Estadística

Ángeles Pastor Estefania

Chávez Colin Naomi

Ávila Diaz Cesar Guiovanny

TEORIA DEL MUESTREO

La teoría del muestreo es el estudio de la relación que existe entre una población y las muestras
que se obtienen de esa población. Un ejemplo sean estimar las cantidades poblacionales
desconocidas (como la media y la varianza poblacional) llamados parámetros, a partir de las
cantidades muestrales (como la media y la varianza muestrales) llamados estadísticos.

La vía para determinar si las diferencias que se observan entre 2 muestras se deben a variaciones
causales, o si son diferencias realmente significativas, es decir, el hecho de saber que un proceso
de producción es mejor que otro, nos lleva a pruebas de significación o de hipótesis.

Estas situaciones descritas arriba son llamadas inferencias que se hacen de una población a partir
de sus muestras, por lo que el cálculo de esta inferencia se realiza mediante el uso del teorema de
probabilidad conocida como inferencia estadística.

Una manera de obtener una muestra aleatoria (o representativa) esto para que cada uno de sus
miembros de la población tenga la misma posibilidad de ser incluida en la muestra, es que a cada
miembro se le asigne un número. El número se escribe en un papel este se coloca en una urna
teniendo cuidado de mezclar muy bien antes de realizar una extracción.

Hay 2 tipos de población:

-Población finita, en la cual podemos ir sacando los números sin reposición (no se devuelven los
números en la urna), ya que el numero puede ser extraído varias veces.

-Población infinita, es aquella donde el muestreo se hace con suposición.

DISTRIBUCIONES MUESTRALES

1) Considere todas las muestras de tamaño N que pueden extraerse de determinada

población.
2) Para cada muestra se puede calcular diversos estadísticos (como media, desviación
estándar, varianza, etc.) y pueden variar de una muestra a otra.
3) Cada uno de estas características de las muestras de tamaño N, forman a su vez una
distribución del estadístico, a esto se le llama distribución muestral.
4) De acuerdo a l punto 3, ejemplos de estos pueden ser:
-Estadísticas de medias. Es una distribución muestral de la media.
-Estadísticas de desviación estándar. Es una distribución muestral de la desviación
estándar.
-Estadística de varianzas. Es una distribución muestral de la varianza.

5) A cada distribución del estadístico se le puede calcular su media, su desviación estándar, etc.,
esto es se puede hablar y obtener la media de la distribución muestral de medias
6) Ecuaciones de Distribución muestrales.

- Distribución muestrales de medias

- Población finita de tamaño Np

- Muestras de tamaño N, sin reposición

𝑁𝜌 > 𝑁

𝜇𝑥̅ y 𝜎𝑥̅ Media y distribución estándar de la distribución de medias

𝜇 y 𝜎 Media y desviación estándar, población

𝜎 𝑁𝜌 −𝑁
𝜇𝑥̅ = 𝜇 y 𝜎𝑥̅ = √𝑁 …. 1)
√𝑁 𝜌 −1

Población infinita o muestreos con reposición

𝜎
μx̅ = μ y σx̅ = ……2)
√𝑁

Ejemplo:

1. Tenemos la siguiente población: 2, 3, 6, 8, 11

Considerar todas las muestras de tamaño 2 que pueden extraerse de esta población, las muestras
son repetición

Hallar:

a) La media de la población.
b) La desviación estándar de la población.
c) La media de la distribución de medias.
d) La desviación estándar de la distribución de medias.

