Manual Unidad 4 Estadística Aplicada para La Gestión

Estadística Aplicada a
la Gestión
Carlos Berrocal Gutarra
Manual – Unidad 4
Índice
Introducción .........................................................................................................................................5
Organización de la Asignatura ........................................................................................................7
Unidades didácticas.......................................................................................................................7
Tiempo mínimo de estudio ............................................................................................................8
UNIDAD 4: CORRELACIÓN, REGRESIÓN Y SERIES DE TIEMPO .....................................................9
Diagrama de organización ..........................................................................................................9
Tema N.º 1: Correlación ............................................................................................................... 13
1. Correlación ......................................................................................................................... 13
2. Análisis de correlación lineal simple .............................................................................. 14
2.1. Gráfico de dispersión .................................................................................................. 14
2.2. Coeficiente de correlación lineal ............................................................................ 16
2.3. Prueba de hipótesis para la correlación ................................................................ 16
Tema N.º 2: Regresión lineal simple ........................................................................................... 20
Ecuación de regresión ......................................................................................................... 20
1.1. Prueba de hipótesis para β1 ...................................................................................... 20
Estimación puntual e Intervalo de predicción................................................................ 24
2.1. Estimación puntual ...................................................................................................... 24
2.2. Estimación por intervalo ............................................................................................. 25
2.3. Estimación por Intervalo o Intervalo de predicción ............................................. 26
Tema N.º 3: Correlación regresión lineal múltiple .................................................................. 28
Correlación ............................................................................................................................. 28
1.1. Análisis de correlación ................................................................................................ 28
1.2. Coeficiente de determinación lineal Múltiple ...................................................... 29
Regresión lineal múltiple: ..................................................................................................... 32
2.1. Ecuación de regresión ................................................................................................ 32
2.2. Prueba de Hipótesis para los coeficientes β1 y β2 ................................................ 33
Tema N.º 4: Series de tiempo ...................................................................................................... 35
1. Componentes de una serie temporal: ......................................................................... 36
3. Análisis de series temporales: .......................................................................................... 43
De la teoría a la práctica ............................................................................................................ 50
LECTURA N° 4: ................................................................................................................................. 50
Actividad N° 4: Auto evaluación – Correlación, Regresión y Series Temporales
(cuestionario en línea) ................................................................................................................. 53
Glosario de la Unidad 4 ................................................................................................................... 54
Bibliografía de la Unidad 4 .............................................................................................................. 57
A ........................................................................................................................................................ 60
APENDICES. .......................................................................................................................................1
Universidad Continental | Manual 3

Introducción
Estadística aplicada a la gestión es una asignatura teórico-práctica, diseñada
para la modalidad a distancia; tiene como propósito que el estudiante sea
capaz de analizar Información de carácter probabilístico para plantear
pronósticos de naturaleza empresarial.
En el presente manual, se exponen teorías y procedimientos de análisis
estadísticos diversos, explicando detalladamente técnicas estadísticas de
inferencia.
Pretendemos que el manual apoye los procesos de aprendizaje de manera
básica - avanzada tomando como base el libro “Estadística” de Mario Triola (12ª
y 15ª ed.), y en concordancia con los conceptos estadísticos actuales.
Para una mejor comprensión del material se requiere que el estudiante tenga
conocimientos básicos de estadísticos de tendencia central, de variación y
forma, así de las distribuciones de probabilidades Binomial, Potencial, de Poisson
y Normal
El manual está organizado en cuatro Unidades que corresponde a las unidades
didácticas que se desarrollan en la asignatura virtual:
En la Unidad 1, se desarrollan los temas de Muestreo y diseños experimentales,
estimación de parámetros y tamaño de muestra. En la Unidad 2 se tienen en
cuenta los temas de Pruebas de Hipótesis con una y dos muestras. En la Unidad
3 se hace la exposición de; Análisis de la varianza (ANOVA), y pruebas no
paramétricas.
En la Unidad 4 se explican los conceptos y procedimientos de las técnicas de
predicción: Correlación lineal, Regresión lineal, Modelamiento como Series
temporales.

En cada unidad se plantean ejercicios desarrollados, como preguntas de auto
evaluación que se pueden realizar en línea en el aula virtual. Se han planteado
lecturas que ayuden a mirar lo desarrollado con relación a una realidad de
gestión.
Organiza tu tiempo para que obtengas buenos resultados, la clave está en
encontrar el equilibrio entre tus actividades personales y las actividades que
asumes como estudiante. El estudio a distancia requiere constancia, por ello es
necesario encontrar la motivación que te impulse a hacer mejor cada día.
El autor.
Organización de la Asignatura
Resultado de aprendizaje de la asignatura
Al finalizar la asignatura, el estudiante será capaz de analizar Información de carácter

probabilístico para plantear pronósticos de naturaleza empresarial.
Unidades didácticas
UNIDAD 1 UNIDAD 2 UNIDAD 3 UNIDAD 4
Muestreo y diseños Prueba de hipótesis Análisis de Correlación,

experimentales, e inferencias. varianza, regresión y series
estimados y experimentos de tiempo.
tamaños de multinomiales y
muestra. tablas de
contingencia y
estadística no
paramétrica.
Resultado de Resultado de Resultado de Resultado de

aprendizaje aprendizaje aprendizaje aprendizaje
Al finalizar la Al finalizar la Al finalizar la Al finalizar la

unidad, el unidad, el unidad, el unidad el
estudiante será estudiante será estudiante será estudiante será
capaz de aplicar capaz de aplicar capaz de analizar
capaz de realizar
los métodos de pruebas de pruebas de
pruebas de
muestreo y de hipótesis para la hipótesis para el
hipótesis de
estimación de media, proporción, análisis de
correlación y
parámetros a partir varianza y varianza,
de una muestra desviación experimentos regresión y series
aleatoria estándar multinomiales y de tiempo

proveniente de Poblacional a partir tablas de
una población. de una muestra contingencia, y
aleatoria y dos estadística no
muestras aleatorias paramétrica.

Tiempo mínimo de estudio
UNIDAD 1 UNIDAD 2 UNIDAD 3 UNIDAD 4
24 horas 24 horas 24 horas 24 horas

UNIDAD 4: CORRELACIÓN, REGRESIÓN Y
SERIES DE TIEMPO
Diagrama de organización
Resultado de aprendizaje de la Unidad 4:
Al finalizar la unidad, el estudiante será capaz de realizar pruebas de hipótesis
de correlación y regresión, y series de tiempo.
CONOCIMIENTOS HABILIDADES ACTITUDES

Tema n° 1. Correlación 1. Analiza y valida la • Valora
1.Correlación correlación entre reflexivamente la
Tema n° 2. Regresión variables. importancia de la
lineal simple. 2. Calcula el intervalo de interpretación de
Tema n° 3. Regresión predicción para la los modelos de
múltiple estimación de valores predicción y de
Tema n° 4. Series de pronosticados. series de tiempo en
tiempo. 3. Identifica modelos de la toma de
1. Modelos de series de regresión múltiple y los decisiones.
tiempo. interpreta.
2. Promedios móviles y 4. Realiza la suavización
suavizamiento exponencial.
exponencial. 5. Construye modelos de
3. Análisis de tendencia. series de tiempo y analiza
la tendencia y
estacionalidad.
6. Interpreta los modelos de
series de tiempo.
Actividad 1:
Participa del foro de
discusión sobre aplicación
de la correlación en el

