CAPITULO I “DISTRIBUCIONES DE PROBABILIDAD" . OOOO MAMA Meeneneatenannaananennaenenn....{BISTRIBUCIONES De PROBABILIDAD 14 Varia Vatlable aeatoria. Una gna un nine {Una variable aleatoria X es una func de valor numérico QUE 2 cada punto del espacio muestal de un expenmenta se 20 ue X os sets por que ests sain 4 pbeiad do be resultados del espacio muestral, a “ . 1:1 Variable aleatoriadiscreta- Una variable aeatoria es dscreta sil cantidad de ‘valores que puede tomar es un nimero fato 0 infinto numerable de valores. 1.4.2 Variable aleatoria continua. Se dice que X es una variable aleatoria continua ‘euando los valores que toma ésta son de caracter raccionari, 1.2 Distribucién de probabilidad. Una distnbucién de probabildad de variable aleatoria es el resultado de asignar valores de probabllitad a todos los valores ruméricos posibles de dicha variable aleatora, ya sea, mediante un listado 0 a través ce una funcién matematica. 1.24 Funcién de cuantia. Es aquelia distibucién de probabiidad de una variable aleatoria discreta, funcién que se representa generalmente mediante un listado de todos Jos valores numéricas posibles de la variable aleatoria con sus probabiidades Correspondinies, tal como se observa en el Cuadro (1.1) y en la Grafica (1.1). Cuadro (1.1) DISTRIBUCION DE PROBABILIDAD DE LA VARIABLE X ray 2 2 $3 23 gs oe ee ta a oie 13 rs te Ny iia ve Va sry Je Ly 32 ors Sin €8 ol valor de una variable aleatoria discreta y p(x) la probabilidad de que x: tome un valor en particular, todos los valores de p(x) deben satistacer las siguentes propiedades: + plnJ20 vx en, + Epler van, Por otra parte, Ja Funcién de distrbucién acumulada de xs, es decir, la Probabilidad de que x sea menor o igual a un valor especifico x» ve calcula con la ‘ecuacion (1.1) aay F(x.) Lom 1.22 Funcién de densidad.- Es aquella funcién en la que la probabilidad de los, valores posibles de una variable aleatoria continua se determinan a través de una funcién matemdtica y se ilustra en forma gréfica por medio de una cua de probabilidad.Sierxiste fix), so debe cumple: + sQ)zo + fone Vliex cls, Es importante recordar que f(x) no representa ninguna probabildad como tal y ue solamente cuando la funcién se integra entre dos puntos produce una probabildad, es deci: Pla 1 (1.28) 1.42.4 Distribucién Exponencial.- La Distibucion Exponencial, mada también Distribucién Exponencial Negativa, es un caso especial dela dstibucién Gamma con a= 4,5 deci:of ‘Freebecionas de probabiticad Phstetieiocas de patabi ae Enta que 3 = grades de Ibert (ertero postive) al, ¥x20020 * LOS grades de Iertad represertan la cartidad de valores que se asignan de 0 GS, Teari2 srbitara en una ecuacion, tl que de esa manera se posta concent wa ae enotoscasos 2 505 varabies. Laesperanea la vaianea son ge \aeesserana ya varanza se muedian ents eosacoes (135) (134) E(x) =0 (1.30) Ba Ex)=v (133) V(x) = 6 (131) o VO = 20 (34) 2 (Geafcamente: o> Esta dstibucén te em lea bastante en la inferenca estatistea (pructas de hipétesis) y de forma especial al hacer inferencias con respecto alas varanzae a Sous De acuerdo al valor de v, la grifica puede ser ia me oo. — la “= ‘ Sa Cia a varable sleatoria Exponencial representa el tempo que transcure hasta que hy Se presenta el primer evento Poisson, es decir, la Dstrbucién Exponencial puede mocelar el lapso entre dos eventos consecutives Poisson que ccutren de manera Independiente y @ una fecuencia constante (21 parameto 8 representa ef tempo promedio entre dos evertes Poisson) Por Para colour probabiidades se ance ls ecuacién (1.35), aunque para elle ‘exten teblas con Ia integral ya desarolada (ver anexcs), * eiemplo, ef temeo que tanscurre entre legadas de un cliente a una tienda Pacierts 2 un servicio de emergencia de un hosptal, la duracién de una Lamada telefcnica, le duracién de un componente eléczico, etc — a)= [fede 35) = PE Te e Sta sation ere pare motel protiemas dl tyo tarcotetaypotlemas = OY dotusstsann Ti, 1.428 biautucisn ro de Stent-Sipeienn qs se retza wn epesmern en Terai xe se cetenen co varabes aleainas indepensenen w ext Deseusan OF 1425 Distribuciéa Chi Cuadrade.- Un caso ecpecial de la Distrbucién Gamma, con (Cuadrado con v grados de lberad y 2 con Distrbucién Noma! con media Oy varanca #2 y8=2 esa Drbuctn Oni Conca cs fancien to Gorcces ox es extcan a vane sean eden ome 2 a wo (132) ) Si un agricuitor, cosecha 20000 pias, cuantas de elias se espera que pesen menos de tkg? + Considerando la variable aleatoria Normal X que es igual a la altura de una persona ‘con valor esperado igual a 1.70 mettos y desviacién standard igual a 0,02 metios. Hallar {a probabilidad de que la altura de una persona elegida al azar sea: ) Menor a 1.73 metros. ) Al menos 1.68 metros. ©) Ene 1.65 y 1.74 metros, 4) Igual a 1.75 metios, ©) Més de 1.81 metrosjeulos varios. Sit peso de sdesviacon standard 02 5 de tal forma que [2 18. Un cami de repartotranspara cajas cargadas do ‘ada caja es aproximatamente una Normal con mesa 80 KB: Kg, Cusntas caias pueden ser tansportadas en el comin probabiidad que a carga total exceda a1 TM, sea 0.107 ce aproxima_@ una Dsibucion 20 horas. La suite de un planeada para luminar ciende ala 20. Cierta marca de bombillas tiene una vida Uti que [Normal con media de 50 horas y una desviacion standard 4° hhotel de cinco estrelas, tiene una instalacion etéctrica conlinuamente.Lainstalacin consla de euatio bombilas, pero una soi $° ver Cuando ésia so quoma, in péxima bombila se enciende aomtearere Este proceso continua hasta que se quemen ls cuatro bombs. Gada seman ai edo dia, i dminsrdor viene yreermplaza las cuatro barbs, Cul esl probabiod eae se quemen las cuato bombilas anles de que ef adminitodor Negve Poe reemplazatias? Puntaje: 10 puntos. Fecha de entrega: 1 semana después de conclir el tema [J CAPITULO Ir “TEORIA GENERAL DE MUESTREO"‘AL TEORIA GENERAL DE MUESTREO. 2.1, Introduccién.- En todo estudio que se realice "9 conocer con absoluta verdad y certeza toda la informactén requerida para tales fines, Es natural que se busque conocer de manera ‘una poblacisn objeto de estudio y que para cll se ‘censo tiene sus ventajas y desventajas; estas diltim otro procedimiento que vendria a ser el mue ustiva las caracteristiens de requlera efectuar un censo. El EI muestreo posee caracteristicas fable en su uso freevente por parte de instituclones con recursos econdmicos ¥ tempo limtades, aunque también el factor que se debe controlar es ol ertor presente en este procedimiento, ue ta hacen fav EI muestreo tiene distintas etapas, slendo dos di forma de elegir los elementos de la muestra y el tamano de la misma, En este capitule se efectuars el estudio de dichas etapas, en base a las cuales ve realzarin Inferencias referentes a los pardmetros de estudio descanocidos, las més importantes, ta 2.2 Genso.- 2.2.4 Poblacién objetivo. 2.2.4.1 Definicién.- Es la totalidad de fos elementos en discusién y acerca de tos ‘cuales se desea obtener alguna informacién, dichos elementos tienen caracteristicas Comunes que son de interés para el estudio. Ej.: todos los Centros Hospitalarios Udicados en el departamento de Cochabamba, tados los Proyectos de Grado resentados en la Carrera de Ing. Mecénica de la Facultad de Ciencias y Tecnologia de la UMSS, etc.. Para garantizer el censo es necesario acotar el universe y conocer las Lunidades aue lo componen; acotar el universo significa concretar la poblacién que ¥2 2 ser objeto del ‘estudio. Por ejemplo: nimero de bolsas de cemento producidas Por COBOCE el dia 22 de Julio de 2009 en la planta ubicada en Cochabamba, 2.2.1.2. Tinos de pablacién. De acuerdo a la megnitud de ia poblacién se definen 05 tipos de poblacién, « « « < € é é Pyrrrrririri SAMBA =) oooee SSNs ‘—— = - 2 2 > poeaeoee Roe 6 Mita sh tiene un nimera tenitade ® elementales, numéricamente es aquelia Que tiene menen de + Bor ejemplo: todos tos estudiantes de ta Cartera de fining, % diarios que legan a un autobanen, te 22-122. Poblaciin Infinite ts aquelia que consiste en un nienero jamente grande de observaciones, Se considera Infinita a una poblacibn que * mis de $00,000 unidades, EJemplo: et Conjunto de estrelias det Universo, toda Ia pablacién de Bolivia, ete 2.2.2. Pardmetro. t posible definir este concepta de a Seer deve pact © competent, ts fnaon se pooce te 192 an se puede calcular cualquier propasicién ica. Por tanto, puesto que los pardmetros son inherentes a todos los de probabilidad, es imposible calcular las probabilidades deseadas sin un Cconccimiento del valor de éstos, probabil b) EI pardenetro es una earacteristica de tipo descriptive de una determinada Poblacion. Ello se ref pueden ser deseritas, flere @ que una poblacién con determinadas caractersticas, or clertas medidas descriptivas , como por ejemplo, la media ca, indices poblacionales, tasas, etc. 22. + Definicién de censo.- Cuando es necesario conocer uno o més parémetros de una poblacién o universo se recurre a la realizacién de un censo. El censo constituye un examen completo de todos los elementos de una Poblacién. En la mayoria de los casos Ia realizacién de censos para conocer las ceracteristicas de una determinada poblacién resulta muy costosa, exige la movilizacién de muchos recursos humanos, su duracién suele ser muy larga y en algunos casos el proceso es destructivo.Existen muchos tipos de censo, slendo el més importante el censo de Poblacién y Vivienda, en el cual es necesario recabar la informacién de todos los habitantes del pais, por ser marco obligado de referencia para multitud de trabajos € Investigaciones y, por razones meramente administrativas, 2.3 Muestreo.