Sesión 1

E-mail: mpatino@pucp.
pe
WhatsApp: (+51) 977342458
Skype: mpatino23
Ing. Miguel Ángel Patiño Antonioli
▪ MBA in General and Strategic Management, Maastricht School of Management (Holanda)
▪ Magíster en Administración Estratégica de Empresas por la PUCP - CENTRUM Católica.
▪ Ingeniero Industrial titulado con honores de la PUCP.
▪ Trilingüe (italiano, inglés, español).
▪ Scrum Fundamentals, Scrum Developer, Scrum Master, Agile Master Certified y Design Thinking.
▪ Autor del paper “Aplicación de las cadenas ocultas de Markov para la preferencia de los
consumidores en el mercado cervecero” (Pontificia Universidad Católica del Perú. Facultad de
Ciencias e Ingeniería - Tesis de Licenciaturas, 2011): mejora en la precisión del modelo clásico
del 15%.
▪ Amplia experiencia en Mejora de Procesos en empresas como BCP y Ripley.
▪ Amplia experiencia en Marketing e Investigación de Mercados, como líder de proyectos de
investigación y Category Manager por más de 4 años, responsable de administrar presupuestos de
más de S/. 4MM y logrando un crecimiento de más de 160% en los indicadores clave del negocio a
su cargo y más de 200% en crecimiento del portafolio asignado.
▪ Fundador, Gerente General y principal Coach de “6S Consultores”, una empresa de consultoría
dedicada a la gestión y mejora de procesos, planeamiento estratégico, capacitación e
implementación de metodologías variadas, clínica empresarial y consultoría integral de negocios.
▪ Profesor en el Área Académica de Estadística, Tecnología y Operaciones de CENTRUM Católica
Graduate Business School.
▪ Experiencia de más de 10 años como Consultor Senior en: Lean, Six Sigma, Mejora de Procesos,
Estadística, Calidad, Simulación de Sistemas e Inv. Op., Agile, entre otros.
Fundador y Gerente General:
Ing. MBA Miguel Ángel Patiño Antonioli

▪ Correo1: miguel.patino@6sconsultores.com
▪ WhatsApp: (+51) 993495101
▪ Skype: mpatino23
▪ Web: www.6Sconsultores.com
Introducción
al curso
Introducción al curso
Sistema de Evaluación
▪ Evaluaciones individuales
✓ Exámenes (6) 50%
▪ Evaluaciones grupales
✓ Proyecto Aplicativo Final 50%
Total 100%
Kick off !
Algunas Estadísticas curiosas …
1 Se imprimen más billetes de Monopolio que reales cada año.
2 En promedio una persona se ríe 13 veces en un día.
3 Un hombre tiene seis veces más chances de ser alcanzado por

un rayo que una mujer.
4 Una persona en dos billones llegará a vivir más de 116 años.
5 Logitech estima que la probabilidad de que un control remoto

perdido esté entre los cojines de un sofá es de un 50%.
6 En promedio una persona pasa dos años de su vida al teléfono.
7 Alrededor de un 5% de los sueños son en blanco y negro.