CONOCIMIENTOS HABILIDADES ACTITUDES
ámbito de trabajo.
Actividad 2:
Evaluación del tema N° 1 y
el Tema N° 2
Introducción
En la estadística, se tienen métodos que permiten obtener estimaciones de
pronósticos en base a dos lo más variables cuantitativas. Los métodos aquí
presentados tienen condiciones de normalidad que retomamos de las unidades
1 y 2.
Así, si conocemos el desarrollo de los datos dos variables, se puede inferir que
estas variables tengan datos que de alguna manera se relacionen. Los métodos
aquí presentados nos van a permitir poner a prueba estas afirmaciones para
luego mediante el cálculo de la regresión, con los datos muestrales, obtener una
función matemática que permita realizar pronósticos sobre valores que no se
encuentran en la muestra.
La unidad se desarrolla en cuatro partes a saber:
La primera desarrolla las pruebas de correlación entre dos variables, la segunda
sobre la regresión con dos variables, la tercera sobre la correlación y regresión
de más de dos variables, así como modelación no lineal y en la cuarta parte el
desarrollo de técnicas de predicción empleando series temporales.
El autor

Tema N.º 1: Correlación
En el capítulo presente se aborda nuevamente el análisis de la relación entre
dos variables. Pero en esta oportunidad las variables son cuantitativas y se
aplicarán métodos paramétricos.
1. Correlación
Cuando nos referimos a que existe correlación entre dos variables, como
ejemplo podemos mencionar dos variables muy conocidas el ámbito
empresarial: Ingresos y Ganancias, podemos intuir que estas dos variables
se relacionan dado que de forma empírica podemos afirmar que, a
mayores Ingresos, mayores serán las ganancias en una empresa, o
viceversa.
En el desarrollo del análisis de los datos, no solo interesa si existe relación,
sino que además importa saber cómo es esa relación. Para esto un gráfico
de dispersión nos puede dar una respuesta más completa. Como ejemplo
graficaremos los datos de la siguiente tabla, en la que, cada pareja de
datos se tomará como coordenadas de puntos en el plano cartesiano:
Los puntos en la gráfica confirman la idea inicial respecto a estas dos
variables, a medida que los ingresos aumentan  , las ganancias también
los hacen .
La gráfica además nos muestra que el comportamiento de los puntos se
acerca bastante a una forma lineal, es decir se acercan bastante a una
línea recta ascendente. Por esta razón la correlación que pudiera existir
entre las variables se denomina “lineal”

Por ello es por lo que nuestro análisis girará en torno a la función lineal como
modelo del comportamiento de la relación entre las variables
Independiente (x) y dependiente (y)
2. Análisis de correlación lineal simple
Se desarrolla con la finalidad de determinar si en la población se tiene
correlación lineal entre dos variables cuantitativas. En este caso el
comportamiento de los datos se ajusta a una función lineal.
2.1. Gráfico de dispersión
Un gráfico de dispersión presenta los pares de datos representados
como puntos en un plano cartesiano. Su forma es un indicador de la
forma y fuerza de la relación. En general las formas en las que se
puede presentar sen lo siguiente:

Figura 1: Formas de gráficos de dispersión.
Fuente: Elaboración propia.
La correlación se define como lineal directa cuando los valores de
“y” aumentan si los de “X” lo hacen.
Una correlación lineal inversa es aquella en la que los valores de “Y”
disminuyen cuando “X” aumenta.

2.2. Coeficiente de correlación lineal
El coeficiente de correlación lineal (de Pearson) se calcula con:
𝑛 ∑ 𝑥𝑦−∑ 𝑥(∑ 𝑦)
r=
√𝑛 ∑ 𝑥 2 −(∑ 𝑥)2 √𝑛 ∑ 𝑦 2 −(∑ 𝑦)2
Mide la fuerza de la relación lineal entre las variables, por ello puede
tener las siguientes interpretaciones:
Valores Interpretación
rs = -1 Correlación inversa perfecta
–1 < rs  –0,8 Correlación inversa fuerte
–0,8 < rs  –0,5 Correlación inversa moderada
–0,5 < rs < 0 Correlación inversa débil
rs = 0 Incorrelación
0 < rs  0,5 Correlación directa débil
0,5 < rs  0,8 Correlación directa moderada
0,8 < rs < 1 Correlación directa fuerte
rs = 1 Correlación directa perfecta
Fuente: Estadística Inferencial – Manual de Auto

aprendizaje por Jurado (2017)
2.3. Prueba de hipótesis para la correlación
El análisis requiere de una prueba de hipótesis que pruebe;
H0:  = 0 No existe correlación lineal entre “x” e “y”
H1:   0 Existe correlación lineal entre “x” e “y”
Donde:  es el coeficiente de correlación lineal en la población

El estadístico de prueba es r y los valores críticos se obtienen de la
tabla A-6.
Ejemplo:
En el cálculo de la resistencia de suelos tienen mucha importancia los
componentes del suelo estudiado. La siguiente tabla resumen las
resistencias encontradas en 9 terrenos con diferentes contenidos de
arena o grava. ¿Al nivel de 5% de significancia se puede decir que el
contenido de arena en el suelo influye en su resistencia? (Jurado,
2017)
El análisis inicia con un gráfico de dispersión. Este nos indica que existe
una correlación lineal considerable entre las variables y que esta
relación es directa, a mayor % de Grava, mayor resistencia del suelo.
Si calculamos el coeficiente de correlación:
𝑛 ∑ 𝑥𝑦−∑ 𝑥(∑ 𝑦)
r=
√𝑛 ∑ 𝑥 2 −(∑ 𝑥)2 √𝑛 ∑ 𝑦 2 −(∑ 𝑦)2

9(3826)−143(191)
r=
√9(2875)−(143)2 √9(5153)−(191)2
r = 0.97178736
Fuerte correlación lineal directa en la muestra.
Prueba de Hipótesis:
Paso1: Planteamiento de hipótesis:
H0:  = 0 No existe correlación lineal entre % de Grava y Resistencia
del suelo.
H1:   0 Existe correlación lineal entre % de Grava y Resistencia del
suelo.
Paso2: Regla de decisión:
Con n = 9 y  = 0,05 en la tabla A-6
Valor crítico = 0,666
Rechazar H0 si |r|  0,666
Paso3: Calculo del estadístico de prueba:
𝑛 ∑ 𝑥𝑦−∑ 𝑥(∑ 𝑦)
r=
√𝑛 ∑ 𝑥 2 −(∑ 𝑥)2 √𝑛 ∑ 𝑦 2 −(∑ 𝑦)2
9(3826)−143(191)
r=
√9(2875)−(143)2 √9(5153)−(191)2
r = 0,97178736
Paso4: Decidir sobre H0
r = 0,971787 y Valor crítico = 0,666
|r| > 0,666

Rechazamos H0 como verdadera, es decir H0 es falsa y H1 verdadera.
Paso5: Conclusión
Queríamos probar que existía correlación entre las variables (H1) lo
que resultó verdadero:
Existe evidencia muestral suficiente para probar que “Existe
correlación lineal directa entre % de Grava y Resistencia del suelo”.