- 2.3.1.~ Definicién.- Para el conocimiento de las caracteristicas de la poblacién fexisten_métodos opcionales cuyo costo y tiempo de realizacién se reducen considerablemente. Estos métodos estdn constituidos en lo que se denomina muestreo, cuyo objetivo es reconstruir modelos reducidos de la poblacién total, con resultadas que pueden extrapolarse al universo del que se extraen. Todo ello quiere decir que a través de muestras se puede obtener en muchos as0s, la informacién requerida, con un ahorro sustantive de recursos humanos, cecondmicos y de tiempo, sin que ello implique un alejamiento de la realidad que se desea conocer. Para que el proceso de muestreo sea una reconstruccién reducida pero real del universo que se desea Investigar es necesario que el tamafio de las muestras fa metodologia utiizada en su elaboracién respondan a determinados principios, deducidos del célculo de probabiidades. 2.3.2. Muestra aleatoria~ La muestra aleatoria es aque en la que cada unidad elemental para Ia observacién tiene la misma prob muestra. jad de ser inclulda en la © de una forma mas especiica: x, X2, oy €5 una muestra aleatoria de tamafio n, si cumple: 1a) Cada x es una variable aleatoria independiente. bb) Cada x, tieie la misma distribucién de probabilidad 2.3.3. Inferencia estadistica.- La inferencia estadistica es el proceso mediante el cual se utiliza la informacion de los datos de una muestra pera © extraer conclusiones, acerca de la poblacién de le que se seleccion6. La fen ede sa en on. ada ssn ea ec nt a cane ‘Seneralizacién de los resultados particulares a resultados generales.. = scat ets vere ua fora ut cea en 180.080 ents ee x etn caret ees se in pen ea foes Xe para la hes regu cima ea sooabe eons rredicrin toes pe, Por tanto, lo mis loco seria proceder dela siguiente manera: 1" Para dar una respuesta correcta, se deberia sembrar todas las semilas y ‘observar el nimero de las que producen flores rojas. 2 Como ello es imposible, puesto que se desea vender todas las semillas y aungue Re se quisiera venderias, el obtener una respuesta requerré Invertir mucho esuerzo y dinero, Por lo que 3° La solucién serS emplear unas cuantas semilas y basados en los resultados ‘aparecidos, hacer una afirmacién sobre el ndmero de flores rojas que se tendrén del total restante de semi. ‘Toda Inferencia inductiva constituye un proceso arriesgado, es decir, 18 Inferencia inductiva exacte es imposible, existiendo un grado de incertidumbre susceptible de medicién a través de la probabilidad. La importancia de la Inferencia estadistca radica en que por medio de ela se hrallan nuevos conocimientos, 2.3.4, Estadigrafo.- €! estacigrafo es cualquier funcién de las variables que se observaron en la muestra, de manera que, esta funcién no contiene cantidades desconocidas. Por ejemplo: si X4y Xay 1 Xa s0n variables aleatorias obtenidas Je Vath tety ve, una muestra, entonces: X = (eo ces un extaigra n Un parémetro es una constante, pero un estagigrafo es una variable alestoria, Ademés, un parémetro describe un modelo de probabildad, ningin valor de estadigrafo puede desemperiar este papel, poraue depende de las observaciones de la muestra,2.3.5, Disefio de una_muestra~ -1 Definicién Por disefio de una muestra se entiende ta planificacién © ‘metodologia para tomar muestra: 2.3.5.2, Criterlos para evaluar el disefio de una muestra.- Existen dos criterios para evaluar el disefio de una muest u fabilidad y su efectividad. 2.3.5.2.2. Fiabilidad.- Es de esperar que en el muestreo existan errores, El error de muestreo es la diferencia entre el valor de un estadigrafo y el valor del correspondiente parémetro de poblacién, ello debido a varlaciones fortultes en la seleccién de las unidades elementales, Por otra parte, el error de muestreo es cuantficable mediante la fablidad, la cual esté estrechamente relacionada con la varianza del estadigrafo; por lo cual, ‘cuanto menor la varianza, mayor seré la fabilidad del resultado de la muestra, 23. Efectividad.- | disefio de una muestra se considera efectivo si se ‘obtiene cierto grado de fiabilidad al menor costo posible. Un disefio muestral se considera imds efectivo que otro, si el primero tiene menor costo que el segundo, dentro del mismo grado de flabilidad. 2 - Tipos de muestreo.- Para la seleccién de la muestra se pueden utilizar listintos métodos © combinacién de métodos, todos estos divididos en dos grandes + Muestreo aleatorio + Muestreo no aleatorio. Muestreo aleatoria.~ Comprende: ‘Muestreo aleatorio simple.- El muestreo aleatorio simple se aplica ‘Las unidades elementales son féciles de identifica. “Cuando la poblacién es pequefi, “Cuando la poblacién es homogénea respecto a la caracteristca de interés, EI procedimiento consiste en numerar a toda la poblacién del estudio y extreer al azar una muestra de m unidades. En el muestreo aleatorio simple la seleccién de los elementos se efectéa en una sola etapa y en forma directa, Pudiendo ser con o sin reemplazo, Fora la seleccién aleateria de los nimeros se ublizan tables de nimeros ‘leatorios, programas de computacién, bolllos numerados, te. 2) Muestreo aleatorio con reemplazo. neste caso cada elemento dela muestra asec la misma probabilidad de ser el 'eglda, puesto que cada uno es reintegrado a '2 poblacién de la cual fue extraida, ») Muestreo aleatorio sin reemplazo. En este caso cat ‘asec la misma probabilidad de ser escot la muestra, 149 unidad de la poblacién ida que las restantes para formar parte de onsiderando que la probabilidad de que un elemento sea extraido \dependerd de los que anteriormente hayan sido elegidos. \2 clave de este procedimiento es naturalmente la técnica del azar, aunque et logrer dicho “azar" 0 aleatoriedad no es cosa sencilla. Por ejemplo, si se desea ‘averiguar cual es la mejor Universidad de Cochabamba, no es aleatoria una muestra © Personas, si nos diriglmos al campus de la Universidad Catdlica Boliviana y se racede a entrevistar alas personas que ingresan ala misma. Para poblaciones grandes el método es costoso y require mucho tiempo, Siendo dificil y teciosa ta elaboracién de listas con toda la poblacién, Cuando e! Universo no es homogéneo se produce mucho errar, 2.3.6.1.2, Muestreo aleatorio sistemética.- £1 muestreo sistemstico se emplea ‘cuando existe heterogeneidad respecto a algun rasgo de los elementos de la Poblacién y el tamato de ésta es pequefio. Para tal efecto es aconselable disponer 6e uns lista de las unidades de la poblacién, como ser una guia telefénica. En el control de calidad se emplea frecuentemente el muestreo sistemtico tomando muestras de articulos de la corriente de produccién. Este procedimiento consiste en obtener una muestra tomando cada k-ésima uniéad de la poblacién, tras numerar las unidades de la poblacién u ordenarias deon 48 mero entero llamado "9% alguna manera. La letra k representa un ndmero enter muesteeo, coeficiente de clevacion 6 salto y es igual @ ot En ta que N = tamatio de la poblacién, = tamafio de la muestra. Para que toda unidad de la poblacién t procedimiento debe empezar al azar; para ello no superior a k, 2 partir & ane ‘ dmero al azar, nu" Setup wectaente an 46 ew muses ora en sues sstemiic os eras erento U8 6 ae c 1es en que existe periodicidad ocy! ara tongitud on uaroim ve we jento ciclico © periddico de 10s oe ents oe pene sinndoee ‘a la razén de muestreo K; por Cues para tomar ene cinematografica, el elegir sabado 0 ie luconat ere, serene spresentativo. Este problema se Pt Sram, no sempre es erst. Ee see mete sax prcede a esoreerar TT 1 ordenar 10s stico es numerst = La esventaja principal det muestreo sstemsticn 6° OE se spar elementos de una poblacién grande, Io cual es Fisica todo un pais © zona geogréficamente grande: estratfiacion suesteen aleatorio estratificado proceso 06 ON) ae 2 ol le pblocten en clases o grupos Tamads SAT=IO TT aa stratos se encuentran 10s ‘elementos sit te tom aor reccara mediante e1 muestreo ateatorio simple ¥ tna submuestra mediante ef muest me satene combinando las submuestrs de 40s ns est muestreo por le poblaciones EI muestreo por estratos es efectivo cuando se trate soles roe eterogénees, por que al efectuarse [a estrativeacién, los grupos se estab) sen dk yeteragéneas, por que al e rode cue lnc unidades de muestreo tienden a ser uniformes dentro ce cada css° Y ut oe e& os oe oo = o = eo “2 eo eo a oo ee a @ a Py wr 10S grupos tienden a ser diferentes entre sf, [ada estrato en ta muestra global y no dejar © puede controlar la proporcién de c2récter representative de la muestra ia al azar, quedando asegurado e| Sil varianza de la caractristica observada de cada estrato es menor que de {2s Je Poblacién, que es lo més usual debido a la unifrmidod dentro del estete, Fesultard aumentada ta fiablidad para un tamaiio de muestra, EI aumento de fiabiidad y efectividad se puede inerementar dlasficando ‘todavia los estratos en subestratos lama doble Ado a este procedimiento estratificacién Para definir los estratos se emplean: + Datos anteriores, + Resultados preliminares de otros estudios. 2.3.6.1.4. Muestreo aleatorio por conalomerados.