8 En promedio a una persona le toma 7 minutos dormirse en la
noche.
https://www.guioteca.com/matematicas/20-estadisticas-mundiales-curiosas-sorprendentes-y-a-veces-muy-inutiles/
Reflexión 0
Debate en parejas:
1. ¿Por qué es importante la
Estadística en el mundo de
los procesos?
2. ¿Cuáles serían sus límites?
Hoy vamos a
empezar una
Transformación
Planteamiento Monty-Hall
https://www.youtube.com/watch?v=uz58hg0EJAY
Sesión 1:
Estadística Descriptiva: KPIs clave
Objetivos
Al finalizar esta sesión, el alumno:
1. Comprende la importancia de la Estadística y su
aplicabilidad.
2. Reconoce los conceptos básicos de la Estadística
Descriptiva así sus aplicaciones a los procesos
3. Comprende el uso del análisis gráfico y arreglo de
datos para la toma de decisiones.
4. Domina las herramientas gráficas y reconoce cuándo
emplear cada una en un contexto real.
5. Comprende los KPI clave y su correcta interpretación
6. Comprender los conceptos de Regresión.
Agenda
▪ La Estadística: Ciencia de la variabilidad
▪ Análisis exploratorio de los datos.
▪ Representación gráfica
▪ Estadística Sumaria:
➢ Medidas de Tendencia Central
➢ Medidas de Dispersión
➢ Medidas de Posición
➢ Medidas de Deformación
✓ Asimetría
✓ Curtosis
▪ Regresión y KPIs de calidad de ajuste
Descripción de Datos
Conceptos introductorios
Estimadores y Parámetros
Parámetro:
Valor o indicador representativo de una población. Se
simboliza por letras griegas.
Sólo hay un parámetro en cada población para cada
indicador.
 Media poblacional
2 Varianza poblacional
 Desviación estándar poblacional
 Proporción poblacional
Estimadores y Parámetros
Estimador
Valor o indicador representativo de una muestra. Se
simboliza por letras latinas.
Existen tantos estimadores como muestras se
extraigan de una población.
x Media muestral.
s 2 Varianza muestral.
s Desviación estándar muestral.
p Proporción muestral.
1-7
Tipos de Variables
VARIABLES
Cualitativas Cuantitativas
Discretas Continuas
1-7
Tipos de Variables Cuantitativas
Cuantitativas Discretas
▪ Sólo pueden adquirir ciertos valores puntuales y casi siempre
hay “brechas” entre esos valores.
▪ Ej.: el número de habitaciones en una casa (1,2,3,..., etc.).
Cuantitativas Continuas
▪ Pueden tomar cualquier
valor dentro de un
intervalo específico.
▪ Ej.: el tiempo que toma
volar de Lima a Tacna.
Uso del análisis gráfico y arreglo de datos para la toma de decisiones
Tablas y Gráficos
1) Las Tablas de Distribución
1.1) Tablas simples
Ej.: Cuadro 1: Calidad de Servicio Postventa
Número de Tasa
Categoria Clientes Porcentual (%)
Muy Bueno 5 11,11
Bueno 16 35,55
Aceptable 12 26,67
Malo 8 17,78
Muy Malo 4 8,89
Total 45 100,00
Fuente: Encuesta a los clientes, enero 1998
Tablas y Gráficos
1) Las Tablas de Distribución
1.1) Tablas simples
Para datos cuantitativos se construyen las denominadas Distribuciones de
Frecuencias.
Ej.: Cuadro 2: Ventas diarias durante el mes de enero (en soles).
Ventas Tasa
(en soles) Días porcentual (%)
1000 - 4999 3 10,00
5000 - 8999 7 23,33
9000 - 12999 10 33,33
13000 - 16999 8 26,67
17000 - 20999 2 6,67
Total 30 100,00
Fuente: Departamento de Marketing

2) Los Gráficos
Pueden se puntos, líneas, cajas, áreas y volúmenes:
2.1) Diagrama de dispersión de puntos (o Nube de Puntos)
Ej.: Gráfico 1: Relación entre coeficiente intelectual (IQ) y salarios (US$ por año) para una
muestra de 30 trabajadores
Tablas y Gráficos
2) Los Gráficos
Pueden se puntos, líneas, cajas, áreas y volúmenes:
2.1) Diagrama de dispersión de puntos (o Nube de Puntos)
Ej.:
Tablas y Gráficos
2) Los Gráficos
2.2) Diagrama Lineal
Ej.:
2) Gráficos de Barras
Gráfico de Barras de los Saldos totales por Sucursal

S/ 35,000
S/ 31,954
S/ 30,000
S/ 25,000
Suma de Saldos
S/ 20,502
S/ 20,000 S/ 19,031 S/ 18,505
S/ 15,000
S/ 10,000
S/ 5,000
S/ 0
Piura Trujillo Arequipa Cusco
Sucursal
2) Gráficos de Barras
Gráfica de una variable Discreta

Distribución de frecuencias de la cantidad de defectos
20
20
16 16
15
12
Porcentaje
10
8 8
5 4 4 4 4 4
0
5 6 7 8 9 10 11 12 15 16 20
Cantidad de defectos
Porcentaje en todos los datos.
Tablas y Gráficos
2) Los Gráficos
2.4) Histograma
▪ Son barras verticales
presentadas una a
continuación de otra (en
variables continuas).
▪ El ancho es homogéneo
(amplitud de clase).
▪ La altura está en
función a la frecuencia.
▪ La organización de
datos en un histograma
permite una mejor
compresión de los
datos.
Tablas y Gráficos
2) Los Gráficos
2.4) Histograma
a) Normales:
El valor medio está al centro, que tiene la
mayor frecuencia. Es el más frecuente y tiene
forma simétrica.
b) Rueda Dentada (Multimodal):