Tema N.º 2: Regresión lineal simple
Cuando se ha comprobado que existe correlación entre dos variables, se
puede proceder al cálculo de una función lineal que se al que mejor se “ajuste”
a los pares de datos (puntos en el diagrama de dispersión). A este proceso se
le conoce como “Regresión”
Ecuación de regresión
𝑦̂ = 𝑏0 + 𝑏1 𝑥
Donde:
𝑦̂: Es el valor de la variable dependiente.
𝑏0 : Constante de la ecuación, conocido como intercepto, porque es la
coordina en “Y” cuando x = 0.
𝑏1 : Coeficiente de la variable “x”, que es la pendiente de la recta.
𝑛 ∑ 𝑥𝑦−∑ 𝑥 ∑ 𝑦
b1 = y b0 = 𝑦̅ − 𝑥̅ 𝑏1
𝑛 ∑ 𝑥 2 −(∑ 𝑥)2
1.1. Prueba de hipótesis para β1
La ecuación de regresión en la población:
𝑦̂ = 𝛽0 + 𝛽1 𝑥
Cuando se logra la ecuación de regresión se puede someter a
prueba la pendiente de la recta en la población β1 , porque este
puede ser “cero” en la población. Si la pendiente es “cero”, produce
que 𝛽1 𝑥 = 0, por tanto, el valor del estimado de Y será:
𝑦̂ = 𝛽0
La ecuación de regresión se reduce a ser igual a una constante 𝛽0
El estadístico de prueba será:
𝑏1 −𝛽1
𝑡= 𝑆𝑒
√𝑠𝑥 ∗(𝑛−1)
Donde:
𝒃𝟏 : Pendiente de la recta en la muestra.
𝜷𝟏 : Pendiente Hipotética de la recta en la población.
𝒔𝒙 : Desviación estándar de los datos de la variable independiente.
𝒏: Tamaño de muestra.
𝑺𝒆 : Error estándar de la correlación:
∑ 𝒚𝟐 −𝒃𝟎 ∑ 𝒚−𝒃𝟏 ∑ 𝒙𝒚
𝑺𝒆 = √ 𝒏−𝟐
Ejemplo:
Con los datos del ejemplo anterior, y ya que se ha probado que existe
correlación lineal directa, se procede a determinar la ecuación de
regresión

Prueba de Hipótesis:
Paso1: Planteamiento de hipótesis
H0:  1 = 0 La pendiente es cero. La ecuación es constante.
H1:  1 ≠ 0 La pendiente no es cero. La ecuación no es constante.
Con  = 0,05, (dos colas), y gl = 9 – 2 = 7
Valor crítico = 2,365
Rechace H0 como verdadero si |t|  2,365

Paso3: Estadístico de prueba
∑ 𝒚𝟐 −𝒃𝟎 ∑ 𝒚−𝒃𝟏 ∑ 𝒙𝒚 ̅)𝟐

∑(𝒙𝒊 −𝒙
Se=√ Sx = √ = 8,6811
𝒏−𝟐 𝒏−𝟏
𝟓𝟏𝟓𝟑−(𝟎.𝟑𝟔𝟗𝟗)(𝟏𝟗𝟏)−(𝟏.𝟑𝟏𝟐𝟒)(𝟑𝟖𝟐𝟔) n=9
Se=√
𝒏−𝟐
Se= 8,7036
Reemplazando:
𝑏1 −𝛽1
t= 𝑆𝑒
√𝑠𝑥∗(𝑛−1)
1.3124−0
t= 8.7036
√8.6811∗8
t = 3,6999
Paso4: Decisión respecto de H0:
t = 3,6999 y Valor crítico = 2,365
t > 2,365
Rechazamos H0 como verdadera, es decir H0 es falsa y en
consecuencia H1 es verdadera.
Paso5: Conclusión:
El resultado de la prueba indica que H1 es verdadera:
Existe evidencia muestral suficiente para probar que “ 1 ≠ 0 La
pendiente no es cero. La ecuación no es constante”

Estimación puntual e Intervalo de predicción
Si empleamos la ecuación de regresión podremos obtener un estimado
del valor de la variable dependiente (y). Ahora estudiaremos las dos
formas de obtener este estimado:
2.1. Estimación puntual
Para realizar este cálculo solo hace falta tener un valor para la
variable independiente (x) y reemplazarlo en la ecuación de
regresión:
En el caso del ejemplo supongamos que requerimos calcular el valor
de la Resistencia de suelo si se tiene un porcentaje de 28% de grava.
Si el mejor modelo de regresión es: 𝑦̂ = 0,3699 + 1,3124𝑥 obtenido
anteriormente,
x = 28
𝑦̂ = 0,3699 + 1,3124𝑥
𝑦̂ = 0,3699 + 1,3124(28)
𝑦̂ = 37,1171 kg/cm2
El mejor estimado puntual para el valor de la Resistencia del suelo
cuando el porcentaje de grava es de 28%, es de 31,12Kg/cm 2

2.2. Estimación por intervalo
Como se puede apreciar, nuestro calculo anterior nos brinda un
único valor de la variable dependiente Resistencia de suelo.
En un modelo determinístico como en una función se espera un solo
resultado, a cada valor de “x” le corresponde un valor de ”y”.
Nuestros datos han sido comparados con este tipo de modelo.
Nuestros datos distan de comportarse de esta manera, nuestros datos
se comportan de manera aleatoria, es decir suceden al azar y por
cada “x” pueden existir infinitos valores como en nuestro ejemplo. Par
un valor del porcentaje de Grava como 28%, pueden existir otros
niveles Resistencia de suelo, que no solo depende del contenido de
Grava, sino de otros componentes y condiciones que alteran la
resistencia. Por ello cuando hablamos de un modelo regresión no
referimos a un “modelo probabilístico” con muchos posibles
resultados para cada valor de la variable independiente (Jurado,
2017):
Figura 2: Resultados probables para x = 28. Tomado de Estadística Inferencial. Manual
de Auto aprendizaje, por Sergio Jurado, 2017.

Para el cálculo de una estimación, consideramos que estos posibles
resultados tienen una distribución normal con media en el valor de la
estimación puntual calculada con la ecuación de regresión (𝑦̂ =
37.1171).
2.3. Estimación por Intervalo o Intervalo de predicción
Como existen muchos posibles resultados por cada valor estimado 𝑦̂,
un intervalo sería la mejor estimación de la variable “y”:
𝑦̂ − 𝐸 < 𝑦 < 𝑦̂ + 𝐸
Donde:
E: Es el margen de error
1 𝑛(𝑥−𝑥̅ )2
𝐸 = 𝑡𝛼/2 ∗ 𝑠𝑒 ∗ √1 + +
𝑛 𝑛 ∑ 𝑥 2 +(∑ 𝑥)2
Ejemplo:
En el ejercicio que estamos resolviendo, se solicita hacer una
estimación al 95% de la Resistencia del suelo cuando la proporción
de Grava sea de 28%
Solución:
Datos Fórmula
n=9 1 𝑛(𝑥−𝑥̅ )2
𝐸 = 𝑡𝛼/2 ∗ 𝑠𝑒 ∗ √1 + +
𝑛 𝑛 ∑ 𝑥 2 +(∑ 𝑥)2
∑ 𝒙 = 143
1 9(28−15.8889)2
𝐸 = 2,306(8,7036) ∗ √1 + +
9 9(2875)+(143)2
∑ 𝒙𝟐 = 2875
𝐸 = 23,3543
̅ = 15,8889
𝒙
𝑦̂ − 𝐸 < 𝑦 < 𝑦̂ + 𝐸
𝑺𝒆 = 8,7036
37,1171 − 23,3543 < 𝑦 < 37,1171 + 23,3543

gl = 8
13,763𝑘𝑔/𝑐𝑚2 < 𝑦 < 60,471𝑘𝑔/𝑐𝑚2
 = 0,05
𝒕𝜶/𝟐 = 2,306

Tema N.º 3: Correlación regresión lineal múltiple
Hablaremos ahora del análisis de correlación y regresión cuando se tiene más
de una variable independiente. El modelo general al que se ajustarán los datos
será:
𝑦̂ = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝛽3 𝑥3 + ⋯
Correlación
1.1. Análisis de correlación
En el análisis de correlación se emplea el cálculo de las variaciones
que comparadas nos darán el valor del estadístico de prueba que
es:
𝐶𝑀𝑅
𝐹=
𝐶𝑀𝐸
Donde:
CMR: Suma de cuadrados medios de la Regresión:
𝑆𝐶𝑅 ∑(𝑦̂𝑖 −𝑦̅)2