- lamado también muestree or areas, consiste en scleccionar el azar grupos, llamades conglomerados, de elementos individuales de 1a poblacién, ¥ tomar luego todos los elementos o una submuestra de ellos dentro de cada conglomerado para constituir asi la muestra total. Como ejemplo de conglomeredos se tiene: + Urbaniza + Centros hospitalarios. + Cludadelas universitarias. Con este tipo de muestreo se desea que las diferencias entre conglomerados Seen lo més pequefias posibles, es decir, que exista homogeneidad entre Conglomerados; por otro lado, se busca que dentro de los conglomerados, las diferencias entre los elementos individuales sean lo més grandes posibles, es decir, ‘ue exista heterogeneidad dentro de los conglomerados. En ello radica la diferencia, Giametraimente opuesta, al muestreo por estratos, El objetivo en el muestreo por conglomerados es que cada conglamerado sea luna representacién, a escala reducida, del universo. Ademés, sélo algunos de éstosa wie ore gnaeat aot forse gecaal dat et me ne we valores del estadigrato y su correspondiente ‘auestra algin elemento de cada uno de los estratos, whe Provenentes dela misma poblciin nn” Cade ane de tama n, 2 i todos los elementos de cada uno de los conglomerados se incluyen en Is ? ie emanate lomerad n “e De ia distribueién muestra los elementos més importantes son el valor muestra, se denomina muestreo de una etapa, Si se extree una submuestra Ws epens pen es bs ks ogee se ee eecae m2 esado y la varanza, Por otro lao, la éstibuclén muestra de un estacgrato ra aleatoria de elementos de cada conglomerado seleccionado, se tiene un mucs : tone ln misma forms Que ls lncon a poe ae en sro ne en dos etapas. Si se obtienen més de dos etapas en la obtencién de la muestra, s¢ whe pee eeeut 4 probabiidad de ta poblaciin de ta eset dice que es un muestreo de etapas miltiples 0 polietipico, ve whe 5 be 4 For ejemplo, suponga que se tiene interés en el nimero de dientes que Este tipo de muestreo se emplea a menudo en el control de cal ° 42 \Negan a los bancos de ta ciudad, entre 1as 9:00 y las 10:00 de la maRana, tenienco cestadistico, seleccionando lotes 9 “tandas” de producclin al wzar co “48 carteza qua cada una de las Nopadas es Wesegandinte te of no daa conglomerados. “3 Seleccionar en forma aleatoria cinco bancos durente & dias. Para cada muestra as aris, se procede @ contar la cantidad de personas que ingresen durerte el 2.3.6.2. Muestreo no aleatorio.- Frente 2 los dlstintos tipoe de mucstreo A intervalo de una hora en los cinco bancos. Con tales consideraciones se obtienen los aleatorio, se suelen utilzar otros sistemas de seleccién de la muestra, englabados $s Sean en lo que también se denomina muestreo dirgido. El recurie a uno u otro método 42 cansot28) Sennen en fren mo os ose, no tn de pecn ae se unetoot pcan i one desea obtener de la estimacién y la posiblidad de cuantiicar los errores de 3 fies ti: le de ds le [pe muestreo. as | aco | as | sa o | [o [x |» [ [os |e | Generaimente, las. insttuciones oficiales tlenden a emplear muestreos a jee OS aleatorios y las instituciones de opinién, mayormente privadas, emplean el a muestreo no aleatorio; ello en virtud a la disponibiidad de informacién y el costo ae uno rill ol cot al well sol “a | canaoeno sa [as [oe [so [se [oe [oe [ss | ‘que ello representa, oie ls . iy oecarorte wo |u| [eo [ss [se [a | 2.36.2.1 Muesteo opiniica- En este caso invesindr,segin ay tro as [reeset 3a al elect |e Lecher seleedona fa mues de manera que seal més representa 25 efectos dee a ey nee noe lovesignlén que se petende realizar, por ejempl: etudlas sobre ch consumo de ls Ea sea eee eae ee <éroga en una determinada ciudad. Sin embargo, esté sujeto a ta subjetividad ee ole valores obtenides, conforman la distribucién muestral de X investigador y los resultados earecen de fablidad en términas estasisticos, cle oa 2.4.1. Distribucién muestral de x (promedio musstral).- Uno de los centrevistador ae et zl 2.3.6.2.2, Muestreo por cuotas.- Consiste en facta al entrevistador el peril vis cestacigrafos més importante es el promedio de un conjunto de variables aleatorias las personas que tiene que entrevstar de acuerdo alos objetivos del estudio en € indapendientemente dstibuidas, lamado también promedio @ media muestra. . , le ets Este estadigrafo tiene un papel muy importante en problemas de decsiones pare 2.4. Distribucién muestral.- La distribucién muestral de un estocigrafo es ie er distribucién de probabilided que expresa la relacién funcional entre cada uno de os ee uo ws on’ 5Por tanto, si: Xi Xi) Xapeny Xap €5 UND MUEstrD aleat aleaterias independientes e igualmente distnibuidas con Eb) VAR(x) = o%, para |= 1, 2, ja de n variables wy variance 1; se define a la media muestral como: (23) (2.4) 5) e lo que se deduce: (2.6) {que s2 denomina error tipico de la media muestral © desviacién standard de le istribucién muestral de la media muestra Este resultado es valido sin importar la distribucién de probabilidad de la poblacién de interés, siempre y cuando la varianza tenga un valor fnito. Lo expuesto anteriormente hace posible encontrar el error tipco de la media son conocer la distribucién de X Para el caso del muestreo sin reemplazo, se tiene: (2.7) (28) Ena que: N = Ndmero de elementos de la poblacién. (Nem) /(N-1) = correccién finita de la poblacién Guando N tiende a infnito la ecuacién (2.8) se transforma en oy (2.8) se transforma en ta ecuaciba E error tipico de la media varia proporcionalment. aria proporcionalmente a la desviacién standard de la pabiae 'e¥5n, pero varia inversamente proporcional a la raiz cuadrada del tamaro Westra, es deci, dado el tamafio de la muestra, cuanto mayor sea el valor Gs ¢ tance mayor seré el valor de a, , y dado o, cuanto mayor sea el valor den. ‘ener seré el valor de 6, . Por tanto, se deduce que cuanto mayor sea la muestra, Se tends mas certeza de que la media muestral es tuna buena estimacién de la media poblacional, 2.4.2, Teorema central del limite. Sean: xa, x3, Xap Xa UN conjunto de A ‘variables aleatorias independientes e igualmente distribuidas, tal que E(K)= yy VAR(x)= o?, tienen un valor finito para i= 4, 2,3, Si: Yee tH 1a + vee te 2s) ‘con valor esperade y varianze: (Y,) = ay (2.10) VAR(Yn)= na? Qany entonces la variable aleatoria z, estandarizada de la siguiente manera: (2azy S® @proxima @ una Distribucién Normal con media igual a cero y varianza igual 2 1, siempre y cuando “n" tienda al infinito, Esto significa que la suma de un nimero ‘Grande (n = 30) de variables aleatorias tendré una Distribucién Normal Standard, independiente de le distribucién de probabilidad de ta variable aleatoria original. ‘Aora bien, efectuando operaciones algebraicas se Uene también que la ecuacién (2.12) se puede expresar como: (2.13) Gue también se ajusta 2 una distribucién Normal standarizada.#1, a8 Wate (O30), ta ratte alentnia fH oe fi aera wv Deteianiias tormnal con anedia Wy vantanee 4, wn Mnqontar et cel de (aia nt deh nana Wa tow, 4d Lh Calcul det Lamaho de ta muestra depends del tamale dee oblaciin abyettvn, eb « Ahr a Glace Hida eta 2) Ghlculo del amano de muestra vara poblaciones intinitas- 236 Ay Teo devigualdad de Tohebychett tuna yartatde alent Vn tat) Bern, eh ea ermine yy a Inari de preibabidad caOcWa, sa pastes anwer bn eet tr 2 predation dl lye ule i eu nied detenininan ta east de fivede caleviar un finite superior (a itera boy, a desiqualdan de Yebetsychet ca £4 Ma Variable aleatonia # ern ares dha $7) (qenieralinenten dasenavata) Were media vatlanra tonne, eaens at ele fend, 20 cumple gue Hy yekoyer 3 2.44) iv (2aay La Psaeion (2.14) indica que ta probabilidad de que x tome un valor dents sersolo Gratton) e% por la mene 1) we Pcie que (ye bod 9 (rey ka) sn eventos complementarien tatn ty wievaye (245) thay eatin 2 probabllidad de que x tune algtin valor fuera del af 1 eh ean de Heorena €s Ge te agli m Mie Mints Gee ventas e% que shia proporcionan Mites easperion (enfin, E81 Meg he Vow uinniden rlamacin 8 t/a6004 ta Yeap att ox wpa na ated 1, YR wake Vaan ettn te gh 8 WA UHMId Y, Wike wtbnton on MAnAUTN Vg es Gre 6 Hamat, utd sion Uni abias winattains WAayanier He EAN AURA) Wf, Vf eardtermtv tie Un Wiad NOU tn be 8A, Gf, on s1180 etmatun ty (yaten Wtdavney ‘ nit et Nanette Ledatiythels mtn poral Wy bevayes b an, heavy wn athe naadenin tae tr viernes 5, oan fuman qe wy = ey a, = Teeter: We ny yo Meo ner Cyes w (any ‘ovatetites Hy wen tyed, as) erase Ge tnen tent, batentio ti oe (a0 in My ieee, (2 ds Wo ae oe deuce que nz(tayLa Ley de los grandes nimeros indica que se puede determinar una muestr® aleatoria de tamafio n de una poblacién con funcin de probabilidad f(x), tal que |3 Probabilidad de que X diflera dey en menos de una cantidad arbitrariamente equela ¢, lleque a ser tan préxima a 1 cuanto mas grande sea n. Es deci, $i 9 rece, la probabilidad de que X valga » se acerca a 1, 2.5.2, CAleulo del tamaiio de muestra_para poblaciones finitas~ Adicionalmente, a la ecuacién presentada con anterioridad, deducida de ta Ley de fos Grandes Nimeros, la cuales es aplicada para poblaciones infinitas, ya sea el ‘caso en el que se traten de caracteres cualitativos o cuantitativos, existen otras dos, las cuales son utilizadas con bastante frecuencia en los estudios de mercado para cuando las poblaciones sean finitas. Dichas ecuaciones, deducidas empiricamente, + Cardcter cuantitativo: n= wisest (2.23) utiliza su estimador respectivo) proporcién poblacional correspondiente al atributo de interés (en caso de no disponer de ella se estima a partir de una muestra piloto) Qai-P Zansus = valor perteneciente a la Distribucién Normal Standard ‘correspondiente a un nivel de confianza (1-a)%, slendo los mas frecuentes: 2.575 ¥ Ina = 99% 1.96 V 1a = 95% i» Deter . = one 2-6-4. Afiiacién igual Siendo L cl ndmero de estratos y n el tamafo de le “uestra, ambos conocidos de antemano, entonces: t (225) Alain sranrcanal~Costcndo Wc tama dee seen en eso (io ydenorinan fain de manaiee sae Se eae conse en ec 1 facabn ge muses pumanerce can, Por tanto: ‘ fen cada estrato, (2.26) 2.6.3. Afiiacin Sptima.