros de Posición
Permiten identificar el valor en torno al cual se agrupan mayoritariamente los datos, es decir,
cuyo valor es representativo de todos ellos. Pueden ser de dos tipos:
 Medidas de tendencia central: media, mediana y moda.
 Medidas de posición no central: cuartiles, deciles y perceptibles.

Parámetros de Dispersión
Las medidas de posición resumen la distribución de datos, pero resultan insuficientes y
simplifican excesivamente la información. Estas medidas adquieren verdadero significado
cuando van acompañadas de otras que informen sobre la heterogeneidad de los datos. Estas
medidas se conocen como parámetros de dispersión y miden en qué medida los datos se
agrupan en torno a un valor central.
Parámetros de Forma
Las variables aleatorias continuas presentan frecuentemente una pauta de variabilidad que se
caracteriza por el hecho de que los datos tienden a acumularse en torno a un valor central, que
coincide con la media, decreciendo su frecuencia de forma aproximadamente simétrica a
medida que se alejan por ambos lados de dicho valor. Los histogramas de estas variables
continuas tienen forma de campana de Gauss, que es el modelo matemático de la distribución
normal, siendo la distribución que con más frecuencia aparece en multitud fenómenos reales.

Imagen 1. La función de densidad de una distribución normal

Fuente: http://personal5.iddeo.es/ztt/Tem/t21_distribucion_normal.htm

Estimadores :

SESGO Se denomina sesgo de un estimador a la diferencia entre la esperanza (valor

esperado) del estimador y el verdadero valor del parámetro a estimar. Es deseable que
un estimador sea insesgado o centrado, esto es, que el sesgo sea nulo para que la
esperanza del estimador sea igual al valor del parámetro que se desea estimar.

ERROR CUADRÁTICO MEDIO DE LOS ESTIMADORES (ECM) La utilización de la

estimación puntual como si fuera el verdadero valor del parámetro conduce a que se
pueda cometer un error más o menos grande.

CONSISTENCIA Si no es posible emplear estimadores de mínima varianza, el requisito

mínimo deseable para un estimador es que a medida que el tamaño de la muestra
crece, el valor del estimador tienda a ser el valor del parámetro poblacional, propiedad
que se denomina consistencia.
EFICIENCIA Un estimador es más eficiente o más preciso que otro estimador, si la
varianza del primero es menor que la del segundo
9. Escriba las expresiones para obtener un intervalo de confianza para estimar la

media.

Intervalo de confianza para la diferencia

de medias en dos poblaciones
normales independientes
Consideramos dos variables aleatorias independientes X1 y X2 con
distribuciones normales de parámetros (μ1, σ1) y (μ2, σ2), respectivamente,
de las que vamos a tomar muestras aleatorias independientes de tamaños
n1 y n2, respectivamente.
Nuestro objetivo, en este caso, es obtener un intervalo de confianza para la
diferencia de las medias de ambas distribuciones, es decir, para μ1 – μ2. Pero
previo al cálculo de este intervalo, debemos determinar si las varianzas de
ambas distribuciones o, equivalentemente, sus desviaciones típicas, σ1 y σ2,
aun siendo desconocidas, pueden asumirse iguales o no. El cálculo del
intervalo de confianza se realiza de forma diferente dependiendo de este
aspecto.
Para decidir si las varianzas de las dos distribuciones pueden asumirse iguales
o no construiremos un intervalo de confianza para el cociente de ambos
valores, esto es, para σ21 /σ22. En este caso, partimos de la variable aleatoria

Figura 14: Expresión de la variable aleatoria para el

cociente de varianzas
que sigue una distribución F de Snedecor con n 1 – 1 grados de libertad en el
numerador y n2 – 1 grados de libertad en el denominador. Los valores S21 y S22,
en la expresión anterior, hacen referencia a las cuasivarianzas muestrales de la
variable en el primer y el segundo grupo, respectivamente. Buscamos los
valores de la variable F tales que

Figura 15:
Obtención de los cuantiles F{ α/2} y F{1 – α/2}

O, equivalentemente,

Figura 16:
Obtención de los cuantiles F{ α/2} y F{1 – α/2}
 De modo que el intervalo de confianza que buscamos es el formado por

Figura 17: Intervalo

de confianza para el cociente de varianzas
En R, la función var.test se encarga de calcular este intervalo. Sus
parámetros son los siguientes:
var.test(x, y, conf.level = 0.95)

siendo

 x : Vector numérico con los datos de la variable de interés en el

primer grupo o muestra
 y : Vector numérico con los datos de la variable de interés en el
segundo grupo o muestra
 conf.level: Valor numérico que indica el nivel de confianza, en tanto
por uno, al que se construirá el intervalo. Si omitimos este parámetro en la
llamada a la función, los intervalos de confianza se calculan a un nivel de
confianza del 95%.