𝐶𝑀𝑅 = =
𝑝 𝑝
p = Grados de libertad de la regresión
CME: Cuadrados medios del Error:
𝑆𝐶𝐸 ∑(𝑦𝑖 −𝑦̂𝑖 )2

𝐶𝑀𝐸 = =
𝑛−𝑝−1 𝑛−𝑝−1
Estos cálculos en general se desarrollan con el apoyo de un software
especializado como SPSS, Minitab o Excel:

Tabla 1:
ANOVA de un Factor – Fórmulas
Origen Suma de gl Cuadrados F

Cuadrados medios
Regresión 𝑆𝐶𝑅 = ∑(𝑦̂𝑖 − 𝑦̅)2 𝑝 𝐶𝑀𝑅 =

𝑆𝐶𝑅 𝐶𝑀𝑅
𝐹 = 𝐶𝑀𝐸
𝑝
Error 𝑆𝐶𝐸 = ∑(𝑦𝑖 − 𝑦̂𝑖 )2 𝑛−𝑝−1 𝑆𝐶𝐸

𝐶𝑀𝐸 = 𝑛−𝑝−1
Total 𝑆𝐶𝑇 = ∑(𝑦𝑖 − 𝑦̅)2 𝑛−1
Fuente: Jurado, 2017
1.2. Coeficiente de determinación lineal Múltiple
El cálculo del coeficiente se realiza por:
𝑆𝐶𝑅
𝑅2 =
𝑆𝐶𝑇
Pero este coeficiente tiende a “inflar” el valor de la correlación a
medida que se incluyen más variables independientes, por ello debe
corregirse para determinar el verdadero valor de la bondad de
ajuste:
𝑛−1
2
𝑅𝑎𝑗𝑢𝑠𝑡 = 1 – (1 − 𝑅 2 )*
𝑛−𝑝−1
Ejemplo:
“Butler Trucking Company, una empresa que se dedica al transporte
de objetos y mercancías en el sur de California. Para mejorar el
horario de trabajo, los gerentes deseaban estimar el tiempo total de
recorrido diario necesario para efectuar las entregas. Los gerentes
creen que este tiempo está relacionado con las Millas recorridas y el

número de entregas. A partir de una muestra aleatoria simple de 10
repartidores con asignación de recorrido se obtuvieron los datos que
se presentan en la tabla siguiente” (Anderson, Dennis & Thomas, 2012,
p. 324):
Tabla 2:
Datos ejercicio Correlación múltiple
Recorrido Millas Número de Tiempo de

x1 entregas viaje (hrs)
x2 y
1 100 4 9.3
2 50 3 4.8
3 100 4 8.9
4 100 2 6.5
5 50 2 4.2
6 80 2 6.2
7 75 3 7.4
8 65 4 6.0
9 90 3 7.6
10 90 2 6.1
Fuente: Anderson, Dennis y Thomas, 2012
¿Existe correlación lineal múltiple?
Paso1: Planteamiento de Hipótesis:
H0:  = 0 No existe correlación lineal múltiple entre Tiempo de viaje y
N° de millas, N° de entregas.
H1:   0 Existe correlación lineal múltiple entre Tiempo de viaje y N°
de millas, N° de entregas.
En la tabla A-5 con gln = p = 2, gld = n – p – 1 = 7 y  = 0,05
Valor Crítico = 4,7374
Rechazar H0 como verdadera si F  4,7374
Paso3: Calculo del estadístico de prueba:
Usando Excel:
Tabla 3:
Tabla ANOVA de ejemplo de regresión múltiple
ANÁLISIS DE VARIANZA
Grados Suma de Promedio de los F Valor crítico
de cuadrados cuadrados de F
libertad
Regresión 2 21,6005565 10,8002783 32,8783674 0,00027624

Residuos 7 2,29944349 0,32849193
Total 9 23,9
F = 32,8784
Paso4: Decisión sobre H0
F = 32,8784 y el valor Crítico = 4,7374
F > 4,7374
Rechazamos H0 como verdadera, H0 es falsa

Paso5: Conclusión
Como Ho es falsa, en consecuencia, H1 es verdadera
Existe evidencia muestral suficiente para probar que “Existe
correlación lineal múltiple entre Tiempo de viaje y N° de millas, N° de
entregas”
Regresión lineal múltiple:
2.1. Ecuación de regresión
Tanto como en la regresión lineal simple, se debe obtener la
ecuación de regresión. Para este cálculo se emplea el método de los
mínimos cuadrados. Un software como Excel nos puede brindar:
Tabla 4:
Tabla de coeficientes ejemplo correlación múltiple
Coeficientes Error típico Estadístico Probabilidad

t
Intercepción -0,8687014 0,95154772 -0,9129352 0,3916343
Millas x1 0,0611346 0,00988849 6,18239696 0,00045296
N° entregas 0,92342537 0,22111346 4,17625125 0,00415662
x2
𝑦̂ = −0,8687 + 0,06113𝑥1 + 0,9235𝑥2

Que requiere verificar si alguno de los coeficientes (β1 = 0,06113 y β2 =
0,9235) es igual a 0, lo que nos permitiría decidir si la ecuación hallada
es realmente el mejor modelo o se requiere otro con menos variables
independiente.
2.2. Prueba de Hipótesis para los coeficientes β1 y β2
Paso1: Planteamiento de Hipótesis
H0: 𝜷𝟏 = 0 H0: 𝜷𝟐 = 0
H1: 𝜷𝟏  0 H1: 𝜷𝟐  0
Paso2: Regla de decisión
Si el valor P   rechazamos H0 como verdadera
 = 0,05
Paso3: Calculo de los estadísticos de prueba:
De la Tabla obtenida de Excel:
Coeficientes Error típico Estadístico Probabilidad

t
Intercepción -0,8687014 0,95154772 -0,9129352 0,3916343
Millas x1 0,0611346 0,00988849 6,18239696 0,00045296
N° entregas 0,92342537 0,22111346 4,17625125 0,00415662
x2
Para 𝜷𝟏 : Para 𝜷𝟐 :
Valor P = 0,00045296 Valor P = 0,00415662
Paso4: Decisión respecto de H0
El Valor P = 0,00045296 Valor P = 0,00415662
Valor P <  Valor P < 
Rechazamos H0 como verdadera. H0 Rechazamos H0 como verdadera.

es falsa H0 es falsa

Paso5: Conclusión
Como H0 es falas, H1 es verdadera:
𝜷𝟏 no es cero, por tanto: 𝜷𝟐 no es cero, por tanto:

conservamos la variable x1 en la conservamos la variable x2 en la
ecuación de regresión. ecuación de regresión.
Tema N.º 4: Series de tiempo
Una serie temporal es un modelo matemático denominado proceso
estocástico. Un proceso estocástico es el desarrollo de una variable aleatoria en
el tiempo.
“Fenómenos como las ventas, los gastos, el PBI, la producción de una fábrica,
los clientes atendidos, el desarrollo de factores económicos son ejemplos de
aplicación del Análisis de Series Temporales. En todos ellos los datos suceden en
el tiempo y varían aleatoriamente” (Jurado, 2017, p. 67).
“Por esto, una serie temporal se conoce como un suceso estocástico de variable
discreta-discreta, discreta-continua. Se compone de los datos aleatorios
tomados sucesivamente en el tiempo lo que configura una gráfica como:”
(Jurado, 2017, p. 162)
Figura 3: Ejemplo de serie temporal. Tomado de Estadística Inferencial.
Manual de Auto aprendizaje, por Sergio Jurado, 2017.

