UNIVERSIDAD NACIONAL EXPERIMENTAL DE GUAYANA VICE RECTORADO ACADMICO COORDINACIN GENERAL DE PREGRADO ESTADSTICA Y PROBABILIDAD SECCIN 1

ESTUDIO DE LAS HERRAMIENTAS DE ESTADSTICA Y PROBABILIDAD QUE PERMITEN LA CAPTACIN Y ANLISIS DE INFORMACIN, ESPECFICAMENTE FINANCIERA, ADECUANDO UN ENFOQUE HACIA SU IMPORTANCIA EN LA ADMINISTRACIN DE BANCA Y FINANZAS.

PROFESOR: LIC. ROJAS ARMANDO

BACHILLERES: ABOLIO ARLYN ARTEAGA MARIANGELA CEDEO RANDY OLEAGA GREYSIMAR REYES REDY

CIUDAD BOLVAR, SEPTIEMBRE DEL 2013

TABLA DE CONTENIDO.

Introduccin..3 Espacio muestral de un experimento...4 Calculo del espacio muestral.4 Calculo de la probabilidad de ocurrencia de un evento.5 Probabilidad marginal de un evento.6 Probabilidad conjunta de un evento..7 Probabilidad condicional de un evento....7 Funcin de probabilidad..9 Funcin de distribucin 12 Valor esperado o esperanza matemtica de una variable aleatoria discreta..13 Clculo del valor esperado...14 Varianza de una variable aleatoria discreta..15 Calculo de la varianza...15 Probabilidad de un evento que sigue la distribucin de Poisson...16 Calculo de la probabilidad16 Probabilidad de un evento que sigue una distribucin binomial... .17 Calculo de la probabilidad....18 Probabilidad de un evento que sigue una distribucin normal...19 Calculo de la probabilidad....20 Ecuacin de la recta de regresin lineal para datos agrupados y no agrupados usando el mtodo de los mnimos cuadrados..23 Determinacin de la recta.24 Aplicacin del anlisis de regresin lineal para predecir el valor de una variable asociada a otra...26 Error estndar de estimacin...27 Interpretacin del error estndar.27 Conclusiones..30 Referencias bibliogrficas31

INTRODUCCIN

La estadstica y la probabilidad son ciencias a fines de las matemticas y por tanto, ciencias precisas que tratan de la recoleccin anlisis y procesamiento de datos para conseguir informacin especficamente numrica de cualquier tema que se est estudiando. Vivimos en un mundo de constantes cambios avances, ms especficamente en el mbito financiero cada da se generan millones de transacciones de flujo de efectivo, de inversiones, negociaciones mercantiles. En tal sentido, para los estudiantes de Administracin en Banca y Finanzas es de vital importancia el manejo de las tcnicas y herramientas que aportan estas dos ciencias y que a su vez le permiten al profesional de la administracin conseguir informacin de los cambios monetarios internacionales, fluctuaciones, y las posibilidades de tener xito o fracaso en un posible negocio de inversin.

Por tanto, el presente trabajo monogrfico tiene como principal objetivo el estudio y anlisis de todas las herramientas que nos proporcionan la estadstica y la probabilidad, adems busca generar el entendimiento de su uso en cuanto a posibles circunstancias financieras.

ESPACIO MUESTRAL DE UN EXPERIMENTO: El espacio muestral o espacio de muestreo de un experimento es el grupo de todos los resultados especficos que se pueden obtener tras una experimentacin de carcter aleatorio. A cada uno de sus componentes se los define como puntos mustrales o, simplemente, muestras.

Un ejemplo concreto seria: una prueba basada en arrojar un una moneda, el espacio muestral estar constituido por los puntos mustrales identificados como cara, sello, ya que esos son los resultados posibles de la accin de tirar la moneda. Por lo tanto, se puede establecer que el espacio muestral del experimento es U = {cara, sello}.

CALCULO DEL ESPACIO MUESTRAL: Supongamos que tenemos en una caja 2 manzanas y 3 peras, si se extraen dos frutas de la caja, calcular la probabilidad de que ambas sean manzanas.

