INSTITUTO TECNOLÓGICO DE LA LAGUNA

INGENIERIA INDUSTRIAL

PRACTICAS.

MATERIA: ESTADISTICA INFERENCIAL 2.

GRUPO: E24C

DOCENTE: ING. MARTHA ALEJANDRA CABRERA CHAGOYAN.

INTEGRANTES:

 GABRIELA SARAHÍ LÓPEZ MARTÍNEZ (C17130046).

 ANICETO MORENO SANCHEZ (18130250).
 PABLO ALBERTO LUNA ROMERO (C16131409).
 JUAN MANUEL RIVAS MARQUEZ (17131478).
 JUAN ROAMAN GONZALEZ QUIRINO (15130168)

FECHA: 27 de septiembre del 2019.

CICLO ESCOLAR:
AGOSTO - DICIEMBRE 2019

1
INDICE.

Portada……………………………………………………………………………….1
Índice………………………………………………………………………………….2
Introducción…………………………………………………………………………..3
Marco teórico………………………………………………………………………4-6
Metodología…………………………………………………………………………7
Practica 1……………………………...……………………………………………8-10
Metodología y Conclusión……………………………………………………….. 11
Practica 2………………………………..…………………………………………
Metodología y conclusión………………………………………………………..

2
 INTRODUCCIÓN.

INTRODUCCION
La forma más utilizada para el análisis de las tendencias futuras es
realizar un pronósticos
En el análisis del tiempo del trabajo realizamos una ingresion lineal
independiente de todos los datos las calificaciones con este
experimento vamos a identificar un modelo funcional que describa
como se localizar una variable dependiente y estimar los
parámetros del modelo.
para encontrar en el problema todos los errores de variables
independientes de las calificaciones se hico un estudio validando el
modelo mediante contraste de hipótesis de trabajo que pongan a
prueba la bondad de ajuste del mismo criterio.
Las series de tiempo es un método cuantitativo que utilizamos para
determinar patrones de comportamiento en los datos recolectados a
través del tiempo y así poder obtener un resultado esperado, ya sea
de un resultado o una predicción

Una serie de tiempo o cronológica es una secuencia de datos,

observaciones o valores, medidos en determinados momentos y
ordenados con forme va pasando el tiempo.
Los datos pueden estar espaciados a intervalos iguales (como la
temperatura en un observatorio meteorológico en días sucesivos al
mediodía) o desiguales (como el peso de una persona en sucesivas
mediciones en el consultorio médico, la farmacia, etc.).

Para el análisis de las series temporales se usan métodos que

ayudan a interpretarlas y que permiten extraer información
representativa sobre las relaciones entre los datos de la serie o de
diversas series y permiten en diferente medida y con distinta
confianza extrapolar o interpolar los datos y así predecir el
3
comportamiento de la serie en momentos no observados, sean en
el futuro.
MARCO TEORICO
REGRESIÓN LINEAL.
El modelo de pronóstico de regresión lineal permite hallar el valor esperado de
una variable aleatoria a cuando b toma un valor específico. La aplicación de
este método implica un supuesto de linealidad cuando la demanda presenta un
comportamiento creciente o decreciente, por tal razón, se hace indispensable
que previo a la selección de este método exista un análisis de regresión que
determine la intensidad de las relaciones entre las variables que componen el
modelo.
El término lineal se emplea para distinguirlo del resto de técnicas de regresión,
que emplean modelos basados en cualquier clase de función matemática. Los
modelos lineales son una explicación simplificada de la realidad, mucho más
ágiles y con un soporte teórico mucho más extenso por parte de la matemática
y la estadística.
El pronóstico de regresión lineal simple es un modelo óptimo para patrones de
demanda con tendencia (creciente o decreciente), es decir, patrones que
presenten una relación de linealidad entre la demanda y el tiempo. Existen
medidas de la intensidad de la relación que presentan las variables que son
fundamentales para determinar en qué momento es conveniente utilizar
regresión lineal.
Análisis de regresión
El objetivo de un análisis de regresión es determinar la relación que existe
entre una variable dependiente y una o más variables independientes. Para
poder realizar esta relación, se debe postular una relación funcional entre las
variables.
Cuando se trata de una variable independiente, la forma funcional que más se
utiliza en la práctica es la relación lineal. El análisis de regresión entonces
determina la intensidad entre las variables a través de coeficientes de
correlación y determinación.
Supuestos del modelo de regresión lineal
Para poder crear un modelo de regresión lineal es necesario que se cumpla
con los siguientes supuestos:
1. Que la relación entre las variables sea lineal.
2. Que los errores en la medición de las variables explicativas sean
independientes entre sí.
3. Que los errores tengan varianza constante. (Homocedasticidad)
4. Que los errores tengan una esperanza matemática igual a cero (los
errores de una misma magnitud y distinto signo son equiprobables).
5. Que el error total sea la suma de todos los errores.
4
Regresión lineal simple
Sólo se maneja una variable independiente, por lo que sólo cuenta con dos
parámetros. Son de la forma:

 Mínimos cuadrados
Esto permite el cálculo de los valores pronosticados a partir de la recta ajustada
ˆ y = b0 + b1x, y otros tipos de análisis y de información diagnóstica que
determinarán la fuerza de la relación, así como la adecuación y el ajuste del
modelo.
Debemos calcular b0 y b1, los estimados de β0 y β1, de manera que la suma
de los cuadrados de los residuales sea mínima. La suma residual de los
cuadrados con frecuencia se denomina suma de los cuadrados del error
respecto de la recta de regresión y se denota como SCE. Este procedimiento
de minimización para estimar los parámetros.
 Partición de la variabilidad total y estimación de σ 2
Para hacer inferencias sobre β0 y β1 es necesario llegar a una estimación del
parámetro σ 2 que aparece en las dos fórmulas anteriores de la varianza de B0
y B1. El parámetro σ 2, el modelo de la varianza del error, refleja una variación
aleatoria o una variación del error experimental alrededor de la recta de
regresión.
 Prueba de hipótesis sobre la pendiente
Para probar la hipótesis nula H0 de que β1 = β10, en comparación con una
alternativa posible, utilizamos de nuevo la distribución t con n – 2 grados de
libertad con el fin de establecer una región crítica y después basar nuestra
decisión en el valor de t = b1 − β10 s/ √Sxx
 El método del análisis de varianza
Con frecuencia el problema de analizar la calidad de la recta de regresión
estimada se maneja por medio del método del análisis de varianza (ANOVA),
que es un procedimiento mediante el cual la variación total de la variable
dependiente se subdivide en componentes significativos, que luego se
observan y se tratan en forma sistemática.
Regresión lineal múltiple
En la mayoría de los problemas de investigación en los que se aplica el análisis
de regresión se necesita más de una variable independiente para el modelo de
regresión. La complejidad de la mayoría de mecanismos científicos es tal que,
con el fi n de predecir una respuesta importante, se requiere un modelo de
regresión múltiple. Cuando un modelo es lineal en los coeficientes se denomina
modelo de regresión lineal múltiple. La regresión lineal permite trabajar con
una variable a nivel de intervalo o razón. De la misma manera, es posible

5
analizar la relación entre dos o más variables a través de ecuaciones, lo que se
denomina regresión múltiple o regresión lineal múltiple.
Constantemente en la práctica de la investigación estadística, se encuentran
variables que de alguna manera están relacionadas entre sí, por lo que es
posible que una de las variables pueda relacionarse matemáticamente en
función de otra u otras variables.
 Modelo de regresión lineal en el que se utilizan matrices
Al ajustar un modelo de regresión lineal múltiple, en particular cuando contiene
más de dos variables, tener conocimientos sobre la teoría de matrices facilita
considerablemente el manejo de las matemáticas.
 Análisis de varianza en la regresión múltiple
La partición de la suma total de cuadrados en sus componentes, la suma de
cuadrados de regresión y del error desempeña un papel importante. Puede
efectuarse un análisis de varianza que arroje luz sobre la calidad de la
ecuación de regresión. Una hipótesis que sirve para determinar si el modelo
explica una cantidad significativa de variación, es la siguiente: H0: β1 = β2 = β3
= ···= βk =0.
Rectas de regresión
Las rectas de regresión son las rectas que mejor se ajustan a la nube de
puntos (o también llamado diagrama de dispersión) generada por una
distribución binomial. Matemáticamente, son posibles dos rectas de máximo
ajuste:

Coeficiente de correlación [r]

La correlación ("r") de las rectas determinará la calidad del ajuste. Si r es
cercano o igual a 1, el ajuste será bueno y las predicciones realizadas a partir
del modelo obtenido serán muy, si r es cercano o igual a 0, se tratará de un
ajuste malo en el que las predicciones que se realicen a partir del modelo
obtenido no serán fiables.

