UNIVERSIDAD || MopauipaD feed CONTINENTAL || VIRTUAL MANUAL AUTOFORMATIVO ESTADISTICA II Claudio Alvaro Cerron Landeo‘ada autor ex responsable de contend dem prop texto (© Universidad Continental SA.C2012 7 Teleton: 213 2700 Derechos esckn inj: 50 jemplases Alor: laude Ata Cera Lamdco (Ofcina de Produc de Comeidory Rocuson Jr Los Bonqpes 855 EYTambn- Heaney dren eterno ee ee tramitia porn sitemn de recuperacion de informacion, em ninguna fora oi por ‘ingin medio sea meni, ftogumien, lectSice, magnetic, eleetrogpace Por {tocopa, 0 cualquier oto sac perio preo por err de a UnhertdadWrRopuccioN i PRESENTACION DE LA ASIGNATURA 8 COMPETENCIA DE LA ASIGNATURA 4 UNIDADES DIDACTICAS 8 TIEMPO MINIMO DE ESTUDIO 8 UNIDAD |: MUESTREO Y ESTIMACION DE PARAMETROS u DIAGRAMA DE PRESENTACION DE LA UNIDAD 1 u ORGANIZACION DE LOS APRENDIZAES " TEMA N° 1: THOMAS HOBBES 13 Hd Definiciones bésicas 18 TL Tipos de muestreo probabilisicn im LECTURA SELECCIONADA N° 1 7 Funciona la trapia de contacto? Mario Trola. pp. 319 “ ACTIVIDAD N°1 2 TEMAN® 2: ESTIMACION Y TAMANOS DE MUESTRA a II Estimacién de la proporcién poblacional a1 i Estimacion dela media poblacionsal 21 EH Estimacién de la varianza poblacional a IEI Dererminacisn del tamaios de muestra 2 CONTROL DE LECTURA N° 1 a GLOSARIO DE LA UNIDAD 1 8 BIBLIOGRAFIA DE LA UNIDAD I 18 AUTOEVALUACION DE LA UNIDAD I 18 UNIDAD I: PRUEBA DE HIPOTESIS Y ANALISIS DE VARIANZA 13 DIAGRAMA DE PRESENTACION DE LA UNIDAD It B CORGANIZACIGN DE LOS APRENDIZAIES 3 TENA N° 1: PRUEBA DE HIPGTESIS “ I Detiniciones seas 14 IE Prueba de mseveracién para la media imTEI Pncha de aseveracién para la proporeién EB Prueba de aseveraci6n para la varianza 4 u“ TEMA N° 2: INFERENCIA A PARTIR DE DOS MUESTRAS " MI Inferencia acerea de dos medias, proporciones para muestra independientes v I Interenciaa parr de dates parcados “ EL Comparacién de layariacin de dos muestra fa TEMA N° 3: ANALISIS DE VARIANZA u EE ANOVA de un factor a BL ANOVA de dos fctores u LECTURA SELECCIONADA N° 1 " 1a paradoja del cumpleaiios Blog Estadtica para todos ACTIVIDAD N°1 8 ACTIVIDAD N° 2 8 TAREA ACADEMICA N*1 8 GLOSARIO DE LA UNIDAD II 18 BIBLIOGRAFIA DE LA UNIDAD II 18 AUTOEVALUACION DE LA UNIDAD It 8 UNIDAD III: ESTADISTICA NO PARAMETRICA 13 DIAGRAMA DE PRESENTACIGN DE LA UNIDAD 4 ORGANIZACIGN DE LOS APRENDIZNIES 13 TEMA N° 1: PRUEBA DEL SIGNO “ MD Pruct del signo “ I Prucha de rangos con signo de Wilcoxon para datos apareados uM [EI Pructa de ta sma de rangos con signo de Wilcoxon para muestras indepensdientes 4 TEMA N° 2: EXPERIMENTOS MULTINOMIALES Y TABLAS DE CONTINGENCIA HI Bondad de ajuste “ Independencia y homogencidad uv TEMA N° 3: PRUEBAS NO PARAMETRICAS 14 MT Pret de Kruskab Wallis 4 1 Peta de comrelacion de rangos 14 EI Prveba de rachas “LECTURA SELECCIONADA N° 1 a Los estudiantes clsifean a las universidades de la misma manera que el U.S, News and World Repor® Mario ‘Thiola. pp. 675. ‘ACTIVIDAD N°1 18 ACTIVIDAD N°2 18 CONTROL DE LECTURA N° 2 3 GLOSARIO DE LA UNIDAD I 4 BIBLIOGRAFIA DE LA UNIDAD IIL 4 ‘AUTOEVALUACION DE LA UNIDAD IIT 4 UNIDAD IV: CORRELACION, REGRESIGN Y CONTROL ESTADISTICO DE PROCESOS 3 DIAGRAMA DE PRESENTACION DE LA UNIDAD 3 ORGANIZACIGN DE LOS APRENDIZAIES 3 ‘TEMA N° 1: CORRELACION Y REGRESION 13 EB Conelacion y regresin lineal 4 HE Conelacion y regresion maitiple 4 [EI Elaboracién de moxelos de regresién 4 TEMA N° 2: CONTROL ESTADISTICO DE PROCESOS 18 Hl Graficos de control para la media y varianza " HL Griticos de control para atributos u LECTURA SELECCIONADA N° 1 31 ePodemos predecir el momento de la siguiente erupeicn del géiser Old Faithful? Mario Tiiola. pp. 515 ‘ACTIVIDAD N° 1 18 ACTIVIDAD N° 2 35 TAREA ACADEMICA N° 2 36 GLOSARIO DE LA UNIDAD IV 35 BIBLIOGRAFIA DE LA UNIDAD IV 35 AUTOEVALUACION DE LA UNIDAD IV 36 ANEXO; CLAVES DE LAS AUTOEVALUACIONES. 113UOT C1 ros los concepts y aplicaciones vertides en el curso cto ei cia, rics cleulo de medidas deserts se pueden sere entre nin geal an wei ser ESTA DISTIGA DESCRIPTIVA debi que a tava dees podemos lsc prexentary resimirexencialmente cl comportamiento de una sete de datos que han ido recolectados cou agin pro= cement adectado Si embargo a través de Ia ESTADISTICA DESCRIPTIVA no se puede aclararinterrogantes acerea de una poblacién cuando nose dispone ee ela y solo s tiene parte de ella, o sex de una ‘mwestr. Por ejemplos aabemos que el rendimiento promedio de una muestra de mutomeivies de cite modelo y marca ex de 155 kam. por gain, squé podremos conchuiracerea de todos los automéviles producidos de dicha marca y modelo? Para poster dar una conclusion acerca de ta pablacdin, ln Esta istic dispone de una serie de procediiientos y métodos que ‘érmino general que es el de ESTADISTICA INFERENGIAL, Ia cual determina especitcamente la probabil- dad de qe una conclsén ohtenidaa partir eterna mites se ‘ila para toda la poblacidn de la cual proviene, basados todos logen la stimacdn yPrucha de Hipétesisque seri motive de ‘estudio en las pginas siguientes. Es importante mancaradecuadamente os procediments y snétodon qe wiz I etait inferences eeberon coidar que aus restos sera wtllzdos por eferents ent ey pei iene ae ln pare dciionesymootros tenemos obignin moral de entre la ‘nformacién lo mis lara yentemtile pole sin neceidad de teryersara wf modifica. EL preseute Manal Autoformati de ESEADISTICA Il sti Alsen para que el lector pe adi ot comoeiienton necesaros para pod ejecta los process relacionadas con la Cstimacin y prea de hipotessesractrados en uate ui des. Ena pitera unidad aprendereson a realizar los dition sno de metre que validen maestro trabajo el lo de Jnterealor de confiona a través de ls estimaciones en a seg (720-1) = 1,7866< 1 < 2.9912 CConchusién: Can wn nivel de confianza del 954% se pede decir que el gato El ESTIMACION DE LA VARIANZA POBLACIONAL, ‘Suponganos una muestra aleatoriade n observaciones de ma dstribucion Nj. Sifes desconocia y la varianza muestral observada es entonces el intersalo de ‘confianza para la vasianva poblacional al nivel de confianza del 1O0(1)% ene ad por: ant zara ootnee eee evan] $ y Laan omtave PLZ $ Zhan IHS ylevaabealsoria 72, sigue ma dsubuciin de earon cont grades tetera onan 7 2b FIGURA S°0%. VALORES CRITICOS DE LA DISTRIBUCION CHLCUADRADO (iota, 2000) TS Prec scB Sis: Yoruone NUNIT ao aoa Para obtener el valor eritico 2.7 ubicar el 9 en la columna de grados de libertad + ¥0025-0975 (re aca a exec det.” ena pre superior horizon Yaa obtener elvalor ico 13029 ubicarel ent colamna de rads de Mee ‘ad y 0.025 (drea hacia la derecha del 2”) en la parte superior horizontal Hjernpla Un fabricante de bateris para antoméviles afirma que sus baterias durarén, en promedio, tes afios con nn varia de 1 ao, Si cinco de estas teria tienen uraciones de 19,24. 30,35 y-42 afos, constrya un intervalo de confianza del 98% pura 07 y decida sla afirmacin del fabricante de que O? = 1 es vila, Suponga que la pablacién de duraciones de hs buterias se listribuye de forma proximadamente normal Solneisn oe 1i) El valor 2182 es un valor 2 con = 51 grado de hhertad, que deja de 4725 a ha rquierlay por To tanto wn sicea de 0.975 a la derecha, es 2 (0,484; de la ema forma, el valor B20/2 es gal a 20,025 — 11,143, a O35, w GH O8I5) oo O-10815) 1143 0.484 ) 03 <0? <67 Interpretacién Con 95% de confianza entre 0,3 6,7 se encontrar Ia varinnza de c las bateras, Si es poible considerar como vida la afirmacin del interval hallada comtene a la uni Ejemplo Se desea enimar ls yarianes dle In tony cables e encuentra que la longitad tee wia media de 80 m yxina denacion de 3 ‘malar in intervalo eon una confianra del 5, para la varianra cela longiides dle cierton cables, En una muestra de 25 Ae los cables. Solneidin > n=25; x=80, s=3, s°= Ne.=095-1-0-»-0025, Aowsay “12401, Zpen29 » 2x9 42 x9 30301 * 12.4011 »[oe bane SA920" 17.42 y, ” o 23480417 Interpretacin: Se puede afirmar con un 95% de confianza que la desvacion estan dar de la longitu de dichos cablesae encuontraentrea 234m y 4.7 Il DETERMINACION DEL TAMANO DE MUESTRA, Existen tes fatotes que determinan cl amano de sina mesa; ninguna tiene alguna relaciGn directa con el tanaio dela poblacign, Estos sou Hl grado de confianzaelegido, El msiximo error permit “La vavicion de ta poblacién, 4.1, Para eatimar a modia poblacional 2o°N EFW-Dero Donde: 1: Exel eror permits 2Z: Elvalorestindar normal asociado con el grado de confianza clegido, 1 Ladesviacin de a poblaciin, beni le exten anteriores, exsperiencian pre ‘avo se puede eaiar la desiaeion estindar muestra mediante un esto pilot ‘nor Tamaio de muestra calelada de wna poblacidn infnita N: Tamafo de poblacin Se dice que na poblacidn es fnita sla relacién n/N > 59% 4.2, Para extimar la proporcin poblacional a Ej E EB(W-)+2q Donde: sel error permit; 7 Elvalor extndar normal asociado cel grado de confianzaelgido, 1: La proporeién de éxito de la poblacién,obtcnida de estudios anteriores, expe ‘Heocia previas ae puede estar la proporcisn de éxito muesral mediante in esto ior, 4 La proporcién de fracaso de la poblacion xe obtiene por complemento de pi= N-Tamae de poblacin Hjempla Se dese esimarel peso promedio de los sicos qe son Henados por i neva ins ‘rumento en una industsia. Se conoce que el peso de un saco que se lena con este ible alestoria con distibucin normal, Si se supone que la demic tipica del peno ex de 0.5 hg. Determine el tama de mutes ale ‘necenars pata determinar tna probabildad igial 0,95 de que el estado ye pparimetco se diferencien mordularmenteen mers de 0,1 Rg. Solncié peor 05; = 0.05 i) Za = 18 4 Evidenterente un aproximar por exceso, Ea rane ide waiestin ne pocdente Receionania per lae me det oe entra sera de 97, Fjempla La Direecién Regional de Trabajo planea realizar un estudio con el objetivo de ‘conocer el protedio de horas sematalestrabajadas por ls aujres del servicio do- Indvic, La nitesraserd extra de una poblacion de 10000 mujeres que fguran fn Tos registro eel seguro social y de Jas eualess& eonoce através de un esto pillto que st varianra ex de 9.618, Tabajanlo con wn nivel de confianza de 0.95 Frestanda disieston a admitir wn error misimo de D., zen debe ser el mao Imuestral requerido? 1; = 9.648; a = 0.05 16 de ) Za (0s) ane 01 Ejemplo Enum lle de frascen para medicna, com una poblacin de #ODO unde, desea cata fa meds ee la expaciad en centmetrosexbicos de Tox snisos, A través den premuestro de tama 5 se ha estado que hy dessacin estan ex de 2 centimetros edbicos. Si queremos tener una precisiGn 0.25 cm3, yun nivel de Signifeancia del 5%. De que ummano debe de ser muestra? SolucionMau ea 9) e025 ems; = 2om"; @= 0.05 ® 2-19 Netz, wi) Wien i) 2 8000706 * “emIOS FOUR Solo talaria muestrear 204 fascos, pues ls datos de los 35 traseos del premuestreo Sgunsiendesalston, jeeps En tua investigacin, se desea determinar en que proporcién los niles de uns region toman leche en el dessyino, Si se sabe qe existen 1500 nine y deseamos fener una precision del 10 con un nivel de signifieancia del 34%. 2De que tama fo debe de ser ta muestrae Soluciéa 1). NA1500; e10%0.1 a i) p=05 y q=05, i) 2, 218 Nalin, i ne NP a2E We + pazZas Oye 25t009 81! oma -eHOH IT an Se deber muestrear $0 ninos, ‘Cuadro N09; Dstntosniveles de confines utlizados en la prition Confionsn O073% 9% WSK HO SASK aE OU. eZ 500 ass ass 20s aes Erman Esta actividad puede consultaria en sata vit TS aan WcOD Bese: Yocwmno ENTS on acy BB ccsrcicincioas Esta actividad puede conseltarla en saa virtua ciara ED seiiccaira mien “Tol, M. (2012). Esadétiza Mexico: Pearson Educaisn. Berenson, M-y Levine, D. (2010). Fladiice Bisa en Adminisrain, Concepts y aplicaco snes México: Prentice Hall ee Resuelva el siguiente cuestionario, marcando la respuesta correcta en cada cso, para Bar los concepto e ideas fandamentalestatados en la Unidad: 1. comes 2 ES Ee) a at eee gee 1 ieee = Le Scare a Pg eee ett eee eal ese eee Sie eee ae ‘Seacleciona um pt de parida,despa lige Muenteo de ie eee eee eee bere eee fed eee eticen Tec eeee ee tee ten 4) 5428 ©) 33214 ‘Una de sus obras mis importantes de Maquiavelo fue: =) oot ») e015, 9) 0x97 a) 0028 6) 0198Mau ea 8 H1 siguiente imtenalo de confianza se obtiene de una proporeiéa poblacional, p (0885 ) Wy v owyy auym otyw ba siuiente informacion 22.58, 2-001 Definael interval de contianza para la desviac6n estindar: a) Lom cae 2795 b) 1st coc 8690 ©) Lam cae 762 4) Lon cae 2948 ©) 2089.<0.< 6.332 9. Un empresario potencial esta by posed de comprar un lavanderia com mi jest pera as aap PBromedio de ingresos dance ha sido 675 dates con wna esvaciin exténdar de 73 Alares. Una muestra de 30 dias Tevela un ingreso promealo diario de 625 dares. ‘sist evdencia de que la aseveracion del duenio actual no es abida? (use un nivel fle ighifcancia de 001). Determine el valor del etadiatica de praca ysiseaprie- lag nSlahipote acl a) -R651: se rechaza Ho ) -2381, se acepta Ho ©) 2381, se rechara Ho 4) 4724, se acepta Ho ° otis dea aes Keeani aad 452, xe acepla Ho as Razones por las que na se debe usar la distibucidn *t" 1. Ladesvacin estindar dela poblaién es conocida, 1. La distribucién de I poblacién es normal LET tama de a muestra ex mayor a 30 IN La mest ex aleatoria simple El tamatio de muestra e+ menor a 30, a) ayy >) myy et aw ou 11, :La obra mis Importante de Thomas Hobbes 68 8) Levin b) ELEstado ©) La Oilisea 4) Ninguna de las Anteviores 12, Enqué 9) 1387 >) 158 ©1389 ay 1500, o Nacié Thomas Hobbes?TS Mau ea 13, Sele conoce como cl padre del Hberaliamo moderna a) LaieV @ »b) Nicolas Maquiaveto L ©) John Locke 4) Ninguma de las Anteriores, aceaon eaear aa oats 2) Ensayo sobre latoleranc 1 Ensayo sobre el entendimiento humana ©) Rusonabilidad del Cistianiame, 4) Todas las anteriores 15, El Levitin, Obra se Thomas Hobhe, ie publcad en 2) 1688 >) 1049 ©) 1650 a) 1631 16, En 1655 Thomas Hobbes publico la primera parte de la Obra 8) Los Elementon de la Fla b) La historia del Estado ©) lcapital yla pobreza Ninguna de las Anteriores 17, Enel ibro el Levitan Tomas Hobbes establece 1) Reconece que la familia ex la ase de la secietad. +) Doctrina derecho antiguo como base del estat 6) Docurina de derecho modemso como base de las sociedades 4) Ninguma de las anteriores 18, La obra eserita por John Lacke en 1695 se Ham a) Desculbrimentos cientifiens 1) Teoria del estado mederno ©) Ravonabilidad del Grstinismo 4) Ninguna de tas anteriores, 18, Qué es i ertica John Locke en mi flosotia? 8) Absolutismo ») Constitncionaismo ©) Democracia 4) Ninguma de as anteriores amenaa laente 20, John Locke esublece que existe en la naturaleza del hombre ‘de 8) Oportanismo b) Contliewo ©) Confiabilidad 4) Ninguna de las anterioresPS Core & UNIDAD II: PRUEBA DE HIPOTESIS Y ANALISIS DE VARIANZA & DIAGRAMA DE PRESENTACION DE LA UNIDAD I! FBbborcanizacion DE LOS APRENDIZAJES “Toma Nera de pss |, Conoce y prices ls pe z on Tie eel 1 Defines bss" cedieton de Is pres de Esc te prints § i ameveracn pata ites para inn mee [serail aie lame Facones acerca dela meds, degen compra tt Prueba deseveradn porsla proportion anes hips pat toma de de ae hones (a Fei de tert pts wet 2 compara dos conjanis de dae sisal y apie Seca aay strates pblicone is. propercanes para y ‘acta epee rmecerera eas pws Eee vera fedora Asti 2 3: Apical ands de varia im ctor ye de core T ANOVA dean cor ANOVA de defacto Leste second NL Le parado del ampleaion "ganda prt den (Astoobecinde Urid TO Se: Yorauono ENUM a aS eC) TEMA N° 1: PRUEBA DE HIPOTESIS Los metodo lowe aces en Ia Unita anterior ms la informacisn proporcionada por diticos mentale para estar con cierta probabil el tno poblacional. En éxte Unita! se introdcied [a prueba de hipBtess que mi prior cl valor del parimetro y sobre Ia base de Ia informacion obtenida en unt mee tra se somete a prucha la siposcion, pars hiego tomar con cievta probabildad, la dlecisiin de rechaaro no recharar la hipstess in ete punto esimportantesenalar que In expiedidn “no recunac” panier ser wltuida por “aceplar, sin emimege males hacerlo es necesario atender ealdadosamente algunas explcaciones que se darn mis adelante, La prueba de hipStesis tambicn conocida como docimasia 0 contrast: aan ade low nétodonextaditicos mis salon en las cioncias natraes orice cq Te propertioneral eaigador unr eilerie ojetive pars Tomar deeisones con base aun ewimera linitada de obser ode Esta proposicin que finalmente ex aceptada o rechazada recibe el nombre de hi Diitesis, Este ex ano de Tos aypectos mi ities de ba nferencinestacisia, presto ge Insichos tos de problemas ve toma de decisones, prichas a experimentoren el m= ‘do de Ia ingeniers,cienchas de la sali, cence sociales, aninsracin, economy, ‘etc, pede formularse como probleasas de prucba de hipstess, I DEFINICIONES BAsICAS 1.1. Hipotesis Una hipotessestaistica cs uma proposicion o spucsto sobre ls parimetros dle una o mis pobaciones, 1.2, Hipotesis estadistica CGualquier afirmacién o conjet ‘mis poblaciones Ejemplo: El promedio panderida de los alunos de UCI en periora It ue we hace aceren de la ditrtucin de una dl semestre 20134 ee 1.8. Hipstesie simple cualquier hipotess estaiatica que expecifica completamente a distibucion de la poblacisn, especie a forma de Ia dstribucion ye valor dest parsmeto, Ejemplo: El ingreso mensial promedtio de los empleados de cierta empresa es ce 900 rucyos soles, suponiendo que los ingresos se dsusbuven normalimente con dleswiacién extindar de 30. 