Muestras:

(2,2) (2,3) (2,6) (2,8) (2,11)

(3,2) (3,3) (3,6) (3,8) (3,11)

(6,2) (6,3) (6,6) (6,8) (6,11)

(8,2) (8,3) (8,6) (8,8) (8,11)

(11,2) (11,3) (11,6) (11,8) (11,11)

2+3+6+8+11 30
a) 𝜇 = 5 5
= = 6.0
(2−6)2+(3−6)2 +(6−6)2+(8−6)2+(11−6)2
b) 𝜎 2 = = 10.8
5
𝜎 = √10.8 = 3.29
Así 𝜇𝑥̅ = (2 + 2.5 + 4 + 5 + 6.5 + 2.5 + 3 +
4.5 + 5.5 + 7 + 4 + 4.5 + 6 + 7 + 8.5 + 5 +
5.5 + 7 + 8 + 9.5 + 6.5 + 7 + 8.5 + 9.5 +
11)
𝜇𝑥̅ = 6.0
 c) 2, 2.5, 4, 5, 6.5
2.5, 3, 4.5, 5.5, 7
4, 4.5, 6, 7, 8.5
5, 5.5, 7, 8, 9.5
6.5, 7, 8.5, 9.5, 11

Así 𝜇 = 𝜇𝑥̅

2. Resolver el mismo problema pero el muestreo es sin reposición.

a) 𝜇 = 6.0
b) b) 𝜎 = 3.29
c) (2,3) (2,6) (2,8) (2,11)
(3,6) (3,8) (3,11) (6,8)
(6,11) (8,11)

2.5, 4, 5, 6.5
3.29 5−2 3
4.5, 5.5, 7, 7 → 𝜇𝑥̅ = 6.0 , 𝜎𝑥̅ = = √5−1 = 2.32√4 = 2.01
√2
8.5, 9.5

Pruebas de Hipótesis y Significancia

Cuando se debe tomar decisiones conjeturas es útil hacer suposiciones o conjeturas, acerca de las
poblaciones relacionadas, las suposiciones que pueden ser verdaderas o no, se llaman hipótesis
estadísticas.
A menudo se llaman hipótesis nulas 𝐻𝑜 , 6 hipótesis alternativas 𝐻𝑖 . 𝐻𝑜 se dan cuando las
diferencias observadas son simplemente debidas a fluctuaciones en el muestreo de la misma
población.

Los procedimientos que permiten decidir si se acepta o descarta una hipótesis o que determinan si
las muestras observadas difieren de manera significativa de los resultados esperados se conocen
como pruebas de hipótesis.

Se dice que se ha cometido un error tipo 1 si se rechaza una hipótesis o que determinan si las
muestras observadas difieren de manera significativa de los resultados esperados se conocen
como pruebas de hipótesis que se ha cometido

Se dice que se ha cometido un error tipo 1si se rechaza una hipótesis cuando es cierta.

Al comprobar una hipótesis, la probabilidad máxima relacionada con un error tipo1, se llama nivel
de significancia.

En la práctica hay 2 niveles de significancia.

∝1 = 0.05 𝑦 ∝2 = 0.01

Supongamos que se tiene:

 Área sombreada 0.95

 1 – 0.95 = 0.05  área No sombreada

0.05
 = 0.0250  área en cada parte No sombreada
2

 En cada parte hay una probabilidad de 0.0250 y se busca 𝑍0.975 = 1.96

En una cola 𝑍𝑐 = 1.6

Esta probabilidad nos permite rechazar la hipótesis

A continuación, se dan los niveles de significancia junto con posibles valores 𝑍𝑐 , 𝑋𝑐 , 𝐹𝑐 𝑦 𝑡𝑐 , para
cada una de las distribuciones.

Muestras grandes (𝑁 > 30) Distribución normal

 Nivel de significancia ∝

 𝑍𝑐 para cada cola

 𝑍𝑐 para dos colas

Aquí se trata casi de medias, por lo regular la 𝐻𝑜 es: la media poblacional es 𝜇 = 𝑎

𝑥̅ −𝜇 𝑥̅ −𝑎
Aquí 𝜎 −1.96 ≤ 𝜎 ≤ 1.96 Prueba de dos colas
√𝑁 √𝑁

𝑥̅ −𝑎
𝜎/√𝑁
< 1.645 prueba de una cola

Muestras pequeñas (𝑁 < 30) Distribucion t-student

𝑥̅ −𝜇
𝑇= 𝑠
√𝑁 − 1 ; Hipotesis nula𝐻𝑜 es: la población tiene una media 𝜇

Varianzas (Nivel 0.05)