Hay varios valores “mayores”.
Tablas y Gráficos
2) Los Gráficos
2.4) Histograma
c) Sesgo positivo:
Forma asimétrica la media está localizada
a la izquierda.
d) Cliff:
Forma asimétrica la frecuencia
disminuye bruscamente a la izquierda.
Tablas y Gráficos
2) Los Gráficos
2.4) Histograma
e) Planicie:
Las clases tienen más o menos la misma frecuencia.
f) Doble Pico (bimodal):

Se observa claramente dos valores máximos.
g) Isla:
Presenta un pico aislado, además de un
histograma general.
2) Gráfico de Torta o Circular
▪ El circulo se divide en segmentos circulares, de tamaño proporcional a
la frecuencia de la categoría.
Gráfico de Torta de la Distribución de cuentas por Sucursal

Categoría
Piura
Trujillo
Cusco Arequipa
13; 21.7% Piura Cusco
16; 26.7%
Arequipa
14; 23.3%
Trujillo
17; 28.3%
Tablas y Gráficos
2) Los Gráficos
2.9) Diagrama de Cajas
▪ Utilizado para visualizar la variabilidad o la dispersión de los datos.
▪ Normalmente se utiliza para comparar 2 o más grupos de datos.
▪ La medida del ancho de la caja marca la variabilidad y se conoce como el RI
(Rango Intercuartil). RI = Q3-Q1.
2) Los Gráficos
2.10) Diagrama de Pareto
Caso 1
Metalmecánica
Caso 1 - Metalmecánica
En la planta de una empresa metal-mecánica se levantó la

siguiente información referida a las lesiones sufridas por el
personal entre el 1ro. de Enero y 31 de Mayo. Analizar y
Concluir
Lesiones Enero Febrero Marzo Abril Mayo
Esguince de espalda 6 10 10 7 5
Quemadura con acido 1 1
Cortadura de mano 1 4 1 3 2
Esguince de tobillo 1 2 1
Cuerpo extraño en el ojo 2 1 1
Cortadura de pierna 1 1 2 1 1
Caso 1 - Metalmecánica
¿Estamos contentos
con este análisis?
“La Estadística
es una ciencia
que demuestra
que si mi vecino
tiene dos coches
y yo ninguno,
entonces…
los dos
George Bernard Shaw
(1856-1950) tenemos uno.”
“Un estadístico
podría meter su
cabeza en un
horno y sus
pies en hielo, y
decir que en
promedio …
Peter Drucker se encuentra
bien.”
Resumen numérico de los datos
Características clave de los Datos
Tendencia Central
(Posición)
Dispersión
(Variación)
Asimetría
Medidas de
Tendencia Central
Debate en equipos:
¿Por qué no existe una única
medida de tendencia central?
“The only certainty is
that nothing is certain”
Medidas de Tendencia Central
▪ Aquellas que nos indican cual podría ser el punto medio
o representativo de un conjunto de datos analizados.
▪ Llamados “Promedios”, buscan dar su “opinión” respecto
al valor central. Los principales son:
✓ Media Aritmética simple

✓ Media Ponderada
✓ Media Geométrica
✓ Media Armónica
✓ Mediana
✓ Moda
Media Aritmética Simple
𝒏
▪ La suma de las desviaciones
de cualquier valor y la media
ഥ = ෍ 𝒙𝒊 𝒉𝒊
𝒙
es cero.
▪ Es sesgada (afectada) por
𝒊=𝟏
valores extremos.
“A la Media no le importa
cuántos sean los datos,
sino cuánto valgan”
M.A.P.A.
Media Ponderada
▪ Media aritmética incluyendo su importancia relativa

(peso específico, wi) en el grupo.
▪ No todos los elementos son igual de importantes.
k
w x i i
x p
= i =1
k
w
i =1
i
Media Geométrica
▪ Sirve para promediar  G = N X 1 X 2 X 3 .. X n

porcentajes de
variación, índices y
cifras relativas.  N −1 Valoralfinal 
 G =  Valoralinicio  − 1
▪ Determina el incremento
 
