Unidad 1 Inferencia estadstica y pruebas de hiptesis

Alumno: Jesus Brigido Carrasco

Aula: 104

1.1
Muestreo y distribucin de muestreo aplicados a situaciones
cotidianas
Una meta comn e importante de la materia de estadstica es la siguiente:
aprender acerca de un grupo grande examinando los datos de algunos de sus
miembros. En dicho contexto los trminos muestra y poblacin adquieren
importancia. Las definiciones formales de trminos bsicos se presentan a
continuacin:
a.
Datos son las observaciones recolectadas (como mediciones, gneros,
respuestas de encuestas)
b.
Estadstica es un conjunto de mtodos para planear estudios y
experimentos, obtener datos y luego organizar, resumir, presentar, analizar,
interpretar y llegar a conclusiones basadas en los datos
c.
Poblacin es el conjunto completo de todos los elementos (puntuaciones,
personas, medidas, etc.) que se va a estudiar. El conjunto es completo porque
incluye a todos los sujetos que se estudiarn.
d.

Censo es el conjunto de datos de cada uno de los miembros de la poblacin

e.

Muestra es un subconjunto de miembros seleccionados de una poblacin

Se trata de utilizar datos mustrales para hacer inferencias (o generalizaciones)

sobre una poblacin completa.
Los datos cuantitativos consisten en nmeros que representan conteos o
mediciones, se pueden clasificar en:
Datos discretos: Resultan cuando el nmero de valores posibles es un
nmero finito o un nmero que puede contarse, ejemplo: nmero de huevos que
ponen las gallinas, nmero de latas.
Datos continuos: Resultan de un infinito de posibles valores que
corresponden a alguna escala continua que cubre un rango de valores sin huecos,
interrupciones o saltos, ejemplo: cantidades de leche que producen las vacas, el
volumen real de la bebida de coca cola.
Los datos cualitativos (o categricos o de atributo) se dividen en diferentes
categoras que se distinguen por algunas caractersticas no numricas.
Otra forma de comn de clasificar los datos consiste en usas 4 niveles de
medicin: nominal, ordinal, de intervalo y de razn.
La escala nominal: en algunos casos los atributos de inters o las variables
consisten en nombres o etiquetas, y las observaciones (mediciones) nicamente

se puede clasificar, los datos no se pueden acomodar en un esquema de orden.

En esta escala consiste en asignar smbolos que pueden ser letras, nombre o
incluso nmeros (sin que haya relaciones matemticas), sin embargo, se puede
contar el nmero de observaciones de cada clase o categora, y utilizar las
frecuencias o porcentajes de las categoras en alguna actividad de presentacin o
anlisis.

La escala ordinal: al igual que en la escala nominal, la medicin consiste en

asignar smbolos que pueden ser letras, nombres o incluso nmeros. Ejemplos de
datos que corresponden a esta escala son las encuestas que hacen los sitios de
internet, en las que se pide categorizar una pelcula, un artculo publicado por ellos
o una opinin respecto de una propuesta de ley. En esta escala se puede
distinguir una relacin entre las clasificaciones ya que un excelente es mejor que
muy bueno y as sucesivamente, por consiguiente no es posible determinar
diferencias entre los valores de los datos o tales diferencias carecen de
significado.
La escala de intervalo: posee todas las caractersticas de la escala ordinal, con la
propiedad adicional de que los nombres o smbolos asignados son generalmente
nmeros, y la diferencia entre dos de ellos da resultados significativos, ya que hay
una unidad de medida comn y constante. Un ejemplo de medicin con escala de
intervalo es la lectura de temperaturas, que se pueden ordenar fcilmente pero
tambin se pueden determinar las diferencias y darle un sentido, ms sin
embargo, los datos en este nivel no tienen punto de partida cero natural inherente.
La escala de razn: es el nivel de medicin ms alto; tiene todas las
caractersticas de la escala de intervalo, pero, adems, tiene un punto cero natural
o terico. Por consiguiente, adems de las diferencias y las sumas, la
multiplicacin y divisin de los datos tienen significado numrico racional, el punto
cero refleja la ausencia de esa caracterstica.
Un censo comprende el examen de todos los elementos de un determinado grupo
mientras que el muestreo comprende el anlisis de una pequea parte de ellos. El
objeto del muestreo es establecer generalizaciones con respecto a un grupo total
de elementos sin tener que examinarlos uno por uno.
La parte del grupo de elementos que se examinan recibe el nombre de muestra, y
el grupo total a partir del cual se seleccion la muestra se conoce como poblacin
o universo. Los elementos que forman una poblacin pueden ser personas,
empresas, productos manufacturados, inventarios, escuelas, ciudades,
calificaciones escolares, precios o cualquier otra cosa que se pueda medir, contar
o jerarquizar.
Las ventajas del muestreo con respecto al censo son:

a.

Que es ms econmico

b.

Se realiza con mayor rapidez

c.

Se puede realizar ms frecuente y detalladamente

d.

Se puede estimar la confiabilidad de la informacin

Limitaciones:
a.

Lleva implcito un riesgo de error

b.
Requiere mayor preparacin del personal, pues usa instrumentos ms
refinados

Muestreo no probabilstico:

Por facilidad de acceso: cuando se muestra solo aquellos elementos a los

que se puede accesar fcilmente, con lo que los de difcil acceso nunca sern
elegidos.

Intencional: si la muestra se elige por un experto conocedor de la poblacin

de manera objetiva tendr generalmente una precisin muy alta. Es muy difcil
medir si existen tendencias personales. Cuando se tiene una poblacin pequea
pero heterognea, el investigador inspecciona la totalidad de sta y selecciona
una muestra que considera representativa. El investigador selecciona una muestra

que considera representativa; es decir, elementos que a su parecer estn

cercanos al promedio de la poblacin.

Por cuotas: Se eligen elementos hasta completar una cuota preestablecida

sin seguir ningn mtodo especificado de seleccin, con lo que solo se incluirn
solo los n primeros elementos o solo los que existan en determinado lugar. Se
utiliza para sondeos de intencin de voto y en las investigaciones de mercado.

Auto selectivo: La muestra se toma con la gente que voluntariamente

responde a un peridico, una revista, internet, radio o televisin.
Muestreo probabilstico:
Muestreo aleatorio simple

Es el proceso por el cual, los elementos de la muestra son escogidos en

forma individual y directamente a travs de un procedimiento aleatorio en el cual
todos y cada uno de los elementos de la poblacin tienen la misma probabilidad
de ser seleccionados.