Para realizar este clculo antes debemos calcular el espacio muestral, este se calcula con la siguiente formula, llamada formula de la combinacin:

Dnde: n = nmero total de frutas = 2 + 3 = 5 r = nmero de manzanas motivo de probabilidad = 2 ! = es el factorial de cada nmero que lo contenga.

Sustituyendo tenemos:

( )

)(

Entonces el espacio muestral de nuestro experimento es igual a U = 10.

CALCULO DE LA PROBABILIDAD DE OCURRENCIA DE UN EVENTO: La probabilidad de que ocurra un evento, siendo sta una medida de la posibilidad de que un suceso ocurra favorablemente, se determina a travs de un sencillo cociente de los casos favorables al evento entre el espacio muestral del experimento.

Anteriormente calculamos el espacio muestral para el siguiente ejercicio:

Supongamos que tenemos en una caja 2 manzanas y 3 peras, si se extraen dos frutas de la caja, calcular la probabilidad de que ambas sean manzanas.

Habamos calculado el espacio muestral del experimento como U = 10. Entonces debemos ahora calcular el nmero de resultados favorables del experimento, nuevamente con la frmula de la combinacin:

Dnde: n = nmero total de manzanas = 2 r = nmero de manzanas motivo de probabilidad = 2

Sustituyendo tenemos:

( )

El nmero de resultados favorables de nuestro experimento es 1.

Sustituyendo en nuestro cociente tenemos que:

La probabilidad de que salgan 2 manzanas de la caja de frutas es de 1/10, lo cual tambin se puede expresar como: 0,1 10%.

De esta manera se calcula de que ocurra en evento, cabe destacar que La probabilidad de que ocurra un evento se determina de dos formas: empricamente (de manera experimental), que es cuando se usan datos reales o tomados de una muestra, o tericamente (de forma matemtica), que es cuando usamos datos de un posible evento para determinar la probabilidad de que este ocurra, pero en ambos casos el cociente es el mismo.

PROBABILIDAD MARGINAL DE UN EVENTO: La probabilidad marginal de un evento es aquella que se calcula ignorando los datos suministrados por otro evento, es decir:

Que

aunque

tengamos

dos

eventos

(A

B)

relacionados de alguna forma, podemos calcular la probabilidad de cualquiera de estos ignorando al otro. Por ejemplo: ( ) Dnde: n1 y n2: son los puntos mustrales correspondientes al evento B o bien al evento A si fuera el que se estuviera calculando. ns: Es el total de todos los puntos del espacio muestral. ( )

PROBABILIDAD CONJUNTA DE UN EVENTO: Es aquella que calcula la probabilidad de que ocurran dos eventos a la vez y que estn relacionados uno con el otro, es decir:

Supnganse pertenecen

dos al

eventos

B S.

que La

espacio

muestral

probabilidad conjunta de A y B, es la probabilidad de que ocurran el evento A y el evento B de manera simultnea.

Despejando de la expresin dada antes para probabilidad condicional se tiene: P(A B) P(A| B)P(B) o bien: P(A B) P(B | A)P(A)

PROBABILIDAD CONDICIONAL DE UN EVENTO: Como su nombre lo indica se trata de determinar la probabilidad de que ocurra un evento A dado que ya aconteci un evento B, y se representa mediante P(A|B), se lee probabilidad de A dado B o probabilidad de A condicionada a B.

En

la

probabilidad

condicional,

consideramos que de un espacio muestral S se conoce nicamente el evento B, que constituye un espacio muestral reducido.

Pero deseamos saber cul es la probabilidad de que exista en evento A. Como nicamente conocemos el evento B, la probabilidad de que exista A est dada por la posible interseccin del evento A con el evento B.

Por lo tanto la expresin para la probabilidad condicional quedara:

( ( )

Donde n(AB) es el nmero de elementos en la interseccin de A con B y n(B) es el nmero de elementos en el evento B.