𝑁𝑠2
𝑥 2 0.025 ≤ ≤ 𝑥 2 0.975 Hipotesis 𝐻𝑜 es: La población tiene la varianza 𝜎 2 dos colas
𝜎2

∝= 0.05

Razones de varianzas
𝑠̂12
𝐹0.05 ≤ ≤ 𝐹0.95 𝐻𝑂 : No hay diferencias entre las varianzas poblacionales 𝜎12 = 𝜎22
𝑠̂22

Teoría de la Estimación Estadística

La inferencia estadística se ocupa de poder inferir información acerca de una población a partir de
muestras obtenidas de ella. Por ejemplo, un problema importante de la inferencia estadística es la
estimación de parámetros (puede ser media y varianzas poblacionales), a partir media de los
estadísticos (pueden ser media y varianzas muestrales).
Si la media de lo distribución muestral de un estadístico es igual al parámetro poblacional
correspondiente se dice que el estadístico es un estimador sesgado. A los valores de estos
estadísticos se les llama estimaciones insesgadas o sesgadas.

Si se consideran todos los estadísticos cuya distribución muestral tiene una misma media, al
estadístico que tiene la menor varianza suele llamársele estimador más eficiente o mejor del
parámetro correspondiente.

A una estimación de un parámetro poblacional que se da mediante un solo número se le llama

estimación puntual del parámetro. A una estimación de un parámetro poblacional que se da
mediante dos números entre las cuales se considera que debe estar el parámetro en cuestión se le
llama estimación por intervalo del parámetro en cuestión.

Las estimaciones por intervalo dan la precisión o exactitud de la estimación y por eso son
preferibles.

La información sobre el error (o precisión) de una estimación en su confiabilidad.

En forma general se puede hallar (o se puede tener confianza de hallar) 𝜇𝑠 en los intervalos 𝑠 − 𝜎𝑠
a 𝑠 + 𝜎𝑠 , 𝑠 − 2𝜎𝑠 a 𝑠 + 2𝜎𝑠 o 𝑠 − 3𝜎𝑠 a 𝑠 + 3𝜎𝑠 , a 68.27, 95.45 y 99.73% de las veces,
respectivamente, debido a elle, a estos intervalos se les llama intervalos de confianza de 68.27%,
95.45% y 99.73%

Para estimar 𝜇𝑠 . A los números de los extremos de estos intervalos (𝑠 ± 𝜎𝑠 , 𝑠 ± 2𝜎𝑠 y 𝑠 ± 3𝜎𝑠 ) se
les llama límites de confianza de 95% y de 99% (o de 0.95 y 0.99) para 𝑆. Al porcentaje de
confianza se le suele llamar nivel de confianza, a los números 1.96 y 2.58, etc., que aparecen en los
límites de confianza o valores críticos y se denotan como 𝑧𝑐 . A partir de los niveles de confianza se
pueden encontrar los coeficientes de confianza y viceversa.

En la siguiente tabla se presentan valores de 𝑧𝑐 que corresponden a varios niveles de confianza

que se usan en la práctica, los valores de 𝑧𝑐 para niveles de confianza que no están aquí estas se
encuentran en las áreas de la curva normal.

Nivel de confianza 𝑧𝑐 99.73% 99% 98% 96% 95.45% 95% 90% 80%

3.0 2.58 2.33 2.15 2.0 1.96 1.645 1.28

68.67% 50%

1.0 0.6745

Intervalos de confianza para las medias

Los límites de confianza para la media poblacional están dados por:

𝜎
𝑥̅ ± 𝑧𝑐 para poblaciones infinitas
√𝑁

𝜎 𝑁𝑝 −𝑁
𝑥̅ ± 𝑧𝑐 √𝑁 para poblaciones de tamaño finito 𝑁𝑝 y muestreo sin reemplazo.
√𝑁 𝑃 −1
 Distribución 𝒙𝟏 − 𝑪𝒖𝒂𝒅𝒓𝒂𝒅𝒂

Sean 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑣 , 𝑣 variables aleatorias independientes distribuidos normalmente con media

cero y varianza 1.