Se recomienda su uso para poblaciones relativamente pequeas y

distribuidas en un rea reducida para evitar los gastos de traslado

Tcnica del muestreo:

Identificar a todos los elementos del marco del muestreo (poblacin),

asocindoles un nmero nico.

A travs de un procedimiento que garantice la obtencin de una muestra

aleatoria, elegir a los elementos de la poblacin que conformarn la muestra

Revisar a los elementos seleccionados, para obtener de ellos los datos

relevantes que permitan cumplir el objetivo del muestreo

Realizar los clculos necesarios para poder establecer las conclusiones

Los mecanismos que se utilizan para garantizar la aleatorizacin son:

La urna y su tcnica es la siguiente:

Colocar en una urna tantos papelitos o pelotitas marcados con los nmeros
del uno al tamao de la poblacin (N)

Revolver muy bien el contenido de la urna

Extraer tantos papelitos o pelotitas que se deseen en la muestra

Tabla de nmero aleatorios y su tcnica es la siguiente:

Determinar el nmero de dgitos a utilizar

Ejercicio
1.- En un lote de frascos para medicina, con una poblacin de 8000
unidades, se desea estimar la media de la capacidad en centmetros cbicos
de los mismos.

A travs de un pre muestreo de tamao 35 se ha estimado que la desviacin

estndar es de 2 centmetros cbicos. Si queremos tener una precisin 0.25 cms3,
y un nivel de significancia del 5%. De qu tamao debe de ser la muestra?
DATOS:
S = 2 cms3; N = 8000; d = 0.25 cms3; a = 0.05 (5%)
Za/2= 1.96

N Za/2S

8000(1.96)(2)

n = -------------- = --------------------------- = 238 frascos

Nd + Za/2S

8000(0.25) + (1.96)(2)

Solo faltara muestrear 203 frascos, pues los datos de los 35 frascos del pre
muestreo siguen siendo vlidos.

1.2 PRUEBAS DE HIPTESIS

Muchos problemas requieren que se decida si una afirmacin o supuesto acerca
de algn parmetro es verdadera o falsa. Al supuesto generalmente se le

denomina hiptesis, y al procedimiento de toma de decisin acerca de la verdad o

falsedad de esta se le denomina prueba de hiptesis.
HIPTESIS ESTADSTICAS
Una hiptesis estadstica es un supuesto acerca de algn parmetro o de la
distribucin probabilstica de una variable aleatoria. Las hiptesis son siempre
supuestos acerca de la poblacin o distribucin que se est estudiando, no
declaraciones acerca de la muestra.
Para probar la hiptesis se debe tomar una muestra aleatoria, calcular un
estadstico de prueba adecuado a partir de datos mustrales, y utilizar entonces la
informacin contenida en el valor de este estadstico de prueba para tomar una
decisin.
Las tcnicas que se analizarn aqu se pueden clasificar en:
Pruebas Clsicas, en su mayora suponen normalidad en la poblacin, y
necesitan estimar un parmetro como estadstico de prueba para establecer la
conclusin
Pruebas Paramtricas de Distribucin Libre, no necesitan el supuesto de
normalidad en la poblacin, pero su conclusin la establecen estimando un
parmetro, y
Pruebas No Paramtricas, no exigen el supuesto de normalidad en la poblacin, y
toman la decisin sin estimar un parmetro de la poblacin.
ELECCIN DE LA HIPTESIS NULA Y LA HIPTESIS ALTERNATIVA.
Los procedimientos para llevar a cabo la comprobacin de una hiptesis
estadstica establecen que se debe plantear en dos resultados mutuamente
excluyentes y totalmente exhaustivos conocidos como Hiptesis Nula (H0) e
Hiptesis Alternativa (H1), en uno se pondr que el supuesto es cierto y en el otro
supuesto es falso. As mismo la estructura de la prueba dice que la posicin es
aceptar H0 como verdadera, hasta que las pruebas en su contra sean lo
suficientemente claras para rechazarla.
Esto plantea que la eleccin de que se pondr en H0 debe hacerse
cuidadosamente de manera que esto disminuya la probabilidad de error. As la
eleccin depende de un anlisis cuidadoso del problema a resolver, un
planteamiento que en la mayora de los casos da buenos resultados es
seleccionar como hiptesis alternativa aquello que deseamos probar y su
negacin o complemento como la hiptesis nula.
Debido a que la decisin de aceptar o rechazar a H0 se basa en un estadstico de
prueba calculado a partir de una muestra aleatoria, est sujeta a error. Pueden
cometerse dos tipos de error:

Errores Tipo I y Tipo II.

HO es verdadera
Rechazar H0

Error tipo I

Aceptar H0

No hay error
(decisin correcta)

H0 es falsa
No hay error
(decisin correcta)
Error tipo II

La potencia de la prueba es la probabilidad de rechazar una hiptesis nula falsa

correctamente. Convencionalmente todas las conclusiones deben plantearse
sobre H0.
Pasos para Desarrollar una Prueba de Hiptesis.
1. Se expresa el problema en trminos de algn parmetro poblacional.
2. Se elige H0 y H1 de acuerdo al problema.
3. Se establece, a criterio, el valor de a.
4. Se calcula la zona crtica o de rechazo, a partir de tablas de la distribucin
muestral correspondiente.
5. Se extrae la muestra aleatoria.
6. Se calcula el estadstico de prueba.
7. Se toma la decisin comparando el valor del estadstico de prueba con la zona
crtica.
HIPTESIS UNILATERALES Y BILATERALES.
Los tipos de problemas de prueba de hiptesis que se pueden plantear son:
bilaterales o unilaterales. Los problemas para los cuales una hiptesis alternativa
bilateral es adecuada, no presentan, para el analista, realmente una eleccin del
planteamiento. Esto es, para probarla es importante detectar valores del verdadero
parmetro q que podran ser mayores o menores que , simblicamente:

Muchos problemas de prueba de hiptesis involucran de manera natural una

hiptesis alternativa unilateral. Aqu si es muy importante realizar una adecuada
seleccin de H0. Existen dos modelos diferentes que pueden emplearse para
hiptesis unilaterales:

PRUEBA DE HIPTESIS SOBRE , CON 2 CONOCIDA.