EJEMPLOS DE PROBABILIDADES: Para comprender de forma ms clara lo que son los 3 tipos de probabilidades anteriores citaremos el siguiente ejemplo:

En un curso de verano de regularizacin los alumnos inscritos se distribuyen como se muestra en la siguiente tabla:

Primer grado Fsica Qumica Matemticas Totales 46 45 52 143

Segundo grado 35 40 38 113

Tercer grado 30 42 22 94

Totales 111 127 112 350

La probabilidad de que le asignen un alumno de fsica (de cualquier grado) es 111/350, esta es la probabilidad marginal. Ntese que solo se toma en cuenta la asignatura, en este caso obviando el grado. Entonces se realiza el cociente de los alumnos totales de fsica (puntos mustrales del evento) entre todos los alumnos (el total de los puntos de nuestro espacio muestral) A cierto profesor se le asignar aleatoriamente a un alumno. La probabilidad de que le asignen un alumno de primer grado de fsica es de 46/350. Esta es la probabilidad conjunta, en este caso se toman en cuenta la asignatura y el grado pero sin que ninguno de los eventos haya ocurrido con anterioridad. En este sentido se toman solo los alumnos de fsica de primer grado como los puntos

mustrales del evento y se dividen entre el total de los puntos del espacio muestral. Si le asignaron un alumno de qumica, la probabilidad de que ste sea de tercer grado es 42/127. Esta es la probabilidad condicional, donde se calcula la probabilidad de que ocurra un evento a partir del otro que ha ocurrido previamente, en este caso, ya se ha sido asignado un alumno de qumica y se quiere saber cul es la probabilidad de que sea de tercer grado entonces se divide el total de los alumnos de qumica de tercer grado entre el total de los alumnos de qumica que seria los puntos totales del espacio muestral.

FUNCIN DE PROBABILIDAD: La funcin de probabilidad no es ms que aquella diseada con el fin de que al introducir los datos de un evento del que queremos conseguir las probabilidades de ocurrencia y resolver las obtengamos de la forma ms rpida y sencilla posible. Por tanto, se llama funcin de probabilidad de una variable aleatoria discreta X a la aplicacin que asocia a cada valor de x i de la variable su probabilidad pi. Sabiendo que: pi siempre es un nmero entre 0 y 1 La sumatoria de todos los elementos de pi es igual a 1. Ejemplo: Calcular la distribucin de probabilidad de las puntuaciones obtenidas al lanzar un dado. Como al lanzar un dado solo existen 6 resultados posibles (1,2,3,4,5,6), entonces: Cada una de estas se divide entre el nmero total de resultados posibles, es decir, entre el espacio muestral, y la distribucin de probabilidad es la siguiente:

X pi

1 1/6

2 1/6

3 1/6

4 1/6

5 1/6

6 1/6

Total 1

Entonces la probabilidad de que cada uno de los resultados posibles caiga al lanzar el dado es de 0,16 y la sumatoria de estos es igual a 1.

Posibles resultados vs probabilidad de cada uno.

0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 Probabilidad de cad resultado 0.16 0.16 0.16 0.16 0.16 0.16

Posibles resultados

Cuando evento es ms complejo se usa la siguiente funcin:

Dnde: n: es el nmero de pruebas k: es el nmero de xitos p: es la probabilidad del xito q: es la probabilidad de fracaso

En este caso ! = es el factorial del nmero que lo contenga.

Ejemplo: Se extraen dos tornillos al azar de un conjunto de 10 tornillos, cuatro de los cuales estn defectuosos. Encontrar y dibujar la funcin de probabilidad de la variable aleatoria X = nmero de tornillos defectuosos extrados. Como hay 10 tornillos de los cuales 4 son defectuosos y se extraen 2 tornillos al azar (sin reemplazo); entonces, el cardinal del espacio muestra es:

Y X toma los valores del 0 al 2 ya que al extraer dos tornillos slo puede ocurrir que no salga ningn defectuoso, un defectuoso o dos defectuosos, X = {0, 1, 2}. Las probabilidades respectivas son:

De esta forma la distribucin de la probabilidad es la siguiente:

Tornillos defectuosos probabilidad

0 1/3 = 0,33

1 8/15 = 0,53

2 2/15 = 0,13

Total 0,99 1

Grfica:

0.6 0.53 Probabilidad de que sean sacados 0.5 0.4 0.33 0.3

0.2
0.13 0.1 0 0 1 Cantidad de tornillos defectuosos 2

FUNCIN DE DISTRIBUCIN: Sea X una variable aleatoria discreta cuyos valores suponemos ordenados de menor a mayor. Llamaremos funcin de distribucin de la variable X, y escribiremos F(x) a la funcin: F(x) = p(X x) La funcin de distribucin asocia a cada valor de la variable aleatoria la probabilidad acumulada hasta ese valor.