Considere la variable aleatoria:

𝑥 2 = 𝑥1 2 + 𝑥2 2 + ⋯ + 𝑥𝑣 2

𝑥 2 se llama 𝐽𝑖 − 𝐶𝑢𝑎𝑑𝑟𝑎𝑑𝑎 y su función de probabilidad

𝑥
1 𝑣 2 /2
𝑃(𝑥 2 ≤ 𝑥) = 𝑣 ∫ 𝑢(2)−1 𝑒 −𝑢 𝑑𝑢
22 𝛤(𝑣/2) 𝑜
Y 𝑃(𝑥 2 ≤ 𝑥) = 0 para 𝑥 < 𝑜. Esta ultima expresión se llama distribución 𝑗𝑖 − 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑎 y a 𝑣,
numero de grados de libertad.

Ejemplo:

Determinar los valores de 𝑥 2 para los que el área de la cola derecha de la distribución 𝑥 2 es 0.05 si
el numero de grados de libertad 𝑣 es igual

a) 15, b) 21, c) 50

La grafica es:

Asi 1 − 𝑃 = 0.05
→ 1 − 0.05 = 𝑃

→ 0.95 = 𝑃

Con esto buscamos 𝑥 2 0.95 y 𝑣 = 15, el area en P es 25.0

b) Para 𝑥 2 0.95 y 𝑣 = 21 𝑃 = 32.7

c) Para 𝑥 2 0.95 y 𝑣 = 50 P=67.5

Ejemplo 2. Suponga que 𝑣 = 5, tomando en cuenta que:

 a) Area sombreada es:
→ 1 − 𝑃 = 0.05
𝑃 = 1 − 0.05 = 0.95

→ 𝑥0.95 𝑣=5 Asi es 11.1

b) Area total es 0.05 sombreada

Solucion:

Supongamos que a la derecha es 0.025 de 𝑥2 y a la izquierda de 𝑥1 es 0.025,

pensando que es simetrica la grafica, entonces con esto, si solo pensamos en 𝑥2

1 − 𝑃 = 0.025
→ 1 − 0.025 = 𝑃

𝑃 = 0.975
→ 𝑥0.975 y 𝑉 = 5 → 𝑃 = 12.8

Por simetria, 𝑥1 seria𝑥0.25 porque ahora:

1 − 𝑃 = 0.975

→ 1 − 0.975 = 𝑃
𝑃 = 0.025
Así 𝑥0.025 y 𝑣 = 5 el área es 0.831

2. Toda el área sombreada es 0.05 y 𝑣 = 9, ahora la grafica puede ser:

Esto tambien puede ser ya que la distribucion es parecida a la nrmal asi

basta el lado derecho

→ 1 − 𝑃 = 0.025 → 𝑃 = 1 − 0.025
𝑃 = 0.975
Así buscamos 𝑣 = 9 y 𝑡0.975 = 2.26

3. Toda el área no sombreada es 0.99 y 𝑣 = 9

Asi observemos de nuevo

→ 𝐴𝑟𝑒𝑎 𝑠𝑜𝑚𝑏𝑟𝑒𝑎𝑑𝑎 = 1 − 0.99 = 0.01

0.01
Y dividida entre dos tendremos a la derecha de ti un area de = 0.05
2

→ 1 − 𝑃 = 0.05 → 𝑃 = 1 − 0.005 = 0.995

Buscando 𝑣 = 9 y 𝑡0.995 = 3.25

Nota: Para esta distribucion tambien aplica lo siguiente

𝑣
𝜇 = 0, 𝑟 2 = 𝑣−2 (𝑣 > 2)
𝑉
Y para estandarizar 𝑇 =
√𝑧∕𝑣

Y también 𝑡1−𝑃 = −𝑡𝑝 → 𝑡0.05 = −𝑡0.95

Ejercicios:

a) Si el área sombreada a la izquierda es 0.01, para 𝑣 = 9 ¿Cuál es el valor critico de 𝑡?

b) Si el área sombreada a la izquierda es de 0.90, para 0.90, para 𝑣 = 9 ¿Cuál es el valor
critico de 𝑡?