Por el teorema central de lmite no requiere del supuesto de normalidad en la
poblacin. La varianza 2, es conocida de estudios anteriores, o aun cuando se
calcula, si la muestra es grande, se considera como poblacional.
El procedimiento emplea el estadstico de prueba:

El cual sigue una distribucin normal estndar, a travs de la cual se puede

determinar la zona de rechazo o tambin llamada zona crtica.
Dependiendo del tipo de prueba de hiptesis planteada ser la zona crtica:

PRUEBA DE HIPTESIS SOBRE DE UNA DISTRIBUCIN NORMAL, CON 2

DESCONOCIDA.
Debido que ahora 2 es desconocida, deber suponerse que X se distribuya
normalmente a fin de poder usar como estadstico de prueba:

El cual sigue la distribucin t-Student con n- l grados de libertad, la cual se utiliza

para determinar la zona de rechazo o zona crtica. Enseguida se muestran las
pruebas de hiptesis que se pueden plantear y su correspondiente zona de
rechazo:

Ejercicio del 1.2

1.- Una empresa est interesada en lanzar un nuevo producto al mercado. Tras
realizar una campaa publicitaria, se toma la muestra de 1 000 habitantes, de los
cuales, 25 no conocan el producto. A un nivel de significacin del 1% apoya el
estudio las siguientes hiptesis?
a. Ms del 3% de la poblacin no conoce el nuevo producto.
b. Menos del 2% de la poblacin no conoce el nuevo producto
Datos:
n = 1000
x = 25

Dnde:
x = ocurrencias
n = observaciones
= proporcin de la muestra
= proporcin propuesta
Solucin:
a)

a = 0,01

H0 es aceptada, ya que z prueba (-0,93) es menor que z tabla (2,326), por lo que
no es cierto que ms del 3% de la poblacin no conoce el nuevo producto.
1.3 ANOVA (Anlisis de Varianza)
Las pruebas de hiptesis son una herramienta til cuando se trata de comparar
dos tratamientos. La experimentacin usualmente requiere comparacin de ms
de dos tratamientos simultneamente, es all donde se introduce Anova (teniendo
en cuenta que es un procedimiento para anlisis de factores cualitativos).
El anlisis de varianza se deriva de la particin de la variabilidad total en las partes
que la componen. ANOVA establece que la variabilidad total en los datos, medida
por la suma de cuadrados total, puede ser dividida en una suma de cuadrados de
la diferencia entre los promedios de los tratamientos y el gran promedio total ms
una suma de cuadrados de la diferencia de las observaciones entre tratamientos
del promedio del tratamiento. Anova, nos da la herramienta para distinguir si un
factor afecta la respuesta en promedio.
Anova mira los promedios de cada nivel contra el promedio general y lo llama
entre tratamientos. Anova queda con dos estimados de varianza, dentro y entre los
niveles; con estos, saca un cociente, si las 2 varianzas se parecen, es decir, el
cociente es aproximadamente 1, el factor no tiene ningn impacto en la respuesta,
pero si este cociente resulta ser grande, entonces el factor tiene mucho impacto
en la respuesta.

1.- En un experimento se compararon tres mtodos de ensear un idioma

extranjero; para evaluar la instruccin, se administr una prueba de vocabulario de
50 preguntas a los 24 estudiantes del experimento repartidos de a ocho por grupo.
a) Cul es la variable respuesta y la explicativa en este estudio? Respuesta: La
variable respuesta es el puntaje en la prueba de vocabulario La variable
explicativa son los mtodos de enseanza (auditivo, traduccin y combinado). Es
un factor con 3 niveles. b) Complete la tabla de ANOVA: Tabla de anlisis de
varianza (ANOVA)

Ejercicios del 1.3

Suma de
cuadrados
Intergrupos
Intragrupos
Total

Gl

Media
cuadrtica
323.792

Sig.
.002

21
1460.958

Tabla resuelta de Anova

Intergrupos

Suma de
cuadrados

Gl

Media
cuadrtica

Sig.

647.584

323.792

8.360

.002

813.374

21

38.732

1460.958

23

Intra-grupos

total

Unidad 2 Anlisis de regresin lineal y mltiple

2.1 Estimacin mediante la lnea de regresin

Cuando se tiene una variable, llamada dependiente, cuyos resultados son un valor
promedio de una funcin de una o ms variables no aleatorias, llamadas
independientes (el concepto de independencia y dependencia se establece en
trminos matemticos, no probabilstico), se tiene que recurrir a un tipo de
tcnicas que permitan modelar esta situacin.
Existen dos formas de obtener estos modelos: funciones determinsticas, y
funciones probabilsticas, nuestro inters es sobre estos ltimos. Aunque para
fines prcticos, si el error es despreciable se deben de usar los determinsticos,
pero si se quiere estimar el error se deben usar los probabilsticos, a pesar de que
no representen exactamente a la realidad.
Si la funcin es de tipo lineal, en la cual el exponente de las variables
independientes no es mayor de uno, el modelo se denomina de regresin lineal, si
no es el caso entra en lo que se denomina superficies de respuesta.

Si solo existe una variable independiente se llama simple y si son dos o ms

variables independientes se les llama mltiple.
MODELO DE REGRESIN LINEAL SIMPLE
Cuando se busca un modelo en el cual se tiene una sola variable independiente, y
esta es una funcin lineal, el modelo se puede expresar de la forma:

Dnde:
es el error aleatorio con media cero y la misma varianza de la poblacin, que
representa todas las variables que no entran en el modelo, por no poderse incluir a
todas y afectar mnimamente a Y, lo que hace que no sea una representacin
exacta de la realidad.
La tcnica que se mostrar a continuacin, estima a los parmetros de este
modelo usando la tcnica que se conoce como mnimos cuadrados. Los
supuestos en que se requieren para aplicar esta tcnica son:

La variable dependiente es una variable aleatoria, cuyo valor promedio est

determinado por la variable independiente.
La relacin entre las variables dependiente e independiente es lineal.
Las varianzas de las distribuciones condicionales de la variable
dependiente, para diversos valores de la variable independiente, son
iguales. Propiedad llamada Homoscedasticidad.

Si se desea realizar estimacin por intervalos, se debe cumplir adicionalmente con

el supuesto de:

Las distribuciones condicionales de la variable dependiente, para diversos

valores de la variable independiente, son todas distribuciones normales
para la poblacin de valores.

Tcnica:
1. Dibujar un diagrama de dispersin, el cual permite una primera aproximacin
para averiguar si se cumplen algunos de los supuestos del modelo.

2. Calcular los valores de los parmetros en base a las frmulas establecidas

al ajustar el modelo por mnimos cuadrados.
3. Realizar los clculos necesarios para efectuar las inferencias que se deseen
(estimacin puntual, estimacin por intervalos, prueba de hiptesis).
4. Evaluar lo adecuado del modelo para el problema analizado.
Al aplicarse esta tcnica se debe tener mucho cuidado al elegir las variables,
ya que la aparente dependencia que exista entre X y Y, se puede deber a que
ambas son dependientes de una tercera variable que no se encuentre
contenida en el anlisis.