Ejemplo: Calcular la funcin de distribucin de probabilidad de las puntuaciones obtenidas al lanzar un dado.

Aplicando la funcin de distribucin tenemos que: Si tomamos intervalos dentro de todos los nmeros reales de un dado, podemos calcular la posibilidad de que estos puedan salir al lazar el dado, es decir:

Si tomamos los siguientes intervalos, obtendremos los consiguientes resultados:

x x <1

pi 0

1 x < 2 1/6 2 x < 3 2/6 3 x < 4 3/6 4 x < 5 4/6 5 x < 6 5/6 6 x 1

Tenemos que en este ejemplo en el caso de x<1 el resultado arrojado por la funcin de distribucin es 0 (cero) puesto que en el dado no existe nmero alguno que sea menor que 1. Y a medida que avanzamos en los intervalos la probabilidad aumenta porque cada vez hay ms nmeros naturales pertenecientes a un dado con posibilidad de salir.

Es este sentido la funcin de distribucin trabaja con la aproximacin de las cantidades netas para conseguir el resultado que se usara en el cociente dividido por todo el espacio muestral.

VALOR ESPERADO O ESPERANZA MATEMTICA DE UNA VARIABLE ALEATORIA DISCRETA: En estadstica el valor esperado de una variable aleatoria X, es el nmero E(X) que formaliza la idea de valor medio de un fenmeno aleatorio. Cuando la variable aleatoria es discreta, el valor esperado es igual a la suma de la probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho suceso. Por lo tanto, representa la cantidad media que se "espera" como resultado de un experimento aleatorio cuando la probabilidad de cada suceso se mantiene constante y el experimento se repite un elevado nmero de veces. Cabe decir que el valor que toma la esperanza matemtica en algunos casos puede no ser "esperado" en el sentido ms general de la palabra - el valor esperado puede ser improbable o incluso imposible.

CALCULO DEL VALOR ESPERADO:

Ejemplo: El nmero de consultas de los estudiantes va internet respecto a la asignatura de estadstica y probabilidad oscila entre 0 y 6 cada da como se muestra en los siguientes datos:

Consultas Nmero de das 0 1 2 3 4 5 6 3 5 3 6 2 4 4

Calcular el valor esperado. Si llamamos X al nmero de consultas diarias (la primera columna) y f al nmero de das que se producen las consultas dadas (la segunda columna) entonces: n=nmero de datos (es la suma de la segunda columna) = 27

El valor esperado es: E(X) = 1/n*(xi*fi) Entonces: E(X) = 1/n*(xi*fi) = 1/27 * ( 0*3 + 1*5 + 2*3 + 3*6 + 4*2 + 5*4 + 6*4) = 0,037 * (0+5+6+18+8+20+24) = 0,03 + 81 = 2,99 3 E(X)=3 O lo que es lo mismo la media =3

VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA: La varianza de una variable aleatoria es una caracterstica numrica que proporciona una idea de la dispersin de la variable aleatoria respecto de su esperanza. Decimos que es un parmetro de dispersin.

La definicin es la siguiente: ( ) (( ( )) )

Es, por tanto, el promedio terico de las desviaciones cuadrticas de los diferentes valores que puede tomar la variable respecto de su valor medio terico o esperanza.

En el caso de las variables discretas, la expresin se convierte en:

( )

( ( (

) )

CALCULO DE LA VARIANZA: Continuando con el ejemplo anterior:

Tenamos que =3

Var(x)= 1/27* (3*(0-3)+5*(1-3)+3*(2-3)+6*(3-3)+2*(4-3)+4*(5-3)+4*(6-3)) = 0,037 * (0+20+3+0+2+16+36) = 3.8519

De esta forma conseguimos calcular la varianza de una variable aleatoria discreta.