1.4, Hipotesis compucsta CCualquier hipdtess extaditiea que NO expecifica completamente la distribu sign de a pba Fjemplo: 1 ingreso mensual promedia de los empleads de cierta empresa es SUPE RIOR 4 $00 muevos sles, sponiend que los ingreson se disirtbayen normal mente con devsacion estindar de 30, 1.5. Hipatesis mala (0) Esla hipétess que ex aceptada provisionalmente como verdaderaycuyavalidez setd sometida a comprobaci 1.6, Hipétesis alternativa (hl) sna hipdtest contrat 4 hipsteis sea rechazal, se acepta en caso que la hipstess Es importante recordar que las hipGtess siempre son proposiciones sobre laTce bane poblacign o distrbuciGn bajo estudio, no proposiciones sobre la mucstra. Por To generale valor del parsimeto de la pablacin especificad en la hipateis nila se determina en wna de tre mane dilerentes Puede ser resultado de la experiencia pasida o del eonocimiento del proce- 1, entonices el objetivo de la prcha de hiptens untalmente ex determina s hha cambiado el valor del parsmetto = Pace obtenerse a partir de alguna teoria o modelo que se relaconsa com el proceso bajo estudio, En este caso, el objetivo dela prueba de hipstess es serificar ia teria 0 modelo = Cando el valor del parimetro proviene de consideraciones extemas tales ‘come lus expecifiacioncs de disco o ingenieria, o de obligacioncs com tractuales. En esta stuacién, el objetvo usual de a prteba de hipetesis es pro- bar el cumplimiento de las especficciones, 1.7, Planteamienta de hipétesie Fs imporante tener en cuenta que el sgno igual siempre debe irvinculad a la hipotess nua Hy 8=8, Hess, 20:88, Hee, 5)Ho: 828, HL ee, Donde 8, ese valor del parimetro desconacido @ 1.8, Prucha de hipotess estadistica Proceso para la toma de decsiones de sceptaro rechavar la Fipétesis Nuba HO ‘en contraposicion deh hipotesisalternativa HL basindowe en los resultados de 1.9, Tipos de pruchas de hipétenis alkernatina 10: B=8, y H,:058, HO 96, yEil +9, no: 8-8 1, -8¢8, 1.10, ERROR-THPO LY 1 Pvc | avec ons | ACEPTARH, ‘CORRECTO ERROR TIPO bea 8 RECHAZAR IH, ERROR TIPOT ‘CORRECTO, « 8)luniversioan CONTINENTAL Yocwmno PUT une aU oe [Nivel de Signiicacion (a) Esha probabildad de cometer on error de ipo 1 (error upo }) a= P(rechazar H,enaelo ex verdadera) Potencia de Esha probabildad de cometer in error de ipo I B= P(error tipo tt) B= Placeprar H, ew a Pructa, lo ee fal 1.11, Regla de decsiin Es la divsin de fa dlstribuckn muestra del extacitico de by praca en dos partes mntamente exchiyentes: Region Critica (RO): region de rechavo de Ho Region de Aceptaciin (RA): regidn de no rechaza de HO Depend de la hipstesinalteraiva HI ll nivel ce significa y ba distrib ‘idm muestra del estadistco Prueba de Hipétesis Bilateral, ‘Prucba de dos cols, HO: 8=8, y 11:88, Prucha de Hipstesis unilateral ‘Prueba de wns cols. 10: 8=9, y 11:00, Prueba de Tipstesis unilateral ‘oPrucha de una cola Ho: 9=6, y HT:8>e,cc bane 2. Procedimiento dela prucha de hipitesis prueba de hipstesis estadistica consta del siguiente procedimiento: @ 1, Panteamicnto dl Ins hipotesis, Estableca la aseveracion que desea ser pro dada yexpréselaen forma simblica, HO y HI Elsigno iqual sempre debe sinculade com Ta 10, 2, Establecimiento del nivel de confianza, De acuerdo la gravedad de cometer clerror tipo Ise establece el valor a. Es usta considerar los valores 0.03 y (0.01, Ete valor nos permit calcula el valor erlco dela prueba que puede tera tophcunain, 3. Gilewo del estacisicn de prc Se ielemtifica el estacisticn pertinente pars In pica realizacla sn respectvn dlsribcién, luego se realiza el cilenlo del mistno al cual uaualmente se Te deniomina valor ealcuado. Se vealiza un ‘sréfico de ta distibuei elenaditico de pructs $l regione derecho eritiea ye aceptacin, 4 Eaablecimiento de la reg de decisis. Rechace In HD si cl extaistico de ppucha se encrentsn en la region de eitca ode rechazo, cept la HO scl ‘tadlstico ele prucha se encuentra en la regi de nceplacion, 5, Toma de decisién, Establezea la conchisén indicando st existe exiencin smuesual suliciente para aceptar la HO (EEEAHD) o los datos muestales sstentan naseveracién de i 10 porlo que no hay evidenca etaistica para acepuar HO (EEERHO) Ed PRUEBA DE ASEVERACION PARA LA MEDIA Ssupongaios que de ina poblacién normal con media desconacids py sarin conocida se extae una muestra de tnaitn, entonces de la disuibucion de tmerda muestral X se abtiene la prucba eatadfatia o extadistica: Zz jemplo Tumar eigaros de la marca X produce en promesdio 96 mg de nicotina, HI depar tamento de ingenieria del fabricante propone un filtro nuevo que supuestamente redhicirs la prodaceién de nicotina. Se toma tina mest de 50 cigarros con el tmuevo filtro y ae encuentra que el promiedio de nicotina es de 0.55 mg. Con ui ddewiaciGn eatindar de 0.58. zDebe aceptanse Ia sxeveracion del departamente de Ingenieria com tn nivel de sgnifcaciin de 2.5 por ciento? Salueisn se esea probar Mh p00 Donde sla verdadera medi de la nicatina prodcida por los cignrras de Is marca X. La prchs es unilateral quiet, 1) Como se conoce la desiacién estindar muestra y el valor de nes 50 se uta 1 clorextco 1, el cual esl 2025 aeumulado desde Ia iaquiera igual a 1.96,B Si: Yorauono ENUM a aS eC) {8 EL estimador es caleulado 25-08 TsT -o6n3 '8) Elvalor calculado o esumador 9.0313 se encuentra la derecha del valor etico 1196, sea se encuentra en a regin de aceptaciin +) Por lo tanto existe evidenciaestadtica para aceptar ka hipdtest mula ye con ‘ye que le nteos filtros no reducen Ia nlcotina que produce los cigarros de marca X. Ejemplo Lo etentticas tado al Dencena, un disolwente gt sintess de plisticos como un posible agente caneante [at dence que person ue rtiajn on Henn devant deco ios tienen tna ineidencia de lenicemi 20 veces mayor ic Inde I poblacién en fetieral. En consecuctcia el gobierno recotnienda que el nivel maxim permisible Ae benceno en dicho lugar de trabajo se baje de 10 partes por millon (ppm) 2 1 ‘ppm. Supongamos que uns firiea de artieulos de acero, que expone diariamente x Galtejclaratal hence eld tendo teretigaa por unacerSfisdord de al Ar, para elle se examinan 20 mestas de sre omsats durante wn penn de a ‘cs para determinarel contenido de henceno, obtenicnde en elanalisis una meds de 211 ppm y ita destiaciGn extindar de 1.7 ppm le cncer, Ciertonestition {a tibriea de artculos de acero exaria hacienda caso omiso ala recomendacin? Uitice un nivel de contin del 0.95. Solueisn 3) El pardmeteo de interés esl media de Ia poblacsin , se desea proba wc a hips iti de pu ee dio de benceno en la planta de fabricacién excede a1 ppin. Donde esa xerdaders ‘mela. La prises es inilsteral derechs. gnilieanea es a-0.05, lo que nos permite calcula el valor erin (deyvicin exindar muestra conoid y€30) y ubiearlo en la grafic que corres onde ata pruehs de hipotessniateralclerec a i) EL estimador os tealeuldo: is) Elvalorcalewado to estadisco de prucha 289 se encuentra ala derecha ‘de 1.720 en la region crea 0 de recliazo. Esste evidenciaestadistica para ‘echt Ho. ‘Ta eeriicadora de calidad por lo tanto llega ala conclusién que >1 ppm y ‘que la pant est violand las normas gubernamentales con una confabiliad ssociada de a-0.05,Ce Say [El PRUEBA DE ASEVERACION PARA LA PROPORCION, Supongamnos que de una poblacién de tamano N de la cl se ab de tanaio n,exinten x elementos fsvorables la carateristies fo, Entonces la proporcién muestal es: p_ .Siend x el-valor presente en lt hips tests nul, Elestadstico de prucha ex 1 tamano ee muestra de mest eebe ser lo sicientemente grancle para que bi pprucha sea wilida, Gomo regia prtica 24s 2-4 Y pegat Ejemplo empleo de acero intemperizade en ln constmuccidn de prentes pars am sid tema de considerable controwersa, Lo eriics ha eta tema de correo f1aves del acerointemperizadoy estin watando de convencer als autordades de ve prohvhanstiuo en ta construecin de pnts, Por otro tara as corporaciones ‘Soret leegint ie ali weenie exagereteny cen Gus SEs econ Tos puentes dle acero intemperizdo en operacin tenen wn buen desempen, si davis graves por eorrosiin, A fin de probarestaaseveracin, un equipo de ingenie- ros experts de Is indittria del acero evahiaran 40 putentes de cero intemperizado seleccionados al azary encontraron que 86 de ellos mostraban un buen deaempe- ‘ho. :Hay pruchas con 0.08 de que la verdadera proporcién de puentes de acevo emperizado que presentan tn buen desempeo a menor que 0.95 que ex a cir cit por las corporaciones? Solncisn 1) El parimctro de interés es una proporcién de la poblacin, se desea proba: Ho:n 0.95 Mi: <0 Donde 64 a verdadera proporcién de todos lot puenter de autopist de acero mperizado que mucstran un Iuen desempeno, sieado la prea unateal se werd, i) EL nivel de significancia es 20.05, lo que nos permite calelar el valor criieo 2y ubicarlo nln grifiea que corresponde a tna prucha de hipétess unilateral erda. | at A, porloqnevlndotoe der del protiom: p= «a9 3 alco de proc PFs 209-08 Tera fara) 190-053 TS rome 51B Si: Yorauono ENUM a aS eC) de recharo, 11) Por lo tanta, existe evidencia estadstica para sustentar I hipétesis de que la proporciin de puentes de aulopista de acero intemperizade que tienen buen des fmperio es mentor que 0.95, jemplo {Un estudio realizado a famadores que intentaban dejar el hsbito com terspia de parches de nicotina revels que 89 de ellos continuaban fumando wn aio despuds Ae inicio el ustamiento y 32 habian dado de timar (sein datos de "High-Dose Nicotine Patch Therapy”, de Dale et a, Journal of the American Meclcal Asa sion, vol. 274, mim 17). Uticw un nel de ngniicaneia de O10 para probear bt aseveracin de que, de los fumadores que intentaban dejar el cigar, ln mayorss ‘ontina fumando tin aio después de tniciar el tstamiento,-Sigicren estos reste tadon que la terapia de parcies de nicotina ex ineficaz? Solncisi pa Hn 050 Hyn>050 Donde esa verdadens eta de interés es a proporcidn de la poblacis se desea probar dan Seman primes ce toe ets ton Aespnés de iniciar el tratamiento, endo la prucha unilateral derecha. ai) EL nivel de sigificancia es a= 1, la que nas permite calularel valor eriticn 2 y thicar en la grifies: Y W) pz, porlogue liza lox datos el prem fn) El estaditico de proche x: +) Elestadisticn de pmcha 0.84 eae a Inizquierda del valor eric 1.645 en la rein Ae aceptacién, por que existe enidencin estadisiea para acepta a hipstesis mul $4) Come o1 50% a menos deja de famar, la terapia de parches noes efieaz PRUEBA DE ASEVERACION PARA LA VARIANZA Suponigamos qe de tina poblacién dle tamafo N de la cal se abtene na mest de tanaiio n,existon x elemento Para aplicar una prueba de hiptens relat ah yarianva de ana poblacgin se eebe sum qe la distribucidn Jeevadrada se da skempre ycuand se trate de poblacio- ‘nes normale el estadistica de pica es la variable fecwndrada con (n-1) grados de libertad y que se expresa com pomsCeO a eS MS aR) 1 proceso que sigue una prueba de hipStess para a varianza es el mimo que uullzamos en las anteriores secciones, es muy usual aplicar esta pracha cuando se Tequire comprobarel gato de varablidad de un proceso Z Ejemplo Se sabe que el contenido en gramot de in prodhcte fubricade por wn ‘compaliia, no reline las expecificaciones ola msianza de wn lle de produce se aleja demasiado hacia arriba o hacia dehajo de 6.5. Camprobar si un gran late de produccin reine las expecificaiones, x tina muestra aleatoria de 20 nila extras aleatoriamente de dicho Tote arrajé wna varianza de 73. Uilrar nivel de signiicacién det 5%, Se sabe que el contenido del producto se distibuse ormaliente Solin ) Hom? wos Haig? Gos. 4i) La prueba es bilateral com an nivel le signification: B18 105, el valor critic ji cundrado-es ) EI criterio de decisién ser el sghente: “Sie valor de 2 eaculilo es mien ne 8.90652 0 mayor qe 528525, xe tech Ia hipstesis mula de qe Ia varanzs flgue sien de 6.3, con ut nivel de sgnifcacion del Sf 's) El estaditico de prucha se calcul tenienelo en eventa 1-20, Ia form 2 ons _@ =0373. aa as aa +) Como el estaditico de prueba 21.34 se encnentra en la regién ee confianza 0 fe aceptacién, Entonces con podeniosafimar con un nivel de signficanci del " que existe evidencia esadistca para aceptar que la varianza del contenido del producto es el mismo Fjemplo Un aupervisor de control de calidad en una entadoraaube que la cantidad exacta contend en cada lata vara, pues hay certo fctoresimpesbles de contra octan ta cantidad de Henade. Et lenato medio por laa ex importante pero igual jn importante es lavariaciin 82 de ls eantdad de Henalo, SiB2 ec grande, algunas latas contendirin muy poco v otras, demasiado, Las agencias eguladoras ‘apecifican que la desvaciGn estandar de la catidad de Henado debe ser menor te 0.1 onze, H supervisor de comiral de calidad muestred 10 lata y ie Hlenado-en ead un, Loa datos se reproducen a continuacin. 1% 79 798 Sol 797 74H «ROR ROL BD ats informacidn proporcions con wn nivel de sgalicancia del 0.05 protest Cente de qe la desviacin estindar Bide lx mediciones de Heado es menor que O.tomze salucign 9) Ho:8* BoA Haze*<0. ® 4) El estaistico de prueba se calcula ulizando la destiacin estindar de la mues- fea se0.045 y n=. pacha ex unilateral iaguiert, com &.= 0.05, por lo que el valor ertico exB Se: Yorauono ENUM a aS eC) Ds" _ @ -Hx0.083" _ & oF 18) Com el extactisticn le prcha 1,66 es menor que 3:325 y cae en Ia regi de rechazo, existe eveencia extadistica para rechazat Ia hipatesi nua, Entonces € smipervaor puede legur ala conclisién con un nivel de siguificacion del 0.05 de Ta tained Inpatients de lee oy men, niko TEMAN® 2: INFERENCIA A PARTIR DE DOS MUESTRAS Mi INFERENCIA ACERGA DE DOS MEDIAS, PROPORCIONES PARA MUESTRAS INDEPENDIENTES. (TRIOLA, 2009) En la prictica, se presenta tna dversdad de problemas en la industria y en las ciencias sociales que nos sugieren confrontar ctial de dos proces ex migjor que el ‘otro a la Inz de la media que aroja cada uno de ells. Se nos podria ocurtic por fjemplo: a) verifiear st el consumo de gasolina entre dos mareas de vehiculos se pede coniderar iéntico © por el contratio una marca es mis ecmsmica que ftra,b) Veriicar silos salarios de Ia india metahirgiea se piseden considers 6 no superiors alos salaros de la indus tex en una region, ) Vex Contenido de determinada sustancia en na arin fbrieade por wna compari A inferior ono al contenido de dicha susancia en el mismo atieulo fabricado por tuna compas B de la competencia. et En cuanto ala dstribucin en el muestrco de Ia diferencia de medias, recordemos los siguientes mes anos: iar aie Silas dos poblaciones son normale, las diferencias de las medias muestra tam- bign ae distribuirsn normalmente cualquiera sea el tamatio de las mucstras. No obstante, sino se conocen Int destaciones extindar poblacionales (By), ata pueden ser remplazadas por la deniaciones estindar le ls mestras (Aly 82,5 Jos tamation le Eas estas som tayores que 30 (nt >30 y nt > 9 wl +260), Sogdian el teorema central del linite, x las dos poblacioues uo son normales @ ‘no sabemos se cumple o no éste comportamiento, tas diferencias de tas medi restates re cist roximadamente como ana disibucin norma, Tox tamaiios de le mnesrse son mayores que 30 (n1 >30 yn2 930.0 nf #2 560) Silas dos poblaciones son normals o estin muy cerca de éste comportamiento por otra parte no conocenos la dessiaciones estindar poblacionales y ademis Jor tamatos ele las estas som mencoresqpue 30 (at ©30 y 2 <0 onl 2 <0), tentonees, le diferencias de Ias-medinemsestrales se ditibirin de newerde a Jey tatuent (Com el fin de resover las pruebas de hipitesis para la diferencia de medias, debe ‘mos tener en ctenta el mismo procedimiento las mamas reglas qe seguimios Pars las pra de hiptesis para la mec. 1.1 Taferencia acerea de dos medias Es a division deta distibucion muestra del estalstico de la pra en dos partes mitamente exchCe Say empl ‘Una compa de transportesrequicte comprar un gran ote de buses para el trans porte urbano con el fin de reemplazar su parque automotor y para tal fin desea ‘Comprobar la afirmacicn ech por el proveedor de la marca B, en el sentido de {que ln area A ex menos alvrradora de combustible. Para tal in ln empresa toma tina mest alestoria de 35 vehctos marca Ay enewenta que lami ene an promedio en el rendimiento de 18 klémetros/galén con una desiacin estindar ‘8 klémetros/galén, mientras que na miiestra de 32 xecloe marea B presents lun promedio de 22 kilometos/gal6n con desviacién estindar de 3 kkbmetos / ‘dn. {Qué decisién debe tomar el gerente de la compan con in nivel de sign freacin eel 56° Salen 1) Las desviacionesestindar se astmen conoxidas puesto que los tamatios de mes ‘ua son mayores que 30; por lo cual sequel teorema central del limite las dieren- das de las mevlias muestaes, se dstbuiin aproximadamente como ina distibie ‘én nora Mn, “wes 0 Hews mye <0 Laprvch es unilateral a ka rquierda 1) HL nivel de siguificaneia es 0.05 por lo que 21.04. 