Ejercicio 2.1 Hallar las rectas de regresin y representarlas.

x i y

xi2

yi2

16

16

16

16

20

25

16

24

36

16

36

36

36

28

49

16

42

49

36

56

64

49

1
0

90

10
0

81

1
0

1
0

100

10
0

10
0

7
2

6
0

431

50
4

38
0

xi

yi

1 Hallamos las medias aritmticas .

2 Calculamos la covarianza .

3 Calculamos las varianzas .

4Recta de regresin de Y sobre X.

4Recta de regresin de X sobre Y.

2.2 Diagrama de dispersin.

Un diagrama de dispersin 0 grfica de dispersin o grfico de dispersin es
un tipo de diagrama matemtico que utiliza las coordenadas cartesianas para
mostrar los valores de dos variables para un conjunto de datos. Los datos se
muestran como un conjunto de puntos, cada uno con el valor de una variable
que determina la posicin en el eje horizontal (x) y el valor de la otra variable
determinado por la posicin en el eje vertical (y).
Se emplea cuando una variable est bajo el control del experimentador. Si
existe un parmetro que se incrementa o disminuye de forma sistemtica por el
experimentador, se le denomina parmetro de control o variable independiente
y habitualmente se representa a lo largo del eje horizontal (eje de las
abscisas). La variable medida o dependiente usualmente se representa a lo
largo del eje vertical (eje de las ordenadas). Si no existe una variable
dependiente, cualquier variable se puede representar en cada eje y el
diagrama de dispersin mostrar el grado de correlacin (no causalidad) entre
las dos variables.

Un diagrama de dispersin puede sugerir varios tipos de correlaciones entre

las variables con un intervalo de confianza determinado. La correlacin puede
ser positiva (aumento), negativa (descenso), o nula (las variables no estn
correlacionadas). Se puede dibujar una lnea de ajuste (llamada tambin "lnea
de tendencia") con el fin de estudiar la correlacin entre las variables. Una
ecuacin para la correlacin entre las variables puede ser determinada por
procedimientos de ajuste. Para una correlacin lineal, el procedimiento de
ajuste es conocido como regresin lineal y garantiza una solucin correcta en
un tiempo finito.

Uno de los aspectos ms poderosos de un grfico de dispersin, sin embargo,

es su capacidad para mostrar las relaciones no lineales entre las variables.
Adems, si los datos son representados por un modelo de mezcla de
relaciones simples, estas relaciones son visualmente evidentes como patrones
superpuestos.

El diagrama de dispersin es una de las herramientas bsicas de control de

calidad, que incluyen adems el histograma, el diagrama de Pareto, la hoja de
verificacin, los grficos de control, el diagrama de Ishikawa y el diagrama de
flujo.

Ejercicio 2.2 trazar un diagrama de dispersin

Trazar una grfica de dispersin
Las notas de 12 alumnos de una clase en Matemticas y Fsica son las
siguientes:
Matemticas 2 3
10

10

Fsica1

10

2.3 Mtodos de mnimos cuadrados

Al aplicar la tcnica de ajuste por mnimos cuadrados, la cual minimiza la
diferencia entre las observaciones y la recta ajustada, se establece que la
ecuacin resultante para estimar los parmetros de la recta son:

El estimador de la varianza tambin se muestra en las frmulas anteriores. Las

sumas de cuadrados necesarias para efectuar los clculos anteriores se muestran
enseguida:

Ejercicio 2.3
Resuelva el siguiente problema de mnimos cuadrados y calcule el error de
mnimos cuadrados para el sistema:

Trace los puntos en un plano coordenado.

2.4 Interpretacin del error estndar de la estimacin.

El error estndar de la estimacin mide la variabilidad, o dispersin de los valores

observados alrededor de la lnea de regresin.
Si el error estndar de estimacin es igual a cero (0), se espera que la ecuacin
de estimacin ( = a + bx) sea un estimador perfecto de la variable dependiente y
todos los puntos en el diagrama de dispersin deben estar concentrados alrededor
de la lnea recta de regresin.

2.4 Ejercicio de la interpretacin del error estndar

2.5 Intervalos de prediccin

Un intervalo de prediccin es un intervalo elaborado con una serie de datos de las

muestras de modo que contenga observaciones futuras.

Validacin del Modelo De Regresin.

Es necesario realizar algunas pruebas, que permitan juzgar ms objetivamente lo
adecuado del modelo de regresin, una vez que se han obtenido los datos. Uno
de ellos es el anlisis de los residuales:

Las pruebas que se hacen sobre el residual son:

Para probar que se distribuye como una normal estndar, graficndolos

en papel normal o estandarizndolos (se divide cada residual entre la raz
cuadrada del CME), para verificar que el 95% de ellos caen en el intervalo
de (-2, +2).
Se pueden adicionalmente graficar como una serie de tiempo, contra los
valores estimados de y, contra la variable independiente. Los tipos de
grficas que pueden ocurrir se muestran a continuacin:

En la primera figura se muestra la situacin normal, el resto muestra situaciones

no adecuadas. En la segunda se observa que la varianza no es constante, la
tercera indica que se debe agregar un trmino adicional al modelo, y la ltima que
la relacin no es lineal por lo que se debe usar un modelo de orden ms alto.

Ejercicio 2.5 calcular el intervalo de prediccin del siguiente problema

Ejercicio: El ndice de resistencia a la rotura, expresado en kg, de un
determinado tipo de cuerda sigue una distribucin Normal con desviacin tpica
15.6 kg. Con una muestra de 5 de estas cuerdas, seleccionadas al azar, se
obtuvieron los siguientes ndices: 280, 240, 270, 285, 270.
a) Obtenga un intervalo de confianza para la media del ndice de resistencia a
la rotura de este tipo de cuerdas, utilizando un nivel de confianza del 95%.
b) Si, con el mismo nivel de confianza, se desea obtener un error mximo en la
estimacin de la media de 5 kg, ser suficiente con elegir una muestra de 30
cuerdas? (Propuesto (Propuesto para selectividad Andaluca 2005) (Propuesto
para selectividad Andaluca 2005) selectividad Andaluca 2005)

solucin: X = ndice de resistencia a la rotura ; X N( ; 15,6) ; es decir =

15,6 ; n = tamao muestral = 5 La media muestral es x = 280 240 270 285
270 5 + + + + = 269 a) Nivel de confianza = 1 = 0,95 ; = 0,05; Intervalo
de confianza I = ( x - E , x +E) , siendo E = z/2 . N Sabemos que (z/2) = p
(Z < z) =/2) = 1- 2 = 1- 0, 05 2 = 0,975; usando la tabla de la distribucin Z
N = (0,1), obtenemos z/2 = 1,96 Luego E = 1,96. 15, 6 5 = 13,674; I = (269
13,674; 269 + 13,674); I= (255,326 255,326 255,326; 282,674)