Una vez calculado el intervalo de confianza, si el valor 1 está incluido en dicho

intervalo, podremos afirmar que las varianzas (y, consecuentemente, las
desviaciones típicas) de ambas distribuciones pueden considerarse iguales. Si
el 1 queda fuera del intervalo obtenido, las varianzas de las dos distribuciones
se considerarán diferentes.

10. Escriba las expresiones para obtener un intervalo de confianza para estimar la

proporción o porcentaje.

Intervalo de confianza para la proporción

Dada una variable aleatoria X con distribución de probabilidad binomial de
parámetros n y π, esto es, X→ B(n, π); con π desconocido. El objetivo es
determinar un intervalo de confianza para el parámetro π. Para ello, se extrae
una muestra aleatoriaX1, X2, …, Xn de tamaño n de de dicha distribución.
Sea p la proporción muestral. Entonces, se sabe que el estadística

Figura 10: Expresión de la variable aleatoria

 sigue una distribución normal de media 0 y desviación típica 1. Por ello,
calcular el intervalo de confianza para la proporción consiste en obtener los
cuantiles de la distribución normal tales que

Figura 11: Obtención del

cuantil z{1 – α/2}

O, equivalentemente,

Figura 12:
Obtención del cuantil z{1 – α/2}

Por lo tanto, el intervalo de confianza que debemos calcular es

Figura 13: Intervalo de

confianza para la proporción
La función que calcula este intervalo de confianza en R es prop.test. Sus
argumentos son los siguientes
prop.test(x, n, conf.level = 0.95) donde
 x: Valor numérico que indica el número de elementos del grupo
que presentan la característica de interés.
 n: Valor numérico que indica el número total de elementos del
grupo.
 conf.level: Valor numérico que indica el nivel de confianza, en
tanto por uno, al que se construirá el intervalo. Si omitimos este
parámetro en la llamada a la función, los intervalos de confianza se
calculan a un nivel de confianza del 95%.
Vamos a aplicar la función prop.test a los datos sobre las flexiones
realizadas por los alumnos que hemos utilizado en los ejemplos anteriores.
11. Proporcione un ejemplo con datos para estimar la media.

Ejemplo 2. Intervalo de confianza para la media con desconocida Se ha obtenido una muestra
de 15 vendedores de una Editorial para estimar el valor medio de las ventas por trabajador en
la Empresa.

La media y varianza de la muestra ( en miles de pesos ) son 5 y 2, respectivamente.

o Intervalo de confianza para la venta media por trabajador en la Editorial al 90

%.
o Intervalo de confianza para la varianza de las ventas por trabajador en la
Editorial al 90 %

12. Proporcione un ejemplo con datos para estimar la proporción.

Estimación de proporciones
Sea X una variable binomial de parámetros n y p (una variable binomial es el
número de éxitos en n ensayos; en cada ensayo la probabilidad de éxito (p) es la
misma, por ejemplo: número de diabéticos en 2000 personas).
Si n es grande y p no está próximo a 0 ó 1 (np 5) X es aproximadamente normal
con media np y varianza npq (siendo q = 1 - p) y se puede usar el

estadístico (proporción muestral), que es también aproximadamente normal,

con error típico dado por

en consecuencia, un IC para p al 100(1 - )% será

es decir, la misma estructura que antes:

Obsérvese que para construirlo, ¡se necesita conocer p!. Si n es grande (>30) se
pueden substituir p y q por sus estimadores sin mucho error, en cualquier caso
como pq 0,25 si se substituye pq por 0,25 se obtiene un intervalo más
conservador (más grande).

Ejemplo: En una muestra de 100 pacientes sometidos a un cierto tratamiento se

obtienen 80 curaciones. Calcular el intervalo de confianza al 95% de la eficacia del
tratamiento.
¿Qué significa este intervalo? La verdadera proporción de curaciones está
comprendida entre, aproximadamente, 72% y 88% con un 95% de probabilidad.
¿Es suficientemente preciso? Habrá que juzgarlo con criterios clínicos.

13. ¿Qué es una hipótesis estadística? Proporcione dos ejemplos en cada uno de los

Cuales se haga distinción entre la hipótesis nula y la hipótesis alternativa.

Una hipótesis estadística es una proposición o supuesto sobre los parámetros de

una o más poblaciones. Es importante recordar que las hipótesissiempre son
proposiciones sobre la población o distribución bajo estudio, no proposiciones sobre la
muestra.