Una serie temporal está compuesta de: Tendencia, Estacionalidad, variación
Cíclica, y la Aleatoria.
1. Componentes de una serie temporal:
Tendencia:
La tendencia es la componente que provoca que la serie se nueva
de manera ascendente, descendente o de forma constante. Se
puede calcular usando los métodos de regresión estudiados en
anteriormente.
Figura 4: Formas de la componente Tendencia en la serie temporal,
Tomado de Estadística Inferencial. Manual de Auto aprendizaje, por
Sergio Jurado, 2017.

Estacional
“La estacionalidad en una serie temporal provoca que a serie se
mueva arriba hacia debajo de manera periódica en periodos cortos,
generalmente en periodos de un año, por ello el nombre de
Estacionalidad ya que las variaciones suceden año a año en las
mismas fechas, como las estaciones” (Jurado, 2017, p. 75).
Figura 5: Componente estacional en una serie temporal.
Tomado de Estadística Inferencial. Manual de Auto
aprendizaje, por Sergio Jurado, 2017.
Se puede analizar por medio de métodos de suavizamiento como
promedios móviles.
Promedio Móviles:
El método de promedios móviles desarrolla calculo promedios de los
datos muestrales, tomándolos en agrupamientos que toman datos
avanzando, dejando un dato y tomado otro hacia adelante para

reemplazarlo. Así los promedios pueden tomar una cantidad par de
datos como una cantidad impar.
Promedios móviles Impares
El procedimiento más simple es el de un promedio impar. Los
promedios móviles se calculan en agrupaciones de 3, 5, 7 a más
datos sucesivos
Ejemplo: Calcule los promedios móviles de amplitud 3:
Figura 6: Cálculo de promedios móviles 3, Tomado de Estadística
Inferencial. Manual de Auto aprendizaje, por Sergio Jurado, 2017.
El cálculo de los promedios móviles produce un “suavizamiento” de
la serie temporal, que disminuye el valor de los datos más bajos o
altos, como se puede apreciar en la siguiente imagen:

Figura 7: Gráfica de promedio móvil 3, Tomado de
Estadística Inferencial. Manual de Auto aprendizaje,
por Sergio Jurado, 2017.

Promedios Móviles Pares
Los promedios móviles pares requieren de un procedimiento un poco
más extenso:
Ejemplo: Calcule los promedios móviles de amplitud 4.
Figura 8: Calculo de promedio móvil 4, por Jurado, 2017
Se realiza en dos etapas; ❶ Calcule el promedio móvil tomando 4 datos

y luego calcule ❷ promedios móviles de 2 de los promedios de 4:
Se hace un cálculo de promedios móviles buscando un valor que

coincida con un valor de la variable Y.
La gráfica resultante es:
Figura 9: Grafica promedio móvil 4. Tomado de Estadística

Inferencial. Manual de Auto aprendizaje, por Sergio Jurado, 2017.
Elegir un tipo de promedio Móvil:
En una serie temporal puede elegir una amplitud de promedio móvil de

acuerdo con comportamiento de los datos o en función de los periodos
de medición o toma de datos
Cuando se toman en cuenta los valores medidos y su variación se

puede actuar conforme lo indica (Jurado, 2017):
Figura 10: Estacionalidad.
Fuente: Elaboración propia

“Se puede apreciar en este gráfico una secuencia repetida de 3 puntos
antes de un pico, por tanto, el promedio móvil que debe aplicarse
debería ser de amplitud 3 (PM3)” (Jurado, Estadística, 2017 p. 126).
En el segundo caso, se toma simplemente el periodo que se uso en la
toma de datos, si los datos se tomaron cada mes, entonces se asumen
un Promedio Móvil de 12, si los datos fueron tomados cada trimestre se
asumen un Promedio Móvil de 4.
El cálculo del Componente Estacional entonces se realiza con:
𝑌
∑
Ei = 𝑃𝑀
*f
𝑘
Cíclico:
Se establece como aquella variación en la serie que produce
cambios de manera periódica, pero con periodos muy amplios, de
más de un año.
Figura 11: Gráfica de componente cíclico por Universidad de
Valladolid, 2012.
Podemos citar como ejemplo de las causas de estas variaciones: los
cambios de gobiernos democráticos, el fenómeno del niño, . . .

Irregular
Los sucesos como los desastres naturales, terremotos, sunamis,
huracanes y los sucesos socio políticos como los golpes de estado en
países poco desarrollados, las guerras, los fenómenos económicos
como las crisis financieras . . . son causa de variaciones de este tipo.
Son totalmente aleatorias e impredecibles.
2. Modelos de series temporales:
Las series temporales pueden componerse por medio de:
Modelo Aditivo:
Desarrolla el cálculo de la proyección se hace mediante componentes
que se suman.
Modelo Multiplicativo:
Se desarrolla un pronóstico en función del producto de las
componentes.
En nuestro desarrollo, emplearemos el modelo multiplicativo.
3. Análisis de series temporales:
Ejemplo: Supongamos que estamos interesados en el mercado inmobiliario
y deseamos proyectar nuestras expectativas sobre el Precio de los
departamentos en los distritos de La Molina, Miraflores, San Borja, San Isidro
y Surco. Del Instituto Nacional de Estadística e Informática (INEI) obtenemos
los datos que se muestran en la tabla:

Tabla 5: Evolución Precios por m2 de departamentos en La Molina,
Miraflores, San Borja, San Isidro y Surco por trimestres
Trimestre 2013 2014 2015 2016 2017 2018

T1 4198,3 4733,5 4981,5 5249,7 4854,6 4717,5
T2 4553,2 5094,1 4926,0 4916,8 4786,0 4658,5
T3 4588,3 4762,4 4952,5 5009,7 4749,8 4872,3
T4 4436,5 4818,1 5049,7 5205,4 4691,3 4890,6
Fuente: Series Trimestrales, Gerencia de general de Estudios Económicos. por
(Banco Central de Reserva del Perú, 2019),
Elaboración: Propia
a. Calcule la ecuación regresión.
b. Determine los índices estacionales
c. Determine un pronóstico de las ventas trimestrales para el cuarto
trimestre del año 2019

Solución:
a. Análisis de Tendencia
Ordenando los datos de manera vertical como muestra la imagen:
Figura 12: Disposición de datos para el
cálculo de la Serie Temporal. Fuente:
Elaboración propia
Con el apoyo de Excel podemos calcular la ecuación de regresión:
Figura 13: Gráfica en Excel de una serie temporal.