- Consiste en que cada tamafio de la muestra par estrato epende del tamafio de ta poblacién en el mismo (M) ¥ de la dispersion de la variable que se estudia, toméndose como medida de dicha dispersion a la desviacién standard ay en el correspondiente estrato i-€simo, por lo que, los valores en, serdin: Aen (2.28) pe, 1 estimador de la media poblacional se calcula empleando la ecuacién (2.27)CAPITULO ZiT “TEORIA DE LA | ESTIMACION ESTADISTICA” = a a ha a ddddddd ey odd wy AMO wewewye> HI TEORIA DE LA ESTIMACION ESTADISTICA 3A Introduceién.« 1a estmacin exadistia conse en et proceso de eos un pare de pobiacondescomxld metate on eras ‘cbtenido a partir de observaciones efectuadas en una muestta, El proceso de astimacién, basicamente, consisteen ls siguientes pasos ‘)Seleccionar un estimador para inferr el pardmetto deseato del conjunto 0 Universo bajo estudio bb)Seleccionar una muestra de este conjunto, ‘)Vaiorar al estimador de la muestra seleccionada, d)intere, de este valor, el parimetto buscado de ese universo, Le estimacton estadistica se divide en estimacin puntual y estimacién por Imervatos, 32 Estimacién puntual~ La estinacén punta coniste en estar un so alot como estimacion de un parametro de poblaciindesconocdo, se denmina puntvot porque se utliza un slo punto del conjunto_de todos los valores posibies En el caso general, si es el parimetro desconocido de une variable aleaora x con astibueton de probablidad fx), y e8aN MyM Xa Bo UND testa aleatoria de n valores de x tomados de esa distibucin se denorinaré 8 (theta cicurtej) a le estimacén de 6 c de dicks muestra de n observaciones; de esta manera, §_es une ona distibulon moestra tei, De todas manerse, an toda muestra existen errores, puesto que la muestra 65 una parte peyuesia de todo el conjunto de observaciones posibles, por fo ate, ‘es muy atriesgado afirmar que el valor de un estimador obtenido a partir de una muestra es el correspondiente al valor del pardmetro poblacional, 3.2.1 Propiedades que debe tener un buen estimador.- Para determinar un buen estimador se aplican cuatto propiedades: consistencia, ausencia de ses90, elicienciay suficiencia. 1A lo largo de todo ef analisis se supondré la existencia de un s6lo pardmetio dasconocido, sin embargo, en condiciones generaies estos conceptos pueden extenderse a un nimero mayer de parémetros desconacides. te3.2 pardimet Consistencla.- Es razonable esper stimador de un tamano de ta muestra, Est totla we vuelve ms Imador we encuentra cada 1 1 mejor estimador de 0 81 % 2 distribucion muest concenttada alrededor del patsmetro 6 thas en 30 observaciones que st se lo lace en 18, Un estimador consistente es el que tlende a tener una probabilidad de ercarse al parémetro de la poblacidn a medida que el tamaino de ta muestra ‘rece, s decit, i 8 es un estadigtafo muestral calculado a partir de una muestra de tomato y 0 es el pardmetio de la poblactén que se va ha estar, 6 es un estimador consistente de 0 sl, para todo nimero positive arbitrariamente pequefi e, se cumple la ecuactén (3.1). tims sled +) 0) = 1 ea La ecuacién (3.1) se denomina convergencia en probabilidad, es decir, st un estimador es consistente converge en probabilidad al valor del parémetro ave cesté intentando estimar canforme el tamafio de la muestra crece, s.2.1.2 Aueancia de sean. Fara comprender melo eta prop, deine Gr vor nero Hed de 8 como #0] es dc Err Cans Hedi es el valor esperado del cuadrado de la diferencia entre 0 y 6. Desartollando la expresin anterior y efectuando operaciones se tlene: el6-aF J-c4+b- eat (3.2) La ecuacién (3.2) significa que el error cuadrético medio es ta syma de > cantidades no negativas: o? es la varianza del estimador y el términof - E(6)), «el cual se denomina sesgo del estimador, elevado al cuadrado, Fs deseable que el error cuadratico medio sea lo més _pequelio posible, rare lo eval la varianza del estimador (03) debe ser lo ms pequefa posible y el 52509 préximo a cero 0 cero. En vista de que la varlanza del estimador (03) no es posible controlar, lo deseable seré tener un estimador cuyo' sesgo sea cero, estimador al que $e denominaré insesgado. ma B32998 KHKKEKKKEAKHKHARKEHHH IOS as VE OVOLELULYLE VOLE Ede GEdEEdEdeddEddErE oe Dabo be OSPRNRNHKNHKHKK Aistbuctan de dod cons re ‘ eatin, tare a Nene an ¥ varlanea, se den fstlmador Insesgado deo, wel valor experado de et ina nox ert, 0 i) 0 os Dich de otra forma, « sonar un orm, de expetar que sk se Wanan 10 partiendo de ta cae in dletibucén, ¥ 6h te ead a ‘a other un eat 3.2.4.3 Eliclencla.- Un ul nadon bes et gestrairee sido de varbanza minima, . " Insesgado estimador in Palabras, supanienta que de ta nies mue 1615, ys ambos son extnoderes insexqades de ejemplo ta varianza de bes rns efictent ater, got menor que ta varianea de se dite que fy, deo ave tei, 3.2.4.4 Sullclencla. Un esti lente ded pordanetro utiliza toda la Inforinacién pertinente sobre 0 que se puede 4) muestra 2 aque que wsaner de ta Por ejemplo, st 92 toma una muestra de 30 ot nat jot €8 pro fa primera y itima observacion promedio de tas 10 primeras observaciones y i ‘observaciones centrales, se concluye que % 5 eh est iador suficiente entre los 3 estimadores calculados, 3.2.2. Estimacion por el métoda de maxima verosimilltud.- Aungve un ‘experimentador decide sobre qué propietades devon qua potea un estimadot, tiene que enfrentarse con el problema de cémo obtener dichos estimadores, Uno de los mas utlizadas es el método de maxima verosimil Bésicamente, el método de estimacién por _méxima _verosimilitud selecciona como estimador a aquel valor del pardimetro que tiene ta propiedad de rmaximizar el valor de la probabilidad de la muestra aleataria observada,CoTTTE eet eddcddddesddce were rere ed AQAQHLVLVYVVWY®: DAAAAAAAARSAAAAIAA SSPRAADHHS HAMS ,2 bebe £1 procedimiento consi odes lento consist en considera tos ls valores igh Dardrtro de poblaién, que se encienton. en la maar yee a Probabllidad de que se hubiera west pacer, dados be bterido et estadgrlo muestalpanesa, any ‘oulos los valores imaginables det pardmetro, " arian, da a fc alesan cxya elon de uaa dein {), yen Sélo_patametto; ‘supontendo que se" feel m veee ch ee Ademis, st existe Independencia de los nm ensayos, entonces ta Probabilidad de que una muestra de tamafo A conste preclsamente de estos n valores esta expresada por una funcién L(°), funcién que se denomina funclén de Verosimilitud y que se muestra en la ecuactén (3.4). (0) = 30) #030) # 0530) © 105439) ay Los valores L(O) = #30) £4, 10) # (4:0) (40) dependen det pardmetto luego, L depende de 4, Xa) Xayns Xe ¥ 8. SE iy Kay Kayes Xe SOM Constantes y conoeldos, L ser funcién sblo de 0 La estimacién por la méxima verosimiitud consiste en hallar ef valor de 6 de manera que L tenga un valor méximo, para lo que seré necesario derivar L especto dew, es decir: (5) obteni 140 el estimador 6 , lamado estimador méximo verosimil de 6. En virtud a que L(0), Ln L(o) y Log L(@) tlenen su méximo para el mismo valor de 6, en la mayor parte de los casos es posible utilizar esta propiedad para facilitar los cdlculos. Por lo que se tiene: ant a6) ® aLogl _9 @7) @Pata los casos en que existen varios patimettos, ta vevos anit @ UO Daee AAD © AOD arth) clon de maxi Hyd YP oet HO GO Oro) BB) SI se sat nultud es meta es 0 de teqularidad, Interna de k punto en qui suaclones compuesta o (os (2.20) (aan my También en este caso puede ser més fécll trabajar con el logarltmo (natural o decimal) de la funcién de verosimilitud Este método tiene la propiedad de proporclonar estimadores que 300 tunciones de estadisticas suflelentes, slempre y cuando el estimador méximo veroslmil sea Gnico. Ademas, también proporciona un estimador eficiente, si eS que existe, Sin embargo, Ia mayorla de estos estimadores son sesgados. La desventaja de este método radica en el hecho de que no da medida algun de la precisién de Ia estimacién y no indica la magnitud del error en que se puede incurti. 1 por Intervalos describe un 3.2 Estimacién por intervalos.- La estimacién po e interveto de valores dentro del cual es posible que se encuentre un pardmetro povlacional, més propiamente, consiste en determinar un Intervalo (a,b) 4 Comprende un parémetro de pablacién 0 con clerta probabilidad (1- a) , ¢5 decir: pla «\> «a, 3 * » o({% o * A eervato (a) deeminn Interval qu vec de inestimctng bea es una ‘ © (a) ae ene Doha te que Una robin ‘alo de conflanza y e% un estimador de respecto a 6 y que pettnite espociticar et UA efectuando, vn ‘name nea Ytepresentn ta “enntiansa™ terval ve Ineuya alta representa inde conan. ppardmetie que we estima, Para ta fc ‘Sean unilaterales o bilaterales: ‘ ntos Intervalos de conanza, ya + Intervato de confion + Inte pata Ia media arttmétiea, de dos medias ariteéticns rao de confianza pata ta proporcbn, + Imervalo de contianea + Intevalo de conan pata ta rzdin de dos varlanzs. 