9) Como el valor de 2caleulado (2.75) se encuentra en la zona de rechavo, entom ces, con un nivel de significacin del 5%, deberos rehazar i ipotess ula de ‘que el ahorro en ambas marcas es igual yen éstas condiciones debemos aceptar la Iipsteais alternatvn de que la marca A e+ menor alorradora de combustible que jemplo ‘Una compa de transportesrequicte comprar un gran ote de buses para el trans porte urfiino con el fin de reemplazar a parque sutomotory para tal fi oxen ‘omprabar ta afimaciin hecha por el proveedor de la marca B, en el sentid de is en A ts tei alarm de rabble Par tl tina mesa alestoria de 13 vehctos marca Ay eneenta que la mis ene wn promedio en el rendimiento de 1s kilémetros/galon con wna desiacin estindae fle kulomeares/gal6n, mientras que una muestra de 15 yelacules marea B presents lun promedio de 22 kilbmetos/gal6n con desviacin estindar de $ kilbmewos / splen, {Opie dectin dee Iomar el gevente te In cormpaiia nus el de sg freacin eel 1'6F TS c eNoeenyBi Bese: Teo aT ay 1) Se sabe que las poblaciones se dstribuyen aprosimautamente a bly nora pero ambos thmaiios de muestra son mentores qe 30 yn se conocer las esi Cones estindar poblacionales; por lo cul, as dlerencias de las medias muestales, te distribuitin segGn ala ley extudent. ym, y=? How, B= <0 proche3 unilateral Nivel de signficacin: Iihortad es-2.478, EL eriterio de decisis parca 1, por lo que el valor eriico t con 26 grados de 1 siguiente: “Si el valor de 4 ealeuldo es menor “2.479, se rechara ka hiptens nento en abs marcas mal. 'y) Para caleularel estaditico de prucha se ene: nA =13; ysb=3 9) Como el valor de te ie aceptacin, en tonces, con tn nivel ee aiguificacin del 1%, demon aceptar la hipétess nl de en amas marcas ex gal y en ta condiciones dcbemion eecharar Ja hpstesis alkernativa ee que el rendimiento ex menor en In marca A que en ky sare Ejerecio Eljefe de personal de una gran empresa afirmia que a diferencia de los promedios deantigiedad enwe ls obrerss y obreres dela Compania es de 83 aos. EL pres eile de i corepatia coeiders que ects dicpencis es napetice Pars Gocapro ficha stuacidn, se toma tia mest aleatoria de 10 abrerss euyo promedio de antigedad es de 12:4 anos con desviacion estindar de 1. anosy de un grupo de 43, ‘obreros cuvo promedio de antistiedad es de 8.3 afios con desviaciin estindar de L.7 ‘toa, Comprobar la hipdtens con un nivel de siguiicaicn del 5% Hercieio Se extéinvestigunda ta resistencia de dos lambros, con lt siguie de muestra 1 isons) a> oases 2 re ee Suponiendo que ls dos varianzas som iguales, respecto a li esistencia media de ls alambres? ué conclusiones puede extraerse Ejereicio Se estin investigando os métodos para prodcirgasolina a partir de petndleo erie do, Se aupone que el rendimiento de ambos proceros se distribuye normal Ln siguitntes datos de rendimiento se han obtenido de a planta pilot,Ce Say 1 m2 ee so 2 zo tts ug gaa Hay alguna razén para creer que el procero 1 ene wn rendimiento medio mayor? 1.2 Inferencia aceren de dos proporciones (Guano N°12: ESTADISTICO DOS PROFORCIONES a jemplo ‘Una compaiia asegura que el mercado para su prodicto X tiene na aceptacisn de iguales proporeiones en la udad A que en a ciudad B, Un especalsta en mer: sede pone en dda dicks afrmciSn y pur lin tore wom cet slentewin de 500 amas de casa en la edad Ay enconlss que el 58.0% de las mismas prefers clarticalo X. For otra parte toms na muestra aleatoria de 300 amas de casa en ‘indad By encantré qe el 518% de le mismae prefer el artculo X. Exist wns iferencia real entre las dos cudades? Nivel de siguicacion 3° ) HPA=PR, HPA SP: La prueba es bilateral, puesto que el especialista en mercado no est aflrmande que sdudad tene mas proporcién que la ott, i) Nivel de igniicacién = 105, por lo que 221.6 ) Come as dlerenciss de las proporciones muestraes se distibuyen normale tey la prucha es bilateral entonees el criteria de decisin ser 1.06 0 menor que 1.6 se rechaza li hipStess nla de ‘Metis en ambos cidades §x) Con los datos nl =500, pt -0.596, n2-300, p2 =0.50 se puede caleular clesiadis- Seodepricha: x1-0.956500 x2-0,54300 =06 5-048 y |x) Como el valor de Z caleulado (12.5) se encuentra en la zona de rechazo, en tonces, con un nivel de sgnitcacion del 5%, debemos rechazar a hipotess mula de we las proparciones en amas ciudades son iguales, Ejercicio PS AUTOBE Bese: Teo aT ay La fraccién de productos defectuotos prodicidos por dos lineas de produccidn se ‘tf analizando, Una nuestra aleatoria de 1000 unilades de lative I tene 10 de- ecto, en tanto qo nr alestria de 1200 anaes de a Knea 2 tee 25 defeenuosas. Fs razonable concur que la linea de produccién 2 provduce wna it Use = 0.0 fracei6n mis alta de producto deteetoso que Tai BE INFERENCIA A PARTIR DE DATOS PAREADOS, Grande es posible resis ventajono utilizar muestra pareadas en ls prtbas ee Gn FE pic oe npn pies, eco cu vine al pate permitir la sdeteccki de peaquefios mewimientos en los A poner de quel grads de liberia sean relucion, porque ah mano de ‘neste cortesponde al simera de comparacions, {Un ejemplo de este ipa de pie es In erlaciin de dos pera de equipo de ine [pecciGn para determinars existe agua diferencia siguifcativa entre los equipos Las hipstess de prueba en tore ala igualdad jay i, pueden realizar efectuan- dona prucha de una muestraen fey » Especiticamente, probar Hy: pt; = sly Hiyidty # hy, Soeialente proba: Hy ihtp = yf +My La essen de prueba apropiada es j= ear nd Rechavariamon Hy lp =O si fy >teres si fy Staaes « Las alternation a lado se tratarfan ce manera xm Ejemplo Un fabricate desea comparar el proceso ce armaco comin para uno de ss pro™ Auctos con im método propseste que supiestamente rede tiempo de armado, Seseleccionaron ocho trabajadores de la planta de armady eles pid que arm ‘a ls unidadles con ambos procesos. Los siguientes son lo tempos obervados Gundro N° 13: TEMPOS OBSERW DOS EN MINUTOS, a en En @=08_, sexist alguna razén para creer que cl iempo'de armado para el pro- ‘exo actual és mayor que el del método propucsto por més de dos minton? 1) tas intesissos Hy Mp =2 Fi ty >2Ce Say i) Caleulando as dierencias: 30 * 103025 a ° ees 2 a Ey 7 002s 4 8 2 a 455695 5 2 s 7 060s . 3 2 . 15025 7 * 8 7 5008s . a Es . 902 4) Blesudistico de prueba serie 2107 W) Finalmente, fr =t9.7 = 1.895 , dehitoa que 2.107 > 1.895 rechazamos 110, ¥ aceptamos Is Tel tempo de armado para el proceso actual ex mayor en dos minutos que el metodo propucsto, COMPARACION DE LA VARIACION DE DOS MUESTRAS. Supingue que son dos as poacones de interés, por ejemplo XI y X2, donde 2424 Hy.2} e desconocen. Desamos probarhipéts relatvay al guna de ls dor vaiaman, Hy 0% = 02, Comidérese que ve dsponen dow muestra aletortede tama nf de pbc Ty de tamano ni? de poblatin 2 yea {36} ls vaianas de muesta, Psa prot ln aleratvade dos Hyioi =o} Hy io) #03 8 Voliramos el hecho de que la estaciien A= SL se distibuye como Fon ntl y n2-I grads de libertad a echarariamos 405% Fy > Fe agima 0% Fy < Fearn inet Donde Fanta ¥ Fania los por porcenitales sper ©ine tore ladibatin Fon nf yi22 grads de libertad abl proporcions ‘Sos pmos de a cola rupertor de porto que pre determi Freee yes i debemos emptear F204 - Fagan 1a misma estadiaticn de prucha puede utilise para probar hipétesis slternatinas dle tan Lado, as hips alternates de un alo Hy: Hep >a 81 o> Papin ,techarriamos Hy 203 = 03 Ejemplo Los siguientes son tiempos de quemada (en mi tipos diferentes, 108) de seaes lnminosas de dos TS WMluniversioan CONTINENTAL Teo aT ay 9 7 & om me mm om Prue la hipstesis de que as dos varias sean iguales, Use of =,0 » Hy:o}=03 Hy 10; #03 i) Noel de signiicancia = 0.6 0, elvalor Ferg net 28 oss9.0= 4, yeomo nb=10y 02 Del mimo modo: Fog aactat La region de confianzaexté dada por [0.248; 4.03]. Sil rao dado entonces se rechava ka hiptesis nal. i vo cae fuer del 18) Con los datos: H=16 s}=1004 Cateutamos +) Coma F calenlodo eae dentro del intervalo dodo por la regién de confines 6 zona de aceptacin, entonces se scepta qu ls varianza smn igual, TEMA N® 3: ANALISIS DE VARIANZA CGuando se require hacer inferencian aevea de las media de distintas poblaciones 3 partir del andisis de las miuesiras de ella, we aplicn un eautio denomninada A Narianza (ANOVA) En an ANONA (Mata, 2013) se aplican tratamientosentidaeesenominiads unidades experimentales, Fl atributo de as entidades que se desea medir recibe el nombre de factor En dicho estudio puede aplicaree modelos de efectos jos alcatoris, En ui io- deo de efectos jos, se sleccionan tratamientosexpecificnso se fijan antes del estudio (dete cE orion, los tatannientos ilzadon eo etude lees it een eee meh epi ak is Un gerente de compras de un supermercado puede interesarse en compara la dura: Inia de clertas baterias en el almacén de 3.0 tds proveedoes. Un gerente de produceién puede a to de tes o més procesos para Aleterminars hay dlerencia entre ellos Un analsa financiero desea saber 3 hay diferencias en ef margen de operacion deCe Say diversas empresas Ejemplo {Una pequeia empresa que clabora botanas (papas fitas, cacahuates, ec) tlene 4 rutas para el reparto de as productos dentro de i euad, Para cubri estas ras tiene 4 con ‘uctoresbisicosy uno complementario, el conductor complementario sive para cubris las ausencias o vacaciones o enfermedad de los otros 4 ye le acupa para aos menes: teres sino se le requiere como conductor, El puesto de conductor complementari se rota entre todos los choferes sobre uni misma base mental. Es importa tanto desde ‘el punto de sta de eficencia, como de justice, que todas las tua tengan la misma de aci6n, tambien es importate que tades los conductores sean igualmente eficientes| todas ls ruta para que los conductores pueda sustiuirse el une a aro sin pérdida de tiempo, por ellos gerencia de disisbuckin implements un programa de capacitacs para q los condhctoresse familsricen con tas le rita. Aleaho de esta capacitacin ‘hicieron recorridas de pruci con el objetivo de invesigar, por na part, i toda at rutas se recorrian en elmisio tiempo y por otra pares los conehctores eran igualmen- te eficentes en todas. La gerencia de distibueson desea saber el tempo medio de las an rtp iil ye Ix eect cle ten et coches in St cig CA informacién de ls recorridosy Ios conelictores sed continnaci ‘cuadro N° Conductores va Records, ‘Antinez 2 2 om 28 Domingiee 20 28 20 a Escala awe a 2 oa En ete ejemplos tienen dato te elafca de scuerdo com doe rises el conductor ‘la nita que som, entonces, los 2 faetotes. Aqui li hipstesis que se prchan som Para ae rts Hor fq = My = He = Hy 11: Por lo menos una dle as medias poblacionaes de lox entamienton io ex igual ls Een donde ts diferentes mess son las metas de bas ras, Para ox conductores Hos Aly = Hy = Hy HI: Por lo mentos na de las medias poblacinates de los bloques (conductores) no es igual las otras Em donde lx diferentes media om lat medias de ln 5 conductores ste som I ie lex rutas yl variable del conductor, ‘sta técnica de alist de En ext gemplo, el tat ‘ayn lato esi en Tos renglomes, le comoce come grupos son los dos factores alos que se reliere el nombre watianza de cos fetores Un detalle que vale la pena tener presente respecto a este ANOVA de 2 factorese¢qie seiene un solo dato para cada conductor y para cada ruta, yaque el analisi de varanza ddeeste par de lactores se refiere mbiéu a conjuntos de datos clasificados de acuerdo ‘on 2 variables, pero en este caso, con cuando menos 2 observaciones para cada par de TS iYorauono ENUM a aS eC) SUPUESTOS DE UN ESTUDIO ANOVA B Se: Los supiestos en que se bast I pricha tle dos muestrss que utliza muestas inde = Las poblacin = Lastarianzas poblacionales son iguales ~ Las muestra esin selecetonadasindependentemente, MM Anova de un factor (Como el ANOVA de un exteio es una generaizacin de la prucba de para dos smuestrs, lon psieston para el ANOVA de nt eiteria son Todas las poblaciones kon normales 3 =. aileo") Elmétedo de ANOVA con tn criterio 0 fetor reqiere del cielo de dos estima: cones independientes pars 7 lavariansa poblacional coma. Hatas dos estes: sanascccansn pons? 9:52 iP ns tenes naan daa ann até Sonesta se denominaesceiSn ela varianen al interor dela neste Ee & tadistico tiene na distribu muestra rewando: * ~ 52. Elvalrerico para Inpructa ex: Z,(F-LE(a-1) ,dondeet nimerode gros de ihertad prc] snmeradr ety para el denominador ex k(t), send el nivel de sgniicancia Senda k= mere de mest 1, Determinar ils muestas prosienten de poblaciones normals 2, Proponcr las hipitesis Encontrar ls medias poblaconsles yl varianzas “Encomtrar Ia estimacion de la varianza al interior de las mucstras_y ss gradoe bert asociados gi 6, Determinar I estimacin de lavarianza entre mucstras_yats grados de libertad 5, Clear In gran ec pn ln invest de Tas median aviation, ssociader, Hallarel valor del estadistico de la prueba K 8, Galeula el valor citco para F bass en gb y gh 0, Decidir sae rechaza HD, Par ellos x Suma de euadrads total (SST © SCT rm las siguientes fermi ‘Suma ee cadres de los ratamientoso niveles (SST 0 STH) Iscre ye -xyCe Say Suma de cuadrados del error (SSE 0 SCE) sceeS Yay,-¥) at © también SCE ~ SCT SCT Graco de libertad GL Toles = 0-1 GL Traamientos G1 Error=n=e Ccxairados meclios (MS.0.CM) POT =ScT / Gl. SCT PcTe=sctr/ GL scr PCE =SCE / GL.SCE Estadistico cakulalo Fe Fealeulado = PCT / PCE Regia de decision Si Fealeulado es mayor al Frtico se rechaza He indicande que ls efectos de los Aliferentes niles del factor tienen efecte sguiiati ent expe 1atabla de ANCA final queda como sigue: (Guar N°15: Tabla ANOVA, Tra rr aa ‘ScTR, a PCR PCTR/PCE Entre muerte (atin) Dent demucnan error) SCE a pce. Rogla: Norechazar sla Fe la muestra ex menor que la critica para cierto nivel Be significamet: Ejemplo ‘Una empresa ensambla adios para un sola mexdeo de hcileta, La plata taba 8 turmos: ef matutino, el vesperting y el noctumno. Los tabajadores se rotan eas no de Tos turnos, por To que, al cabo de un trimestre, todos ellos laboraton Tos tres tumos. El director de produccién quisiera saber si existe diferencia entre Ia preduccisn promedio de les 3 unos, ya que la fbrica taba a plena capacidad fede hace ms de wn afo y no hay variacionesignificatinas en el raimero de em pleados, et la maqinara, nen los procews precuctivor;el director considera que fon-un iol de varia pede soniedar eta pergunts; para ello sbtiene ime muestra aleatoria de la prodhceién de 6 dias de eada tuo, Los datos se mmestran ‘continuacion: TS WM 83luniversioan CONTINENTAL Teo aT ay ws 10 ase 135, 19 a6 Solneici 2 La hip Hot fy 11: Por la menos una de las medias poilacionales de los bloques(comehctoren) 0 csigval ls otras ) X) =137, X, =14k Z, 7 sce la media globe 129+141 +. 138 8 e obtene la suma de cuadradosttaes: Perse =135 29-155) + OM DBP HSE 448-135? HISD £0138-135% 1008 18) Se obtiene Las SCTR = 6(137-135)' + 641-135)’ +6(0127-135)" de cuadrados de las vataciones entre los tratamcutos: 24 +) Se obtiene la sume cudralon de a vartcin aeatoria también Hamada sma fe cuadracos del error yes a vaiacin dentro de tratatniento, 029-1574 4044-152 4038-484 40-12? + 4038-129" = 984 Aqui es importante resatar el modelo en el que se bas el dlseio completamente aleatorizado de un factor que se ilustra con el ejemplo. 1) Con as sma SCT = SCTR+ SCE 1608 = 624+ 984 vii) Se obtiene ol promedio de los euadrados entre tratamientos PCTR, para lo se divide SCTR enue les grads de libertad de los watamientos guatamicntos. Este es fl primer promedio de cuatrados (variate), pore = 24. 