De acuerdo con este cálculo:
𝑦̂ = 4677,784 + 11,432𝑥
b. Índices Estacionales
Tomando en cuenta que los datos son trimestrales asumiremos u
promedio móvil de amplitud 4:
Para ello calculamos los promedios tomando 4 datos a la vez y
avanzamos dejando uno y tomando el siguiente en la tabla vertical
como se puede ver en la figura siguiente:
A. Cálculo de promedios móviles PM4
Figura 14: Desarrollo del cálculo de promedios móviles 4,
Fuente: Elaboración Propia.
B. Promedios Móviles Centrados PMC4:
Dado que los promedios están ubicados al centro de cada grupo,
para que el resultado coincida con un valor de la serie original se
vuelve a calcular un promedio móvil de amplitud 2:

Figura 15: Cálculo de Promedios móviles centrados.
De la ecuación general:
𝑌 𝑌
𝑦̂ = T * E * C * I despejando E= =
𝑇∗𝐶∗𝐼 𝑃𝑀
Determinamos el valor de los coeficientes estacionales E0 =Y/PM4
Tabla 6: Desarrollo del cálculo de los componentes estacionales.
Fuente: elaboración propia.

Los valores de la última columna son valores no estandarizados de E,
por ello se debe proceder estandarizarlos. Copiamos la última
columna y la ordenamos por trimestres y años en una tabla de doble
entrada:
Tabla 7: Componentes estacionales no estandarizados y sus
promedios
Los índices:
Los resultados obtenidos son los índices o componentes estacionales:
Tabla 8: Índices estacionales de Precios de
departamentos por m2.

c. La proyección para el 4to trimestre del 2019:
Al cuarto trimestre del 2019 le corresponde el periodo t = 28 ya que
nuestros datos son en total 24 hasta el cuarto trimestre del 2018.
X = 28
T = Y = 4677,784 + 11,432𝑥
T = Y = 4677.784 + 11,432(18)
T = 4997,88
𝐸𝑇4 = 0,9967
Proyección:
Trimestre 4: 𝑦̂ = T*E4= 4997.88*0.9967 = S/.4981,387

De la teoría a la práctica
LECTURA N° 4:
"Las balanzas del bienestar" Margarita León. El País, 18 de junio de 2019.
“Imaginemos un Gobierno que decide destinar un 2% de su producto interior
bruto a prevenir y erradicar la violencia contra las mujeres. Los recursos se
distribuyen en medidas preventivas, en mejorar los mecanismos de detección,
atender a las víctimas y procurarles un presente y un futuro dignos. En el
transcurso de unos años, aumentan las denuncias, el número de agresiones y
homicidios disminuye, y mejoran las expectativas de las víctimas. La sociedad
termina por comprender la raíz y complejidad del fenómeno y muestra
mayoritariamente su repulsa. Imaginemos ahora otro Gobierno que destina esa
misma proporción de su PIB a combatir la violencia provocada por el
narcotráfico. En este caso, los recursos se destinan casi en su totalidad a
incrementar el gasto militar y de las fuerzas de seguridad del Estado. Aquí, en
cambio, la violencia que se pretendía combatir, lejos de disminuir, aumenta. En
un contexto de corrupción generalizada, los homicidios se disparan justamente
en los territorios con mayor presencia del ejército y la policía. La inseguridad
ciudadana alcanza niveles sin precedentes.
¿Tiene ese mismo esfuerzo presupuestario el mismo valor añadido? Depende de
lo que entendamos por valor añadido. Si lo que evaluamos es el aumento del
gasto en sí, es probable que en el segundo ejemplo el saldo sea superior al
estimular a su vez otros gastos paralelos, como la producción de armas, por
ejemplo. Si, por el contrario, lo que nos interesa es constatar mejoras de progreso
social, concluiríamos que, bajo parámetros objetivables de calidad de vida de
las comunidades más afectadas, su incidencia es positiva en el primero y
negativa en el segundo. Sin embargo, el indicador más utilizado, por ser el más
disponible, para analizar los esfuerzos en política pública de los Estados y
compararlos entre sí es precisamente la evolución del gasto en relación con el
PIB. Sin duda, el camino más corto, pero no el mejor. En general, evaluar las
balanzas públicas en función de la productividad y el crecimiento puede llegar
a distorsionar sobremanera la realidad porque mide a medias lo que pretende
medir, y, además, otras cosas importantes, como si somos más libres, felices o
solidarios, ni siquiera las observa.
¿Cómo otorgar, entonces, valor a aquello que contribuye al bienestar de una
sociedad? Esta es precisamente la pregunta para la que Jacinda Arden,
primera ministra de Nueva Zelanda busca respuesta. Su presupuesto nacional
del bienestar, anunciado hace unos días, está orientado a lidiar con problemas
y desafíos tan dispares como la pobreza infantil, la discriminación de la
comunidad maorí, la violencia machista, el sinhogarismo y las emisiones de CO2.
La idea no es nueva, pero se mueve despacio. Ya en 2008, la Unión Europea, a
instancias de la presidencia francesa, creó una comisión para la medición de la
economía y el progreso social. Ese esfuerzo colectivo, recogido en Medir
nuestras vidas, de los economistas Stiglitz, Sen y Fitoussi, no era más que una
fundada invitación a mejorar la métrica. Es un debate necesario al que cada
vez se unen más voces, desde el ecologismo hasta el feminismo, que, para ser
justos, especialmente esta última hace siglos que lo reclama, pero de momento
no parece que hayamos pasado de formular las preguntas. De hecho, algunos
años más tarde del trabajo de aquella comisión, la UE dio un paso en la
dirección contraria al incluir en la contabilidad económica los beneficios de la
prostitución y el tráfico de drogas. En el ejercicio de visibilizar la aportación de
las actividades ilegales a la economía resultaron unas nuevas sumas que
consiguieron aumentar la riqueza europea hasta en un 4%. Todo un

contrasentido. A través de los desafíos impuestos por la crisis ecológica, el
aumento generalizado de la desigualdad y la automatización del empleo es
más fácil entender la perversidad de crecimientos que no asumen los límites
sociales o ecológicos.
Los 17 Objetivos de Desarrollo Sostenible de la ONU son un referente importante
en esta dirección, pero por ver está que logre efectivamente ir más allá de
realizar esfuerzos añadidos que funcionan más desde una lógica de promedios
de cumplimiento que desde un ejercicio reflexivo de cambio de paradigma.
Mientras los países nombran guardianes que velan por cada uno de los 17
indicadores, en la mayoría de los escenarios no se vislumbran todavía las
rupturas políticas necesarias. Si el futuro deseable es un sistema económico más
pequeño que opere dentro de los límites que impone la naturaleza y esté
socialmente cohesionado, tendríamos que empezar por reconocer que los
dilemas a los que nos enfrentamos raramente son un juego de suma cero. Aún
tenemos pendiente decidir colectivamente dónde termina el derecho de una
minoría a elegir lo que para la mayoría resulta inalcanzable. Todavía nos queda
por entender cómo resolver la relación prevalente entre percepción de
bienestar y capacidad de consumo material. Se trata de llegar al fondo de las
cuestiones. No vayamos a quedarnos nadando en la superficie por miedo a
sumergirnos mar adentro” (León, 2019).

Actividad N° 4: Auto evaluación – Correlación, Regresión y Series Temporales
(cuestionario en línea)
Ingrese al aula virtual >> Unidad 4 >> Cuestionario: Autoevaluación 4
- Ingrese al cuestionario.
- Lea las instrucciones con mucha atención.
- Realice los ejercicios.