Distribución F

Una variable aleatoria tiene distribución F con 𝑣1 y 𝑣2 grados de libertaf si su función de densidad
esta dada por:
𝑣 +𝑣
𝛤( 1 2)
𝑓 (𝑢 ) = { 𝑣
2
𝜈 𝑣1 𝑣1/2 𝑣2 𝑣2/2 𝑢(𝑣1/2)−1 (𝑣1 + 𝑣1 𝑢)− 𝑣1+𝑣2/2 ; 𝑢 > 0
𝛤( 1)𝛤( 2)
2 2

𝑢≤0

Así los valores de F para 𝑣1 y 𝑣2 grados de libertad se denota 𝐹𝑃 , 𝑣1 , 𝑣2

L media y la Varianza son:

𝑣2 2𝑣22(𝑣1+𝑣2 −2)
𝜇=𝑣 (𝑣2 > 2) 𝜎2 = 𝑣 2 𝑣2 > 4
2 −2 1 (𝜈2 −4)(𝑣2 −2)

Observaciones:

Sean 𝑣1 y 𝑣2 variables aleatorias independientes con distribución ji-cuadrada con 𝑣1 y 𝑣2 grados

de libertad, respectivamente entonces la variable aleatoria.
𝑣1 / 𝑣1
𝑣= 𝑣2 / 𝑣2
tiene distribución F (con 𝑣1 y 𝑣2 grados de libertad)
 1
𝐹1−𝑃 , 𝑣2 , 𝑣1 =
𝐹𝑃1 𝑣1 𝑣2
Ejemplos:

Calcular a) F0.95,10,15 , b) F0.99,13,9 , c) F0.05,8 30 , d) F0.01,5,9

b)F0.99,15,9

 P = 0.99 Usar la tabla de 0.9

𝑣1 = 15
𝑣2 = 9 𝐹0.99,15,9 = 4.96
a)

→ 𝑃 = 0.95
𝑃1 = 10 → Usar tabla de 0.95
𝑉2 = 15

F0.95,10,15 = 2.54

1 1
𝑐)𝐹0.05,8,30 = = = 0.325
𝐹0.95,30,8 3.08

Observar que se resta observar que se invierten

1 − 0.05 = 0.95 usar la tabla de 0.95

1 1
𝑑) 𝐹0.01,15,9 = = = 0.257
𝐹0.99,9,15 3.89

Usar la tabla de 0.99

Realizar los siguientes ejercicios

a) 𝐹0.95,15,12
 𝑃 = 0.95
𝑣1 = 15 tabla de 0.95
𝑣2 = 12
𝐹0.95,15,12 = 2.62

b) 𝐹0.99,120,60
 𝑃 = 0.99
𝑣1 = 120 tabla de 0.99
𝑣2 = 60
𝐹0.99,120,60 = 1.73
c) 𝐹0.99,60,14
 𝑃 = 0.99
𝑣1 = 60 tabla de 0.99
𝑣2 = 14
𝐹0.99,60,14 = 3.18

d) 𝐹0.01,30,12
 1 − 0.01 = 0.99
1 1
= = 0.35
𝐹0.01,12,30 2.84
e) 𝐹0.01,8,8
 1 − 0.01 = 0.99
1 1
= = 0.17
𝐹0.01,8,8 6.03
 Aplicaciones

Distribución Muestral de Varianzas

Tomado todas las posibles muestras aleatorias de tamaño N de una población y calculando la
varianza de cada muestra, se obtiene una distribución muestral de 𝑠 2 o 𝑠̂ 2 , es conveniente
obtener la distribución muestral de la variable aleatoria.