2.6 Anlisis de correlacin

Coeficiente de Determinacin.
Adicionalmente se puede utilizar el coeficiente de determinacin para medir el
grado de ajuste del modelo, despus de probar que s es adecuado. Pero este
coeficiente debe ser usado con precaucin ya que este tiende a 1, lo cual significa
que el modelo es totalmente adecuado, con solo agregar trminos al modelo, lo
cual no siempre significa que sea adecuado, ya que se puede haber incrementado
el cuadrado medio del error. Este coeficiente se puede calcular mediante:

CORRELACIN.
Si tenemos un problema de regresin lineal, pero ambas variables tanto la
dependiente como las variables independientes son aleatorias, esto permite
suponer que las observaciones de y x son variables aleatorias conjuntas de la
distribucin f(x, y).
La forma de determinar los parmetros del modelo son las mismas que se
plantearon anteriormente usando el mtodo de mnimos cuadrados, considerando
a y x como variables aleatorias normales independientes con media
y
varianza constante
Adicionalmente a lo planteado en regresin lineal, es posible realizar inferencias
sobre el coeficiente de correlacin r, cuyo estimador es r:

Este coeficiente mide la asociacin lineal entre y x, es decir, el cambio que y tiene
por cambios en x. As mismo, se puede establecer una prueba de hiptesis para
probar si el modelo no es adecuado, que equivale a probar si el coeficiente de
correlacin es igual a cero.
A continuacin se muestra la hiptesis, el estadstico de prueba y la zona crtica.

Ejercicio 2.6 anlisis de correlacin

Se seleccion una muestra de 12 casas vendidas la semana pasada en una
ciudad de EUA. Puede concluirse que a medida que aumenta la extensin del
inmueble (indicada en miles de pies cuadrados), el precio de venta (en miles de
dlares) aumenta tambin

2.7 Anlisis de regresin mltiple y correlacin

En la mayora de problemas de investigacin donde se aplica el anlisis de
regresin, se necesita ms de una variable independiente en el modelo de
regresin. La complejidad de la mayora de mecanismos cientficos es tal que, con
la finalidad de predecir una respuesta importante, se requiere un modelo de

regresin mltiple. Cuando este modelo es lineal en los coeficientes se denomina

modelo de regresin lineal mltiple. La respuesta estimada se obtiene a partir de
la ecuacin de regresin muestral
^y =b 0+ b1 x1 ++ bk x k
Donde cada coeficiente de regresin i es estimado por vi de los datos mustrales
usando el mtodo de los mnimos cuadrados. Como en el caso de una sola
variable independiente, es frecuente que el modelo de regresin lineal sea una
representacin adecuada de una estructura ms complicada dentro de ciertos
rangos de las variables independientes.
Modelo de regresin lineal o bien,
y i= 0 + 1 x 1 i+ 2 x2 i ++ k x ki + i
y i=^
y i +e i=b 0+ b1 x 1 i +b2 x 2i ++ bk x ki +e i
Donde m y ei son los errores aleatorio y residual, respectivamente, asociados con
yi .
la respuesta y y con el valor ajustado ^
i

Como en el caso de la regresin lineal simple, se supone que los m son

independientes, y estn distribuidos en forma idntica con media cero y varianza
comn.
Al usar el concepto de mnimos cuadrados para obtener los estimadores b 0, b1,.,
bk, minimizamos la expresin
n

SSE= e = ( y ib0 b1 x1 ib2 x 2 ib k x ki )

i=1

2
i

i=1

Que se deriva con respecto de b0, b1,,bk, para igualar el resultado a cero y
generar el conjunto de k+1 ecuaciones normales de estimacin para la regresin
lineal mltiple.
Modelo de regresin lineal con el empleo de matrices
Al ajustar un modelo de regresin lineal mltiple, en particular cuando el nmero
de variables es mayor que dos, el dominio de la teora de matrices facilita en forma
considerable las manipulaciones matemticas. Suponga que el experimentador
tiene k variables independientes x 1, x2,,xk y n observaciones y1, y2,, yn, cada
una de las cuales puede expresarse con la ecuacin
y i= 0 + 1 x 1 i+ 2 x2 i ++ k x ki + i

Este modelo representa en esencia a n ecuaciones que describen cmo se

generan los valores de la respuesta durante el proceso cientfico. El resultado se
reduce a la solucin b en
(XX) b = Xy
Observe la naturaleza de la matriz X. Adems del elemento inicial, el i-simo
rengln representa los valores de x que dan lugar a la respuesta y i. Queda:

'

A= X X =

i=1
n

i=1
n

i=1
n

x 21 i

x 1 i x 2 i x1 i x ki

x 1 i x2 i . x ki

n
n

x1 i
i=1
n

i=1
n

i=1
n

i=1
n

x ki x ki x 1i x ki x 2 i x 2ki
i=1

i=1

i=1

i=1

[ ]
n

g0= y i
i=1

g= X ' y= g 1= x 1 i y 1 i
i=1
n

g1= x ki y i
i=1

Las ecuaciones normales pueden escribirse en forma matricial como

Ab = g
Si la matriz A es no singular, la solucin para los coeficientes de regresin se
escribe como:
b=A-1g=(XX)-1Xy
As obtenemos la ecuacin de prediccin o regresin al resolver un conjunto de k
+ 1 ecuaciones con un nmero igual de incgnitas. Esto implica que se invierta la
matriz XX de orden k + 1.
Cuando se utiliza ms de una variable independiente en un anlisis de correlacin,
se aplica el trmino anlisis de correlacin mltiple. En general cuando se ajusta
un modelo estadstico a una nube de puntos, una medida de la bondad del ajuste
es el coeficiente de determinacin, definido por

SSR es la suma de cuadrados de la regresin

n

1
SSR= b i gi
n
i=1

( )
i =1

yi

SST es la suma de cuadrados total

SST =
i =1

1
y
n
2
i

( )
i=1

yi

SSE es la suma de cuadrados de los residuales

SSE= y bi g i
i=1

2
i

i=1

Sin embargo, el coeficiente mltiple de determinacin R 2 tiene una gran

desventaja: a mayor nmero de variables incluidas, R 2 se incrementa. (R2 podra
permanecer igual, pero suele incrementarse). La R 2 ms grande se obtiene por el
simple hecho de incluir todas las variables disponibles, pero la mejor ecuacin de
regresin mltiple no necesariamente utiliza todas las variables disponibles. A
causa de esta desventaja, la comparacin de diferentes ecuaciones de regresin
mltiple se logra mejor con el coeficiente ajustado de determinacin, que es R 2
ajustada para el nmero de variables y el tamao de la muestra.