6
SERIES DE TIEMPO.
Una serie de tiempo es una secuencia de observaciones sobre intervalos de
tiempo separados de manera regular.
El análisis de series de tiempo es un método cuantitativo que utilizamos para
determinar patrones de comportamiento en los datos recolectados a través del
tiempo. El análisis de series de tiempo se utiliza para detectar patrones de
cambio o permanencia en la información estadística en intervalos o periodos
regulares. Proyectamos estos patrones para obtener una estimación para el
futuro. En consecuencia, el análisis de series de tiempo nos ayuda a manejar la
incertidumbre asociada con los acontecimientos futuros.
Componentes de la serie de tiempo
En una serie existen cuatro tipos básicos de variación, los cuales sobrepuestos
o actuando en concierto, contribuyen a los cambios observados en un período
de tiempo y dan a la serie su aspecto errático. Estas cuatro componentes son:
Tendencia secular, variación estacional, variación cíclica y variación irregular.
Existe una relación multiplicativa entre estas cuatro componentes; es decir,
cualquier valor de una serie es el producto de factores que se pueden atribuir a
las cuatro componentes.
1. Tendencia secular
La tendencia secular o tendencia a largo plazo de una serie es por lo común el
resultado de factores a largo plazo. En términos intuitivos, la tendencia de una
serie de tiempo caracteriza el patrón gradual y consistente de las variaciones
de la propia serie, que se consideran consecuencias de fuerzas persistentes
que afectan el crecimiento o la reducción de la misma, tales como: cambios en
la población, en las características demográficas de la misma, cambios en los
ingresos, en la salud, en el nivel de educación y tecnología. Las tendencias a
largo plazo se ajustan a diversos esquemas. Algunas se mueven
continuamente hacía arriba, otras declinan, y otras más permanecen igual en
un cierto período o intervalo de tiempo.
2. Variación estacional
El componente de la serie de tiempo que representa la variabilidad en los datos
debida a influencias de las estaciones, se llama componente estacional. Esta
variación corresponde a los movimientos de la serie que recurren año tras año
en los mismos meses (o en los mismos trimestres) del año poco más o menos
con la misma intensidad. Por ejemplo: Un fabricante de albercas inflables
espera poca actividad de ventas durante los meses de otoño e invierno y tiene
ventas máximas en los de primavera y verano, mientras que los fabricantes de
equipo para la nieve y ropa de abrigo esperan un comportamiento anual
opuesto al del fabricante de albercas.
3. Variación cíclica:

7
Con frecuencia las series de tiempo presentan secuencias alternas de puntos
abajo y arriba de la línea de tendencia que duran más de un año, esta variación
se mantiene después de que se han eliminado las variaciones o tendencias
estacional e irregular. Un ejemplo de este tipo de variación son los ciclos
comerciales cuyos períodos recurrentes dependen de la prosperidad, recesión,
depresión y recuperación, las cuales no dependen de factores como el clima o
las costumbres sociales.
4. Variación Irregular:
Esta se debe a factores a corto plazo, imprevisibles y no recurrentes que
afectan a la serie de tiempo. Como este componente explica la variabilidad
aleatoria de la serie, es impredecible, es decir, no se puede esperar predecir su
impacto sobre la serie de tiempo. Existen dos tipos de variación irregular: a)
Las variaciones que son provocadas por acontecimientos especiales,
fácilmente identificables, como las elecciones, inundaciones, huelgas,
terremotos. b) Variaciones aleatorias o por casualidad, cuyas causas no se
pueden señalar en forma exacta, pero que tienden a equilibrarse a la larga.

Tendencia de una serie

1. Tendencia lineal
Viene dada por el movimiento general a largo plazo de la serie. La tendencia a
largo plazo de muchas series de negocios (industriales y comerciales), como
ventas, exportaciones y producción, con frecuencia se aproxima a una línea
recta. Esta línea de tendencia muestra que algo aumenta o disminuye a un
ritmo constante. El método que se utiliza para obtener la línea recta de mejor
ajuste es el Método de Mínimos Cuadrados.
2. Tendencia no lineal
Cuando la serie de tiempo presenta un comportamiento curvilíneo se dice que
este comportamiento es no lineal. Dentro de las tendencias no lineales que
pueden presentarse en una serie se encuentran, la polinomial, logarítmica,
exponencial y potencial, entre otras.

8
 PRACTICA 1. REGRESIÓN LINEAL SIMPLE.
Los siguientes datos son las calificaciones de 20 estudiantes(x) elegidos al azar
de la materia de estadística inferencial II. Es un informe de medio semestre y la
calificación (y) obtenida en el examen de la primera unidad.

ESTUDIANTES(X) CALIFICACIONES(Y)
1. Juan 70
2. Pablo 60
3. Denis 80
4. Arely 87
5. Aniceto 90
6. Sarahi 90
7. Román 85
8. Manuel 99
9. Karen 100
10. Pedro 55
11. Israel 83
12. Fátima 98
13. Paola 95
14. Diana 73
15. Ángel 82
16. Alberto 66
17. Sebastián 78
18. Ana 99
19. Ivonne 81
20. Sergio 70

9
 (210)(1641)
Sxy = 1641 − = −15589.5
20
(210)2
Sxx = 2870 − = 665
20
(1641)2
Syy = 137993 − = 3348.95
20
−15589.5
β1= = −23.44
665

β 0 = 82.05 + 23.44 (10.5) = 328.17

10
11
METODOLOGÍA.