2 12 sii) Se obtienen la media de los euadsados a fntre los grads de i dos, rror PCE, para ello we divide SCE tal Kotlesglotales, Este es el segundo promectio dle ex {&) Se obtiene elyalor empitico de Fo sea el Fealeulado, que es el codiente de estos dos titimes promedioa ce tudrad, PCTR_ 312 PCE 66 ra 48 1) El valor P eritico se busca en la tabla correspondiente a la distsbuecién F, para elCe Say nivel de significanci correspondiente 0.05 com 2 gridos de libertad para cl name: radory 15 grados de ibertaly 15 grads de bert para el eenoinadon. Ferltico =3.8 ai) La regla de decsin se rechaza la Hos el Falculade cs mayor que el Fritic, or Io tanto come 4:76 ¢8 mayor que 368 recharamon Ia hipstesis nul y conch ros que por lo menos nna de las medias no es gta as otra Par el director de produccidn de Ia fabrica la conchdn indica que no tos los tumnos trabajan igual, sino que existen diferencias entre ellos. La misma serie de datos wabajada en el Excel arroja lo siguiente: Hiaciende click en Analisi de datos, nego en Andlsis de Vavianza de un fsctor¥ seleccionande ls celdas donde ae encuentra la serie de datos se ene: jercicio Se diefiaron 4 tipos diferentes de examen para evalarel sprovecharniento en un curso de capacitaciny, para probarsexisten diferencias signficanas en el disco 4e lox exdmenes se eligi un conjunta de 40 trabajacdres en capacitacin y 4 les ape min; la trations Lan emule se movetenn Seon a di kat exter jn ye inchiyen ls promos ee eda tratamiento TS Prec scEi Bes: Teo aT ay EXAMENES: 0 a s n ” a“ ” e % o o Coma los eximenes se asinaron aleatoriamente a los trabajadores, se pensara {que las diferencias entre ls promedios de las calilicacioues en los 4 subconjuntos {6 deben a diferencias entre lo propios eximenes, sal diferencias aleatoris © ales de muestrea que en este casa pueden deherse a diferencias per males entve lov examines, Veriique Ud hay diderenciae ene ls merase Jost eximenes. EV ANOVA DE DOS FACTORES Gunde a experiments, dor factores pueden infes imentales, se ust anise watianza de dos vis denominado diveo de blogte leatorzado, en el cual se comparan k tratamientosubicados en columnas con Blo- ‘ques que se basan en un factor ubicada en Bilas. ‘Gnadro 8°16; ANOVA DOS FACTORES pane MEDIAS (VERTICAL) MEDIA GLOBAL En este caso la desvacin cuadritica total puede ser desdoblada en tres sumandos debido a razones intergrupales (por efectos del uatamiento) simbolizada come [DGT, en un sunande delida ramnesintergrupeles (por efectmn de erraresaleakr ros) DCE yen otro umando debiklo.a rages dle bloge DChloque. La deswiaein cmadrtica intrabloqite DChloque es similar ala desviaeidn cnadratica de Tos tat ‘ientor adn queen ver de trabajar a nivel de los trminoe de tna fils, we taba ‘nivel de los terminos de una columna. De manera andloga, el cuadrado medio Jnirablaque es similar al cusdrado medio intragrupo slo que en vee de trabajar nivel de Tos termine ce wna fila ne hace a nivel de Tos términos de wna column Dew Elevadrado medio de los errores se define como: CME = = Se generan entonees las siguientes razonesCe Say CMirat CMbloque Firat = Fbloques = Fealeulado = one Merry Mer Hi eriterio de decision ex: st Realelado < Ragsyyoy yy» 00 vechavar ta iptess nuda Bjemplo {a tab que se presenta a continvacin corresponde a una muestra seatoria de proceso de prodvcein de una emprest metal mecinica que registra la produceién fobtenida durante cinco dae consecitivs. Lax blogues corresponden ales eine ‘ioe de la semana y los ratamientos la prodacein en winidades fsias obtenidas de cada maquina, Para un nivel de siguifcancia del 5% se requiere determinar silos diferencias entre le Tas mquinas som significa 1) a solucién la realizaremsfntegramente utlzando el Excel, para ello eo- piamos la tabla dada ana hoja de Exec, ramos a Datos.Anlisis de Datos..y ‘Anilsis de Varianza de dos factores con una sola muestra por grupo. ») 4) Lego: PS c ee LE CrBI Bes: Yorauono ENUM a aS eC) Se observa que Fea hipstesienulayse conchiye que la prochiceién medi de asmsquinas tienen elferenci significaivas Fjereicio Eee de Departamento de la universidad esti desirollinda tin programa de eval cidn de docentes que debe ser efeetuado por los akumnos. Para estos efectos se seleecio- fGaleatoriamentea 5 alunos de un ailon cle clases yee pido que eralten aw cuatro profesores del ciclo que eslé a punto de conclu, La calficacin de ls dacentes sobre tit escala vgesinal se presenta en el siguiente cual: as re a1 162 nz ry mz ws Efeetie un estudio ANOVA e interprete los resultados, Conscere sn nivel de sige picancia del 0.05, LECTURA SELECCIONADA N° 1 LAPARADOJA DEL CUMPLEANOS {Como dirs que es la probabilidad de que en un grupo de 23 personas dos de ells Celebren a cumpleaiios el mismo dis? Pues sora caletial y= BBE tam, » is ee 10512 D) Teitco~ 1.75305, 2) Aum nivel de sgnificacin del 5%, se puede afirmar que el costo de reparacon de tas lavacoras electrGnicas es sgnificatwamente superior al costa de reparaci de bn leone mecinicm, {3+ Elingeniern de control de calidad dela Eves M airma que la resistencia de ‘derto material que prodicen ex mayor que la resistencia del sina material prod {ido por a fabric N, Un laboratori particular realiza wn expesimento sobre esos TS WMYocwmno PUT une aU oe ‘materiales y ls resultados (en ohms) se muestra a continuacions Bi Bese: kot ose 95 0140 O56 ,188 Asuma poblaciones normales. Con un nivel de significanca del 5%, indique lo correct. 98 0.135, 0.140 8) Fealeulado = 0.9622 ») Peritco =0.82 ©) tealendado: @) t critico = 1.98229 ©) Se echaza lo que afirma ol ings 44 Un fabricante de impresoras desea estimar a vida media de sus margaritas de ine resin, La extimacién ha de estar dentro de 2 horas en torno a la media y tener un nivel de confi del 90%. Sina muestra plloto sevela una desviaisn tpi de dea geul ete eto tee de a puna a) lot by aa om ans ©) 085 1s de ropa, ta 5 En os iltimos aon se han registro un gran msimero de ladon 1 le dete ernest Hinetormesin ac nalizar y comparar cl cesto de reparaciin de cada tipo de artefact, Para ello se Iba scloceonada tna muestra aleatoria de cada tipo de lavadorayse an regiatrado 0 tabla los coston de reparacin en soles, Se mabe que el nimero de falls ene flstribucién normal Ve 16 18 2k 8S 1797S E108 IL 1 GS ws woe Aw nivel de significa del 54, reapecto ala homegeneidad del conto de reps "eign de ambos pos de lasadoras, noes correct: 9) Fexp= 0.2491 ») Fertica=0-2088 y 8.72 ©) Vorianza (1)-615 87 4) Varianza (2)-2572.42 ©) Hlenda de repaneiin ex homogtnes sexyo en un distito urbano a pesar de los sealamientos de tinsio (semitores) Hl departamento de trinsto afrma que ins modliieacin en el tipo de semitone rekicird los accidentes. Los integrantes de Issa mmicipal han acordade realizar tun experimento que se ha propucsto, Se cligieron alcatoriamente acl cruces y se foros correspondiettes, Uulice un nivel de significaciin del ‘moadifiearon Tos 3 1% para analizars la junta log su objetivo, sel mera de aceidentes de winsto drat perfec fe seatmeectntedy despots de les modifica fe ee Ee Ee ESEe ESSE by Tealeulade=2 3 ©) Tertico = 2.798Ce Say a) sa=28077 oF 5 7. Relacione las cokumnas 8) Probabilidad de aceptar la hipétsis nula dado que es falsa, ( )Probabilidad de techazar la hipstesis nua dada que ex verdadera. by) Prucha de independencia_( )Enunciado acerca del parimetro de una o més pabluciones. ©) Probabitidad dol erior de tipo 1 ( )Analia la asocaeidn entre variables. 4) Hipétesis_( )Prohabilidad de error ipo T a) edba by ebda ©) aebel @) acd e) debs 'S-El proyecto académico de un ingeniero cs el dscio de un experimento afin de de terminar el rendiniento de 4 variedades de papa sin tener en cen dle La fertile ls tieras de culo, Las 20 parcels de igual fertiidad que le ficrom asignadas Ine dvidis en 4 grapes de B parcelns cada uns, cada grupo de parcels le asgn una variedad distin de paps escola al ara, resto tm dl ‘efio completamente aleatorizado, Los rendlinientos modidos en kilogramos de le ‘co variedades por parcelase dan en la tabla que sigue vw vB v3 ve rs we 8 is o » w a Ps Py a ” [Alnivel de significacin det 5% se puede inferr que existen diferencias sgaiicati- ‘as entre ne prodcciomes meeting de ae variedaes de papa? {Lvego setae lo incorrect, a).a-0.05 by He 44 = pa ©) SCA=I26 @) scr=i89 ©) Feritico=3.10 My La empress de tmusportes “DEL. VALLE" va a adquirir una de 4 maress de new tulicos que hay en cl mercado, El ingeniero de prucbas de la empresa disci un experiment escagiendo al nar aeis heumiticos dle cada marca de earateriieas similares in el sboratorio de pela, com tna canga expecta smal, obxerw In daracién de cada neumitica hasta que se deteriore. Los datos redondeados en ales de Kilometron sedan en la tabla siguiente, TS rm MuarER uuversioar || uooumo Peters r : : : : 7 7 3 : a z ag cumtonese producen efectos significativose [vege manque fo ineorrecto, a) Fealeulado-6.77 6) Ferlueo=3.10 10, Uns empress de confecciones textiles realiza un estudio parn determinar el mgr ‘de trex métodas de montaje de una prenwda espectfea. Com este Qn dive un ex Perimento para comparar las tres métndos selecconanda cinco aperarios que se los oper pone son de velocidad homogénea para reduce Ia vardacicn debide ‘os, asgnandlo cada eperario los tres mtorlos por tempos gales El nimere de prendas teininadas por cada operarioy con cada método en el tiempo fijado se da fra tabla que sigue b) SCE=16.533 oscr-09.9 a) FB-0.377 ey FAITHTarn Corea UNIDAD III: ESTADISTICA NO PARAMETRICAS = DIAGRAMA DE PRESENTACIGN DE LA UNIDAD III Biorcanzncisn DE LOS APRENDIZAJES Pcorcrens ]roxones | ors | “Toma i: Prucbusdesgnos 1. in In prha del gon y 1 Vala stlesacate a i Trade sgn argo co sig pa sevice pinch de fs prs no 2 Praca de ranges con signo eats depeiemese nde fants des mds, de Witsoe par lawns peace AE predict y etn de ‘ead ee inum seen de cool de prea ct ‘Prt de ta sma de rangos fon so de Wis pata eae ieas on pt I oma de deisin ‘is alan as procs (de oma odepeenc eee “Tema N° 2 Experimenton mie 3: Reali as prchan no pane Aims y noe de cenie metinca sees de dt pee Priemese depend. Tienda eshte 4. Mab I alenniad e n inked homornt "we pa pie Actividad NUT ‘Actidad 2 (Conic de Letra" 2 an ‘Frc de chin don esttianes chien a literate fmeert eae USI Now el Wor Report Maio Tal Pigs Anloeatuacin dea Unk IBese youco ERI aril el pivetre poblacsoral ead la media, ort y progncen pera lS al ‘Se hicieron mipuestos sobre ls poblaciones a qienes pertenecian las mesa, icon “upticsios por cjemplo.era que proventan de poblaciones con comprtaniento normal, Pera en la prictiea no siempre las poblaciones son normales por ba que ya no podri rnonaplieat lox mtd anterior alos, se necesits para ello agin metodo eran ete SER pene, lv oc eer Pack tno paramétricasosinelstibucny low cles os permite realizar inference sith Clones donde no conocemos el comportamiento probablliico dela variable en ani ‘Su gran ventaja respecta alos métodos paraméiicas ex que ua efeulos que no son tan Lhoriowos arlene de nee fener en eventa la forma de la ditibuccn (Inncidnde probabiided). Hay que tener en cuenta que ls prchas no paranéisicas se wen Tani das por la pedi ee informacién al trabajar slo con los ranges por lo que a menu hho son tan clarasoeficientes pero esto se ve recompensaco por la senclle, rapide? ¥ nnecesidad de wulizar poca informacion, En reac existe una gran cantidd de pruchas de bx csles desarrollo fas mis conocidae y uiizadas, de las cules podemos observar su ficicneia tespecto a las pri Ts parandtricas CGaadvo N° 1: TIPOS DE PRUEBAS PARAMETRICAS Y NO PARAMETRICAS TE Ts spate al bl frien aeeeee! a oeeed Vinic mussttas ANOVA prueba F) Praha de Krush as ieee “sate Correactin Corsa tineal —Prucha de correlacin 91 dderangos ovens Eee OTe Paral pric de signosyalguns otra prune parametric, al gar qe acu cack ‘dato ordenada de menor amayor sc le conoce como rango, vs hay alin empate entre los rangos se uiiza la media de dichos rangos en cada uno de los datos, de la siguiente Serie de datos nici: 36:6:0:11:14:14 y 10 Anlisi de rangos \ ‘Se observa que 3 el promedio de 5 posiconesCauca cr) Ml PRUEBA DEL SIGNO 1a pmueha no parametica mis sencilla ese] contraste de signs, la que se uz prineipalmente para contrastar la hipdtess sobre la posiein central (mediana) de tuna distsbucién pablacional o para analizar datos de rests pareadas © enl zadas de nna pobleién, Al igual que la media, la meetana es una medida de cen Waliaci6n, cn este caso relerda ala ubieacion, por ello también se le conoce ala prueba de sino como prueba de ubicacin. Por eemplo, el eoutraste de hipstesis Ae signa se utiliza macho en ks estos ce mercados para analiza la preterencis fe los consnmidores entre das productos, para verificar sl un mmevo sistema de prodluccién aumenta la eficencia de los rabaadores, para analiza e nivel de ace {abildad entre dos directives de tna misma empress, ct. E procedimiento de Is prueba del signo se reaune en ol siguiente diagrama, Por zones de smplicidad wtlizaremor come extacitica de pric (x) al nmr de veces en que ocure el siguo menos frecuente, {Es importante indiear que como toda prueha no paramética no existe el puesto de normalda respecto a la pablacin, pero sirequiere que la muestra sea aleatria pars dart vides, Se supone que se tienen datos antes después para na mites y se desean compa rr cits conjuntor de datos corresponsdcntes, Se hace restando ls obsereaciones| por pares, yse anola el sgn algebrico resllante, No es importante In magaitud Ae a diferencia, sino solos resulta un signo mas un signo meno DIAGRAMA N° 61: PRUEBA DEL SIGNO. La hipétess nla establoce que no existe diferencia en lox conjuntos de datos Si ‘sto ex certo,entonces tn so mas yun siguo menos son jgualmente probables. La probabilidad (a) de que ocurra cualquiera es de 0.50. Una prueba de des ex TSeamee||eu FLEE Donde m yp son ls mimeros de sigos menos de signos mis, respectiamente Una prueba een solo extreme ex Horm=p Hiim>p Hom Him

05 1) Hallam tos signos ee las ie : sia00 ‘000 5 2 $5700 ‘000 3 800 3800 ° ‘ 1000 ‘e700 5 5 300 ‘6500 . $3000 9900 = 7 sis00 1000 5 3800 ‘5000 . si00 ‘70 ° 10 s5100 5200 rn ss 70 + 12 2700 ‘sso to los ceros, el valor de 0. EL entation de prueba ex 3 Js) Ulzandol tabla de valores citcos para la prcha de signo al O.05 en wna cols lvalorertio e ¥) Goo el estciaticn de pruch es mayor que el valor eitico no se ech Ih TS WMluniversioan CONTINENTAL Yorn ENMU oa cay esis mula, Por lo tanto existe evidencia extaditica para aeptar Ia hipsesis ml, Yyse conclaye que la camparia promocional no tne exitos, Valor de 7: para prebs del signo con muestras grandes ( x+0.5-0.5n Ejemplo OSin Se ha pedido.a uma muestra alestoria de 100 nifon que comparen doe nstevox so resde helndor mantequlla de mani yfresa, Cineienta ysis miembros ce Ia mie tra prefieren el helado de manteqilta de mani 40 el ee fresay 4 no manifesta ninguna preferencia. Averigie si existe una prefereneia general por cualquiera de Tor dos sabores com un nivel de significancia de 0.05, ') Sen P a proporeiin de la pablacién que prefiere el helado de fess, por lo que 510, siendo el valor de 1-96 oP =05 HL P05 1) El valor de estaistico de prea es: 4405-0529 oss NM 1) Analizanda el valor entice: a a a {x} Como el estadistico de prucha cae en a regid de aceplacin, existe evidencia iodintics pra separ Ia hapless ela, enlonees i conclupe que no hay prefer dela nioa por algime de la don slo de heladoa. Ejerccio Lo siguientes datos muestran los tndices de trabajo detectuoso de los empleadn antes ¥despaés de un plan de capacitacin, Compare los dos conjuntos de datos ignientes para versie plan de eapacitacin dismay las unis defects proccess, Uilce el nivel de sgnfieancia de 0.10, ercicio Un tller de reparuein para CPUs de computadoras cambié el método de page de saarie por hora a alaio por hora ms un bona ealeulado sobre el tiempo te- {querido para desmontar,reparar y olver a ensamblar ef CPU. Los siguientes son dato recabados para 25 CPUs anes del cambio y 25 elespaés para el mimero de horas requeridas, un nivel de significancia de 0.10, ze muevo plan increments la productividad? BI’ se ee we EES mwCauca cr) a ee ee Bs 2 ess ee ne ee ta « Hjercicio Se ha cxaminado una muestra de 50 empresas peuanas que compraron iranquiciaa fio 2012, Los rendimienten de as accionea en torno a la fecha de comp fue ton positvos 31 veces, negative 12 y cero 3 Conte Ia ipstesi ele que hay wes mayor probabilidad de rendimicntos postvos alrededor de la fecha de compra de tuna franqic. Hd PRUEBA DERANGOS