porcentual promedio en
ventas, producción,
tiempos, etc.
Ejercicio 1:
La siguiente tabla muestra la variabilidad de los Lead Time de
entrega de un producto a un cliente determinado durante los
últimos meses:
▪ En diciembre, el Lead Time fue de 15.03 días.
▪ La variación 2.6% también se puede expresar como 0.026 y, ya
que como se refiere a un aumento a partir de 100%, la tasa de
variación será 1.026. Para los otros datos se opera igual.
Meses Enero Febrero Marzo Abril Mayo
Lead Time (días) 15.42 7.60 9.29 12.69 10.19
1. Calcule e interprete la variación promedio mensual del Lead Time.
2. ¿Cómo impactaría que los Lead Time sean crecientes?
3. Si la promesa de tiempo al cliente es 15 días, qué tan bien estamos?
Ejercicio 3:
▪ Los rendimiento anual de cuatro tipos
de acciones de la empresa
MICROCHIP INC., informadas por la
New York Stock Exchange (NYSE)
son: +8%, -15%, +30%, -22%.
▪ Se desea establecer una posibilidad

de inversión, para lo cual uno de los
factores de decisión es el rendimiento
promedio de estas acciones.
Mediana
 0.5 − H i −1 
▪ Punto medio de los Med = Li + A *  
valores después de
ordenarlos.
 hi 
▪ No es afectada por Intervalos
valores extremos.
“A la Mediana no le importa cuánto

valgan los datos, sino cuántos sean”
M.A.P.A.
Mediana
Ejemplo:
Los siguientes datos se refieren al número de clientes atendidos
durante los últimos 11 días en una tienda de artefactos. Calcule
e interprete la mediana.
12, 10, 5, 15, 8, 11, 13, 8, 10, 17, 16
Primero se ordenan lo datos:
5, 8, 8, 10, 10, 11, 12, 13, 15, 16, 17
mediana
5 datos menores 5 datos mayores
Interpretación:
Durante 5 días se atendieron a menos de 11 clientes, y durante 5 días se
atendieron a más de 11 clientes.
Moda
 d1 
▪ Valor que más se repite en Mo = Li +  i
un conjunto de datos.  d 1 + d 2
▪ No es afectada por valores DatosAgrupados
extremos.
▪ Para datos discretos es
fácil de calcular.
▪ No puede ser calculada
exactamente en una
distribución de frecuencias.
¿Cómo nos impactan los
Outliers
(datos atípicos/extremos)?
VOLATILIDAD
VARIABLIDAD
HETEROGENEIDAD
¿Cuántos zapatos tienes?
(incluye sandalias, etc.)
Récord a la fecha:
83 zapatos!!!
Medidas de
Dispersión
Medidas de Dispersión www.leansolutions.co
Medidas de Dispersión
Coeficiente de Variación (CV)
▪ Indica la magnitud relativa de la desviación estándar con

respecto a la media aritmética.
▪ Permite comparar varios conjuntos de datos para analizar:
▪ Homogeneidad
▪ Heterogeneidad S
CV =   *100%
x
( Muestral )
Medidas de Dispersión
Coeficiente de Variación
CV Grado de Variabilidad
0% < CV < 10% Datos muy homogéneos
10% ≤ CV < 15% Datos regularmente homogéneos
15% ≤ CV < 20% Datos regularmente variables
20% ≤ CV < 25% Datos variables
CV ≥ 25% Datos muy variables
Medidas de Posición
Fractiles
F j = X ( jn F + 0.5)
▪ Medidas de posición.
DatosNoAgrupados
▪ Dividen en:
✓ Cuartiles (Qj)  jn − faA
✓ Deciles (Dj)
= +  F i
✓ Centiles (Pj) F j Lij  f 
▪ Formulación semejante  ij 
a la mediana. DatosAgrupados
La mediana es el segundo cuartil, 5º Decil y 50º percentil:
Me = Q2 = D5 = P50
Cuartiles en el Diagrama de Cajas
Medidas de Simetría y Curtosis
Coeficiente de Asimetría de Pearson
▪ Establece si una distribución es simétrica o no.

▪ No tiene unidades
▪ Valores entre -3 y 3, normalmente no mayor de -1 y 1.
3(𝜇 − 𝑀𝑒𝑑)
𝑆𝑘𝑝 =
𝜎
3(𝑥 − 𝑚𝑒𝑑)
𝑆𝑘𝑝 =
𝑠
𝑆𝑘𝑝 = 0
Sesgo de una distribución
Negativamente Positivamente
Simétrica Sesgada
Sesgada
Media < Mediana < Moda Media = Mediana = Moda Moda < Mediana < Media
Coeficiente de Curtosis
▪ Grado de concentración con relación a la media aritmética.