3-341 Interyato de contlanza bilateral para ta media aritmética de oblaclén arn catinar un nevalo de cones pre sea na muestra aleatorla de m observacloness Xiy Xa, Xa calcula el estnador puntual x: 1% ¥ de dlcha muestra se En el cuadio (3.1) se muestran los Intervalos de confianza para fa media Poblacional tanto para Distribuclones Normales como para las que no Io son. Cuadro (3.1) INTERVALOS DE CONFIANZA PARA ESTIMAR LA IEDIA ARITMETIC “DISTRIBUCION | TAMARO DE a oe DELA POBLACION | MUESTRA conoctpo | pesconocrpo Hormal Grande (m2 30) |X Rene | Eat Normal Pequetia (0230) |X 22am | Stas Culgulere Grande (n= 30) | %E2aaux | ¥! Banas FUENTE: Eaborecibn prope, En ta que: +8 == estimador de la desviacion standard poblaciona rmuoetral.(3.14) + Gros, = estimador de la desviacion standard de la distribucién muestral del estadigrato X © eum ® valor absolute de % 2" perteneciente a la Distribucién Normal Standarizada correspondiente a un valor de (1a) centeal, + aun =valor absoluto de "I" pertenectente, correspondiente a un valor de (1-a) cent fa Distnibucién con v = nel grados de libertad 3.3.2 Intervalo de confianza bilateral para la diferencia de dos medias. aritméticas poblacionales.- fn el cuadio (3.2), considerando dos muestras aleatorias de tamaflos my y m2 respectivamente, se presentan los intervalos de confianza para la diferencia distribuciones (u1~ 1). entre medias aritméncas de dos Cuadro (3.2) INTERVALOS DE CONFIANZA PARA ESTIMAR LA DIFERENCIA ENTRE MEDIAS Al opera MEDIAS AR $ DE DOS POBLACIONES [orstarau- | tamafio of yor ION DE DE DEscoNocrDos | posLacton | muesteas _ Normal (n,ns= 30) Ka) Banm9,-n, | (Re ~ Xa) Eoin Tormal (isms 30) Gualauiers — [(rzsm 30) PUENTE: Eeborecin propa. En la que: po bve peeee bobbuvy abb : oar Rare® fa Sua OS . * "V8 7 14, OStmador de ta desaci (2.46) i standard de ta dietitian muestral de ta fencia de dos medias muestrales, s,. (BF. nem (2.47) + Se Sytatimador combinado de ta desviaciin standard ¢e ta eletntuciin ‘muestra de la diferencia de dos medias enuestrates = valor absoluto de "Y perteneciente a ta Dietrtucitn “1 cottespondiente a un valor de (1 v “a) central con v grados de libertad Ren, 2 (ae) Normal. eee a una Dist rvacion puntuat $2 3.3.3 Imtervalo de contianza fa bilateral para la varianza de una. = Para estimar un intervalo de confianza para o? que. ibucién Normal, se toma una muestra aleatoria de nm ~1 Hu ¥ de dicha muestra se calcula el estimador 5 posible demostrar que ta variable: pertene una Distribucién Chi cuadr (as) ‘se muestra en el siguiente grafico. fado con (n-1) grados de libertad, tal como fe) | \ \ \ ara \ | to. ¥ al? Oo Ye Xeent xara desarrollar el intervalo de conflanza, se puede observar del grafico: (3.20) (3.21) (3.22) festa muestra que pertenecen a la clase de interés y se utiliza el estimador puntual paX (3.23) Es posible demostrar que: EB) = 45 = P 24) p (3.25) V(p)=03 l=) (3.25) (3.28) Solamente para el caso de tener un tamafio de muestra grande (n > 30), aplicando el Teorema Central del Limite y por analogia con el eaels estimecién de Ta media arimétca para el caso de una distibucén cualquera (con n= 30 y varianza conocida), el intervaio de confianza para la proporcién es: 3.27) vuvved ARBAB DooEURDLY arrre 2 ue oi g SO Tver do 16 entinaciin eetadiation enone uesto que en la expresén (3.26) se desconoce "es se “Semblaza por su estimador por lo cual se lene el imtesvle ty 28). ste (3. Von (3.28) BIBLIOGRAFIA: (4) MINES Wilter y MONTGOMERY David (1996): *Probabiidad ¥ Estadistica para Ingenieria y Administracién®. McGraw Nill, Néxiee (2) KAZMIER Leonard (1991): “Estadtatica aplesae dip ‘administracion economia”. MeGraw-Hil, Méxi (3) LEVIN “Richard y' RUBIN David para adiministradores” Prentice-Hall, México (4) MILLER Irwin, FREUND John y JOHNSON Richard (1994); “Probaiided y ‘estadistica para ingenieros", México, (5) MOVA Rufino (1988): “Estadistica Descriptiva”. Pert (6) TRIOLA Hi lario F, (2000): “Estadistica elementar’. Prentice-Hall, México, (1996): “Estadistica staCAPITULO IV “PRUEBAS DE HI POTESIS ESTADISTICAS” Pres oe Siscceace eatacierscas cebe consicererse como verdaders 2 menos que exstera contre (evidence que es proporcionada porte muest). fente evidencia 4.23 Prucba de hipstesis estadistica.- Le pruchs ce hipétess estacistice es lune metocolegia ue, en base de los valores experimentales observados, conduce @ ‘une decisién, ya sea acepter 0 rechazar una hipdtesis bajo considers Existen cos Upos de pruebas, las pruebas unilatersles y las pruches biatercles.4.2.3.1 Pruchas ynilaterales.- Estas pruebas se casifican en: 4.2.3.1.1 Prueba de ta cola inferior @ cola izquierda.- En este caso las hipétesis se plantean de la siguiente forma: Het 02a Hy o> a H Hy o 4.2.3.1.2 Prueba de la cola superior 9 prueba de la cola derecha. Pare este «250 las hipstesis se plantean de la siguiente manera 4 Hro 2.3.2 Pruebas bilaterales © prucha de dos colas.- En este caso, las hipétesis se formulan de la siguiente forma: 4.2.4 Tinos de errores.~ La decisién para aceptar 0 rechazar la hipétesis nula (Hs) se basa en los catos de ia muestra aleatoria, Cuando se toma una dedsién tlizando Ia informacién de una muestra aleatoria esta decisién se encuentra sujet 8 error. En las pruebas de hipétesis pueden cometerse dos tipos de errores: error Je tipo Ty error del tpa Tr, 4.24.1 Error tipo L- El error de tipo I se comete cuando se rechaza la hipétesis ‘ula (He) siendo que en realidad es verdadera. La probabilidad de cometer el error de too I es igual 2 a, es decir, es el nivel de significecién. Los niveles de significacién 0 significancia mas utiizados son: 10%, 5% y 1%, 5 nivel de confianza es el complement del nivel de significacién, de tal forma que se cumple la ecuacién (4.1), nivel de confianza + nivel de significacién = 1 100% (4a) 4.2.4.2 Error tipo I.- El error de tipo Il se comete cuando se acepta la hipétesis ‘ula (He) cuando en realidad es falsa. La probabilidad de cometer el error tipo Il se representa por 8 Prwatan de hipdtente aetadisticns 1a {1 Gunso (4.1) se muestran todas las situaciones que se pueden presentar © la toma de decisiones.. CUADRO (4.1) LOPCIONES QUE SE PRESENTAN EN LA TOMA DE DECISTONES, | veciston Hy VERDADERA. ACEPTAR Hi, Decision correcta RECHAZAR Hy Error Upo T i VERDADERA Error tipo I ‘[Becisin correc Por ejemplo, si Hy tl medicamento XYZ no es peigroso. 4 el medicamento XYZ es peligroso, + Silos verdadera y se acepta, se toma una decisin correcta, + Sito: falsa y se rechaza, se toma una decision correcta, Si Hy es falsa (es decir, mercado una droga pel + Sith e: {l medicamento es peligroso) y se acepta, se lanza at igrosa. En este caso se comete un error de! tipo 's verdadera y s¢ la rechaza, se esté eliminado en el sector salud a un mesicamento que podria ser benéfico. Se dice que en este caso se comete un ro del tipo f ‘Se ha demostraco que para cialquier tamao de muestra, la probabilided de cometer un error tipo T guards una proporcién inversa a la probeblidad de cometer ure dal tipo II (sia disminuye, f aumenta y viceversa). La probabilidad de cometer neamente ambos errores decrece a medida que el tamaio de muestra Gumenta; sin embargo, 2 un aumento en el tamafio de la muestra corresponde un ‘aumento en el costo det procedimiento. 4.2.5 Estadigrafo de prueha.- €1 estadigrafo de prueba es el estimador \ssesgado del parémetro que se prueba (obtenido de una muestra), el cual se \Wansforma posteriormente, pare comparar con los valores de tablas. Por ejemplo, pare probar el valor hipotético de la media pobladonal (x), se consi¢era la medi j@ de una muestra aleatoria (%) de dicha poblacién como estadigrafo de prueba, para posteriormente standarizarto, 4.26 Regiones de aceptacion y rechazo.- La regién de aceptacin es la regién ue contiene los valores de la variable standarizada para las cuales se da por valida le hipétesis nula,‘Proabas do Ripstents aptadisticns a regidn de rechazo 0 regién critica es la regién que leva al rechazo de !2 hipétesis mula en consideraciin, lo cual significa aceptar la hipétesis alterna. 4.3. Etapas bésicas en una prucba de hipétesis.- En todas las pruebas de hipétesis los pasos que se siguen son: 1 Plentear la hipétesis nula y la hipétesis alterna, 2° Especifcar el nivel de significacién a utilizar 3° Elegir el estadigrato de prueba més adecuado y su correspondiente transformacién, 4° Establecer Ia regién de aceptacién y rechazo, especificando el o los valores critices. 5° Ca‘cular el estadigrafo de prueba empleando una muestra aleatoria de tamafio n y ebtener su correspondiente transformacién, 669 Tomar una decisién, es decir, aceptar o rechazar Ha, 4.4 Prueba de hipétesis sobre la media aritmética de yna Distribuciin con varlanza_conocida.- En este caso se utiliza la Distribucién Normal ‘considerando la standarizacién que se muestra en la ecuacién (4.2). ze Ton En el cuadro (4.2) se muestran las regiones de aceptacién para cada caso. CUADRO (4.2) REGIONES DE ACEPTACION PARA LA MEDIA ARITMETICA DE UNA, DISTRIBUCION CON VARIAN: CONOCIDA Parimetre | Distribucén | _n | Hipétesis rs Normal [a2 30 ¥ Wormat [n= 30 # Wormat [n= 30 tae ¥ Normal [n= 30 Paani ial » Normal [nz 30 Tar re] rn Normal [n= 30 Perea) [5 | Coatquiere [nz 30 (rani +210] | Costquiera Cualquiers | * | casas | » | Cualguiera | \ Se apican prabae no | Lc" Hy: pea (Pardmetricas Chalquiera |n<30 |i: y= a |Se aplican pracbas no L Hy: > a |Pordmet rica, Puente: Basersabn posi 45 Brusba de hipétesis sabre ta media aritmética de una son vatianza desconocida- La Distioucén 4a muestra proviene de una distibucién con vatianza desconocida y la vatable Pertenece a una Distibueién Normal o se puede aproximor a ésta (cuando el tamatio de Muesira es menor a 30), En este caso el estadigrafo de prusba es X y su transformacién es la que se muestra en la ecuacion (4.3) istribucion “tes apropiada a aplicar cuando (3) 7 En el cuadro (4.3) se muestran las regiones de aceptacién para cada caso, CUADRO (4.3) REGIONES DE ACEPTACION PARA LA MEDIA ARITMETICA DE UNA, Dr: ISTRIBUCION CON VARIANZA DESCONOCIDA [Paraiisi | Distribueién | —n_~| Wipotesis Region a aceGOn rt Normal [re 30 | | ¥ Formal inti Wael —— corre: [0 teal Hii > a 7 Cualquiera ie ftiewse| twat tne \ vertCuaiguiera |= 30 Yr mea Tena 9 Mwea | ©) Caalquiers [RESO Yess 7 banal Mw >a) | Gualquiera[R< 30H, y= a [Se aplican pruebas no Hi: wea [parémetricas wo] Cuslquiera [n= 30 fis: w= a [Se aplican prucbes no | | ly: p< a [Parametricas | [we] Gualquiera"[n<30 Jits: y= a Se aplican pruebas na l it: > a |Pardmetricas ‘Fuente: Caboraibn propia, 4.6 Bruebs de hipstesis sobre a varianza de una Distribucién Normal.