CON SIGNO DE WILCOXON PARA DATOS APA. READOS. ‘Uno de los nconvenientes dela prueba el signex que no mane) mucha inform ‘iin slo el signe de las diferencias, sobte todo cuando la misestra es muy pequcda. [La prea de ranges con signes ce Wilcoxon adems del signo de tas diferencias iacorpors Is spor Yo gue refed ol capac de tas rmuesuas por pares, ws genera una ob- servacin. Las diferencias enire lox pares de dichas observaciones nos periniten analizar as diferencias entre las poblaciones. Por ejemplo, en una gran empresa de alimentos se quiere analiza los tempos que dos métodos de producciGn dix [AGS eogbercn pas obtener Un pce, fos pperectenes Ace ibgibame soon egies sleatoriamente de manera que cada uno obtiene dos registro. Liege de realizar In ciferencia entre dicho regisiros de cata trabajador se iene el "raonamientar Una diferencia positiva de los tempos iizadoe por cada metodo indica que el primero requicre un tiempo mayor, y nna diferencia negativa indica ie el segunda requiere de os datos a we lor métodos san significa ovens ed ‘Cada método genera una poblacién de tempos utiizados para obtener el mismo producto, por lo que podeinos establecer las siguientes ipa Ho; Las poblaciones som iéntias HE: Las poblaciones no som idénticas [No existe of requisita de que los datos provengan de una distribucién normal El procedimienta la povdemos restr de la siguiente manera Se ordenan las observacsones relacionadas en dos columns yse testa el seu ‘adel primero, Se descartan los pares conse ka diferencia ex cet Alas diferencias absolut estantesse ls asigna lo anges analizand los alo. rerdemenor a mayor ex deci ol menor valor absolute tended rango 1, siguiente 0 2, hata Hegar al mayer = En caso de empates el rango asignado es la media de los angos que ocupan en ln ordenacién de menor a mayor Se cleus sas de los rangos conresponelents tls liferencis peitvas y negativas,siendo T la ms pequeia de las dos sma, = Si nei el valor eritco TT se encientra en la tabla de valores criticos por Is Prucha de rangox con signo de Wilcoxon, Cuando plantee la conclusién, echace [a hipatesis la i Js datos muestales le Hevan a un estatico le pret qe se tibia en Ia regn critica, esto cx cto el estan de pica sen meno gl que el valor (0 los valores) exeo6). pened ‘Si no90, el estaditicn de prucha ex 2° SEERA y el valor erie en bs (abla de valores eritcos “ TS Prec scEl Ges: youco ERI yy (Cuadro N'I8: VALORES CRITICOS T PARA LA PRUEBA DE RANGOS CON SIGNO ‘Valores erticas de T para la prucka de ranges con signa de wileoxon cacoay ] ANAcoLA faa 2 ° Fy % 7 2 2 oe Ey * Ps a * st 8 B @ 7 0 101 ” 7% * os ue 2 9s wor 0 es a 2 17 130 »” 100 m a ua » 108 0 a7 a 1. Indica que no es posible obtener tn valor en regi cites 2. Rechace la hipitesis mila el extadiatico de prucba Tex menor que a igual al valor eritico que se entcontr en esta tab, No rechace la hipotesie ula eesti tico de pricha T es mayor que el valor ertico que se encontro ex la tabla, Ejemplo ‘Una piszeria cercana al campus tmiversitario esti consideranclo Ia posible de liza una neva receta para hacer I salsa que echaa las pizzas. Se elige nna mes: tra sleatoria de ache estudiantes y xe pce cada no que valore en tna eseala de 1 40 sopinin sobre la salsa original ysobre la salsa propuista, El cuadro siguiente ‘uestr hs puntuaciones obtenidas en la comparacion lox raimers mas alto ind Sage putinid pokes Anca os ato tendencia general a preterit Ia mueva ssl original?Cauca cr) PUNTUACION “ 5 7 8 5 5 D> 7 . e 2 5 Salad ') Planteamos as hipstesis: 1H: =05 (No bay prelerencia por alguna de las de als) HEP <05 (Existe preferencia por el uueve producto) {La hipstess nals puede concebirse como Is hipstes de que la medians poblac nal de las diferencias es 0, Si a hipétesis mula fuera verdadera, nuestra ectent de diferencias + y- podria concebitee como una mucstra aleatoria extrafda de una poblacin en la que ls probabibidades de + ys 0 cada una. Bn ese eso, ls ob servaciones consliuirian una muestra aleatoria extratda de wna poblaciGn binot fn basque la probabil de + ex 05. Siendo P la verdadera proporcién de la poblacin que prefire la salsa original (0 sea que fas puntuaciones de la sala original son mayores, por exo al cantrastar co [preferencia com ky nueva sala dele haber meron signon poitvon PCOS). 8 Teper seeder fh ptesie mals indicnda que bey ura fr preference por eva sas 1 as diferencias yanignamos los rang correspon PUNTUACION, em) Pama eer oper 4) Hall Boameoe 4) Lang hallames ls rangos de los valores absolutes de las diferencias y tea rr TC eee rr Pan PS MANUAL AUTOB Se: Yorn ENMU oa cay 1 1 13 1s 4 ‘ 7 4 ° o = a ‘Suma de rangos (4): Suma de rage (225, Elestadistico de prucba Tes. 'x) EI waloreritico se busca en la tabla de valores crticos para la prueba de rangos com sighos de Wilcoxon, con n=? y 005 en una cola, Feral +») Coma el estacitica de prucha T-5 es menor qt el valor ertice se rechaza hhipotesis mula, es decir que es probable que hs puntuaciones del nueve producto Ejemplo ‘Bazan eso te compararon empresas que tendan witcmioy meen de penta: Aitoria empresas qe no fenian métodos de ese tipo, Se examiné wna mesa ee 3 pares de empress Secale el cociente entre Iv costes de reposicidn de los actvos de cada tna se uiliz6 como medida de los re- ‘lads de as empress. En cada uno de los 31 pares, una de las empresteutlizaba ten sofiticado metodo de postaulitora y lata no. Se calcuaren las 31 diferencias ttre los cocientes yxeorcemaron ae elferencia aolitas, La menor de las aia de los rangos, 189, correspond a om pares en lo que el cociente era mayor en el fsa ee In empresa ape eatecin de soiticados metodo de postaditora. Contrast Tn hipGteds nila de que la ditibuciGn de las diferencias entre loe cocientes ett entrada en 0 frente la hipétess lternativa de que tiende a ser menor en hw er press que earecen de wfistcados metodo ee pentalitria ') Como Ia muestra es n-31, yT=189,caleulamos el estadistico de prcha con la toma 1) La prueba es de wna sola cola, por lo que Zeitico-.645 jn) Alser el Zaleulada menor que el Zeritien, no existe videncia etedisticn para rechazar a hipétesis ula Hercicia Se pide a una mnestm aleatorin ee 10 estudiantes que waloren enn eats a leg Incalidad de dos marcas de cerveza una nacional yuna importada, Las aloraciones se asa en una escala de 1 (aaa) 10 (excelente). La tabla adjunta muestra los ‘esultadas, Utlic el contraste de Wilcoxon para contrastar la hipiteds nua de que Sa trib ppreaday end centrada en 0 frente a a hiptesie ltematin de qe In poblacidn de telos los estates hebedores de cerveza pre- ‘here la marca importada, fi de bas derenCauca cr) a EO EN a + pee De 721 usuarios de Intemet clegidos al azar, se descubrié que 358 de cllos usan Iernet para plancar viajes (seyiin datos de una encuesta local). Ulice un wise de signifieancia de 0.02 pra proline la aueverackn de que, cle lx wsaron de Unter, ‘menos del 50% utiliza este medio para planear viajes Los resultados son importa tes para los agentes ce viajes? [E PRUEBA DE LA SUMA DE RANGOS DE WILCOXON PARA MUESTRAS INDEPENDIENTES. (MATA, 2013) ‘Uno de los inconvenientes dela prueba del signo ex que no msaneja mucha inform: ‘iin slo el signa de las diferencia, sobre toda cand la mestm ex iy peqeha La prueba de rangos con signos de Wileoxon ademis del signe de hs diferencias corpora la magnitud de as misnas por lo que refleja mejor el comportanienta dle ts muestra. Eo and 1a prcha de In sma de rangos de Wileoxon utiliza los rangos de Ios valores de dos coujuntos independientes de datos muesuales para proba la we las os poblaciones tienen medianas iguales. La prucha de ranges co Wileoxon estudiada en ka seceidn anterior uiliza datos apareads, pero la pris ‘Be sume de rmgen de Wiese e ln Gremenie seein lien das amentron indo pendientes que ne estén elaclonaday nt seociaaso pared, ELundamento de la suma de rangos de Wilcoxon el siguiente: dos mucstrasse ‘blienen de poblaciones iléntiea le valoresinivdalex se amon en o combinad de valores, entonces el range ao el bajo deer ‘ier de manera uniforme entre laos muestas 8 los ragon aos xe enc predominantemente en tina mucstray los rangos altos se encuentran predominant mente en la otra muestra, sespechaunos que las dos poblacionea ienen medina Asumamos que se dispone de Ia muestra de tamaiio nt ele Ia primera poblacin ¥ la muestra de tamaio n2 de Ia segunda. Se jantan las dos muestrasy se ordenan ls bobservaciones en sentde ascendente, asignando, en caso de empate, la media de lr pnetos corespandientes, Sea T la sua de lo pueston de ls observaciones de |i primera poblackin (Ten el contrast de Ia sims ce presto de Wilcoxon ex gal te Rl en el contrac U de Mann-Whitney), Suponienda que Ts hips mula es ‘eradera el estadistico de la suma de puestos de Wilcoxon, T, tiene la media (a +m +2 2 Her 3 _ minal +n; +0) * 2 Femplo En un estudio que pretendia comparar los resultados de empresas que revelan ls predicciones de la direcciGn sobre lo beucficios con ls restltados de las que no las revelan se tomaron muestas aleatorias de 80 empresas de cada una de las nciones. Se midi la variabilidad cle Ia tasa de crecimienta de ls beneficos lor 10 periodon anterines en cata una de ls 100 empresas y se ordenaron ex ‘arahilldactes La sma de los pesto de las emsprenan que no revel le predic ‘ones dela dreccién sobre los bencticios era 7287, Contrase la hipatesis aula de ‘que las posciones centales de las districiones poblacionales de las ariabilidades TSB Ses: Yorn ENMU oa cay {de los eneficios son ls misma en los dos tips de empresas frente ala hipstesis leratina bilateral. Solucion §) Como T=7.287, caleulamos los cents indieadores steno m 1) He MEAD 8 08D gay i) g3 Cyt )_® x® ASD - r '8) Caleulamos entonces cl extadstico de pruchs 1) Alyer el estaditice de pret 2.89 mayor que el valor ertio al 0.05 de signif 1.045, podemos concluir que existe evidencia eadiica para rec hipotesis nul. Lo que quiere elec qe estos daton consituyen, pes, tna pris contindente en contra ée la hipétess de que las posiciones centrales de lis dis- tuibuciones de bs variabildades poblaconales de las twas de crecimiento de los Deineficos dels cprean qie ere fs predictions defen beneficew som gins que las de las empresas que no fas revel ra Ejempla La tabla siguiente muestra ol nsimero de horas semanales qe ls esadintes afi man que dedicat estudiar Ls anignatras le introcuecion a a economia finacie= raya la contabilidad. Los datos proceden de muestrasaleatorias de 10 estudiantes de economia financiers y 12 de contabilidad indian fos datos exstencia de una Giterencia en el numeta medhano de horas semanales que dedkcan lw stones 4 enadiar las agnor de inteduci6n af economia financieray a contab- Tika? NUMERO DE HORAS. SEMANALES DED ASIGNATURA CADAS. A. ESTUDIAR woo 8b wen 8 8 7 Solnecisn 1) Planteamos as hipstesis Ho: Med(1}=Med(2) Los estudiantes dedican la misma cantidad de Gempo para ambas asignaturas 111: Med (1}¢Med(2) Los estudiantes no dedican la misma cantidad de tiempo pars i) Unimos en un solo conjunto alas das mest amos los datos de for sscondente, iiego en ef cuadro ini indianos los rangos al lado de cada dato2 " & 1s 1 « 7 ° 7 6 a 5 1 u 1s * 7 2 8 WD py ny +m+)_0@ 240 1, 2 z amaintm +) 92 @ 47 40 wy of EY 7 230 +) Galeslamos emtonces el estaitico de prebs: 18 ‘s) Por lo que povlemes concluir que existe evdencia estadstica para sceptar Ia hipétesis mula, o sea que no se puede establecer diferencias en cl tiempo dedlicado al estudio de amas ssignaturas Bjereicio Se pregunta a una muestra aleatoria de 50 estudiantes de una facultad que suelo dleberia estar dispuesta la universe pagar para araer a la persona udénea pats Inacerse argo de Ia Coordinaeién Acacémies. Se hace In mia pregunta 9 8 muestra sleatoria independiente de 50 proferores. A continnaciOn, se juntan la 100 etassobre el sueldo ye ordenan (asigndndose {al eld ms bajo). La sims de los tangos de lox protesores 2024 CGomraste la hipstesis nul de que no existe ninguna diferencia entre his posiciones| ‘entrales de las distbuciones de ls seldos proptestos por los estudiaites¥ por Tos profesores frente ala hipstesis allernativa de que en conjunto los estan propondrian wn sucldo malo para alraer al Coordinader Aeadémien, Hereiio Un esto miles tomogratiacomputarizaea (TC) por rays X para reunite voliimenes cerebrales de un grupo de pacientes con trastorno obsesive-compulsvo ‘yum grupo de control de personas saltvables. La lista adjunta presenta los rest dos muestrales (en mili) para volimenes del hemisterio derecho (segtin datos ‘de *Neuroanatomical Abnormalities in ObwesiveCompulsive Dicorder Detected with Quantitative X-Ray Computed Tomography”, de Luxenbierg etal, American Journal of Payeiatry, vol. 143, mim. 9), Ulce an nivel de sgnficancia de OT Yypruehe la aseweracin de que low pacientes obsesiv-compulsvos y fas personas TS WM fy)luniversioan [CONTINENTAL USN saludables tienen In misma mestiana de vokimenes cerchmes. Com hase en este resilid, gpodemios conclu qe el taste obsesio-compalive tiene ua base bioligicae 0308 0810 osm OsH OI) OTe rey 040704530387 oek SOL oon ome TEMA .N® 2: EL MARKISMO HE BONDAD DE AJUSTE (TRIOLA, 2009) A menudo la toma de decisiones requiere que se proche alga prueba de hipstesis cerca del comportamiento que ene la dstibucién poblacional desconocida, 081 dicha distibucion se comporta de manera similar a alguna otra distibucicn cono- fda como La normal de Poison, ote, PPodriamos plantear entonces la siguientes hipstesis ‘Ho La distibucion poblacional ene comportamiento normal. i La estribucn no tiene comportamiento normal ‘La prucha de bondad de ajuste por lo tanto es aquella que determina x la dis ‘nibueidn en cuestion ene 0 se eda ala dsibuciin particular planteada en ls Ihiptesis (en el ejemplo la distribniciin normal), utlizand datos muestraestomna- dow a partir de la poblacisn que representan constiiyéndlawe esc en evidencia El stadistico de prucha para laprcha de bondad es: donde: (© representa la recuencia abservada de u E representa la freewencia esperada de un resultado. kc representa el nimero de categoriasdlferentes 0 resultados. nn representa el nimero total de ensayo, Es importante indicar que los valores eriticos se calculan en la abla de distibucién, chictidada wilizando Kel grados de Hbertad, Todas las pruelat som de cola dere- oe DIAGRAMA N-02: PRUEIAS DE BONDAD DE AJUSTE emule,Cauca cr) El estadistico de prucha x2 se basa en las diferencias entre valores abservados y esperados, de mattera que una concordaneia cercana entre lox valores oberon yexperidos condacri an valor de x2 pequeno yn valor P grande, Una discre- ppaneia grande entre lor vilores absereados ¥esperados eondaciré awn vor de x2 sande un valor? pequeto. De exta forma, ls prucbas de hipGtess de sia seein, Sempre son de cola derecha, puesto que el valor ertico ya region eritea se local dan en elestremo derecho deladistibucign. Tomado de Estadstica, Mario Tol, 1o"Ed, Capitulo 1, prigina 59 eet El gerente de ventas le uns empresa concesionari de varias marcas de atom les, tiene la responsabilidad de controlar el nivel de existencias para evato tipos de stutomdvi vedios por dicha empresa, Ea el pauado, ha ordenndo nuevos atoms ‘ile Enjoi prem de que la etre ten oom igualoente poplaresy ln demards ‘e cada tipo ex la mama. Sin embargo, recientemente las existencia se han viel is dfciles de controlar, y considera que deberia probar su hipétesis respecto a tuna demanda rnitorme, 26 podemes conctuir acerea de loa datos aber aE LEE ost “Toyota " pend » Soluciéa sos ls hip HO: La demanda es wniforme para Tos euatrotipos de sto 1: La demanda nos uniforme para le cuatro poe ds el total de vents es 8, sla demandes uniforme se espera de qe ela marca dehe vender 12 unidades, por lo que nesta tablero quedaria: WG i 6 " yon u rs Hye o rs ii) Caleulamos el esadistco de prucba utilizndo las Frecuencias observadas v las fre- ‘enciasesperadas, (0, -#) ik) Ubicamos l valor ertico en la tabla de valores crticos de chi cuadrado, ulizando 1E1 grados de ibertad,siendo k=, por lo quelos yrds de ibertad son 8 yun nivel de sigticancia del 005, Zio 3 = 7815 +) La regla de decision la podemos observar en el siguiente gritic, teniendo en cuenta To siguiente: TS WMBE Bese: Yoruone ENON OU Se 2 "NI rechazaré 7? <7.815.Rechazaré 7? > 7.815" Vi x x ° es 4) Como 1177815, a hips wela demands no es uniforme nose reehaya, Ejemplo Un de 10) Y dew vetificar sobre ta base de Ios datos que sguen, ies as con defeeton observa en 200 dias, en cierto que el 5% de todos los neumatcos lenen defect; es decir tel muesiea una