PROBABILIDAD DE UN EVENTO QUE SIGUE UNA DISTRIBUCIN DE POISSON:

En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado nmero de eventos durante cierto periodo de tiempo.

CALCULO DE LA PROBABILIDAD:

La funcin de masa de la distribucin de Poisson es:

Dnde: k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la probabilidad de que el evento suceda precisamente k veces). es un parmetro positivo que representa el nmero de veces que se espera que ocurra el fenmeno durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en promedio 4 veces por minuto y estamos interesados en la probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos, usaremos un modelo de distribucin de Poisson con = 104 = 40. e es la base de los logaritmos naturales (e = 2,71828...)

EJEMPLO:

Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las probabilidades de que reciba: a) cuatro cheques sin fondo en un da dado (x), b) 10 cheques sin fondos en cualquiera de dos das consecutivos. Para calcular a travs de la funcin de poisson solo debemos sustituir los valores dados:

Resolviendo para: a) x = 4; = 6 cheques sin fondo por da y sustituyendo en la frmula ( )( )

P(4 cheques sin fondo en un da dado) = 0,13 O lo que tambin se puede expresar como 13% de probabilidades de que se reciba 4 cheques sin fondo en un da dado.

Resolviendo de igual manera para: b) X=10; = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das consecutivos. ( )( )

P(10 cheques sin fondo en dos das consecutivos) = 0,10 O lo que es igual: 10% de probabilidades de que es dos das consecutivos se reciban 10 cheques sin fondo.

PROBABILIDAD DE UN EVENTO QUE SIGUE UNA DISTRIBUCIN BINOMIAL:

La distribucin Binomial es un caso particular de probabilidad de variable aleatoria discreta, y por sus aplicaciones, es posiblemente la ms importante. Esta distribucin corresponde a la realizacin de un experimento aleatorio que cumple con las siguientes condiciones: * Al realizar el experimento slo son posible dos resultados: el suceso A, llamado xito, o su contrario A, llamado fracaso.

* Al repetir el experimento, el resultado obtenido es independiente de los resultados obtenidos anteriormente. * La probabilidad del suceso A es constante, es decir, no vara de una prueba del experimento a otra. Si llamamos p a la probabilidad de A, p(A) = P, entonces p(A) =1p=q * En cada experimento se realizan n pruebas idnticas. Todo experimento que tenga estas caractersticas se dice que sigue el modelo de la distribucin Binomial o distribucin de Bernoulli. En general, si se tienen n ensayos Bernoulli con probabilidad de xito p y de fracaso q, entonces la distribucin de probabilidad que la modela es la distribucin de probabilidad binomial y su regla de correspondencia es:

( Dnde:

)(

P(X) es la probabilidad de ocurrencia del evento p es la probabilidad de xito del evento q es la probabilidad de fracaso del evento y se define como q=1p X = ocurrencia del evento o xitos deseados n = nmero de intentos

CALCULO DE LA PROBABILIDAD: Cul es la probabilidad de obtener xito en 4 de 6 negocios de inversin? Tenemos que nuestra formula base es:

( Dnde: p = 0.5 y q = 0.5

)(

Ambas 0,5 puesto que en cada negocio de inversin hay la mitad solo dos posibilidades xito (p) o fracaso (q) y cada una tiene el 50% de probabilidad de resultar. X = 4 porque queremos calcular la probabilidad de obtener xito en 4 de los 6 negocios de inversin. n = 6 puesto que es el total de inversiones que se harn.

Al sustituir los valores en la frmula se obtiene:

( ( )( )

( (

( )

)( (

) )

( )

P(4 inversiones exitosas) = 0,23 O lo que es igual, existen 23% de probabilidades de que 4 de los 6 negocios de inversin sean exitosos.