- En este caso se ha demostrado que la Distribucidn Chi Cuadrado es la més ‘adecuada para efectuar pruebas de hipétesis sobre la varianza de una D) stribueién Normal Para efectuar la prueba sobre la varlanza de una Dlstribucién Normal, a estadigrato a utilizar seré el estimador insesgado de la varianza poblacional 4 mt Ged Posteriormente se debe efectuar la siguiente transformacién: 2 5) En el euacro (4.4) se muestran las regiones de aceptacién para cada caso. CUADRO (4.8) REGIONES DE ACEPTACION PARA LA VARIANZA DE UNA DISTRIBUCION NORMAL Parimetro | Distribucién [Hipétesis | Regién de aceptacion, ¢ Normal" “[H: 0? = a Crear nal tama] L Heese ;? Normal |i: oF =a Tinea; Pl Hiotce [2 Normal lity: Fea Feed Hie'> a TN “1 < ‘ < et 7 : * Vis * 7 7 : * fe = 7 Pruaban de Aipstente entastetican *-7 Bruaba de hinétesis sobre Ia proporcién de una Distribuclin Binomial. En este caso se efectuaré la prueba solamente para el caso en que 1 ® 30 (lo que implica que se aproxima a una Distribucién Normal), Para efectuar lo Brueba sobre la proporcién, se utilizaré el valor de x” (niémero de clementos de una Geterminads caracteristica, en una muestra de tamatio n). El estadigrafo de pruebe 5 el que se muestra en la ecuacién (4.6), (a's) (47) © tambien se tiene: nell p) oe En el cuadro (4.5) se muestran las regiones de aceptacién para cada caso, ‘CUADRO (4.5) REGIONES DE ACEPTACION PARA LA PROPORCION. DE UNA DISTRIBUCION BINOMIAL Barimatra | Oitbucién | n_—[Wipétests | Reglon de aceplacin P| Binomiat [m= 30ers Ctra Hiaal Iiipea | Bnanial|ne30 uae ee Taal Hip >| Binomial |ne30 Jurys aa l Wep>e Fuente: Eaborscibn prom BIBLIOGRAFIA: (2) HINES Wolter y MONTGOMERY David (1996): *Probabildad y Estadistica para Ingenieria y Administracién”, MeGraw-HIl, México, . (2) KAZMIER Leonard (3991): “Estadstiea aplicada a la adminstracion y economia”, MeGraw-Hil, México. (S) LEVIN Richard y RUBIN David (1996): “Estadistica para administradores", Prentice-Hall, México,1 8 ole 8 MUMS CON UN es Ge higttess con un nve! de confanza del SY, determina si se debe Sétess mula Considerar que tos didmetres pertencoen a una ce que la vananza det ndmero de exrres Empleanc est © un fvel ce confanza del 80% probar la hipdtesis nula, suponiendo que la bucién Ge erores sigue una Disinbucién Normal Fecha de entrega: una semana después de termina el tema. Beebe DDO OOOOECC CECE LOCC CEEEEEOEEEH by oe LIDRAAAMAEAAPPTOMH SOOM OOS O MAAN HNHOOOOHOGUIOD ‘o 7 CAPITULO V “ANALISIS DE REGRESION Y CORRELACION LINEAL"\W ANALISIS DE REGRESION ¥ CORRELACION LINEAL S.A. Inteoduseidn.- En este capitulo se examinarin las asoclciones eantitativas entre un determinado mimero de variables, asi como el qrade de relacién existente fontte dichas variables, es decir, se examinarain Wenicas que petmitan ayustar una fecuacin de alga tipo al conjunto de datos dado, con el propdsito de obtener una lecuacisn empirica de prediceisn tazonablemente prects 5.2, Analisis de regresién.- {1 objetivo principal del anilisle de regresion e* esstimar el valor de una variable aleatoria (llamada varlable dependiente 0 variable Fespuesta) conociendo el valor de un grupo de vatiables asociadas (Vlamadas variables independientes 6 de predicciin). La eciachi algebraica mediante la cual se estima el valor d grestén es ta fone la variable dependien Dicha ecuaciin que se obliene de esta forma puede tener algunas limitaciones con respecto a su interpretacién fislea, «in embargo, en un medio ‘empirico, serd muy dls puede propotcionar una adecucla capacidad de prediceiin para la respuesta en el interior de una region cs variables de Bredicclén. Como ejemplos de vatiables se tiene: relaclén entie el peso y la altura de fos seres humanos, relacién entre la temperatita aunbien ‘energia elétrica, ete. weclica de cy el consumo de Las suposiclones principales en que se basa el modelo de regresion son: + La variable dependiente en una variable aleatoria, pero no es necesario que las variables independientes sean variables aleatotlas. + La relacién entre jas diversas variables indepenclientes y la variable dependiente es lineal * Laariable dependiente tiene una Distribucién Normal con varianza constante, $i bien la primera suposicion no es critica, la supasicién de varianza constants es ‘crucial, Una estimacién insesgada de ¢ es el error standard de estimacisn, EI modelo de regresién Propuesto debe ser relativamente sencillo y debera entener pocos parémetios. Un procedimiento muy iit Cuando se tiene sélo una variable de predicciin Contra la variable independiente, para la seleccién inicial \geaficar ta variable dependiente 2 e. 333 o9990999 33905005000 229 eoedddd POQOSOVIVVWWG ODODDEDEROOD oe POET EDEL ossdeee las ecuaciones que més se utlizan para relacionar 2 6 més varlables son + Uneal simple: yeas bx (5a) + Uneat inversas b yaar (5.2) + neat logartmica natural: Y= as BLn() (33) + Exponencia! . y= abt voy « tea lel (5.4) + Potencal Oe Yea vagina a lx” (53) + Uneat maipe: Ves = Nou» ln Ye a DK Fy + SKS 6 cnet Boy 6.6) + Unealpotinonlas Y= BD EDIE Hee By 5.7) 5.21 Método de estimacion de parhmetros por minimos cuadrades.- Este método se aplica siempre y cuando fa funcién sea de caréeter lineal 0 se encuentre tineallzada, {1 método halla las estimaciones para los parémetros en la ‘ecuaclén selecclonada mediante la minimizacién de la suma Ge los cuadrades de las Aferencias entre los valores observados de la varlable dependiente y de aquellos roporcionados. por la ecuacién de regresion. z-De (38) Vee (5.9) a Zoo a Zoo a 2.0 Eniag & = error residuo dela observacton "r. Ver= valor observado "de a variable dependiente Vor= valor calculado i" dela variable dependiente 2 = término independiente 8.6.4... = coeficlentes de las variables independientes, .V ANALISIS DE REGRESION ¥ CORRELACTON LINEAL 5.1. Introduccién.- En este capitulo se examinardin las asociaciones euantitatives entre un determinado nimero de variables, asi como el grado de relacién existent entre dichas vanabies, es decir, se examinarin técnicas que permitan ajustar un eauacin de algun tipo al conjunto de datos dado, con el proposito, feauecién empinca de prediceién razonablemente pi 5.2. Analisis de rearesién.- £1 objetivo principal del andlisis de 1 estimar ef valor de una variable aieatoria (Narmada egresién es able dependionte o var co ei valor de un grupo de variables asociadas (llamadas varables independ regresién es la formula algebreice mediante la cual se estima el valor de la variable dependiante. Dicha exu Sn que Se obliene de esta forma puede tener algunas limitaciones con respecto @ su interpretacin fisica, sin embargo, en un medio empirico, seré muy Gul si puede proporcionar una adecuada capacidad de prediccion pare la respuesta en ol interior de una regiin de tas 5 rediccién, Como efemplos de variables se tiene: relacién entre el peso y la altura e los seres humanos, relaciin entre la temperatura ambiente y ef consumo de lenergia eléctrica, etc. las sup nes principales en que se basa el modelo de regresién son: + La variable dependiente en una variable aleatorla, pero no es necesario que las Variables independientes sean variables aleatorias + La relacién entre ias diversas variables independientes y la variable dependiente es lineal, + La variable dependiente tiene una Distribucién Htormal con varianza constant. Si bien fa primera suposicion no es critica, la suposicién de vatianza constante es ‘ucla. Una estimacién insesgada de « es el error standard de estimacién El modelo de regresién propuesto debe ser relativamente sentillo y debera Contener pocos pardmetros. Un procedimiento muy util para la seleccién inicial Cuando se tiene sélo una variable de prediccién es graticar la variable dependiente contra la variable independiente, © we = oz em erm on sedtee de mela + eat te ow oa unit iacones quem outta par elon 2 & ms vara sn son om ay po oe oa yeae® 2) or + Lineal logaritmica natural: en (53) enw + Exponencial: en (54) « + Potencial: (5) «Una mite: y es + ea pote G7) 5.2.1 Método de estimacién de parémetres por minimos cuadrados.