𝑁𝑠 2 (𝑁 − 1)𝑠̂ (𝑥1 − 𝑥̅ )2 + (𝑥2 − 𝑥̅ )2 + ⋯ + (𝑥𝑛 − 𝑥̅ )2

= =
𝜎2 𝜎2 𝜎2

Esta variable muestral tiene una distribución 𝑥̅ 𝑖 cuadrada con𝑁 − 1 grado de libertad.

Ejemplo: Supónganse que se tiene una población 2, 3, 6, 8, 11 con 𝜇 = 6.0 y 𝜎 2 = 10.8

Si se tienen 25 muestras de tamaño 2 (extracción con reposición). Determinar la cantidad

esperada de muestras en las que la varianza muestral sea mayor a 7.2

Sabemos que los parámetros poblaciones son 𝜇 = 6.0 y 𝜎 2 = 10.8

Ahora 𝑠1 2 = 7.2, esta es la varianza muestral y también N=2

𝑛𝑠𝑖2 (2)(7.2) 𝑛𝑠𝑖2
 = = 1.33 y como 𝑥2 = = 1.33
𝜎2 10.8 𝜎2

Es con 𝑥𝑖 −cadrada con 𝑁 − 1 = 2 − 1 = 1 grado de libertad buscando en tablas vemos que

𝑥 2 0.75 = 1.32 es decir 𝑃 = 0.75

Así 1 − 0.75 = 0.25

Área a la derecha de 𝑥𝑝 2 , ósea la probabilidad es mayor del 0.25

Como hay 25 muestras → (25)(0.25) = 6.25 es decir aprox. 6 muestras

Intervalos de confianza para la varianza de una distribución normal.

𝑁𝑠 2 (𝑁−1)𝑠̂ 2
El hecho de que 𝜎2
= 𝜎2
tiene como distribución 𝑥1 2 𝑛 − 1 grados de libertad, que permite
obtener los limites de confianza para 𝜎 2

2 𝑁𝑠 2 2
𝑥0.025 ≤ 𝜎2
≤ 𝑥0.975

ó
̂2
(𝑁−1)𝑠
2 2
𝑥0.025 ≤ ≤ 𝑥0.975
𝜎2
De manera equivalente
 𝑠√𝑁 𝑠√𝑁
≤𝜎≤
𝑥0.975 𝑥0.975
ó con 95% de confianza

𝑠̂ √𝑁 − 1 𝑠̂ √𝑁 − 1
≤𝜎≤
𝑥0.975 𝑥0.025
Ejemplo:

La desviación estándar de las estaturas de 16 estudiantes hombres elegids de manera aleatoria en

una escuela con 1000 estudiantes hombres es de 2.4 pul. Determinar los limites de confianza del
a) 95% y b) 99% de la desviación estándar para todos los estudiantes hombres en la escuela.
𝑠√𝑁 𝑠√𝑁
Usando 𝑥 ≤ 𝜎 ≤ 0.025
0.975

2
Así 𝑥0.975 = 27.5 𝑣 = 16 − 1 = 15

 𝑥0.975 = 5.24
2
𝑥0.025 = 6.26 𝑣 = 15
 𝑥0.025 = 2.5

Muestras pequeñas (𝑁 < 30) y Población Normal

En este caso se usa la distribución 𝑡. Por ejemplo, si −𝑡0.975 y 𝑡0.975 son los valores de 𝑇 para los
caules 25% del área se encuentra en la cola de la distribución 𝑡, entonces el intervalo de confianza
de 95% de 𝑇.
(𝑥̅ −𝜇)√𝑛
−𝑡0.975 < 𝑠̂
< 𝑡0.975

𝑆̂ 𝑆̂
 𝑥̅ − 𝑡0.975 < 𝜇 < 𝑥̅ + 𝑡0.975
√𝑁 √𝑁

𝑆̂
Así se estima 𝜇 con su confianza del 95% o en forma resumida 𝑥̅ ± 𝑡𝑐
√𝑁

Ejemplo: en una muestra de 10 mediciones del diámetro de una esfera se obtuvo una media de
𝑥̅ = 4.38 𝑝𝑢𝑙 y una desviación estándar de 𝑠 = 0.06 𝑝𝑢𝑙.