HIPOTESIS NULA: Una hipótesis nula es una suposición que se utiliza

para negar o afirmar un suceso en relación a algún o algunos parámetros
de una población o muestra.

Siempre que se llega a una conclusión acerca un experimento, el investigador

debe establecer dos hipótesis, la hipótesis nula y la hipótesis alternativa. La
hipótesis nula (H0) se refiere a la afirmación contraria a la que ha llegado el
investigador. Es la hipótesis que el investigador pretender rechazar. Si tiene la
evidencia suficiente para ello, podrá probar que lo contrario es cierto. Por lo
tanto, la hipótesis alternativa (H1) es la conclusión a la que el investigador ha
llegado a través de su investigación.

HIPOTESIS ALTERNATIVA

Se entiende por hipótesis alternativa a la suposición alternativa a

la hipótesis nulaformulada en un experimento y/o investigación. Esta
surge como resultado de una determinada investigación realizada sobre
una población o muestra.

Entendida de manera sencilla, la hipótesis alternativa representa la conclusión

que el investigador quiere demostrar o afirmar tras su estudio. Esta se expresa
con la expresión “H1” y va a representar, por lo general, lo contrario a la
hipótesis nula.
El método científico, al contrario de lo que podría pensarse, no
trata de demostrar la hipótesis alternativa (conclusión
alcanzada a través de la investigación). Lo que pretende el
método científico, es demostrar que lo contrario a la
hipótesis alternativa (hipótesis nula), no es cierto. De esta
manera, quedaría demostrada la hipótesis alternativa.

Ejemplo del contraste de hipótesis

Supongamos que un investigador ha realizado una investigación acerca
del salario medio mensual en un determinado barrio de una ciudad.
Imaginemos que de la población de ese barrio, el investigador ha encuestado a
1.000 personas llegando a la conclusión de que el salario medio mensual por
habitante es de 1.500 u.m.

Por tanto el investigador quiere contrastar, si ese salario medio mensual es

igual a 1.500 u.m. (conclusión del estudio y por ende hipótesis alternativa) o si
por el contrario el salario medio mensual es distinto a 1.500 u.m. (conclusión
contraria a la del estudio que se pretende negar y por ende hipótesis nula)

El contraste a realizar sería el siguiente:

H0: El salario medio mensual es distinto a 1.500 u.m.

H1: El salario mensual es igual a 1.500 u.m.

Como vemos, la hipótesis alternativa (H1), es la conclusión alcanzada por el

investigador. Para demostrarla el investigador va a tratar de probar que lo contrario a su
hipótesis alternativa (hipótesis nula, H0), no es cierto. Como conclusión, podemos
deducir que la formulación de la hipótesis alternativa, es la que nos va a conducir a la
formulación de la hipótesis nula.

Conclusiones del contraste de hipótesis del ejemplo

Tras el contraste realizado el investigador podrá rechazar o no, la hipótesis nula
(probando así que la hipótesis alternativa es cierta). Lo correcto para comentar el
resultado de un contraste de hipótesis, es siempre hablar en términos de la hipótesis
nula.
 En caso de haber rechazado la hipótesis se puede utilizar la siguiente afirmación, “a la
luz de los datos y tras el resultado obtenido a través del contraste de hipótesis realizado,
se dispone de evidencia suficiente para poder rechazar la hipótesis nula”. Por tanto, la
conclusión sería que el salario medio mensual es igual a 1.500 u.m. Por el contrario, si
no hemos podido rechazar la hipótesis del contraste realizado, se podría utilizar la
siguiente afirmación, “a la luz de los datos y tras el resultado obtenido a través del
contraste de hipótesis realizado, no se dispone de evidencia suficiente para poder
rechazar hipótesis nula”. De ser así, la conclusión sería que el salario medio mensual no
es igual a 1.500 u.m.

 Diccionario económico

 Estadística

¿Quieres referenciar este contenido?

Registrate gratis o inicia sesión para ver todos los datos.
Previous Post:« Los planes de Trump para la mayor bajada de impuestos de la historia

Next Post:Cupón corrido »

Reader Interactions

¿Quieres recibir gratis nuestros mejores

contenidos cada semana?

 *

 *
 *

Sí, he leído y acepto la política de privacidad

Me apunto

Comparte este artículo

Artículos recomendados
 Clase social

 Disolución (de una empresa)

 Teorema de Bayes

 Contrato de trabajo

 Suma de matrices

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están

marcados con *

Comentario

Nombre *

Correo electrónico *

Valoración *5 4 3 2 1 0

Publicar comentario

Primary Sidebar

Lo más leído del mes


ESPAÑA: Las claves de la equiparación salarial entre las Fuerzas de Seguridad del Estado y las
policías autonómicas

¿Qué repercusiones económicas tendría un Brexit duro?