poblacién bi ‘nomial con a 10y 1 s ome . Soluce 2) Planicamos ts hipster Ho a poblacin enol Ha: La poblaeia no ex binomial {iy Halamor las frecuencia csperadasutlizando la distin binomia: £0) =(:)e" =2)"" conn =109 #=08 1) Roemmpzanid los valores /0)=(§ 9 "(0-08 > fa) -($ 6 0-08 )'+ 9915, la probabilidad de 26 mis= 10-05 18) Con estos valores podemos encontrar as fecuenciasesperadas: 20 (0549) = 1198 200 (0.315) = 53 2200 (0.086) = 172 +) Eltablero quedaria de I sigente manera eee ° waCauca cr) 1) Aplicamos la formula para cl extadtic de prc (38-119.8) | (3 -8 0)? (9-¥ 2) 1198 6 rz ii) La rela de decisis la podemos observa en ol siguiente gui, teniendo en Sites oagucaie "N rechazaré_z? <5.9 . Rechazaré z? > 5.9" ° ra si) Como 8.26 es mayor que 5.09, rechaza la hipétesis nua con un nivel de signi feancia de 0.45, Por la que se conchuye queel verdadlere porcentaje de neumaicon con detecto noes el 5%. Bercicio ‘Una moneda fire lanzada al are 1000 series, de 8 veces ca sie y se observ el fimera ee carae de cla serie. El nme ee series en los que xe presenta 0, 1, 2,3,4y5 caras se muestra en la siguiente tabla. ° 1 2 se 3 or 4 6 5 Ajmste los datos a sma dstribucién binomial con tn nivel de sgnifcaneia dl 0.05 Use n-3. Nova: Para hallar = recuerde que f= M4 , entonces primero halle la media y Isego divdala entre. INDEPENDENCIA Y HOMOGENEIDAD Lon datos categrico representan atrbuts 0 categorias, cuando enn ani se consideran dos variables categoricas, entonces los datos se organizan en tablas le das tablas de contingenciao tabas de clasifcacién cruzada. Primero se discute ‘elaciGn entre as rarables que defen las fils y las columnas de tables de com tingenciay luego ls medidas que dan una idea del grado de asociacion entre ls TS c ee 93B Ses: Yorn ENMU oa cay dos variables categricas Las hipétesis de independencia son: Ho: No hay asociaci re Ls va bles Ay B (hay independencia) Hw Si hay relacién entre le variables Ay Las hipstesic de homogeneidad son Hor Las proporciones de cada valor de la variable A son iguales en cada colina Hr Al menos una tle fe proporciones para rads valor de Im lesen cada columns phicA ne tn ips prucha de homogeneidad et una generalizacin de ta pica de igualdad de proporciones eel mismo mor el ans xe reali e {hla de contingencia con I sigtiente estrus CCuadro N"19: CONDUCTORES DE MOTOCICLETA ‘tudo de assy cortoles de conductores de motoideta Neg __nco__Amantovansanade Conte nen) o 7 ” Came sonatas) 21312 * Recep RN a ing apa get (Total del rengi6n if Total bt columna J) Tamahiod tt muestra 1 procedimiento. de prucba pa frecvencias esperata, ne parece 3 lor eieos de bone de ajuste, Especi- ficamente el Yalor de’ basados en las frocucncias observadas y experadas se ‘alent como sigue £ 0% = Valor elmer en In idsio eld, Bi = Valor esperado en la bésino cela k= Categorias o celdas (Con 1 renglones ym colunmnas en hi tabla de contingencia, el estacisticn de praca tiene na distribucisn jenadrada com (n= 1.4m ~1) grados de liber tad, siempre y cane fas freewencias espera ven fe ms pa todas Lae categorias. En consecuencia proseguimes con el cileulo de la estaistica de prueba js cuadada En stsaciones como lis siguientes, se puede estar interesido en determinar dor saiables estin relacionadas Askin relacionaos los habitos de lectura com el sexo del lector? {3 independiente a opinia sobre la politica exterior de la poll partidsta? independiente el sexo de ss a de su preferencia en colores? Son independientes el tamafio de wna fala yel nivel de educacin de tox padres? {att relacionade el desempleo can el incrementa de I criminalida El precio esti asociado con la calidad de un producto electradoméstico? Hletado nutscional emcee? wociado con el desempel KjemploCauca cr) Se scleccions una mucatra aleatoria de 100 jévenes para estudiar la depers ‘dencia entre ln préctica de algin deporte ya depresiin, con kos siguientes resultados: Deporins 38 ° No deport 1 2 Solucign 1) Plantcamos as hipstes Ho: Hay independencia entre a depresin y la pita de algin deporte Ia: No hay independencia entre la depres ylaprictica de alin deporte 1) Completamos el cuadro yInego caleulamos las frecuencia observadas util zaudo a feral (Total del rengion if Total tr colkunna j) EB Tamahod & muesira hia 2 eS (Caleulamo las frecuencia esperadas: TT ToT Deporte 87/100 sist /100 a [No deporte 653/100 =51353/100 55 Dea tas M87 7 No deport 3657 6s 8 1s) Caleulamon el estadistico de pret (g@-34) @-5.5) O-a5) (2-54) rb 53 as BS AS82027 +) La regia de decision ln podemos observa en el siguiente grifco, teniendo en cuenta lo siguiente: Gracon le Ubertad (241). [Nivel de sgnifcancia-0.05 PS Correia TuyBi Bese: yee ESMTECOC trary ° eae +i) Como el valor caleulado 5.8227 es mavor que el valor erica 3.8414 se rechaza TW hips nula de independencia de fas yasables por lo que re concluye que Ia prictica de algin deporte disminuye la depresicn Bjeraco La oficina de Recursos Humanos de Ta universidad quiere determinar sila itis ‘acciga en el trabajo ex indepencliente del puesto de trabajo. Para ello reslied ws texto entre low cocentes adminintrativos¥ encomtr low reslalos mostrados en Ja tabla siguiente. Con un nivel de sgniicancia de 0.05, pruebe si son depenedientes la ststacein en el abajo ycl puesto de ual. PROFESOR Sa Pets) Sutateecin Regular a enettitno peg i Hjereicio ‘Ea um experiment pra calidiar ba dependents dels hiperiensiga de Tos bites de fumar, se tomaron los siguientes datos de 180 individu cpa Sin hipertension Priche la hipstesis de que la presencia o ausencia de hipertensin es independion- tede los hibits de funar, Ullice un nivel de siguiicancia de 005 2.2 Tablas de Contingencia para probar Homogencidd La uilizacién de la tabla de contingencia probar la independencia entre don safes de ass cated teenth Me ue pars stale, wala ue tas apieaciones de los métodos de tablas de can “ours apliencién co- rin se presenta cuando exisen r poblaciones ele mnterésv cada tna de elas ‘até dvelida en ls mismase categorias. Lucgo se toma wna mesa de la ‘ina poblaci, y lor canteos se intrdiucen en las columnas apropiadas del Sain Sedo Eo a sti ese encaligte et proper conie ele no Ia mamas on ase categartas de vadas las poblaciones, La hipdteds mula de ‘ate problema establece que las pablaciones son homogéneas com respects 3 Ins categoria, entonces Ia pica de homogenida ex en realidad ma pric sobre la jualdad de + parimetos binoasiles El cileulo de lis recuencas es ‘Peradas, la determinacién de los grados de libertad y el eleula del estadsticnCauca cr) . +3) Como k-18.8> 5.99, se rechara ln bipstess nla de que no hay aifrencia en el tiempo que toma a tres clientes pagar aus cuentas TS WMyecuoo ENUM Oc trary Ejerio BD Ses: Se obtuveron elatos de experimentos de choques realizado por la National Trans: portation Safety Administration de USA. Se comprare atitomsites nevi, se wctaron contra una barrera fia a 35 mi/h y se veisuaron las mediciones en mniqui en el asento del conductor. Udilce los datos muestaleslstados aja protar las diferencias en las mediciones de heridas en la cabeza (de acuerdo ead Injury Criterion, HIC) en cuatro categoria de peso. vate evidencia tifciente para conchtr que las mediciones de heridas en In eabera para las catro ‘categorise de peso de sfonde ne won bs eam a (Sugieren lox daton que lx tortor — El PRUEBA DE CORRELAGION DE RANGOS, ‘Cuando se requiere probar Is asociacion entre dos variables con datos apareados| 1 uliliza la prueha de correlacién de rangos ullzando los puestes o rangos de Tas obnerraciomes en hagar de ls valores, el contraste realizado es paramétrico, 10 requiere ln ormalidad de disribuickin de donde provienen los latos sparcados. Las hipGtesis para ta prucha de carrelacin de rangos su Hn, No existe correla entre la dow variables, IH: , Exstecorrelacin entre las dos variables, Sise tiene una muestra aleatoria (ty1), (292)... fnsyn) dem pares de obser saciones, para calear el cocticiente de eorrelicion de rangos tambien comocid como corfciente de correlacién de Spearman, sino Iiy empates se vii la sc {gnientefarmnia para ealenlarelextadiaticn de pica _ Sa? noe 1) Donde ni mimero de pares de datos muestrates isson las eiferencias entre los pucstos de los miembros de los distintos pares. Sicsinteran empateselestaditico de pricha se calcula com la siguiente temube ay -(S Ey) nde Ss) Sy oy) ‘Figura N'03: PRUEA DE CORRELACION DE RANGOSCauca cr) Law valores critica som: Para ns3, lon valores eiticos se encncntzan en la tabla de valores eitcon pars lcoefciente de correlacion de angele Spears, Para 30, los valores cries se cleulan con la fem tz donde los valores zcorresponiden al nivel de significanca, Hemplo Se toma una muestra de 11 operatio fabriles y se anotan ls califeaciones de des fempeno que les otorgan 2 supervisres con los resullados que se muestra 2 cam s2asgazaasae Seeveeeas ea Prucbe con un nivel de significancia del 5% si el coeficiemte de correlacién de Spearman ex signifiatvo. Solis ') Ptanteamos as hipscesis | No existe correlacin entre las dos variables, We p ME p, #0, Existe correlacin entre las dos variables. TS Prec sc To)Bese youco ERI 18) Asignamos los rangos y luego ealculamos las dierencias: 4) La mama de Ian? e475 |) Calealamos el estaistico de priest +) Hl valor critico lo ubicamos en la tabla de valores erticos del coefciente de co rrelacisn de rangos de Spearman, siendo 0.518, 4a) Como el valor esteulida e mayor que el valor erica techacamos ta hipsesis inulayaceptamnos que existe a Sense yines Ejerccio tipa de correlacién entre as clificaciones de lon La tabla sdjunta muestra ef rendimiento porcental de wa muestra aleatorin de spin eri sh Dt rs Gea vs ae 129 a6 0 13s » us aw a7 soo ise 736 29 so 23 181 6 70 9 2 es a a 456 a a ne 0 137 7 Realice un cantraste no paramétric de la hipétesis mula de que no existe ninguna rel cin en Ia poblacién entre ls caructeristicse analiza. CUADRO N°20: VALORES CRITICOS COEFICIENTE, DE CORRELACION DE RAN- GOS DE SPEARMAN. 7 mu 70 198 msCauca cr) 18 an 60 ow 708 4 a8 a8 ox os 6 ae 503, ss 5 a 0 as 08 86 2 sat 495 406 su ” a 406 76 oa 2 a7 8 08 ou 2s sa 90 a7 so ” se se “8 Pt Py i a 40 7a ” se oo a3 a Notas 1. Para 230, ublice (EALTA FORMULA — 228) E valor absolute des estadtico (FALTA FORMULA ,, PRUEBA DE RACHAS eando no existe aleatoriedad, muchas de las herramientas estaisticas en las cua 3© confia son de poco uso o de ningin wo, Para comprobat la aleatoriedad se lua ta prucba de faces, que es una prueba no paramétsiea de seatoriedd en el proceso de muestre ‘Una acha es una serie continua de uno © ms simbolos, asi se tiene una sueesin {en que intersienen dos tipos de silos: AAAADBAAABBBAALUAAABB Entoncesdefinimos ina rach come una scesin ee un 0 mie imbolosidnticon ue estin precedidoso seguidos por un simbolo diferente o por ningguno, send la Tongitid de una rack el nimero de sinbolos iguales que incliye. La sucesin anterior presenta 6 rachas las euales se pueden separar por barras verticals: AAAA/BB/AMA/BD/AALAAA/ Bt Se observa emtonces que hay una racha ee longitad 4, 4(A), dew rach de logit 2, (2B), una acha de Tonga 3, 4), ee 1a hipéess quese plantea en la prucha de nichas son Ho: Existe aleatovidad en la muestra. iI: No existe aleatorieda nla muestra Para muestra pequetias y 02 = 0,0 siendo m1 £20 y n2 <29, el extadition de prueba esol ndmero de rachas G, Los valores crtios ae encuentran en la tabla de slr etbcen pars cl mero e ache ‘Se rechaza a sleatriedad sf mero de rachas G es: TS Pures iTluniversioan CONTINENTAL Yocwmno PUTT cM aa ‘+ Menor o igual al valor eftco més pequesio encontrado en dicha tabla ‘+ Mayor ofgual al valor extico mis grande encontrado en dick tabla ara muestra grandes o G#0.6 ysint > 2000220, utlice el extaditicn de prueba yo valores eriticos siguientes: afeo de prc Donde 2 hoe 4 men y (ry + m2)? +2 — 1) Para les valores erties de 2, se liza Lt tabla de stribuekin normal trabajada anteriormente. NOTA: Para analiza datos numéticos, sea la aleatriedad por ars 0 por debajo Ae la media ode la mediana, se prucha I aleatoredad por a forma como los datos ‘numéricosfluctiian por encima o por debajo de una media o mediana, FIGURA N-04: PRUEBAS DE RACHASOU Mane [CUADRO N21: VALORES CRITICOS PARA LA PRUEBA DE RACHAS iT)ED Sees) EE Tabs ats pa enone ae Piese7eeONRUH Ew ww Pee ee ee ee eg te te teat slatiae tt bdad dd dba d Peed ee eb ge Gulriaat eesti ee aa eet Wlodowa mwot t eB {nso ihaan reise apne nt era 2 dagetnscmeweane conese mesa oceceaware gaa eaarco rae Bjemplo El principal diario dela localidad mantenia un registro del sexo de las personas gic llamahana la oficina de crculacin para quejarse de los problemas con la entregn de lt revista sabatina, Pars wn shade reciente, ean dator fueron ln siguiente: MRR EMM. MBE ERM, MM, FM, FMB 1 Bf M.M,M, Mi Mt Usando et nivel de sguiticancia de 0.05, pruebe la aleatoredad de esta secuencia. Hay algo respecto ala naturalera de este problema que nox leve al concusiGn que wna sectencta as no exaleatoria? Solucion 1) Planceamos bs hipstesis Hi: Exist aleatordedad en la muestra, HIE: Noexitealeatoriedad en la muestra ity Hdentifcames las rachae: (M/FE/ MM/E/ M/EFE/MMM/#/M/8/M/EEFE/ MMMM 3 rachas ity EX estadisico de prucha ex 13 y el 1a prueba de rach senda de 9a 21 rackas ix) Como el estadstico de pricba se encuentra entre los valores criticos se acepta Is Tpotesis mula de e fviedad. Por lo que no hay evidencia para pensar «que lnwecuencia no ex aleatoria, Encontramos un total de: lor crtico to ubicamon en la tabla de los varonesyn2=14 para lis anjeres jemploCauca cr) ‘Se asumen nieles de produccién diarios en una mina de carbén seleccionada pat estudio esadistco,yétenson, 81, 57,52, 2,24, 58,5, 20,27, 44,48, 92, 40,37, 160 toneladas Se desea analiza dicha provluceién para verificar alin problems recurrente en las miquinas. :Habré algin indicio para pensar que existe agin problema cilico en las maquina? #) Siendo la medians de 37,se iliza como valor de referencia 1i) Las otnervaciones caen © po de la siguiente manera arriba (A) © por abajo (B) de 37, se represent ) Wentificaros as rac B/AA/BB/A/BBB/AA/B/AA Encontramos an total ee acho rachis, por To tanto GX iy) para By n2=7 para A, la taba de valores erticos para la prueba ee rachas rela valores criticos de 3y 13 rachas, 1) Debsdo a que hay 8 rachas, se astime que hay leatoridad y nose rechaza la hi Dtesis mil, por lo que no haba dn para pense hay Bercicio riche I aleatoriedad de la siguiente muestra sande un nivel de signifcaneia de 0.05: ABAAABBABBAABA BAAD BAB BAAA BAD AA Bericio {La muniipaldad provincial rece dariamente slicitdes para matrimonios civ Jes. Un estudio registra las solicinides de los times 30 dias habe. 5,748,479, 5,9, 10,5, 74,9, 8,9, 11,057, 5,9, 12 nivel de significancia del 0.01 zexsten motivos para pensar que la serie registrada prosiene de alguna caacterstica del entorno? a LECTURA SELEGCIONADA N° 1 -LOS ESTUDIANTES CLASIFICAN A LAS UNIVERSIDADES DE LA MISMA MANERA (QUEEL US. NEWS AND WORLD REPORT? Mario Triols, Pigina 675 Cada ao, ka vevida U.S. News and World Report publica una elaificacn de un setsdades con hase en estadisicos tales como lat tnsas de adinsin, las teas ce fraduacion, el tamano de los grupos, la razon entre profesores¥ estudiantes, ls 5 larios de los profesoresy ls califieaciones de los administradares otorgadas por st ‘compatieros. Los ecanotistas Christopher Avery Mark Gilckian Hoxby y Andrew Metrick waron um método alternative para analiza de universes de 3240 estates del fkime aio de preparatoria com alt em fdimiento escolar Examinaton las universidades que offecen admisiin janto con Jas universidades que los estudiantes eligen. La tabla siguiente lista el orden de tuna pequeria muestra de universdades, af como tambign cierto acuerdo entre el tril de preferencin de Ie estudinntcsy ls caicactones de Ia revi también indica cierto desacuerdo, Por ejemplo, de ls ocho universdades conse sndas, Harvard ocupé el primer lugar tanto para los estudiantes como para larevists US. News and World Report. Sin embargo, de las acho tniversidades incluidas, ‘Universidad de Pennsylvania fue considerada en xéptimo lugar por ls estudiantes TS Prec aan 107B Se: Yorn ENMU oa cay pero tercer gar por la revista ‘Consideremos cl tema de tna correlaci6n entre Ia casfcacin de los estudiantes yy ln clasiicacion de la revista. El coufciente de carrelaciin lineal rae utiliza pars Imeclr fa asocincion entre dos variables y requieren datos spareala,¥ los dat étalon de correlaciny regres Henin reqsiton come lax distri ‘males. los rangos como los que aparecen ela tbla no saistacen estos requisites. En dichor métodos nose pueden utilizar los daton musstrales presentadon. En exe apthile se presentan vation méindoe que ac uizan com dafén que'wo malafaren el et de una distin trl, ES partion ‘pueden emplearse com datos muestales en el formato de rangor, come Tom deb fabla. En tna de ie secciones se estudiar’ on método para poner a pricba ina correlaciin con datos apareadon que no tienen el formata de rangos. Entonces, seremescapaces de analisa el gradode acura ysdentenerde entre la chasfeatio- thes de los estudiantes y de la tevsta, como aparecen en la tabla. As, probaremos ‘exis una correla entre ax preferenciss de ls estates yl eaificacdn ee Ja revista, ¥ pocremos contestar a signiente pregunta importante: Los estes coinciden con la revista? vai acto de at ee BA sss Esta activa pede comsoltarls em saa vit | ACTIVIDAD N’ 2 Esta acthidad puted constitarla en st aa vital CONTROL DE LECTURA N° 2 Esta acthidad puede consoitaris en st aa vital BY ovossoseisesm0m BE csocaimasexs nasCauca cr) ‘Tol, M2012), Bsladiiea Mésico: Pearson Edueacicn Berenson. M.y Levine, D. (2010), Badia Basics en Administ, Conpasapicaio. ties Mexicos Prentice Tall MendentallSincich Prbobilida y Badin para Ingenieria y Ciencias, Pete Hall. Cua ta Biiciin, Diaz, A 2013 icin stadsticn Aina ats Adminsraciny romomia. Me Grave HD, Primera Dh sissriitiourcomia 1 Dada les siguientes proposiciones 1. La pruchade signo implica averigunr si hay una eantidad lesproporcionadamente mayor de tio solr sign, I, La prueba de siguo es una prueba parunétrica IML, La prueba de signo no estan efciete como rina prchs parametric Son corrects 8) Sélo ty ») alot ©) Sélo ty 4) Ninguna © kuymt 2, Sean las afiemaciones: 1. Ein la seeuencia de ganancias (G) y pérlidas (P): GGGGPEPR, el mimero de rachas es 4 1. La prueba de rachas para detectar alestoriedad se bass en el orden en que se presenta los lato. Una racha es una secuencia de dats tienen Ia misma caracteratien Son corrects 2) kily b) Sélo ty mt ©) Sélot 4) Séto 1 ©) Sélo 3. Se desea prohar sia estatnra de los empleados ene distibicién normal, Se toms tana mesa aleatoria de 200 empleados » quienes se les presunta nt extatura ch puligadas. Los resultados obteniios son: WE Se » 78 « 2 Coo base en a dst ntormaetén se puede conelue quesu distsbucidn es nosial? 