R2 ajustada=1

( n1 )
( 1R2 )
[ n( k +1 ) ]

N=tamao muestral, k=nmero de variables de prediccin o regresoras (x)

El coeficiente ajustado de determinacin es el coeficiente mltiple de
determinacin R2 modificado para justificar el nmero de variables y el tamao de
la muestra.

2.8 Residuales y graficas de residuales

Como se ha indicado anteriormente, el anlisis de los residuos es bsico para

chequear si se verifican las hiptesis del modelo de regresin. Por ello, a
continuacin se exponen las propiedades matemticas de los mismos.
Considrese el modelo de regresin lineal mltiple

Los residuos mnimo-cuadrticos vienen dados por

o en forma matricial

-1

Como = H , siendo H = X
que la matriz H es impotente
= - = -H =
= X + -HX -H =

=
,

Xt la matriz de proyeccin ortogonal. Es fcil probar

y simtrica
. En base a esto

Donde se utiliz que HX = X. Se calcula la matriz de varianzas de los residuos,

Por tanto, ei es una variable aleatoria con distribucin

(9.9)
Donde hui es el valor de influencia de que mide la distancia estadstica de i. a
. Un residuo grande indica que la observacin est lejos del modelo estimado y,
por tanto, la prediccin de esta observacin es mala. Las observaciones con
residuos grandes se denominan observaciones atpicas o heterogneas
(outliers).
.
i

Como los residuos tienen varianza variable y son dimensionados (tienen las
unidades de la variable Y), normalmente se tipifican

Los residuos tipificados siguen una distribucin normal estndar, pero como 2 es
desconocido, se sustituye por su estimador, la varianza residual R2 y se obtienen
los residuos estandarizados, definidos como
(9.11)
Por la hiptesis de normalidad los residuos estandarizados siguen una distribucin
t con ngrados de libertad. Como ya se indic en el estudio del modelo de
regresin lineal simple, en el clculo de ri existe el problema de que hay una
relacin de dependencia entre el numerador y el denominador de ri. Para evitar
esto, con mayor esfuerzo computacional, se calcula para cada i, i = 1,..., n, el
estimador R, la varianza residual del modelo de regresin obtenido a partir de la
muestra en la que se ha eliminado la observacin
. Ahora se definen
los residuos estudentizados como
(9.12)
Los residuos estudentizados siguen una distribucin t con
grados de
libertad. Si el tamao muestral
es grande, los residuos estandarizados y los

estudentizados son casi iguales y muy informativos, pudindose considerar

grandes los residuos estandarizados tales que > 2.
Con los residuos estandarizados o estudentizados se pueden construir los
siguientes grficos de inters:
El grfico de dispersin matricial, de todas las variables del modelo
(respuesta y regresoras). En el estudio de un modelo de regresin lineal
mltiple es el primer grfico que se debe observar. Proporciona una primera
idea de la existencia de relacin lineal o de otro tipo entre la respuesta y las
regresoras y tambin da una idea de posibles relaciones lineales entre las
variables regresoras, lo que crea problemas de multicolinealidad.

El grfico de dispersin matricial para los datos del Ejemplo 7.1. Se representa en
la Figura 9.2.

Figura 9.2. Grfico matricial con los datos del Ejemplo 7.1.
El histograma de los residuos, que sirve para observar la existencia de
normalidad, simetra y detectar observaciones atpicas.
El grfico probabilstico de normalidad (p-p y q -q) y el grfico de simetra,
que permite contrastar la normalidad (simetra) de la distribucin de los
residuos.

El grfico de residuos
diferentes problemas:

frente a las predicciones

, que permite detectar

Heterocedasticidad, la varianza no es constante y se deben de transformar los

datos (la variable Y) o aplicar mnimos cuadrados ponderados.
Error en el anlisis, se ha realizado mal el ajuste y se verifica que los residuos
negativos se corresponden con los valores pequeos i y los errores positivos
se corresponden con los valores grandes de i, o al revs.
El modelo es inadecuado por falta de linealidad y se deben de transformar los
datos o introducir nuevas variables que pueden ser cuadrados de las
existentes o productos de las mismas. O bien se deben introducir nuevas
variables explicativas.
Existencia de observaciones atpicas o puntos extremos.
Tener en cuenta que se debe utilizar el grfico de residuos
frente a las
predicciones
en lugar del grfico de residuos
frente a las
observaciones
porque las variables e estn correladas, mientras que
las variables e no lo estn.

El grfico de residuos
frente a una variable explicativa
, permite
deducir si la existencia de heterocedasticidad o la falta de linealidad en el
modelo son debidas a la variable explicativa representada.
Grficos de este tipo son los representados en las Figuras 9.3 y 9.4. En la
primera de ellas se observa que la relacin con la variable xj no es lineal y,
probablemente, un ajuste cuadrtico sea adecuado, tambin se tendran dudas
acerca de la homocedasticidad del modelo.

Figura 9.3. Grfico de residuos frente a variable regresora. Ajuste no lineal.

2.8 ejemplo de grafica de residuales

Grfico de residuales parciales para

Grfico de residuales parciales para

2.9 Interpretacin del intervalo de confianza

Una de las inferencias ms tiles que se pueden hacer respecto de la calidad de la
respuesta predicha y correspondiente a los valores x 10, x20,xk0 es el intervalo de
confianza sobre la respuesta media y| x10, x20,xk0
Un intervalo de confianza para la respuesta media es:

'

'

y x10, x 20, xk 0< ^

y 0+ t /2 s x 0 ( X X ) x 0

y 0 t /2 s x '0 ( X ' X ) x 0 <

^
Donde t/2 es un valor de la distribucin t con n-k-1 grados de libertad
Es frecuente que la cantidad

s x '0 ( X ' X ) x 0

se denomina error estndar de la

prediccin.
Igual que en el caso de la regresin lineal simple, se necesita distinguir con
claridad entre el intervalo de confianza sobre la respuesta media y el intervalo de
prediccin sobre una respuesta observada. Esta ltima proporciona una frontera
dentro de la cual puede decirse que caer una respuesta nueva observada, con el
grado preseleccionado de certidumbre.
Un intervalo de prediccin para una sola respuesta y 0 est dado por:

'

'

y x10, x 20, xk 0< ^

y 0+ t /2 s 1+ x 0 ( X X ) x 0

y 0 t /2 s 1+ x '0 ( X ' X ) x 0 <

^
Donde t/2 es un valor de la distribucin t con n-k-1 grados de libertad
Para la ecuacin de regresin lineal un estimador insesgado de 2 est dado por
el error o media cuadrtica residual
s 2=