Glosario de la Unidad 4
Bondad de ajuste
Medida de la capacidad de un modelo de regresión para explicar las
variaciones en la variable dependiente. Lo que también nos lleva decir que es
la medida de lo bien que se ajusta un modelo a los datos de dos variables
correlacionadas (Triola, 2009).
Correlación
Una correlación existe entre dos variables cuando una de ellas está relacionada
con la otra de alguna manera (Triola, 2009)
Coeficiente de correlación lineal
Es el valor que mide la fuerza de la relación entre dos variables . . . (Jurado, 2017).
Coeficiente de determinación
Es una medida descriptiva de la proporción o porcentaje de la variabilidad total
que es explicada por el modelo de regresión (Newbol, Carlson & Thorne,
2008).
Ecuación de regresión
Es la ecuación de la recta que representa mejor la relación . . . entre dos
variables. Esta recta se conoce como recta de regresión y su ecuación como
ecuación de regresión. A partir de datos muestrales apareados, calcularemos
valores estimados de b0, que es la intersección en “y”, y la pendiente b1, de
manera que podamos identificar una línea recta con la ecuación: 𝑦̂ = 𝑏0 + 𝑏1 𝑥
(Newbol, Carlson & Thorne, 2008).

L
Linealizar
Método matemático que permite transformar una ecuación exponencial,
logarítmica, etcétera, en una ecuación lineal con la finalidad de aplicar el
análisis de correlación y regresión lineal (Devore, 2008).
Margen de error
Es la diferencia máxima probable (con probabilidad 1 - a) entre el valor muestral
observado y el valor real de la poblacional (Triola, 2009)
Regresión
En los modelos probabilísticos, en los que una variable no está determinada por
completo por la otra variable. Por ejemplo, la estatura de un niño no está
completamente determinada por la estatura del padre . . . las estaturas de éstos
tienden a regresar o a revertirse a la estatura media más común de las personas
del mismo género (Triola, 2009).
Suavizamiento
Proceso del método de Análisis de series temporales que permite quitar la
componente estacional de la serie (Anderson, Dennis & Thomas, 2012).
Variable Dependiente
Es la variable con valores que cambian en alguna medida al cambiar los valores
de la variable independiente (Jurado, 2017).

Variable independiente
Variable que tiene la cualidad de tener datos que cuando se producen,
provocan que la variable dependiente los produzca (Jurado, 2017).

Bibliografía de la Unidad 4
Alfaro, D., & Macera, D. (2011). Una mirada a los programas sociales [mensaje
en un blog].
Anderson, D., Dennis, S., & Thomas, W. (2012). Estadística para negocios y
economía. México D. F.: CENGAGE Learning.
APTiTUS. (31 de julio de 2009). La Importancia de la Evaluación del Desempeño.
Obtenido de APTiTUS.pe
Banco Central de Reserva del Perú. (2019). Banco Central de Reserva del Perú.
Recuperado el 21 de junio de 2019, de BCRP Data
Devore, J. (2008). Probabilidad y estadística para ingeniería y ciencias. México
D. F.: CENGAGE Learning.
Díaz, A. (2013). Estadística aplicada a la administración y la economía. México
D. F.: Mc Graw Hill Education.
Díaz, A. (2013). Estadística aplicada a la administración y la economía. México
D. F.: McGraw Hill.
DLPNG. (2018). Lotto sphere [figura]. Lottery.
Elgin Community Collage. (2016). Muestreo sistemático [figura]. Recuperado el
3 de febrero de 2018, de Elgin.edu
Hernández, R., Fernández, C., & Baptista, P. (2014). Metodología de la
investigación. Mexico D. F.: Mc Graw Hill Education.
Jurado, S. (2017). Curv de la distribución F [figura]. Huancayo: Universidad
Continental.
Jurado, S. (2017). Curvas y áreas. Regla de decisión [figura]. Huancayo:
Universidad Continental.
Jurado, S. (2017). Estadística Inferencial - Manual de Auto aprendizaje.

Huancayo: Universidad Continental.
León, M. (18 de junio de 2019). Las balanzas del bienestar. Recuperado el 19 de
junio de 2019, de El País
Levin, R., & Rubin, D. (2004). Administración para Administración y Economía.
Mexico D. F.: Pearson Education.
Lind, D., Marchal, W., & Wathe, S. (2012). Estadística aplicada a los negocios y la
economía (15a ed.). Mexico D. F.: Mc Graw Hill Education.
Manetto, F. (9 de noviembre de 2018). Los ingresos per cápita de América Latina
llevan 60 años estancados. El País, pág. 12. Recuperado el 24 de febrero de
2019
Mendenhal, W. (2010). Introducción a la estadística y la probabilidad. México D.
F.: CENGAGE learning.
Newbol, P., Carlson, W., & Thorne, B. (2008). Estadística para Administración (6a
ed.). (R. Esther, Trad.) Madrid: Pearson Education.
Persekutuan, W. (28 de setiembre de 2008). Blogger Ng Ooi Pin @ Json.
Recuperado el 21 de julio de 2016, de RAG 132 BUILT ENVIRONMENT &
HUMAN SETTLEMENTS.
Pontificia Universidad Católica del Perú. (2009). Instituto de Opinión Pública -
Data. (I. d. Pública, Editor)
Real Academia Española. (2019). Diccionario de la Lengua española (página
web). (R. A. Española, Editor)
Triola, M. (2009). Estadística (10a ed.). México D. F.: Pearson Education.
Triola, M. (2018). Estadística (12a ed.). (J. Murrieta, Trad.) Mexico D. F.: Pearson
Education.
Universidad de Valladolid. (13 de abril de 2012). Probabilidad y Estadística
orientada a la Economía y la Empresa. Recuperado el 11 de agosto de 2016,

de Probablidad y Distribuciones
Universo Fórmulas.com. (2018). Universo Fórmulas [figura].
Vidal-Beneyto, J. (14 de febrero de 2004). Las cuentas secuestradas. El País.
Wikimedia org. (2017). Distribución t con diferentes tamaños de muestra [figura].
Obtenido de Wikilibros