2) Los datos se distibuyen normalmente >) Los datos nose distsbuyen normalmente con un nivel de confiansa del 95% ©) Nose punde determinar porque no se tiene e nivel de confi 4) No se pred determinar porque son datos de intervlo de frectiencias 1) Nose pede wiz la pra debi que som pos eater TS Precis Tt)DD Bese youco ERI 4. En un estudio realizado por Haris Interactive, Inc. se era lie pte em VA Ces 10 epee lemeton liar iene tlace Y'porclotte can el porcentaje de entrevista qi dieron estar dapiest a come par acciones de est empress Repuatin 22 6 7 8 9 © eek aol pe paar el alps ‘compet Haga ama pricba para determinar x exite na correlacién por rangos signi fica, emplee un nivel de signifcancia de 0 08, ;cuil ess conchasisn? A) Ho:re-0, Here 0, 0.6727, VO-1 618, Se rechaza HO, exintecorrelacin entre Ja reputacién ya probable compra de acciones 1B) HO:th =0, HI:Dh 20, 2-0.6727, VO=0.DI8. Se rechaza HO, existe corelacicn sme ixrepulacide yl poate tompra ie wien ©) HOB -0.6727, HI: B20, re= 6727, VO“I AS. Se rechava HO, existe come: Jacién entre la eputacin vla probable compra de acciones. 1D) HO:Bh=0, E11: Bs 0,15 0.5727, VE=0.618. No se rechaza HO, existe correlacén entre la reputacion yla probable compra de aeciones 2) HO: ~0, HG #0, re= 06727, VC-0.618, Se rechaza HD, existe corvelaciin centre la reputacin yla probable compra de neciones. 5, Las calificaciones dacs a tres productos por un patel de 15 consnmidores son la 2 8 6 a woe ‘Use la prea de Kruskal Walls tn nivel de significance 05 para determina existe diferencia sgnificatia entre lis calificacones dada los tes prodtictos 8) Ho: No hay diferencia entre las califcaciones dadas a los tres productos, I: Hay diferencia entue las calificaciones dadas 2 los tres products, H=10.22, ‘VC=5.901, Conclusin: Nose acepta HU y se concluye que hay diferencia entre las ealflenciones dadas a loa products, 1) HO: No hay diferencia entre las ealifcaciones dadas a lo tres productos, HI [No hay diferencia entre ls ealficaciones dada lon tres productos, H10:22 ‘VC=5s91, Conclusin: Nose acepla HUY se concuye que hay diferencia entre las calfenciones dadas a os products, 1) Ho: Hay diferencia entre Ine ealifeaciones dada Tos tres productos, Hs Hay diferencia enire las calficacioncs dadas a ox ues productos, H-9.54, VC=5.H01, Conclusin: Nose acepta HU y se concluye que hay diferencia entre las calfcaciones elas a Tos proceswai esotsenno panueaca a ESI dixapetnterees raion ta sla meredenct in ent ent et a omny meen Her wen ine eine mehBesePS evi Tr UNIDAD IV: CORRELACION, REGRESION Y CONTROL ESTADISTI- CO DE PROCESOS Biorcanzncisn DE LOS APRENDIZAJES Pcorcrens ]roxones | ors | “ema Nt: Conca y |. Formsla modelos Hneles ¥ ln texan la fo nels para pronoicar Youre stays Meorrncinyrepresin inal clan delaearabis Tome Se pr ne 2 Gueclcimy resin > pate etal oad Le prey mer de "ae eprom eliza contol de procem ida 3 lion de odie de no de con (hp lum de ers ‘ema N* 2 Cont esastien Acta N° ee eco es pe ae 2. Graco de comtol paras Tea Aca N12 aches cero NY ferment eee Seiden anal se OM Fai Diao Tle gina 15.Freoaeamm UNIDAD IV CORRELACION, REGRESION CONTROL EsTADISTICO DE PROCESO. TEMA N° 1: CORRELACIGN Y REGRESION BD See: on venieas 1s regesion y la correlacin so tas que com ‘pends ina fotria He etait de ire lari tenia ec paladins, ate ic Tiss, comprene ef anise lon eatos muesrales para ser si xe rekaclonan y emo se relacionan entre si dos 0 mis variables de una poblacion, El objetivo principal els que las variables estén relacionadas yelobjetiva ‘el modo en que se relacionan, Correlacion es determina lah exes principal de a regre Una herramienta importante para el anise correlcigin y regres es el diagrams de dispersion cl cual nos muestra vsualmente la marnera como las variables analizadas Pe nya partir de ahi defini el tipo de ands que se ma realiat. A comtinaacion se presenta na serie de grafico qe nos intra se distintas manersn ‘qe se relacionan dos variables FIGURA N°05: DIAGRAMAS DE DISPERSION PARA EL ANALISIS DIE CORRELA: ION ( Conetcsn pst (©) Coneimionats ——) Cerna seatiea mare eueary pean ey Scores ease By Las diagramas de dispersién que acabas de ver te muestran ls diferentes relac re la wriable independiente (X)¥ ba vaable dependiente (Y), por lo que pod Sefialar ques tanto los valores de X como lo valores de Y tenden a seguir uh patron,vin oes, eset comeoe esos neposesos i ESHOSTEA ll CORRELAGION Y REGRESION LINEAL, 1.1 Coefletente de correlacion V7, El coeficiente de correlacién lineal r mide Ia ferea en qe dos variables apres: lary cuantitativas se relaconan, Se conoce también como coefciente de corre lncion de Pearson, Su ormiula para el caleuo ex dada las variables euantitatiras xy * Dy (ST hEyY (De, Hl coeficinte de correlcin se interpreta de la siguiente manera consctn Coron nies eso recs ogine fetes Moderaca rd coneuoin fuete eee na seas ‘ie Pocemos obscrea Io siguiente ~ Elvalor de res un mimero que satisfac la desigualdad -1 £11. ~ Cimnde la selec de clon variles ex perfectamente ponitva, o ¥en cand Al varia la primera, fa sega varia en I nisms proporcione yen i miss direccidn, el coficiente de corrlacion es +l (sinidad positva). ~ Cuando la relacién de dos variables es perfectamente negaita, © sea cuando sl varia a primera, la segunda varia en le miamas proparciones pera en direc: ion contratia, e ceficente de correlacion es~ 1 (uni postr). = Cuando no existe relacin entre las do variables, o sea cuando al via la pr ‘mer, las variaciones de la segunda no refljan dependencia con las variaciones de ta primera, el coeficiente de correlaciin Hjemplo Se ene lr valores regstraton de hs vistas eaizadlsy los pedo hechos por 10 sendedores de una empresa. Calcula cl coeficiente de correlcion de Pear 2 . as me 7 101 sa Stacia 1) Caleulames SxS, Sx. %Be BS usvenses: || reuo> URE eeteota tne or rin 1 a ry oes 1788 2 mm. wos vms mee 0608 3 oo Ba agi sie aek or . 191 2 1043 sot sa20 7 a soso wot * 50 na sose2 ero sats 10 ua a m anise soas 30 10 esnue7 asses air 1) Aplicamos ta formula: ayy De (St bse -(Sy ds prota de erred ete tan is) Podemos con vistas los pedo, siete eta post Hjrcieia ‘se aplicaron dos tet de razonamiento a 10 tadoe siguientes, Calenla of coefciente de correc oxy se encontraron los cesul de Pestson e interpret fut 2 uw 1 a 7 5 1.2 Coeficiente de determinacién (¢2) H corti lca el porcentaje dels vatiacin total que seri expliado por el anilis de regresin, Exel caradlo del coefciente de correlacin de Pearson 1.8 Prucba t para cl cocficiente de conrclacién Hipdtesis Ae determinacin Hyp Estadtico de PriceTS Mae enone rs ee cron est FIGURA NOU; PRUEA DE HIPOTESIS PARA EL. COEFICINETE DE CORRE: LACION 7) 14 Regresionfineal ‘Lan supestos de la regres y correlacin que se debe tener en cuenta son: Para eala valor de" X° hay un grupo de valores de *", esta valores y" estan lstribnidos normalmente, + Toda las medias de estas distribuciones normales de ¥ eatin sobre la linea de regres, La dessationes eatindar de esas dsribuciones normale som igual. Los alores dey" son estadsticamente independientes, ECUAGION DE REGRESION: y= ash FIGURA N-0: DIAGRAMA DE DISPERSION 2 Servicios Curva ae regrason ajstaa en + rea) ner Fam | —unaipndtcey an ‘iene . 5 © mmFreoaeamm UNIDAD IV CORRELACION, REGRESION CONTROL EsTADISTICO DE PROCESO. METODO DE MINIMOS CUADRADOS PARA CALCULO DE a Yb rere Uy Pe OT ERROR ESTANDAR DE ESTIMACION DD Bese: N b En una medida de dispersin de los valores abervadon alrededor de Ia de regres: DTO= Yer) 5. ye Aa YY ay yoy x Se n-2 INTERVALO DE CONFIANZA stm el valor medio de y para tna x ea INTERVALO DE PREDICCION Exim el rango de valores de y para una x dad LB n = 2 Oy Vest Fhasay-2-Sy- V+ Hesph EL gerente municipal de coustruceién considers que Ia demanda de cations: das de ho son el mera de permisos de cone HI gerente ha recolecadlo Ton datos que se maestrat enh tabla ° 4 0 16 2 ‘ lel nimero de camionsadasctsanlo el mie ‘mero de permises de construceién es 30cc! Cc Solueion 1) Realizamos el grafico de dspersiin parael ans vista V7 [FIGURA Nt: DIAGRAMA DE DISPERSION ‘camlonadae de hormigén (Y) Toles 1a “0 1008 0 Si) Coetinte de eomeacin nor Spr re-Cabrr-cn') 8146) 08449 ) 7 a5006)— 88)" 050) @ 73085 ~ 0,90 Por lo tanto podemos indicar que existe bue- na relacién entre las dos variables, siendo el 81% de la variacién total explicado por el anilsis de regresién. Jn) Hallas las medias de X ¥¥ y +) Mallamos ls salen dea lian ts em Dee EEy sEVEP b= 0.395 Tr)B Sis: Freoaeamm UNIDAD IV CORRELACION, REGRESION CONTROL EsTADISTICO DE PROCESO. a= ps ” a=0.915 1) Planteamos la ecuscin de la regres: yoatb Y= 0,915 + 0.395x i) HI mrimero de camionscas cuando el mimero de permisos de construccidn £6.30 puede encontrar sustituyendo el valoren la ccuacién, x=d y=0.915+0.3958 )x y=2.B x3 EL nimero de embarques seride 18 aprosimadament, ii) Por lo tanto, la dessiacion estindar de la regresién baroy-2 = 2.447 Intervlo de predicekin (Inferior) = 13-587 =7.1 Interalo de predicckin (superior) = 15 +5.87= 18.9 “7A Embarques <19 Fjerccio[occ pe ‘La temperatura de aire dismiauye con la altura de la localidad, los datos si ‘guientes refuergan ta dea y hacen presuanir una relaci6n Uneal entre ta tempe Tatura Yy laura X observada en ciertos puntosde costa partede la sierra slamanecer ae 2 os a 178 1" 108 6 102 4 ns 6 a0 a went 1 ot 2 07 a v0 a 7m ® Si eated se encontrara al amanecer 4 2000 men alguna dedlichos Igates, que ‘emperaturaesperaria soportar? Reale previamente el diagrama de lspersin, Es importante indicar que también existe bi regresin no lineal simple, evade Jos datos no se ajustan al comportamiento de una recta es necesario encontr cl movie que los expliqne, cm este caso el mejor movelo ser el qe tenga Imgjorcoeficiente de determinsedn Entre fos mis importantes xe iene: REGRESION EXPONENCIAL yoa* REGHESION POTENCIAL, yea? [REGRESION POLINOMIALPA BS enyersioan eR liad ConrinenaL Freoaeamm UNIDAD IV CORRELACION, REGRESION CONTROL EsTADISTICO DE PROCESO. VS a+ xt ax +..ta,x* [REGRESION CUADRATICA yHa,t+ax+a,x* I CORELACION REGRESION MUTIPLE, La rege ple cin lineal entre una variable de espe yydono mie arahles de predicedin (x1, x2, a), por lo camplieade enn ‘lizaremos el Excel como herramienta, El objetiny es ajar an modelo de forma estimando los parimetros correspondientes y calelar el cosfciente de determinacion jemplo Se tiene el sguiente registra de datos = Se he Realice el aste de regresin ailiple Solus 1) Llevamos los datos ana hoja del ExcelMae enone rs ee cron est 4) Wea la pestaia anisis de datos en la opeisn datos del meni Bares Bab oe stone sso 48) Alacinar el comando reyresi6n, sclecciomar las celdas que se soit a8 TS re)EI Bese: Freoaeamm UNIDAD IV CORRELACION, REGRESION CONTROL EsTADISTICO DE PROCESO. iv) Luego de presionar Aceptar, se muestran los siguientes resultados 1) De aqui se pede extract lo siguiente: n= 8804797 684211 794787 o, lueesacdin de regresin mihiple just ex Variable Xt Variable Xt 14) Por fot 8947 +0.3684.X, +0.7895.X> R= 0.9784 (97.84%) Yr 1 ELABORACION DE MODELOS DE REGRESION Para elogrel mejor modelo de regresién, debemos analiza el coeficiente de deter nacidn, aquel modelo que tenga el mayor R2 serie que ajusta mijor el compor- tamiento de los datos Ejemplo ja el mejor madela p ss 0 » a a Ea st 18 3s * Solus 2) En el Excel, generemos el dlagrama de dispersin, utlizando el comando Inser- tar. Grifcos.. Dispersin.cnc ae a de tendencia. Se muestran las opciones donde debemos realizar la prucba en cada modelo pam poder observar el coefciente de correacién,fe Mae enon ser spor est |) Actiamos también Presentar el valor K en el grifco as como Presentar ect cen ol pins i tol gfe del sig vi Que FIGURA N04: DIAGRAMA DE DISPERSIONMae enone rs ee cron est Donde podemos obnerarelcocficente de determinaciGn y DER — == TEMA N° 2: CONTROL ESTADISTICO DE PROCESOS A medida como la ciencia y tecnologia ha ido evelucionanda, se ha hecho necesario e indispensable realizar el control estadistico de los proceses wobre tor para controlar los ndicadores de centralicidn ysahre ello tomar decisiones, paraprevenit, mejorar optimiza, minima, ete. Los requerimientos de tl o cal proceso. La Gestion de la Calidad en toda dabito ha hecho de I Exaistca una herramienta indispensable pars sf cumplinienta de sus mets, es por ello ln importancia del presente capitulo, donde remos asin le grifeas de control pars ls media y prs la ea ASICAS PARA LA GESTIONMae enone rs ee cron est GRAFICOS DE CONTROL © CARTAS DE CONTROL Sirven para monitorear el proceso, prevenir detectvosy faciitar la mejora. Hay dos tipos de earar de control por atributos (higa proditcts conto buchos 0 malon) + por ‘atlables (Variables como, temperaturas) Las ventas del uso de una grifiea ee com som: suns herramients simple efectiva para lograr wn control estan + sd fie manejo por os operating, por lo ual puede darinformacicn confiable 3 (eens Sena open tn dais eA pe cbenleloeer orien + Ganda un prosesn est en contra esidsicn pede predecnse sn desempeio respecto las especficaciones. En consccuencis, tata el productor como el cliente pleden contar con niveles conssientex de calidad y ambos pueden conar con costo ‘stables para lograr ese nivel de caida Una ves que un proceso se encuentra en control estadistico, su comportamiento pede set mejorado posterionmente reduciendo lavariacicn, S| AUdlitingel eats Mi esas capes ba ea Ee aS NNER ES Incr indicacdin de cindo nn problema debe ser corregice Tocalmente y ean se Feaquicte de wna accidnen la que deben de participar varios departamentosomiveles de In organizacion En el Gontrl de ln Calidad mediante el érmino variable se designa a euler leristica ee ealead “medible” tal enmo una longitd, peso, temperatura, ete, Mientras ‘que re denomiina atribito & ls caracterstieas de calidad que no son medibles y que Presentan diferentes exados tales como conforme y diconforme o delectuosa yn Aefectuon, Ll GRAFICOS DE CONTROL PARA LA MEDIA Y VARIANZA, Su campo de apliaciéa se puede reswmir ctl siguiente cuadr Ss ears eae aalaie ae cael ae as ae CUADRO N° 22: COEFICIENTES PARA LAS CAREAS DE CONTROL ered e “ 2 ‘naar cuneernmemarmnmenronmans, TS Pec set 128MY Uriversioan CONTINENTAL Freoaeamm UNIDAD IV CORRELACION, REGRESION CONTROL EsTADISTICO DE PROCESO. CALCULO DELOSLIMITES DE CONTROL Los limites de contol son caleulados para determinar la varactn de cada subgru- po, estin basados eel tumario de los subgrupesy se calculan de la siguiente forma: ISC,=D,R ISCy=X+A,R LIC, =D,R UC,=X-AR Donde DA, Ds, A2 son constantes que varia segin el tama de muestra, TL GRAFICOS DE CONTROL FARA ATRIBUTOS ‘Su eampo de aplicacion se puede resumir en el sign ° aaa ‘Control dea facelin goal de Recinata ic wea NP. a oneness © crear racial (Gea clea petal ial Sa v eet eae ea Sl eee ol peels ca de control para proporciones (P). Si tele control se cael ele Ta signet or Pd-D) uc, = p-3, PD +3. Butp tty Wt, Hm Done: DP Pura ambos casos se debe tener en cuenta en abs de ls grificas que los pro- ‘sts irs feta de trol cts len egies empresa FIGURA N'11: DIAGRAMAS DISPERSION ¥ PROCESOS FUERA DE. CON- i Pelli re jLoa connect, zai vconeotesisicn oe enocesos um ESHOITICA Pt Ta Pe ' Fr r+ Ejemplo Se toman las medidas de los dvimetros de una pieza cilindriea el tamaiio de mues- tea de cada subgrupo ex de eine, ¥ 25 subgrupos a intervals de 1b Realce Ia cata te control X- Solucisn 1) Galeulamos ef rango vel promeetio para cada grmpo: aw) R=0198y Y=07 1) Luego calculamos os limites para ls Rangos: LSC, = D,R=2.1 x0.198= 04Freoaeamm UNIDAD IV CORRELACION, REGRESION CONTROL EsTADISTICO DE PROCESO. LIC, =D.R=0 aim ISCy =X+A,R=01 +(08 x0.198)=08 LIC, =X—A,R=0.1 ~(08 x0.198)=0.9 mente ealeamon Jos ites para ax mes ») Lego gaticamos FIGURA N"13: DIAGRAMA DE CONTROL ‘Xan Chart for C4 i ») Lavearta de control R mwvestra un punto fer de Tos Kites de expeciicaciones, oro cua el proceso se encuentra fuera de control, en este caso es necesaio inves: tigar la causa y tomar la aciones corrective para elimina el problems, Ejemplo Un ab a ame de latasdealuminio rgistra el nimero de partes defectosas, oman: as cada hora de n = 50, can siguiente serie de dation ate 2 5 3 20. 