Reducción de costes, la clave del éxito de las aerolíneas low cost

¿Cómo conciliar el emprendimiento y la vida familiar?

14. Proporcione un ejemplo de hipótesis para la media.

15. Proporcione un ejemplo de hipótesis para la proporción.

16. Escriba al menos dos expresiones para determinar algunos tamaños de la

muestra.

17. La siguiente información corresponde al total de pequeños empresas existentes

en la zona A de la ciudad B, se quiere investigar sus ventas mensuales en

millones de pesos. Los datos resultantes fueron:

22 28 19 24 28 11 20 35 28 33

26 31 34 39 29 28 22 20 10 26

25 22 18 15 29 14 21 18 30 29

11 17 21 23 13 16 29 21 16 20

18 24 26 32 37 38 24 10 29 33

25 23 19 27 40 17 28 34 34 35

11 17 21 23 13 16 29 21 16 20

18 24 26 32 37 38 24 10 29 33

25 23 19 27 40 17 28 34 34 35

11 17 21 23 13 16 29 21 16 20

18 24 26 32 37 38 24 10 29 33

25 23 19 27 40 17 28 34 34 35

Determinar los estimadores o los parámetros que sean posibles obtener. Elaborar

una tabla de frecuencias y realizar las interpretaciones que sean pertinentes.

18. En la ciudad de AAA se investigó una muestra de unos empleados del estrato

bajo para determinar su salario por hora en pesos. Los datos obtenidos fueron los

siguientes:

950 1173 1331 1240 984 1055 1104 1234

932 1000 1024 1233 1176 1233 985 1079

1302 1358 1324 1343 1262 1310 944 1248

1093 1690 1229 614 918 1202 1385 1022

1067 756 1204 1203 1404 1252 956 824

1209 1490 905 827 1415 972 816 1185

1243 1105 1303 1381 1220 1157 1109 759

1067 756 1204 1203 1404 1252 956 824

1209 1490 905 827 1415 972 816 1185

1243 1105 1303 1381 1220 1157 1109 759

Determinar los estimadores o los parámetros que sean posibles obtener. Elaborar

una tabla de frecuencias y realizar las interpretaciones que sean pertinentes.

19. Si

X:

Gusto por el producto A de unos individuos en la ciudad T toma los

siguientes datos:I,P,I,I,

P,P,M,M,M,P,N,N,M,M,P,P,M,M,M,P,N,N,M,M,P,P,M,M,M,P,N,N,M,M,

P,P,M,M,M,P,N,N,M,M,I,I,I,I,I,I, M,M,M,P,N con codificación: P=poco, M=mucho,

P=Nada I=indiferente.

i) Obtener la frecuencia relativa para los individuos a los cuales les gusta Poco el

producto A e interpretar.

ii) ¿Es adecuado calcular el coeficiente de variación con los datos de la anterior

variable? Explique.

iii) ¿Se puede construir un diagrama de barras? En caso afirmativo, constrúyalo.

iv) Calcular la moda e interpretar.

19.

20. Para la variable

: ingresos en millones de pesos por el mes en Mayo de 2009

de todas las empresas existentes en la región A en Boyacá, se obtuvieron los

siguientes datos:

400, 520, 520, 520, 520, 520, 540, 540, 540, 540, 540, 540, 540, 540, 540, 540, 560,

560, 560, 560, 560, 560, 560, 560, 560, 560, 560, 560,560, 560, 560, 560, 560, 560,

560, 560, 580, 580, 580, 580, 580, 580, 580, 580, 580, 580, 600, 600, 600, 900, 400,

520, 520, 520, 520, 520, 540, 540, 540, 540, 540, 540, 540, 540, 540, 540, 560, 560,
580, 580, 580, 580, 580, 580, 580, 580, 600, 600, 600, 900.

i) Determinar el coeficiente de variación e interpretar.

ii) Determinar la media y la mediana e interpretar.

iii) Obtener el percentil 90 e interpretarlo, determinar el rango intercuartilico.

iv) Obtener el coeficiente de curtósis e interpretarlo, elaborar el diagrama de caja.

v) Analizar si los datos se ajustan a una distribución exponencial usando la prueba de

Kolmogorov-Smirnov.

vi) Determinar la proporción (porcentaje) de las empresas con ingresos desde 560 hasta

580 millones de pesos.