CALCULO DE LA PROBABILIDAD DE UN EVENTO QUE SIGUE UNA DISTRIBUCIN NORMAL:

La distribucin normal es tambin un caso particular de probabilidad de variable aleatoria continua, fue reconocida por primera vez por el francs Abraham de Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855) elabor desarrollos ms profundos y formul la ecuacin de la curva; de ah que tambin se le conozca, ms comnmente, como la "campana de Gauss". La distribucin de una variable normal est completamente determinada por dos parmetros, su media () y su desviacin estndar (). Con esta notacin, la densidad de la normal viene dada por la ecuacin:

Que determina la curva en forma de campana de Gauss:

Existen dos razones bsicas por las cuales la distribucin normal ocupa un lugar tan prominente en la estadstica: Tiene algunas propiedades que la hacen aplicable a un gran nmero de situaciones en la que es necesario hacer inferencias mediante la toma de muestras. La distribucin normal casi se ajusta a las distribuciones de frecuencias reales observadas en muchos fenmenos, incluyendo caractersticas humanas,

resultados de procesos fsicos y muchas otras medidas de inters para los administradores, tanto en el sector pblico como en el privado.

CALCULO DE LA PROBABILIDAD: Ejemplo: Hay un programa de entrenamiento diseado para mejorar la calidad de las habilidades de supervisin de los supervisores de la lnea de produccin. Debido a que el programa es auto administrado, los supervisores requieren un nmero diferente de horas para terminarlo. Un estudio de los participantes anteriores indica que el tiempo medio que se lleva completar el programa es de 500 horas, y que esta variable aleatoria normalmente distribuida tiene una desviacin estndar de 100 horas.

a) Cul es la probabilidad de que un candidato elegido al azar requiera ms de 500 horas para completar el programa de entrenamiento?

b) Cul es la probabilidad de que un candidato elegido al azar se tome entre 500 y 650 horas en completar el programa de entrenamiento?

SOLUCIN: a) Como la media es de 500 horas, y por previos conocimientos sabemos que la media es una medida de tendencia central sabemos que esta es la que divide aquellos participantes que tardan menos de la media a los que tardan ms. Por tanto es de fcil inferencia que las probabilidades de que al escoger un participante al azar este tarde ms de 500 horas estn en el 0,5 o 50%. Como se refleja en el siguiente grafico de campana de Gauss:

b) Para resolver este ejemplo haremos uso de la tabla de distribucin de probabilidad normal estndar.

En este sentido para poder usarla debemos antes determinar el valor de Z; lo cual lo hacemos con la siguiente formula:

Se tiene que: = 500 y = 100 y sustituyendo valores para la obtencin de Z , tenemos: 0,4332 Entonces ubicamos el valor de Z en la tabla:

Z 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8

0.00 0.3413 0.3643 0.3849 0.4032 0.4192 0.4332 0.4452 0.4554 0.4641

0.01 0.3438 0.3665 0.3869 0.4049 0.4207 0.4345 0.4463 0.4564 0.4649

0.02 0.3461 0.3686 0.3888 0.4066 0.4222 0.4357 0.4474 0.4573 0.4656

0.03 0.3485 0.3708 0.3907 0.4082 0.4236 0.4370 0.4484 0.4582 0.4664

0.04 0.3508 0.3729 0.3925 0.4099 0.4251 0.4382 0.4495 0.4591 0.4671

0.05 0.3531 0.3749 0.3944 0.4115 0.4265 0.4394 0.4505 0.4599 0.4678

0.06 0.3554 0.3770 0.3962 0.4131 0.4279 0.4406 0.4515 0.4608 0.4686

0.07 0.3577 0.3790 0.3980 0.4147 0.4292 0.4418 0.4525 0.4616 0.4693

Encontrando una probabilidad de 0.4332.

Por lo tanto, la probabilidad de que un candidato escogido al azar requiera entre 500 y 650 horas para terminar el programa de entrenamiento es de 0.4332 es decir un 43.32%, como lo muestra la siguiente grafica de la campana de Gauss:

ESTUDIO DE LA ECUACIN DE LA RECTA DE REGRESIN LINEAL PARA DATO AGRUPADOS Y NO AGRUPADOS USANDO EL MTODO DE LOS MNIMOS CUADRADOS:

La regresin es un mtodo de anlisis de los datos de la realidad econmica que sirve para poner en evidencia las relaciones que existen entre diversas variables. Para poder realizar esta investigacin, se debe postular una relacin funcional entre las variables. Debido a su simplicidad analtica, la forma funcional que ms se utiliza en la prctica es la relacin lineal. Cuando solo existe una variable independiente, esto se reduce a una lnea recta:

Donde los coeficientes b0 y b1 son parmetros que definen la posicin e inclinacin de la recta. (Ntese que hemos usado el smbolo especial para

representar el valor de Y calculado por la recta. Como veremos, el valor real de Y rara vez coincide exactamente con el valor calculado, por lo que es importante hacer esta distincin.) El parmetro b0, conocido como la ordenada en el origen, nos indi ca cunto es Y cuando X = 0. El parmetro b1, conocido como la pendiente, nos indica cunto aumenta Y por cada aumento de una unidad en X. Nuestro problema consiste en obtener estimaciones de estos coeficientes a partir de una muestra de observaciones sobre las variables Y y X. En el anlisis de regresin, estas estimaciones se obtienen por medio del mtodo de mnimos cuadrados.

DETERMINACIN DE LA RECTA:

Para determinar la recta usaremos un conjunto de datos no agrupados pertenecientes al cuadro 1.

Tenemos que nuestra ecuacin modelo es:

Debemos buscar el valor de b0 y b1 de la siguiente forma: ( ( ) )

Tenemos que el valor de b1 es igual a 0,044674 Ahora: (3450,879)

La siguiente tabla expresa lo necesario para determinar la ecuacin de la recta:

Meses 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 totales

X 3147 3160 3197 3173 3292 3561 4013 4244 4159 3776 3232 3141 2928 3063 3096 3096 3158 3338 3492 4019 4394 4251 3844 3276 3184 3037 3142 3159 3139 3203 3307 3585 4073 113879

X.Y 213,9 673143,3 212,6 671816 215,3 688314,1 215,3 683146,9 215,4 709096,8 228,2 812620,2 245,6 985592,8 259,9 1103015,6 250,9 1043493,1 234,5 885472 205,9 665468,8 202,7 636680,7 198,5 581208 195,6 599122,8 200,4 620438,4 200,1 619509,6 201,5 636337 213,2 711661,6 219,5 766494 243,7 979430,3 262,3 1152546,2 252,3 1072527,3 224,4 862593,6 215,3 705322,8 202,5 644760 200,7 609525,9 201,8 634055,6 202,1 638433,9 200,4 629055,6 209,3 670387,9 213,9 707367,3 227 813795 246,4 1003587,2 7231,1 25216020,3

X^2 9903609 9985600 10220809 10067929 10837264 12680721 16104169 18011536 17297281 14258176 10445824 9865881 8573184 9381969 9585216 9585216 9972964 11142244 12194064 16152361 19307236 18071001 14776336 10732176 10137856 9223369 9872164 9979281 9853321 10259209 10936249 12852225 16589329 398855769

Expresando los resultados en trminos de la recta de regresin, tenemos:

Esta es la ecuacin de la recta de regresin lineal:

APLICACIN DEL ANLISIS DE REGRESIN LINEAL PARA PREDECIR EL VALOR DE UNA VARIABLE ASOCIADA A OTRA:

Ahora una ecuacin de regresin lineal nos permite determinar la variacin de una variable que depende de otra: por ejemplo, en el ejercicio anterior si queremos saber que costo aproximado nos dar un recorrido de 5000 millas para este ejercicio solo debemos sustituir en la ecuacin que ya hemos determinado, as: ( )

Entonces un recorrido de 5000 millas, dara un costo aproximado de 288,33.

Esta es la forma en que la regresin lineal nos permite predecir el valor de una variable que est relacionada o que depende de otra.

ERROR ESTNDAR DE ESTIMACIN:

El error estndar es el trmino utilizado para referirse a una estimacin de la desviacin estndar, derivado de una muestra especial utilizada para calcular la estimacin en las estadsticas. En la ms comn, error estndar es un proceso de estimacin de la desviacin estndar de la distribucin de muestreo asociada con el mtodo de estimacin.