4 7 76 1 10. 3 5 a 2 2 £) Caleulamos a raceién defectuosa de cada mestMae enone rs ee cron est 4) Luego hallamos la proporcién total ) Hallas los limites de contro = pss BED aaaT 1s¢, = p+3, HED 04102 n= 0.2313 +3, os 07 orator a \ poco -] +) Obmervaman que el proceso ext fuera de control BB cress srzcconansse ,PODEMOS PREDECIR EI, MOMENTO DE LA SIGUIENTE ERUPCION DEL GEISER OLD FAITHFUL? Matio Tiols, Pigina 515 ELgéiser Ox Faithful esa traccin mas vstada del Parque Nacional Yellowstone. Esti tubicado cerca del hotel Old Faithful Inn, que tal vez sea In segunda atraccién mis ¥- ‘Stada de Vellovetone. Los cuits disfratan la comida, ls bebidas el alojamientoy las Sept Gel betel, pore qilefen Mitgieaias We vor Al Histon ure Chup giver Old Faithful. Los guardabonqies del argue ayant lo tits publican el momento predicho dela siguiente erupeién, Cie hacen exis predicciones? ‘Guanido el Ol Faith hace erupeisn, se registran las iguicntes medicionest duracion (en segundos) de la erupeisn, el imervata de tempo (en minutos) entre lt erupeis anterior y Ia erupcion actual, ) intersalo de tiempo (en minitos) entre kx erpcion Actual ya siguiente, altura (en pies) de la erupeién. En la tabla adjunta se incloyen mediciones de ocho erupciones. (Las mediciones dels tabla son ocho de ks 40 erupeio- nes incluidas en el conjunto de datos 11 del apéndice B del Wbro Estadistica de Mario Tiola). La tabla ncluye una muestra pequesia con el fin de que los eieulos sean mis Facies and los datos xe wtlicen par analiza los métodos ee le siguientes neceiones 1 queremos predecir el momento de la siguiente, que del Eamone Una vex que ocurre una erupei TS Prec scBE] Bes: Freoaeamm UNIDAD IV CORRELACION, REGRESION CONTROL EsTADISTICO DE PROCESO. ‘esel“intervalo de tiempo posterior” ala erupeisn. Para ver cues vata intervalos de empo posteriores, podramos comenzar construyendo diagrams de lisperiin como los que genera el Excel. Al examina los patrones de ox panto Tox tres agramas de dispersién, poems plantear ls siguientes conelusiones subjetivas: 1.Al parecer hay una relaciGn entre el interwalo de tiempo posterior a una erupeiin y Ia duracion de la erupeidn, 2, Pareve que no existe una relaeén entre el intervalo de Hemp post cic yin altura de ln erapeis, I. Parece que no xine na roltidn indre interval de emp penevion ‘id yel ateralo de tempo previ ala erupeida, Este tipo ce conclisiones basidas en diagramas de dispersién som subjetivas, yen este capitulo preventamos herramientas para anaiar temas conto éstoe “2De qué maners se pueden ular metoros estadisticos para deteriinar objetivamen- tesi hav una relacién entre eos variables, como Jos intersaos de tempo pasteriores la enapcionesy Ia durackin ee ts? son entre dos variables, cGimo poctemos deseriirta?:Hay alguns aR wa pre pela cl moma de Is mguienteliripesie dl _xne, dada Ia duraciin dela eripekin etal? -Si podemon predecir de la siguiente erupcin del Old F ana erp: ed “Si existe una rel il, aque an eta resulta ext predicciSn? 0 TSB HHS a Ineo 92M posterior ‘Aue M0102) Bima, Esta actividad pede consular em saa vit | ACTIVIDAD N° 2 sta actividad puede consulasla en saa virtua A |TAREA ACADEMICA N' 2 Esta actividad pred consnltarla en st ania vitaMae enone rs ee cron est ry Blame maaan ets hector: Bae etic equ’ reales com te tn de cotingeneiy ‘consist en analiza el grado de asciacién 0 dependencia entre cos variables cvalitatvas para mere grado de dependencia xe utiliza el coficiente de comtingenci. (Wer coef ‘iente de contingencia) Anilisis de correlacién: Es el estudio que se realiza para medir la intensidad o grado de Im asociaeiGn que existe entre variables munérias Anni de vegresin: Es el estudio que se realira con cl propérito de hacer predic cones. Hl objetivo es el desarrollo de un modelo estaditice que pueda ser uilzade pha predecir valores de una variable dependliente, basen low valores de Ia variable Indepeaclente Analisis de vaianza: Es.un método para comparar dos 0 mus medias (Ver medlia) de n= janzade lox dates, atone 1 grupan coma contra de elon Bondad de ajuste: Es un indicador que permite discemir acerea de qué tan buena es lv eeuscién obtenida, Para determinar la bondad den ajuste s¢ wiizan diferentes criterion en la regres lineal, Uinos se refieren a los resides coma son el valor de la simatoria de residiales al cuadrado, fx varianra, la desacidn extandar del ajoste el cocficente de correlaciGn al cuadrado, Otro indicador de a bondad de ajuste ex el realizado mediante el tes de bondad de ajuste uilzando la prucba J-Cuadrada (X2), Kalgomoray Smirnov (KS) entre otras. Coeficiente de correlaciin lineal de pearson: Es un nimere que mide I itensidad del asociacion. neal entee das vntables. El coeliciente de correlcin se representa sinsbiicamente por! Coeficiente de detceminaeidn: Faun valor que se abtiene clewando al euadrado el coef ‘iente de cortelacién, Se representa simbslicamente por 2 pede tomar valores entre 0 1. El coeficiente de eterminacin mite la proximidad del juste de la eewacin de regresin ee In mtiestaa lon valores abecrvacos lel variable depenclente CGoefsientes de segresin: Son ls valores constantes de tm eciacién de regresin I neal En el modelo de rogrsion lineal siguicnte los cocficientes son a yb i como dicims 0 prueba de hipsters, es et proceso estacstica que se sigue para Ia toma de decisiones & partir de lx informacion {de is muestra, Comparandl e1 valor del extaditico experimental can el valor tesrico, se rechaza o acepia la hipétesis mula (HO). Lo contrario a a hipétesis nula se Mass Iipdtesis alterna (#1) entre lo a Diagrama de dspersin: Es un grifico uilizada para representa ta relacih lores observaios de dos variables numéricas También se conoce como nube de puntos. Muestra: Bsn suconjanta representantive de la poblacion a partir del cual se preten ide reales inkerencis respecte nln poblacién de donde proce, Ly clemente sel iados con clerta técnica retinen elertas caracteristicas que la hacen ser representa ‘4 sigificativa yconfiabe yque en hive ellase pueden hacer inferencias respect ala ‘oblacién. La muestra puede ser probabilsticay no probabilisica Muestra no probabilistica: Hs aquella que se obsiene mediante juicio de la persona que seleccons ls elementos dela muestia que usualmente ex un expertoen Ia materia, Este miétodo esté basado en los puntor de vista subjetvos de una persona y a teoria de Probabiidad no puede ser empleada para medir el error de muesreo, Las principales TS PremierB Sis: Freoaeamm UNIDAD IV CORRELACION, REGRESION CONTROL EsTADISTICO DE PROCESO. ventas deta mest de juin som la facilidad de obtenertay que costo astalmente esha. Mucstra probbilsica Ex aguella muestra obtenia por wn mecanismo de probabil des, en el cual cada elemento de la pablacién total 0 universo tiene una probabilidad onoeida de selecciin. (Ver muestreoaleatorio) Mucstreo: Bs un conjunto de métodos ¥ procedimientas estadisicos destinados 9 Ta seleceicn de una o mis mucstras es a técnica seguida para eleyir muestra. EL objeto principal de un diseio de mucstreo ex proporcionar procedinientos para la selecein dle miestras que san representatias dela poblacidn en estudio storio. Es un métada — Cala mest posble el mismo tamaio ene ig profil de ser seleccionata de la poblacidn. Una muestra aetoria es también lamavda wna muestra probbilistics 3 quella ciyas elementos se seleccionan individalmente de la poblaeisn en forma ales: tori, y 1 preferida por los extadiaticas porque Ia soleciGn de las muestra es objtimay sleror muesral puede ser medide en términon de proba Ij lt eure mortal Por conveniencia ete metodo pede ver reemplarado por una tabla de rimeros ales tories evando na poblicion es infinita, Se apliea cuando los datos son eas homoge rneos Una rarante el muestrenaleatori simple excl muestreoalestoro sistemitico. (Otros tipos ins comunes de muestreealeatorio son: nuestro aleatovioestratficade y imuestreo por conglomersdos, Murstreoaletorio simple: También Hamad irestrictamente a dle muesrco donde tna murairaalestoria simple ex selecedonada de tal Mucstre sstemsitico: Es una variante del método aleatorio simple de sleccin de cada lementa de a muestra, Se apica cuando poblaciGn est listada en algin arden. Com ‘inte en seleceionar wn nimero aleatorio menor que N/ y huey Tom (1) ele ‘lela muestra se eigen agregandoal primer aleatorio: el entero Kobtenide por K=N/' yas sucesivamente. El primer clemento de la muestra es seleccionado al azar. Por lo tanto, una muestra sstematica puede dar la misma precision de estimacién acerca de la poblicin que una muestra aleataria simple cuando les elementos en ls poblaciin tin orlenad al zoe Mucstico caraificad aleaorio: Es un método de muesteo que se aplica cuando se divide la poblacign en gripes amados etratos, donde las dates son més homogeneos prom extrato frente al otro my distintos, Para extract la meta aleatoria xe aplica e Imnestreo aleatoria simple a cad extrato yl amano esa sina de lo tamaion de todos Jos estratos, Para deteruinar lon taaiis de los eatratos ve pucde ilar la aignactin proporcional, éptimay optima econémica. Sino se conoce la variablidad de los datos jgnaciGn proparcional Muestreo po fn grupos debido a Lt onganizacisn administra w otro (conglomerates). Kjemplo: Coleyios, Universidades, manzamarde caus, entre otros, AL nterior de lex comglomers doy no se pede garantirar homogencidad. Cada conglomerado extn unk! donde li mestra se sclecciona como en el muestrcoaleatori simple y se splica la enciesta 3 conglomerdos Es u inétodo de muestrea en of cual la poblackon ext torts lo elementos del conglomerado, U ‘reduce un meyor error meatal (port Imaeiones acerca de a poblacién) que una muestra aleatoria simple del misino amano. Loselementos individuales dentto de cada Yronglomeraelo” tenden frecuentemente ser gales ‘nuestra de conglomerades,ustalmente ary on Aca mace precast Nivel de sgnifeaciin: Se define como la probabildad de rechszar la hipétesis mula anda érta es verdadera, Se le comace también con el nombre de «error de tipo I, Simbolicamente se denota por PARAMETRO: Es lquler valor caracterisic de la poblacin, Ejemplo: la media de la poblacin, la desvaciéntipica de la poblacién. Sin embargo ests valores son desconoc-Mae enone rs ee cron est los porque no siempre poddemos tener todas os datos de Ia pabaciin para cakelattos PRUERA DE HIPGTESIS: Es una téenica que permite recharar o aceptar la hipstesis ‘en base de a informacién proporeionada por a muestra. (Ver contrasted hips PRUEBA JLCUADRADO: Bs una prea que permite cont colterente con los datos obtenidas en Ta miaextra. Se puede wbirar pars 1. Bondad dew ajuste. 2 Giterio de indepes 5. Criterio de homogeneidad, REGION DE ACHPTACION: Es la regi formada por el conjunto de valores com Tos ‘enales decidimos aceptar la hipstesis mula, REGION DE RECHAZO: Conocida también come regi ertica, ex formals por el le valores con las euales se reclaza la hipékess la [REGRESION: Fs una téenia de anliss para poner de manifesto la estructura ee depen: dencia que mejor explique cl comportamiento dela variable dependliente o explicada () auavés de un conjunto de variables independientes oexplicauvas (e1:x2..xp), con lequewesupone enti relaconads, El método més nlizdo evel de los mifnimos cuadra dem: La seins n apna puede wr Tinea ano linen, En aroos emacs ol ijetiva eel mismo: encontrar las mejores extimaciones de los paramere ycnanlifica bt recs delos mismos. IREGRESION LINEAL: La regresin sera linea cxtandlo la cura obtenidao seleccionads sea na recta. Fs a recta que mejor se ajusta alos datos, Se obtene mediante el método ‘de wiimnos cuadradon, Para ello we debe caleular primero el cocfciente de correlacion lineal que permite determinar, si efectamente, existe relacién ene las dos variables. Una ves encontrada la reac, la regresin permite defini la reeta que mejor se aj ails be de prion (grid pres orlonaden} EN ssceasrameraris “Triola, M.(2012), Euadiica México: Pearson Kedueacicn, Berenson, M.y Levine, D. (2010), Eada Bsica en Administ, Coneos aplicaio ries Mexicor Prentice Tall Mendenhall Sancich Probl y Badin para Tngenieiay Cencas, Prete Hall. Cua ta Btisin Diag, A. (2013) Estadstica Aplicada als Adwinisracin y Bonamia, Me Grave Hy aicion Beh ssetinsase nner 1. De un conjunto de datos se ha calla fa data que aparece en el enalro deb, {. Ej la ceuaciOn de regresin que exprese la vatiable de respuesta (3) de la carr tidad de nicotina en sérminos de la variable de predicesn (4) de la canted ce alguien, i, Ela a eevacin de regres que exprese a varable de respuesta (9) de la can tidad de nicotina en términor de Ia variable de prediccion (x) de la cantidad de tmondxida de cart Ii, Flij la ecuaei6n de regresén que exprese avaiable de respuesta y) ele fa eat ddl de nicotina en términos de fas variables de prediccion (x) de kxeantiad TS Prec scBD Bese: Precriaemim UNIDAD IV: CORRELACION, REGRESIGN Y CONTROL EsTADISTICO DE PROCESOS Ae alquitrin y Ia cantidadl de mondxio de carbone, yy ‘De las ecuaciones de regresin clegidas en los incisos i) ei), seul esa mejor ‘cevaciGn para predecir la eantidad de nicoina? vida mejor ecuacin de regresio ‘cenaciGn para predecir la cantidad de nicotna? Por quét iemtfieada en ef inca ex una buenst es carbon, p.gg51 0.9533 o.ase a2-0o1N6XI + 5.16525816 pion con Rae ‘oro 9655 0745S OSS y-aMIGGEOEX 1.670808 Aigutn 09614 0982 oats yesmano.oemx —LiTsesEe Ay’) Y-0540+ m0650x 4) ¥=0.1916 -0.0000% 182 -00186X1-0.0818K2 'x) La mejor ecuacién para hacer predicciones esa tercera +) Salo ene wa varie 3) 4) ¥=0.1916 +0.0600x 18) ¥'=0.1540 + 0.06508 1) Y'=0.182-NOLSOX1+0.0815X2 '8) La mejor ecuacién para hacer predicciones esa tercera +) Pore tipo de wariable ©) 8) ¥=0.1540 + 0.0650x 48) ¥=0.1916 0.000% 1) Y=0.182 +0818X2 '8) La mejor ecuaeiGn para hacer predieciones es la primera 1) These mi varibles dependientes D) 1) Y=0.1510-0 0650 48) Y'20.1916:0,0600% 1) ¥=0.182.0.0186X 10.0818 ‘8) La mejor ecuacidn para hacer predicciones esa primera +) Tiene ms variables independientes ) 1) ¥-0.1540 + 0.0050, 18) Y'=0.191650,00008 1) ¥-0.182.00186X1-0.0818%2 '8) La mejor ecuacién para hacer predicciones eI segunda +) Ganiene lis variables ms importantes. 2. Sofia V oF para cada enunciade: 1. Una grifica de rachas fo largo del tempo. 1. Un proceso esti ajo control estat s varia de forma natural en patrones sin cielor 6 puntos fea de To connin, LL La variaciénaleatora se debe al azar, cs cl tipo de variacién inherente a cual Guier proceso que no es eapaz de producir un bien o servicio exactamente dela ‘hist forma cada vex Nea sariacion asignable reslta de cats identfeables como; maquimaria defecruosa empleados ee.