SSE
nk1

Ejercicio 2.9
1- Los tiempos de reaccin, en mili segundos, de 17 sujetos frente a una matriz de
15 estmulos fueron los siguientes: 448, 460, 514, 488, 592, 490, 507, 513, 492,
534, 523, 452, 464, 562, 584, 507, 461
Suponiendo que el tiempo de reaccin se distribuye Normalmente, determine un
intervalo de confianza para la media a un nivel de confianza del 95%.
Solucin:
Mediante los clculos bsicos obtenemos que la media muestral vale 505,35 y la
desviacin tpica 42,54.
Buscando en las tablas de la t de Student con 16 grados de libertad, obtenemos
que el valor que deja por debajo una probabilidad de 0,975 es 2,12
Sustituyendo estos valores en la expresin del intervalo de confianza de la media
tenemos:
(505,35 - 2,12 42,54 / 4 ,, 505,35 + 2,12 42,54 / 4)

Operando
(482,80 ,, 527,90)

2.10 Uso del coeficiente de determinacin mltiple

Con frecuencia hemos observado la relacin que existe entre una variable y otra
(correlacin bivarible) lo cual nos permite, en algunos casos, predecir los valores
de una variable a partir de los valores observados en la otra. Por ejemplo: se ha
encontrado que las calificaciones que un estudiante obtiene en una prueba de
ingreso a la universidad se correlacionan con las calificaciones que el alumno
obtiene en su programa acadmico; siendo as se podra intentar predecir la
calificacin final del estudiante.
Pero el mundo de la educacin es muy complejo y difcilmente podemos atribuir a
una sola variable los resultados en otra; la realidad nos obliga a reconocer que
para predecir con mayor precisin las calificaciones finales del estudiante, es
necesario observar e integrar en la prediccin otras variables que tambin puedan
estar relacionadas.
Un esfuerzo de este tipo implica la observacin de ms de dos variables al mismo
tiempo y en el caso de una observacin correlacional, requiere de un
procedimiento que permita pesar el grado de impacto que cada una de las
variables observadas puede tener sobre los resultados de la prediccin. Por
ejemplo, sabemos que el precio de la colegiatura en una institucin est
determinado por varias variables: costo de los servicios pblicos, renta del local,
gastos indirectos, tamao y caractersticas del personal que labora en la
institucin, etc. Tambin sabemos que estas variables antes mencionadas no
tienen la misma importancia al momento de determinar el costo de la colegiatura,
por lo que diramos que hay que ponderar el impacto que cada una tendra sobre
el costo de la colegiatura.
En el procedimiento de correlacin mltiple se procura construir la mejor
combinacin del peso que cada variable simple aporta en la medicin de la
variable que se observa. Y esta mejor combinacin sin duda tendr una mayor
correlacin con la variable observada que la correlacin que pueda tener
cualquiera de las variables simples de manera independiente.
Como podemos suponer, el coeficiente beta puede ayudarnos a comprender la
importancia de una variable en la forma como se comporta el variable criterio
(principal); que a mayor valor beta mayor impacto tiene en la forma como varia el
valor de la variable criterio o viceversa. Pero si deseamos conocer la contribucin
(importancia) relativa de las variables predictores en la variabilidad criterio, lo
podemos determinar elevando al cuadrado los respectivos coeficientes beta. Esto
no dice nada respecto a la contribucin absoluta de cada variable predictora, slo

presenta su importancia relativa. Por ejemplo: Siendo el coeficiente beta de la

variable edad .53 mientras que el coeficiente beta de la variable nivel acadmico
es de .22 al correlacionarlas con la variable criterio gradacin del lente, se puede
elevar al cuadrado ambos coeficientes obtenindose para edad una beta cuadrado
de.2809 y para nivel acadmico .0484 lo que significa que la edad contribuye cinco
veces ms a la variabilidad de la variable gradacin que lo que contribuye la
variable nivel acadmico, dentro de una investigacin en particular.
De la manera como en las correlaciones simples, al elevar al cuadrado el
coeficiente de correlacin entre dos variables, se determina la proporcin de la
varianza en una de las variables atribuible o predecible a partir de otra, el valor R
elevado al cuadrado R2 representa la proporcin de la varianza en la variable
criterio que puede ser predicha a partir la varianza conjunta de las variables
predictoras.
En fin, el concepto de regresin mltiple es una ampliacin del concepto de
regresin simple entre dos variables. En lugar de usarse una variable predictora
para estimar los valores en una variable criterio, se hace uso de varias variables
predictoras. Un ejemplo puede ser predecir el promedio de las calificaciones en la
universidad a partir de variables predictoras como promedio en el colegio
secundario, puntaje obtenido en una prueba estandarizada de aptitud, ingreso
familiar, resultado obtenido en algunos exmenes de ingreso a la universidad, etc.
Esto conduce a una ecuacin cuya forma general es:
^y =a+b1X1+b2X2+b3X3+...+bkXk.
Donde y es el valor predicho del variable criterio y los valores de a y los
coeficientes b sern determinados a partir de los datos ofrecidos por la muestra.
Esta ecuacin no representa una lnea como en el caso de la regresin simple
sino que representa diversos planos de un espacio multi-dimensional. Los valores
de a y b representan la mejor solucin en valores a fin de que la suma de los
cuadrados de la diferencia entre la y observada y la y predicha -S (y-y)2- sea lo
mnimo.
Ejemplo del 2.10
El coeficiente de determinacin
o coeficiente de correlacin mltiple al
cuadrado, es una medida descriptiva que sirve para evaluar la bondad de ajuste
del modelo a lo datos, ya que mide la capacidad predictiva del modelo ajustado. Se
define como el cociente entre la variabilidad explicada por la regresin y la
variabilidad total, esto es:

Algunas otras formas de presentar el coeficiente de determinacin son:

Algunas de las equivalencias anteriores pueden verse a partir de la demostracin

de

El coeficiente de determinacin mltiple, es una generalizacin del valor de

definida en la leccin de R cuadrado definida para una lnea recta.