INTERPRETACIN DEL ERROR ESTNDAR Cada estadstica tiene un error estndar asociado. Una medida de la precisin de la estadstica puede deducir que el error estndar de 0 representa que la estadstica tiene ningn error aleatorio y el ms grande representa menos preciso de las estadsticas.

Frmula de error estndar El error estndar de la media (SEM) es la desviacin estndar de la estimacin promedio de muestra de una media de la poblacin. La calculadora de Error estndar utiliza la frmula para calcular que el error estndar de la media es:

Donde SEx = Error estndar de la media s = Desviacin estndar de la media n = Nmero de observaciones de la muestra

CALCULO DEL ERROR ESTNDAR DE INTERPRETACIN: Para comprender de mejor manera lo que es el error estndar procederemos a hacer el analizar los siguientes datos:

Los 50 clientes de la banca de Venezuela ms asiduos son ciudadanos de las edades siguientes:
34 29 54 38 44 41 47 50 45 37 49 90 45 32 69 53 39 66 51 44 74 33 83 58 55 34 80 71 41 68 76 58 73 47 49 45 57 61 45 93 68 51 40 26 65 47 56 50 43 17

Procedemos a tabular los datos:

Xi 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 Fi 1 0 0 0 0 0 0 0 0 1 0 0 1 0 0 1 1

Xi 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 Fi 2 0 0 1 1 1 1 2 0 1 2 4 0 3 0 2 2

Xi 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 Fi 2 0 1 1 1 1 1 2 0 0 1 0 0 0 1 1 0

Xi 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 Fi 2 1 0 1 0 1 1 0 1 0 0 0 1 0 0 1 0

Xi 85 86 87 88 89 90 91 92 93 Fi 0 0 0 0 0 1 0 0 1

Conseguimos nuestro intervalo de clase:

Realizamos nuestra tabla respectiva:

Podemos calcular ya lo que es nuestra varianza que es en este caso lo que nos importa para el estudio del error estndar:

Desviacin tpica:

Ahora concluyendo podemos determinar cul fue el error estndar:

El resultado del error estndar en este caso es de 2,3 por tanto, se podra decir que para este estudio el margen de error ha sido muy bajo, es decir ha habido bastante precisin.

CONCLUSIONES.

La presente obra ha sido el resultado de la investigacin y el anlisis y clasificacin de la informacin obtenida en cuanto al tema que hemos tratado, por tanto podeos dar por terminado el estudio con las siguientes conclusiones: La estadstica y la probabilidad son ciencias que basan sus estudios en la precisin y la exactitud de los resultados que arrojan. Estas ramas de las matemticas son parte importante en el desarrollo acadmico y profesional de cada estudiante de Banca y Finanzas, pues nos permiten obtener informacin de situaciones y fenmenos que se presenten en el mbito financiero y mercantil a partir de datos concretos de estos. Ayudan a tener mayor base en el momento determinado de tomar una decisin administrativa que pueda afectar a una posible organizacin. A pesar del avance tecnolgico actual, donde podemos realizar todos esto procedimientos de manera as eficaz y eficiente es importante que todo profesional de la banca y finanzas tenga claro cmo hacer uso de los mtodos estadsticos y de probabilidad de forma manual.

REFERENCIAS BIBLIOGRFICAS.

DAVID S. MOORE, ESTADSTICA APLICADA BSICA, SEGUNDA EDICIN, EDITOR: ANTONI BOSCH, AO 2000.

MICHAEL J. EVANS, JEFFREY S. ROSENTHAL,

PROBABILIDAD Y

ESTADSTICA, SEGUNDA EDICIN, EDITORIAL REVERTE S.A, BARCELONA ESPAA, AO 2004. CHARLES T., EL ESPACIO MUESTRAL, ABRIL DEL 2011, [ONLINE], DISPONIBLE EN: HTTP:// WWW.DITUTOR.COM/PROBABILIDAD/ESPACIO _MUESTRAL.HTML MARIO H, CALCULO DE PROBABILIDADES, JUNIO DEL 2012, [ONLINE], DISPONIBLE EN: HTTP://WWW. PROFESORENLINEA.CL/MATEMATICA /PROBABILIDADCALCULO.HTM