- Este método se aplica siempre y cuando la funcién sea de carécter lineal 0 ‘ encuentre linealizada. €\ método halla las estimaciones pare los parémetros en la ‘ecuacién seleccionada mediante la minimizacién de la suma ée ios cuadrados ée las Giferencias entre los valores observados de la variable dependiente y de aquellos roporcionados por la ecuacién de reqresisn. (53) ss) 2OO98D Teaaagerey AAA aaaaaaas aaa error 0 residuo de la observacién "I ‘alor observado "\" de la variable dependiente \Vei= valor calculado "i" de la variable dependiente. a. = término independiente coeficientes de las variables independientesLe constante “at en la ecuacién de regresién se refiere al valor de la ordenada 1cn en el caso lineal con una variable independiente; en el caso de la regresi6n trultiple y polinomial, es el valor de la variable depenciente cuando todas las Variables indenendientes son iguales a cero, ‘Cuando se obtiene una ecuacidn de Fegresién por el método de minimos cvadrados, surgen una serie de propiedades, algunas de las cuales son: Le-0 (5.10) La =DVe (Sat) me J L323 (5.2) 5.2.2 Error standard de estimacién.- 1 error standard de estimacién o desvigcién standard residual es una medida de cuan buena es la recta estimada de regresién a las observaciones. Por tanto, cuanto mas pequefio sea este valor, el modelo se ajustard mejor 2 los datos. El error standard de estimacién se calcula con la ecuacidn (5.13). Fe prs 5.13) n-k=1 . y Ene que: 'n = nimero de observaciones. k = ndmero de variables independientes. El valor de S,, viene expresado en las mismas unidades que la variable dependiente y el cuatrado de dicho valor ("yr se denomina varianza residual 5.2.3 Prueba de hipétesis para coeficientes de rearesién. ~ La pruebas de hipétesis pare coeficientes de regresién se efectia con el objetivo de conocer si cada una ce las variables indepencientes se debe incur o no en la ecuacion de rearesin, es decir, si existe alguna relacién entre las dos variables (entre la Variable dependiente y 2 correspondiente variable independiente analizada), Para esta prueba se utiliza la distribucién “t" de Student, Este tipo de prueba es de cardcter bilateral, con los siguientes pasos: va e seeps an nnne eases so oe Cope bbb bbb boobeTEEE IONE ae bb! at 1° Plantear tas Nipdtests: 4 no existe relacion entie la variable dependiente y la variable independiente Ha. — existe relaciin entre la vanable dependiente y la vatlable independiente 2 Especitcar ie Me 3 Lestadiqna 4a praca es t= s. ee aay En ta que 1b, = estimador del coeticiente de a varlable independiente“ S,~ estimactin de ta desviacin standard del eoefelente de la vatlable independiente *y 1 valor de §, se calala con ta siguiente ecuacién: 5.-\a5, (5.15) En ta que: roa) matriz de los valores observados de las variables ndependientes mas la colurmna de "unos" come primera colurnna, oy matriz transpuesta de [x]. a= elemento “de la diagonal formada por la matriz (XXT* 4 Determinar la regién de aceptacion 5° Calcular el valor de ty. 6° Tomar la decision: Site t t a5.2.4 Prucha de hindtesis para Ia cearesién.- La prucba de hipétesis de regresiin utiliza la distabucién “T para probar ste eiacda de odor 1a Variables infependientes como grupo con la variable dependiente. Los pasos ha seguir son: 1° Plantear las hipdtests Ho = no existe felackin entre todas las variables independientes con ta variable ependiente. existe dependiente fentie todas las variables i lependientes y la variable €5 Fa, que relaciona el cociente entre dos varianzas {cuadrades mesos), por fo cual se empleari la Distibucion "*, 10; Fats] El valor de Fraoiw S¢ obtiene en tablas “F™, con a %e, vi Key vy = eked grados de libertad, construyendo el cuadro (5.1) que es et cuadro de analisis e varianza, en el que se divide la variabilidad total en dos componentes: la Variabilidad explicada (variabilidad debido a la regresién) y ta varlabilidad no explicads (variabilidad residual 0 debido al error de mulestreo). La variabilidad explicada (VE) se calcula con la ecuacién (5.16) > ve = S(vo., - voy, (5.16) Ena que: VD, = valor calculado "de la variable dependiente. YD = media aritmética de los valores de ta variable dependiente. {a variatilidad no explicada (VNE) se determina con la ecuacién (5.17). VNE = 5 (vo, vo. 4 (5.17) Enia que: Ve, = valor observado "i" de la variable dependiente. eecevedes YUUdedddue. pesuuuuuuy VOSS TE DoboDDvvEOEE voos maaan ae ea aan aaaaaaanaeaanagaes » {a vaniabititad total (VT) es: vt (vo, vor (5.18) Ese hacer notar que, cualquier caso, 1 eutnple ta siguiente Went ad (vo,, vb) (vo. vo). (ve, vp,,) (29) CUADRO (5.1) ANALISIL DE VARIANZA PARA LA PRUCOA DE REGRESION. FUENTEDE |SUMADE — GRADOSDE CUADRADOS RATIO Error | vne [ke Se ve aM «easy we mone kd i. y (s.22) 6° Tomar la decisién: Si Fe 10; Frau, Se acepta la hipétesis nuta Hp, es decir, no existe relacién contre la(s) vatiable(s) independiente(s) y la variable denendiente, caso contearia “2 rechaza Ho, 5.3 Andlisis de correlacién.- £1 principal objetivo del anaiisis de correlaciin es, ‘medir el grado de felacion entre todas las variables independientes y la vatlable dependiente,Para efectuar ef anilisis de conelacion se ealculan dos. eceticie coetickente de determinacisn y el eoeteiente de co 5.3.1 Coeficiente da daterminaciin- &1 cooticiente proporcion de variabilidad que ha sido estadi variabilad total, median loterminaciin mide ta cto a a ammente explicada, respecte ‘decir Ia eataciin de tegresion ve , ve ees) Rot ow Los valotes que toma estan siempre comprenudidos en el interval: Os Red. De manera ideal se desea tener un valor de R variabilidad no explicada seria igual a cero, y que toda ta varia in puede explicate: por la presencia de las variables independientes en la ecuaclin te teatoscin, 1 5.3.2 Coeficiente de correlaci retaclon felacién que existe entre las variables independientes can la ve Se calcula de la siguiente manera: et grak lable depend FoR, (5.24) El valor der fluctiia entre 0 < F< 4, cuando ¥ es igual a 1 ta relacion es perfecta y cuando el valor de res igual a cero, se dice que no existe telacién entre las variables consideradas, Para el caso de un modelo lineal con una sola variable independiente, el valor f varia entre -1 y 1, siendo el signo de “r" el mismo que el det coeficiente de ta variable independiente, 5.4 Diaanéstico y validacién del modelo.- Cor cl objeto de valida e modelo encontrado se efectiia el diagnéstico de los datos a travis dal analisis de residuos. Dicho andlisis se efecttia mediante la constiucciGn y anslisis de ciertos graficos, tos principales son: ico: Residuos Vs, Valores calculados. + Grafico: Residuos Vs. Valores observados. + Gratico: Residuos Vs. Tiempo. | Gln, casos también se recomierwiaelaborar grsficas de Residuos Vs, vanianie(s} inaepenaientes,s). Ua, Resid i forma ateatoria, es a 5.5 Anilisis de autocorrnlacién. Ft andl fen ol grafico: Residues ue significa, la presence estadigraio de prueba es muestra) se emplean tablas “Darwin los que se efectuara el analisis resp etermina la extstencia de autocortelacsr, (2) LEVIN: Richard (3) MILLER Iniin, FREUND. odes tos gritiens elabor eben estar distitandes en ‘deci, no deben formar ninguna itva conoeise © autocortelacin ve tealiza cuanto hha podido detectar agin tipo de retacin to i del Uempo como variable te prediction, Ve. Tempo Pot tat motive es que tealiza ta prueba de Dutwin ation, cave ey na (8.25) Considerando: 4 (nimero de variables independientes) ym (tamano de ta Watson” para obtener los valores de ¥ dy com pectivo. Con los valores de dk y dy se claboran los sigulentes intervalos y se asi como la direceidn de esta, ocde ad oc de dy dys deandy Weds < dead 4edede a Autocorrelacion positiva, Prueba no conchiyente. No existe autocorratacién, Prueba no concluyente, Autocorrelacién negativa, LrocRaria: (2) HINES Waiter y MONTGOMI JERY David (1996): “Probabilidad y Estadistica para Ingenieria y Administracién”. WeGraw-till, Meco, y RUBIN David (1996): “Estadistica para administradores" Prentice-Hall, Héxico,, hn. estedistica para ingenieros”, Mex y JONSON Richard (1991): “Probabilidad co,os > > 2 a en PROBLEMAS PARA RESOLVER EN AYUDANTIA Py) RERESERE wl Ree 7p 1 Se tatza un estudio pore estalecer una eauncén masirto ls cual se pus eels c8 ctatrs coarser esvana Se aun maarte i al ea pues aos olor lctelote 5S sletode om plasma tee (Se exraran Oe ulares Uae ae one Sees) 6 RESEREEERS ess sores Beeisee! — Palsleialelalsieigig] +r ; eT Reeerhea Geeeeeuell pee xistohe pp [nie usw ie am Seo els Nye «P ¥ 30 25 915[27,5 b95/20 49 49.55 48,5 51 645 63 68 Eg S|SSEI ESET Pp? Sgzeeee SEE ad ‘2 Haller tos pardmetios para las siguientes eGusclones utizando minmos BISleisielsia) RESIS)" RSIS eo ndados c neegeae i a. ee pata Fa Lette ob er ° BEReges) APPBESERSEE 2.) Peet © xeasbly LEP eahs Beaeece) Msemermsecr| gn & Comprar uizandemredoL 7 , elelelesis) HS | $ r © Waliar el eror standard de estmaciin para ls tes casos 4-7 gett EP 4 AG Reali ta pructea de hipttesis para costcientes de regresion con un S\= 10.050, SSSSSess| 8 BRSE Ea oils Sixatar y8,= 0.080 respecinamente eon unawel Ge sinencscea are BT FRSPRFRe) Ealgielslel els © Real’ la prueba de hipstesis de regresién con un nivel de confianza del 95 %, a geste ee EAR er 90 %y 92 Ye respeetwamente so iSIai1 =a) a13 3) 2 ais} 2 Los investigadores estén estudiando la correlacion entre obeskdad y la respuesta seseSE Res) SERRE ee € inno! Sol Un eberdad ve mise cons poeion wance ene os RSESEERSES) SleRiserl BRE € respuesta al dolor se mide tizanso el umbra ae Teej de exon no cepa abeeprrrrsra ES ete (7, gbe'es una mecca ce sersacen de_punzaca, Se othenen fo saute SESS weeweaeee SY < ae a SPPRECER a) sa P ESRF |g € Xa. Dep, > : 2 7 ‘ « X 89 90 75.80 51 75 62 45 90 30 owe ve coy, Ssctttctstalg = i € ¥29 4 45557 6 134514 | A « : a | « 1123 4's 67 8 940 SeSeeeees| sl eeeeeiece « Bese Esra glass ee le |. 2. Elaborere cigrama de depen. 