▪ Se emplea para distribuciones unimodales simétricas.
▪ Sin unidades.
▪ Valores (0, ½) 1 𝑄3 − 𝑄1
𝑘𝑢 =
2 𝐷9 − 𝐷1
Pregunta de reflexión inicial:
¿Para qué nos interesaría

calcular un Pronóstico?
“La Estadística
es el único
tribunal de
apelación para
juzgar el nuevo
P. C. Mahalonibis
conocimiento”
(1893-1972)
Introducción a la Regresión
Tipos de Regresión
Por el número de Regresores
Simple Múltiple
Por el tipo de función
Recta de Recta de
Lineal Regresión con Regresión con 2 o
1 Regresor más Regresores
Curva de Curva de
No Lineal Regresión con Regresión con 2 o
1 Regresor más Regresores
Modelos de Regresión lineal
Análisis de Regresión
Variaciones
14
Y
* Variación no Y’
12
Explicada
10 Variación
8 Total *
Variación
6 Explicada
4
2
Y
0
0 1 2 3 4 5
Modelos de Regresión lineal
KPI de calidad de ajuste en la Regresión
▪ Buscan medir la performance del modelo.

▪ Existen tres coeficientes principales:
– Coef. de Correlación (r).
– Coef. de Determinación (R2).
– Coef. de Determinación Ajustado (Ra2).
NO HAY
RELACIÓN
FUERTE FUERTE r
-1 - 0.7 0 0.7 1
0.7
FUERTE
1
R2
0
Medidas de Correlación
Análisis de Regresión Simple
Ejemplos de posibles correlaciones
Medidas de Correlación
Análisis de Regresión Simple
Coeficiente de Determinación (R2)
Y Y’ 𝑌 (Y- 𝑌 )2 (Y’- 𝑌 )2 (Y-Y’)2
9 9.0 9 0 0.0 0.0
5 4.8 9 16 0.2 0.04
7 6.9 9 4 0.1 0.01
14 13.2 9 25 0.8 0.64
10 11.1 9 1 -1.1 1.21
∑= 46 ∑= 44.10 ∑= 1.90
Variación Total = Variación Explicada + Variación No Explicada
46 = 44.10 + 1.90
96% de la variación del
Var.Explicada  (Y '−Y ) 2
r =
2
= = 0.96 Tiempo de entrega (Y) está
Var.Total  (Y − Y )
2
explicada por la variación del
tiempo de setup (X).
Regresión Lineal Simple
Análisis de resultados en Minitab
Regresión
Lineal Múltiple
Regresión Lineal Múltiple
Matemáticamente, el Modelo de Regresión Lineal Múltiple (MRLM) se expresa:
𝒀 = 𝜷𝟎 + 𝜷𝟏 𝑿𝟏 + 𝜷𝟐 𝑿𝟐 + … + 𝜷𝒊 𝑿𝒊 + 𝜺𝒊
Donde, 𝜀𝑖 ~𝑁(0, 𝜎
2)
Supuestos:
▪ 𝜺𝒊 representa la perturbación o error aleatorio, independiente, con
esperanza nula y distribución de probabilidad normal.
▪ Varios Regresores o variables independientes aportan una contribución
explicativa para el modelo que trata de estimar a la variable dependiente.
▪ Multi-Colinealidad entra las variables independientes y la dependiente.
▪ Homocedasticidad
ANOVA
▪ Análisis de Varianza
▪ Procedimiento para comparar varias medias poblacionales de forma simultánea.
▪ Se asume normalidad y es para variables en escala de Intervalos o Razón
▪ Se asume independencia.
▪ Se asume homocedasticidad
Tabla ANOVA para Regresión

▪ Formato de presentación de resultados con el que concluimos
▪ Sirve para análisis donde se quiera estudiar efectos en variables
endógenas o dependientes:
Fuente de Variación gl SC MC F0 P-value
Regresión k SCR MCR MCR/MCE
Error n-k-1 SCE MCE
Total n-1 SCT