Determinar los límites de confianza para 95% y 99% de diámetro real

0.06
a) 4.38 ± 𝑡0.975 ( ) 𝑣 = 10 − 1 = 9
√10−1
0.06
4.38 ± 2.26 ( 3
)
4.38 ± 0.0452 este valor se obtiene de tablas

0.06
b) 4.38 ± 𝑡0.995 ( 3
) 1 − 0.99 = 0.01 → 0.05
0.06
4.38 ± 3.25 ( 3
)
4.38 ± 0.0650
Ajustes de curvas

Sabemos que en 20, el ajuste de curvas se resume en:

Modelo lineal: 𝑦 = 𝑏 + 𝑚𝑥

Modelo polinomial: 𝑦 = 𝑐 + 𝑏𝑥 + 𝑚𝑥 2

𝑦 = 𝑑 + 𝑐𝑥 + 𝑏𝑥 2 + 𝑚𝑥 3

Linealización

a) 𝑦 = 𝑎𝑒 𝑏𝑥 exponencial
→ 𝑙𝑛𝑦 = 𝑙𝑛𝑎 + 𝑏𝑥
𝑦 = 𝐵 + 𝑚𝑥
b) 𝑦 = 𝑎𝑥 𝑏 potencial
𝑙𝑛𝑦 = 𝑙𝑛𝑎 + 𝑏𝑙𝑛𝑥
𝑦 = 𝐵 + 𝑚𝑥

Para los 2 primeros casos hay que resolver los sistemas

∑ 𝑦𝑖 = 𝑛𝑏 + 𝑚 ∑ 𝑥𝑖
Modelo lineal
∑ 𝑦𝑖 𝑥𝑖 = 𝑏 ∑ 𝑥𝑖 + 𝑚 ∑ 𝑥𝑖 2

∑ 𝑦𝑖 = 𝑛𝑏 + 𝑚 ∑ 𝑥𝑖 + 𝑐 ∑ 𝑥𝑖 2

∑ 𝑦𝑖 𝑥𝑖 = 𝑏 ∑ 𝑥𝑖 + 𝑚 ∑ 𝑥𝑖 2 + 𝑐 ∑ 𝑥𝑖 3 Modelo cuadrático
∑ 𝑦𝑖 𝑥𝑖 2 = 𝑏 ∑ 𝑥𝑖 2 + 𝑚 ∑ 𝑥𝑖 3 + 𝑐 ∑ 𝑥𝑖 4

Para la linealización se usan el modelo lineal donde:

𝑦𝑖 = ln 𝑦𝑖 𝑥𝑖 = 𝑥𝑖 exponencial

𝑦𝑖 = ln 𝑦𝑖 𝑥𝑖 = ln 𝑥𝑖 potencial

Ajuste multilineal. Se busca un modelo de la forma

𝑧 = 𝑎 + 𝑏𝑥 + 𝑐𝑦

Para esto se resuelve el sistema

∑ 𝑧𝑖 = 𝑎𝑛 + 𝑏 ∑ 𝑥𝑖 + 𝑐 ∑ 𝑦𝑖

∑ 𝑧𝑖 𝑥𝑖 = 𝑎 ∑ 𝑥𝑖 + 𝑏 ∑ 𝑥𝑖 2 + 𝑐 ∑ 𝑦𝑖 𝑥𝑖
∑ 𝑧𝑖 𝑥𝑖 = 𝑎 ∑ 𝑦𝑖 + 𝑏 ∑ 𝑥𝑖 𝑦𝑖 + 𝑐 ∑ 𝑦𝑖 2
Ejemplo ajuste de curvas
Modelo lineal
Nota: para un modelo cuadrático ahora es una matriz 3𝑥3, en contraste con el lineal que es una
matriz 2𝑥2

 En el modelo cuadrático, se obtiene con sistema de 3 ecuaciones con 3 incógnitas, y

resolver el sistema.