12
Para llegar al resultado que obtuvimos en esta práctica la
metodología que se empleó fue la siguiente:

Primero se recolectaron 20 muestras de un grupo de estadística

inferencial 2, después obtuvimos sus calificaciones de la primera
unidad, para después agruparlos en una tabla y así poder obtener la
gráfica de dispersión.

Posteriormente se vaciaron los datos recolectados a una nueva

tabla, en la cual se multiplicó la variable “X” * “Y” y después ambas
las elevamos al cuadrado para llevar a cabo las formulas
correspondientes, tales como, los coeficientes de regresión a través
del método de mínimos cuadrados.

CONCLUSION.
Se realizó el análisis de regresión lineal simple con el
objetivo de encontrar la relación existente entre las 2
variables utilizadas (x,y). Siendo la “X” los estudiantes y la
“Y” las calificaciones de los alumnos seleccionados. Para
este experimento se llevaron a cabo 20 observaciones
experimentales.
Se comprobó el experimento llevado a cabo y finalmente
para realizar las predicciones dentro del sistema estudiado
obtuvimos por medio del software facilitado por la docente,
la ecuación de la recta, considerando que las predicciones
solo fueron dentro del rango de los valores en estudio.
Se cumplió con los objetivos planteados al principio del
proyecto ya que los datos obtenidos fueron los correctos,
además de que el equipo hizo un buen esfuerzo para que
todo saliera de la mejor manera.

PRACTICA 2. SERIE DE TIEMPO.

13
Los siguientes datos son las calificaciones de 20 estudiantes(x) elegidos al azar
de la materia de estadística inferencial II. Es un informe de medio semestre y la
calificación (y) obtenida en el examen de la primera unidad.

ESTUDIANTES(X) CALIFICACIONES(Y)
1. Juan 70
2. Pablo 60
3. Denis 80
4. Arely 87
5. Aniceto 90
6. Sarahi 90
7. Román 85
8. Manuel 99
9. Karen 100
10. Pedro 55
11. Israel 83
12. Fátima 98
13. Paola 95
14. Diana 73
15. Ángel 82
16. Alberto 66
17. Sebastián 78
18. Ana 99
19. Ivonne 81
20. Sergio 70
21. Luis 66
22. Anel 75
23. Ángel 90
24. Aarón 87

14
 X Y XY X^2 Y^2
1 70 70 1 4900
2 60 120 4 3600
3 80 240 9 6400
4 87 348 16 7569
5 90 450 25 8100
6 90 540 36 8100
7 85 595 49 7225
8 99 792 64 9801
9 100 900 81 10000
10 55 550 100 3025
11 83 913 121 6889
12 98 1176 144 9604
13 95 1235 169 9025
14 73 1022 196 5329
15 82 1230 225 6724
16 66 1056 256 4356
17 78 1326 289 6084
18 99 1782 324 9801
19 81 1539 361 6561
20 70 1400 400 4900
21 66 1386 441 4356
22 75 1650 484 5625
23 90 2070 529 8100
24 87 2088 576 7569
TOTALES 300 1959 24478 4900 163643
MEDIAS 12,5 81,625

Caso 1. Tendencia

15
 (300)(1959)
24478 −
𝑏= 24 = −0.00826
3002
4900 − 24

𝑎 = 81.625 − (−0.00826)(12.5) = 81.72

METODOLOGÍA

16
Para llegar al resultado que obtuvimos en esta práctica la
metodología que se empleó fue la siguiente:
Para llegar al resultado que obtuvimos en esta práctica la
metodología que se empleó fue la siguiente:
Primero se recolectaron 4 muestras extras a las que ya habíamos
obtenido en la primer práctica para después agruparlos en una
tabla, posteriormente se vaciaron los datos recolectados a una
nueva tabla, en la cual se multiplicó la variable “X” * “Y” y después
ambas las elevamos al cuadrado, una vez realizada esta tabla con
sus correspondientes datos se hizo una gráfica para identificar qué
tipo de caso era, para nuestro ejemplo resulto ser un caso 1:
Tendencia o demanda constante.
Para concluir con esta práctica se encontraron los resultados de “b”
y “a”, gracias a las formulas proporcionadas en clase.

CONCLUSION.
Cómo se ha logrado aprender en esta unidad 2, se ha dejado claro
que las series de tiempo son de mucha ayuda e importancia para la
sociedad hoy en día, ya que su función principal es describir
explicar, predecir y controlar aquellos sucesos que se presentan en
el tiempo. Además de apoyar distintas áreas como las científicas y
las sociales ayudando a pronosticar eventos futuros o a tomar
decisiones importantes dentro de una empresa, negocio, vida
cotidiana, etc.
Gracias al conocimiento obtenido en las clases se logró completar
de la mejor manera esta segunda práctica. Utilizando en nuestro
proyecto el caso 1 tendencias. Por lo que esta técnica es de suma
importancia para realizar con mejor precisión inferencias futuras.

17