5 5 « > Halla Jos paremets y cocfeentes de correlacién y detominacién para ts sz SBR RE > € siguientes ecuaciones: | | i 2 be @ xeasby 3) a a ° + by o erary © Resizar ia procbe de hpstesis para costcientes de regtesin con un Si= 7.110 parla mejor ecuacionsegin el coeficlente de ceterninacion (1-0 90%) cin g=10 + 3 : aeyearbinxece® e=2718, Efectuar ta prueba de coeficentes de regresion con a = 5%. S:= 5372 S.=38t STS POO OO KD JUIN. " ws 2) etecarts prota de ere, 6) Erectus pra do auto coeacion con a= 1% cB 4) Etectur el gnostic yvaacin del moses. cB « 8 8+ Considrand s sguotes malas By asty dD eR « o inxea'y’ 6) 3 ‘ « CAPITULO vi Yo siguientes dats: &B8 u “ANALISIS DE SERIES CRONOLOGICAS” a) Elaborar el diagrama de dispersién. ) Hallar “a" yb" para los 3 modelos, ) En base al diagrama de dispersién, determinar a cual (2)6 (3) se ajustan os datos. Aplicar la prueba *t “para el modelo elegido en el inciso b) utiizando: S=S5 a=5% "onosticar para Y= 8, y= 10 con la peor ecuacién considerande el erterio € Coeficiente de correlacién, ‘de los modelos (1), ' de entrega: una semana después de concluido el capitulo, e& « € ‘ ea ohVI ANALISIS DE SERIES CRONOLOGICAS 6.1 Introduccién.~ La planificacién recional exige prever los sucesos de! futuro que protablemente vayan a ccurtir. La previsién suele basarse en lo oaurrigo en el asade, por Io que, estamos en presencia de un nuevo tpo de inferencia estadistica ue se fealiza acerca del futuro de alguna variable basades en sucesos pasados. Esta técnica se basa en el andlisis de series cronolégicas. 6.2 Serie cronoléaica.- Una serie cronoiégica o serie de tiempo es un conjunto 2 valores observades de cera variable dispuestos en el orden cronolégico de su ‘ccurrencia, por lo general, registrades a intervales igualmente espaciades, En virtud a que una serte de tiempo es una descripcién det pasado inmediato, fe! procedimiento mas 1égico pare pronosticar el futuro es ulllizar dichos datos isténicas. Bajo el supuesto de que la historia ha de repetitse, ex decir, silos datos Pasados indicen lo que se puede esperar en el futuro, es posible postular un modelo matemétic que sea representative del proceso. En situaciones mds reales, la forma exacta del modelo que genera la serie de iempo no se conoce. Con freaiencia, se elige un modelo mediante la observacién de los resultados de la serie de tiempo durante un periodo. Por ejemplo, en el ‘cuatro (6.1) se muestre as ventas anuales de una compafia que comenzé a operar desde 1998. CUADRO (6.1) VENTAS ANUALES DE UNA COMPARA (EN MILES DE $) VENTAS | ANO. os) i968 [ 7 1999 os | 2000} 09) 2001 To | 2002 Ts | 2003 t2_ | 2008 TO [2005 17] 2006 21) 2007 ifcades estos valores, se los puede la interpretacién de los valores historians de la sere de terse Y para pronosticar valores futures, El enfoque clésico en el andlisis de series Ge tempo identifica cuatro facores © componentes bésicos en una serie cronoisgica. §4 Componentes de las series cronolésicas.- Les componentes ¢e a sere: ccronolégica (¥) son: 6.4.1 Tendencia secular (1).- Es ef movimiento global y reguar a largo plazo de los valores de la serie de tiempo durante un nimero protongade de aFes, en et que ‘se fefleja un crecimiento, un estancamiento © una daclinacén de los valores de serie. Se recomiende que en el andlisis de series se utlicen cuando mencs de 153 20 afos, para no incluir como sefal de tendenaa los movimientes Gciios, ios ‘cuales implican pocos afios de durecién. El método de minimes quadrados es la base mis comin que se utiiza pat Identificar la tendencia en una serie de tempo. En el aiadro (6.2) se muestra, como ejemplo de tendencia, las ventas cemento para un determinado pats,Det cuadro (6.2) se observa que existe una tendencia creciente de las ventas de cemento en aicho pais. 6.4.2 Yariaciones ciclicas (C).- Las variaciones cicliaas se caractertzan por ‘movimientos recurtentes ascendentes y descendentes, respecto a la tendencia, que ‘se extienden por periodos de tiempo, por lo general, de 2 6 mis aos, Si bien se han estudiado por bastante tiempo el origen de las fluctuaciones Giclieas, en general se puede decir que son de naturaleza econémica y reflejan el estado de las actividades comerciales de tempo en tiempo. En todas fas variaciones ciclicas se puede identificar la presencia de picos y depresiones. Los picos, son etapas de prosperidad, mientras que las depresiones ‘son sinénimas de recesién econdmica. va aaanaaeaaeennerernee = 4 34 ~ 4 ~ ee - Ree AN ON aeeenee (5.9) oe remem fon ton he pea owen an ot outs cuaoeo (8.4) PROQUCCION OF SOYA EM ROR EWA . (OOS OE Hn [ pmooucciom ame) [1 ww 04.3 Yarlaciones matacionates ().- Por vanaciones exticionales se entiento as vartaciones penidicas, que fetornen Con Gert mypAanitint ents de om pesos erpeciten de 2 atin 4 meres [EL termina “estactonal” se emplea para Wicay Rata ctawe de mewensentss 9, Caro, semanal o mersual, Centro un ake come periods de recurencis mao, Los factores que genemimente origina waracone estaconies son tas Condiccoes cirraitiaas, las costuebres sociahes Las festividaten refers. Por e}emipto, en ei cuadro (6.4) se detata of conmumo de energie ehictrica en Cochabamba, segin tas cuatro estacione el ao, para cn periods Ge tres ation,cvange (84) Nariaciones irregulares (1)- ‘se ceden 8 Ceres f Las variaciones irregulares © variaciones ores que ocurren de forma inesperada, siendo muy Sn, tales como confrontacor es balicas y fendmenos naturales "85, sequias), ete. Dichas variaciones son impredecibles y lade considerar como parte de las variaciones estacionales 0 6.5 Modelos de series cronolégicas.~ Existen dos modelos de series cronslésicas acertan come 5 2 aproximacion a las verdaderas relaciones entre los 5 de los datos observades. Dichas modelos sont Modelo aditive.- En este modelo se supone que el valor de la serie Compuesta es Ia suma de los cuatro componentes, esto es: Y=T#C+E4r (6.1) ws Yyyyyyyyaseaded, i ss MutinicattNn {ip este Gone He Hae Gu Nak Ge ta ee SESH CS et Prato We os VALET Ge Hoe EINE eae Yetcxtar we En eta reac, a tontenca a Somre muna vatores absateton y boa Sompanentes Rumen estan EAB En HORNE EN S en prea Gerratmente, mately MORRRAENG, BO ser mis commervader, sonst a et mddelo mas ademas Raa Gl AAAS Ge Has Nene Se von‘Dados los siguiontes dates de preduccion de la compatia XYZ. 2) Caleular la tendencia considerando el mejor coeficionte de correlacion. Utiizar por lo ‘menos 5 modelos para elegir la mojor ecuacién, ») Graticar la serie eronolégica. ©) Graficar ia tendencia, ) Pronosticar para todos los meses del afo siguiente. Fecha de entroga: una semana después de concluide el capitulo PRY VVIAD Oeoeseseere LKKK Ke ereeerreds Dooveo EOS CAPITULO Vil 1 “PRUEBAS NO PARAMETRICAS"\YI PRUEBAS NO PARAMETRICAS aa ta mayor parte de las prucbes ested 7.4 Introduccion. 14 uobas de teas, andinats de varianea, ajuste de curvars de regresiin) © ws de contianen 1 Bazan en clertos supuestias, por to cual han side denorunados métodos parametnicns le pasan en eb andiisis de un pat Wor tiene una distribucién conocida (gereraimente una sietnbueien Normal) @ puede aproximatee a una Orstribuein Normal Pero, en el caso de no cumplinse alguna de este supuesio es necesatia la vs denominadas pruebars no paramétricas 6 pruchas de dretribiacien rucbas ne parse e utilizan + Cuando ve tiene duda de que las observaciones pertenecen a una Distribuciin Normat + Cuanes oe tenen mu trae paquenias con dietribuciones desconocidas (ya no aplicar ef Teotema Central det Limite) 5 hipétesis sobr la forma y poticidn de las distribuciones bas w + Sep 2s de las pn Jebas no paramétricas son car e datos de tipo cuantitativo y cualitativo, rapicas ¥ téciles ae realizar Las ces /entajas de las pruebas no paramétricas son: sax te tener Ia posibilidad de realizar pruebas paramdét ¥ no Faraméticas pare una determinada situacién, es mejor efectuar las pruebas 2 por ser mn 2 pe + las pructes 00 paramétricas son menos eficientes puesto que na utilizan toca Proveniente de le muestra (lo cual implica inctementar el sestra), (22 Boueba de corridas para ta aleatariedad.. En todas las pructes iGTES Una de Ins supuRstos fundamental aieztorienad en ies era el hecho de la existencia de Gatos. En la préctica, no siempre es posible controlar CBeRaIIeIIIIIIIIIIIIZ 9929 bbb bdddO08 € © . . (ora prion para tetntmana’ Sa exnseness 0 Ln pructon tn nariton oe wait + Para anaiizat Sa wainteniin tn aiaabitial en ton tutte temnatin, canastmratts, + Para determina os existe wigan oF tetne ah cimpenten tm chranruieaen, wenden, Cmte, Gertto te un compuntin te chnervecine Enecta pructa un punta peut en tar + Daten cumitanrve para len cua ln tate ue Goaiten Wn ton tanya + Daten cuncainatrenn, pata lo Can We Outen om Coiien en ten Ctimptian. funesbn a 1 estin pon encima 0 pre Getalp de mentee mamta El criteria bite ratica en inti Ga nes winston get a om lun niero may grande 0 un wikmeca raay genoa, te CoAT, 2 Ye tant wee po de pruetaa es Ge caraetes taaterat Lin pan ba see 19 Planet tas hiplaeis He: Ine baer vaciones tan nto teelecatas en tonne mientarn Hy: las cbseervaniones na han tts teccharnatins en torts Btn. 2° Especiticar 2%. 3° Para elecuat la prucha se determina ef extacigrate R que & et niimezo oe cortidas en la muestra. 4° Estableces la reqiin de aceptaciin. Para este cate te Gefine lo sept R= numero Ge corridas en la muestra ny = nmero Ge elementos en ia muestra Ge pomes toe in; = némero de elementos en la muestra el segundo toe