Pruebas de significancia
▪ Analizar si la regresión es significativa y la podemos utilizar para la
predicción de los valores de Ŷ en función del cambio unitario en los
valores de X.
1) Prueba Global del Modelo
𝑯𝟎 : 𝜷𝟏 = 𝜷𝟐 =. . . = 𝜷𝒊 = 𝟎 (El modelo NO es útil)
𝑯𝟏 : ∃ 𝒊 /𝜷𝒊 ≠ 𝟎 (El modelo SÍ es útil)
Estadístico de Prueba:
𝑺𝑪𝑹
𝑴𝑪𝑹 𝒌
𝐅𝟎 = = ~ 𝒇(𝒌, 𝒏 − 𝒌 − 𝟏)
𝑴𝑪𝑬 𝑺𝑪𝑬
𝒏−𝒌−𝟏
2) Prueba de los Regresores
𝑯𝟎 : 𝜷𝒊 = 𝟎 (El regresor i-ésimo NO aporta al modelo)
𝑯𝟏 : 𝜷𝒊 ≠ 𝟎 (El regresor i-ésimo sí aporta al modelo)
𝒃𝒊
𝐓𝟎 = ~ 𝒕(𝒏 − 𝒌 − 𝟏)
𝑺𝒃
3) Prueba de la Correlación
𝑯𝟎 : 𝝆𝒙𝒚 = 𝟎 (No hay correlación a nivel poblacional)
𝑯𝟏 : 𝝆𝒙𝒚 ≠ 𝟎 (Sí existe correlación entre las variables, a nivel poblacional)
𝐫 𝒏−𝟐
𝐓𝟎 = ~ 𝒕(𝒏 − 𝒌 − 𝟏)
𝟏 − 𝒓𝟐
Conclusiones finales:
1. Un buen análisis de datos
utiliza como mínimo Tendencia
central y Dispersión.
2. Los modelos de Regresión

permiten pronosticar en base
a variables independientes
relacionadas.
“Estudia el pasado si
quieres pronosticar el
futuro” (Confucio)
¿Qué aprendimos
hoy?
¿Listos para
el curso?
¡Gracias!
Ing. Miguel Ángel Patiño Antonioli, MBA

mpatino@pucp.pe
+(51) 977342458
mpatino23 (Skype)
E-mail: mpatino@pucp.pe
WhatsApp: (+51) 977342458
Skype: mpatino23

Sesión 1

Cargado por

Información del documento

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

Sesión 1

Cargado por

Copyright:

Formatos disponibles

E-mail: mpatino@pucp.

Ing. MBA Miguel Ángel Patiño Antonioli

2 En promedio una persona se ríe 13 veces en un día.

3 Un hombre tiene seis veces más chances de ser alcanzado por

5 Logitech estima que la probabilidad de que un control remoto

6 En promedio una persona pasa dos años de su vida al teléfono.

7 Alrededor de un 5% de los sueños son en blanco y negro.

Fuente: Departamento de Marketing

Gráfico de Barras de los Saldos totales por Sucursal

Gráfica de una variable Discreta

b) Rueda Dentada (Multimodal):

f) Doble Pico (bimodal):

Gráfico de Torta de la Distribución de cuentas por Sucursal

En la planta de una empresa metal-mecánica se levantó la

✓ Media Aritmética simple

▪ Media aritmética incluyendo su importancia relativa

▪ Sirve para promediar  G = N X 1 X 2 X 3 .. X n

▪ Se desea establecer una posibilidad

“A la Mediana no le importa cuánto

▪ Indica la magnitud relativa de la desviación estándar con

La mediana es el segundo cuartil, 5º Decil y 50º percentil:

▪ Establece si una distribución es simétrica o no.

▪ Grado de concentración con relación a la media aritmética.

¿Para qué nos interesaría

▪ Buscan medir la performance del modelo.

Tabla ANOVA para Regresión

Error n-k-1 SCE MCE

Total n-1 SCT

𝑯𝟎 : 𝜷𝟏 = 𝜷𝟐 =. . . = 𝜷𝒊 = 𝟎 (El modelo NO es útil)

𝑯𝟏 : ∃ 𝒊 /𝜷𝒊 ≠ 𝟎 (El modelo SÍ es útil)

2) Prueba de los Regresores

𝑯𝟎 : 𝜷𝒊 = 𝟎 (El regresor i-ésimo NO aporta al modelo)

𝑯𝟏 : 𝜷𝒊 ≠ 𝟎 (El regresor i-ésimo sí aporta al modelo)

𝑯𝟎 : 𝝆𝒙𝒚 = 𝟎 (No hay correlación a nivel poblacional)

𝑯𝟏 : 𝝆𝒙𝒚 ≠ 𝟎 (Sí existe correlación entre las variables, a nivel poblacional)

2. Los modelos de Regresión

Ing. Miguel Ángel Patiño Antonioli, MBA

También podría gustarte