A
APENDICES.
APENDICE A.
Tabla 9.
Tabla de Números Aleatorios
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20
4 8 2 4 6 6 3 5 4 5 6 0 5 2 6 9 8 0 0 9
9 2 9 8 1 4 4 1 9 8 5 1 1 9 7 9 8 5 9 0
0 2 1 3 3 9 1 6 2 9 7 1 2 6 6 0 7 5 6 4
9 6 0 8 3 5 6 6 6 4 0 8 6 3 4 8 1 8 5 4
1 6 4 1 6 5 2 7 7 2 9 9 9 9 7 4 1 5 4 9
2 9 0 5 5 0 8 4 8 7 4 6 2 1 7 0 1 5 8 7
6 1 2 9 5 0 4 0 9 8 2 0 2 6 8 7 0 1 9 7
1 3 1 8 9 9 0 1 2 6 3 7 1 9 6 1 7 9 9 8
4 5 8 1 1 4 5 6 7 9 9 9 2 1 3 2 3 7 7 9
0 0 3 6 9 6 5 0 6 4 7 9 8 1 2 4 4 8 3 6
7 2 4 5 4 1 2 4 4 6 9 2 6 6 6 5 2 0 0 4
4 9 3 4 4 2 4 5 9 0 8 7 4 8 4 2 1 2 5 4
6 1 2 8 1 3 3 2 0 2 6 0 7 2 7 9 1 4 6 5
9 3 4 0 8 1 3 3 7 3 2 4 8 6 7 9 0 6 2 8
1 8 7 1 3 4 3 9 3 1 7 8 3 7 3 3 0 8 3 5
0 2 1 4 7 5 7 3 1 1 9 3 3 8 7 4 8 0 2 5
3 6 3 4 1 9 8 1 0 9 0 1 1 0 9 3 6 8 6 0
9 4 6 7 6 7 9 1 2 2 7 2 3 9 3 4 6 9 8 1
5 9 9 8 4 4 5 9 1 5 4 7 3 0 6 8 1 6 8 1
8 1 8 8 2 3 9 1 4 2 4 9 1 4 0 6 0 3 2 8
0 5 3 8 0 4 3 9 4 6 0 8 8 3 8 7 1 2 2 3
9 7 1 4 2 7 5 5 2 8 6 6 3 5 5 9 9 0 6 8
6 9 5 9 4 9 1 8 2 0 2 5 3 9 1 2 0 3 0 8
7 4 9 1 4 8 8 6 6 8 5 9 4 8 5 7 7 9 6 7
3 8 1 2 2 4 0 1 4 5 7 7 4 0 4 8 9 4 7 0
9 9 9 7 8 0 0 9 3 2 7 0 5 0 2 7 8 7 3 6
4 8 1 5 8 5 5 1 4 9 6 4 4 4 7 4 5 7 5 0
8 6 7 3 6 1 7 1 1 3 5 5 7 4 4 7 6 7 2 8
4 7 1 4 0 3 6 2 4 4 4 4 0 3 6 3 4 1 2 8
C1 C2 C3 C4 C5 C6 C7 C8 C9 C10 C11 C12 C13 C14 C15 C16 C17 C18 C19 C20
6 5 5 8 8 4 3 4 8 9 0 6 7 6 0 0 8 6 8 4
9 2 0 9 8 2 8 3 4 3 2 8 9 4 8 7 9 4 9 4
1 3 7 9 4 8 3 7 0 8 6 6 6 8 4 1 1 3 1 3
3 3 2 5 6 7 6 1 6 6 1 7 6 5 8 1 6 2 2 7
9 9 9 8 2 8 8 1 9 1 6 2 7 5 1 8 6 1 4 4
1 7 5 4 0 9 5 7 8 7 5 0 8 6 6 2 5 3 2 3
2 7 1 7 8 8 3 8 6 9 9 2 7 4 5 9 5 6 6 6
6 0 9 2 6 1 5 1 2 3 1 8 1 2 0 8 6 4 4 0
3 3 6 3 4 9 6 4 4 9 8 5 7 3 3 4 2 3 2 8
0 1 9 7 9 7 9 4 4 1 6 6 7 7 0 7 9 8 6 8
4 7 1 5 3 7 0 9 2 5 2 1 0 0 4 0 4 6 8 8
7 8 9 9 6 8 5 6 8 1 9 2 7 5 1 7 0 1 5 5
2 2 3 3 1 8 1 9 8 4 2 8 5 2 8 1 7 6 4 6
2 6 6 4 1 4 8 1 0 6 0 1 3 4 0 9 1 2 8 6
5 1 9 0 3 9 1 6 1 7 8 8 2 8 0 7 8 4 8 0
9 0 5 8 4 9 2 2 3 9 8 5 9 5 7 8 4 9 9 4
8 6 1 9 2 5 0 0 7 9 0 0 7 4 5 4 8 6 2 3
1 9 1 0 9 7 5 1 2 7 1 9 4 8 4 8 9 6 6 9
5 6 0 6 1 3 3 5 2 1 0 1 9 2 8 0 2 6 6 3
8 6 9 9 8 0 8 1 8 2 6 6 8 4 0 7 8 2 5 1
3 1 6 1 0 5 7 5 7 0 6 3 0 4 1 4 0 3 0 8
Fuente: Estadística inferencial, por Claudio Cerrón, 2012.

Manual Unidad 4 Estadística Aplicada para La Gestión

Cargado por

Información del documento

Descripción original:

Título original

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

Manual Unidad 4 Estadística Aplicada para La Gestión

Cargado por

Copyright:

Formatos disponibles

Estadística Aplicada a

Universidad Continental | Manual 3

Estadística aplicada a la gestión es una asignatura teórico-práctica, diseñada

para la modalidad a distancia; tiene como propósito que el estudiante sea

capaz de analizar Información de carácter probabilístico para plantear

pronósticos de naturaleza empresarial.

En el presente manual, se exponen teorías y procedimientos de análisis

estadísticos diversos, explicando detalladamente técnicas estadísticas de

Pretendemos que el manual apoye los procesos de aprendizaje de manera

y 15ª ed.), y en concordancia con los conceptos estadísticos actuales.

conocimientos básicos de estadísticos de tendencia central, de variación y

forma, así de las distribuciones de probabilidades Binomial, Potencial, de Poisson

El manual está organizado en cuatro Unidades que corresponde a las unidades

didácticas que se desarrollan en la asignatura virtual:

En la Unidad 1, se desarrollan los temas de Muestreo y diseños experimentales,

estimación de parámetros y tamaño de muestra. En la Unidad 2 se tienen en

3 se hace la exposición de; Análisis de la varianza (ANOVA), y pruebas no

En la Unidad 4 se explican los conceptos y procedimientos de las técnicas de

predicción: Correlación lineal, Regresión lineal, Modelamiento como Series

Universidad Continental | Manual 5

evaluación que se pueden realizar en línea en el aula virtual. Se han planteado

lecturas que ayuden a mirar lo desarrollado con relación a una realidad de

Organiza tu tiempo para que obtengas buenos resultados, la clave está en

encontrar el equilibrio entre tus actividades personales y las actividades que

asumes como estudiante. El estudio a distancia requiere constancia, por ello es

necesario encontrar la motivación que te impulse a hacer mejor cada día.

Resultado de aprendizaje de la asignatura

Al finalizar la asignatura, el estudiante será capaz de analizar Información de carácter

UNIDAD 1 UNIDAD 2 UNIDAD 3 UNIDAD 4

Muestreo y diseños Prueba de hipótesis Análisis de Correlación,

Resultado de Resultado de Resultado de Resultado de

Al finalizar la Al finalizar la Al finalizar la Al finalizar la

aleatoria estándar multinomiales y de tiempo

Universidad Continental | Manual 7

UNIDAD 1 UNIDAD 2 UNIDAD 3 UNIDAD 4

24 horas 24 horas 24 horas 24 horas

Resultado de aprendizaje de la Unidad 4:

Al finalizar la unidad, el estudiante será capaz de realizar pruebas de hipótesis

de correlación y regresión, y series de tiempo.

CONOCIMIENTOS HABILIDADES ACTITUDES

Universidad Continental | Manual 9

En la estadística, se tienen métodos que permiten obtener estimaciones de

pronósticos en base a dos lo más variables cuantitativas. Los métodos aquí

presentados tienen condiciones de normalidad que retomamos de las unidades

función matemática que permita realizar pronósticos sobre valores que no se

La unidad se desarrolla en cuatro partes a saber:

La primera desarrolla las pruebas de correlación entre dos variables, la segunda

sobre la regresión con dos variables, la tercera sobre la correlación y regresión

de más de dos variables, así como modelación no lineal y en la cuarta parte el

desarrollo de técnicas de predicción empleando series temporales.

Universidad Continental | Manual 11

En el capítulo presente se aborda nuevamente el análisis de la relación entre

dos variables. Pero en esta oportunidad las variables son cuantitativas y se

aplicarán métodos paramétricos.

ejemplo podemos mencionar dos variables muy conocidas el ámbito

empresarial: Ingresos y Ganancias, podemos intuir que estas dos variables

se relacionan dado que de forma empírica podemos afirmar que, a

mayores Ingresos, mayores serán las ganancias en una empresa, o

En el desarrollo del análisis de los datos, no solo interesa si existe relación,

graficaremos los datos de la siguiente tabla, en la que, cada pareja de

datos se tomará como coordenadas de puntos en el plano cartesiano:

Los puntos en la gráfica confirman la idea inicial respecto a estas dos