Utilidad
Se utiliza para medir la reduccin en la variabilidad total de

debido a la inclusin

de las variables regresoras

. Un valor grande de
no
necesariamente implica que el modelo es bueno. Adicionar variables al modelo
siempre incrementa el valor de

, ya sea que las variables contribuyan o no al

modelo. Es posible que modelos con valor de

prediccin o estimacin.

grande sean malos en la

OBSERVACIONES
1.

mide la correlacin entre

2. Si existe error puro, es imposible que

manera en que podra dar
de los datos en el cual
prctica,
3. Si

esto

modelo
4.

es

alcance el valor de . La nica

, sera que se tuviera un perfecto ajuste

, lo cual es un improbable evento en la

si

(suponiendo

ha sido ajustado), entonces

que

el

es

Una medida de la utilidad de los trminos en el modelo diferentes de

La estadstica R2 ajustada
Como alternativa al uso de
como medida de la idoneidad de un modelo, es
comn que se informe el coeficiente de determinacin mltiple ajustado, denotado
por

. Esta dado por

Se observa que

toma en cuenta ("ajusta por") tanto el tamao de la muestra

como el nmero de parmetros del modelo.

Siempre es menor que

y lo que

es ms importante, no puede "forzarse" hacia con slo agregar ms y ms

variables independientes al modelo. Por ello, algunos analistas prefieren el valor
ms conservador de
modelo.

cuando deben elegir una medida de la idoneidad de un

Tenga en cuenta que:

La estadstica
y
son medidas descriptivas, y no debemos depender
nicamente de sus valores para decidir si un modelo es til o no para predecir la
variable respuesta

Ejemplo

Para los datos del ejemplo se tiene que

Lo cual significa que el

Ahora el valor de

de la variabilidad total es explicado por el modelo.

es

Unidad 3 series de tiempo

3.1 Nmeros ndices

Los nmeros ndices son una forma importante de resumir el cambio de que
experimentan las variables econmicas durante cierto perodo. Tales nmeros
indican el cambio relativo en precio, cantidad o valor en algn punto anterior en el
tiempo (perodo base) y usualmente, el perodo actual, por ejemplo, cuando el
ama de casa observa que una barra de pan cuesta el doble que hace diez aos,
en realidad est utilizando un tipo de nmero ndice.
Cuando solamente est comprendido un solo producto o mercanca se llama
ndice simple, en tanto que una comparacin que comprende un grupo de
elementos recibe el nombre de ndice compuesto. Por ejemplo, adems de la
barra de pan, un comprador puede razonablemente incluir en la comparacin,
precios de artculos tales como leche, mantequilla, carne molida, lechuga y frijoles.
Algunos de estos artculos pueden haber registrado aumentos considerables en el
precio; otros, cambios muy pequeos y algunos otros incluso pueden haber
reducido de precio. El objeto de utilizar un ndice compuesto sera el de resumir

los cambios totales de precio en lo referente a esta serie de productos

comestibles.
Los negocios y las industrias tambin enfrentan situaciones en las que se requiere
de alguna forma de tratar dichos cambios. Asimismo, se experimentan cambios en
los precios y cantidades de las materias primas, productos semielaborados,
refacciones, suministros, mano de obra, combustibles y ventas. Los nmeros
ndices les ofrecen una forma de medir tales cambios.
En sentido estricto, no es necesario que los nmeros ndices se refieran
nicamente a comparaciones entre diferentes perodos; tambin se pueden utilizar
para comparaciones dentro del mismo marco de referencia temporal. Por ejemplo,
la comparacin de tasas de desercin entre las escuelas de una ciudad, o bien,
una comparacin de las tasas de criminalidad, costos de vivienda, o gastos de
alimentacin entre diferentes ciudades comprenden comparaciones espaciales o
en el espacio.
Existen 3clasificaciones de los nmeros ndices utilizados en economa y en
administracin: ndices de precio, de cantidad y de valor, tambin estn el ndice
de precios al consumidor, el de Dow-Jones, el de precios al mayoreo y el de
produccin industrial.

Los nmeros ndices simples que utilizan un perodo base comn reciben el
nombre de relativos de base fija. Otro tipo de nmero ndice, llamado relativo de
enlace concentra la atencin en los cambios anuales.
Los nmeros ndices compuestos se utilizan para indicar el cambio relativo en
precio, cantidad o valor de un grupo de elementos o mercancas. Por ejemplo,
usted podra preguntarse si, en general, los precios de los comestibles se han
elevado, pero otros se han reducido. Qu puede decirse en trminos globales?
Para saber la respuesta es necesario examinar una combinacin de artculos en
lugar de considerarlos de manera aislada. Se consideran dos mtodos para
obtener nmeros ndices compuestos:
1.
Mtodo de agregados ponderados.- se quiere saber hasta qu grado los
cambios en valor se deben a cambios en el precio, sin tener que considerar
cambios en cantidades
2.
Mtodo del promedio ponderado de relativos.- el trabajar con datos
publicados, algunas veces no se dispone de los precios y cantidades originales, en
vez de ello, se proporcionan los relativos, que son los que se utilizan.
Los nmeros ndices son intentos burdos para captar y apreciar el cambio
econmico. Existen peligros inherentes al utilizar e interpretar dichos indicadores.
Por ejemplo, los cambios en calidad y la frecuente introduccin de nuevos

productos (calculadoras, televisores a color, minicomputadoras, etc.) alteran las

comparaciones efectuadas en perodos prolongados.
Ejemplo 3.1
Supongamos que deseamos estudiar la evolucin del precio del kilogramo de
azcar entre dos aos consecutivos. 1985 y 1986. En el primer ao, 1985, el
precio del kilogramos (kg) de azcar era de 75 pesetas; en el ao siguiente, 1986,
el precio fue de 97 pesetas.
Evidentemente, la medida ms sencilla de la variacin en el precio sera hallar la
diferencia entre los dos datos, con lo que se obtendra que el precio ha subido:
95 - 75 = 22
Pero un dato de este tipo nos proporcionara muy poca informacin. Por qu?
Porque lo importante es comparar la subida con el valor inicial. Es decir, no tendra
el mismo significado que el precio hubiese pasado de 75 a 97 pesetas, que si lo
hubiese hecho de 1 a 23 pesetas. En uno y otros casos, la subida es la misma, 22
pesetas, pero en el segundo es mucho ms importante, puesto que se parte de
una valor inicial ms bajo.

Lo lgico es, entonces examinar la variacin en proporcin al valor inicial, y, por

ello, la forma usual de elaborar un ndice consiste en asignar al valor de la
magnitud en el perodo inicial un valor ficticio de 100 y hallar los correspondientes
a cada perodo sucesivo, mediante una regla de tres. En el ejemplo anterior, si
igualamos a 100 el dato de 1985, el dato de 1986 equivaldra a:
100
De donde:
X = 97. 100 = 129,3
75
Es decir, que lo que vala 100 en el ao 1985, vale 129,3 en 1986. Anlogamente,
si el precio hubiera pasado de 1 a 23, el ndice sera:

I = 23 . 100 = 2.300
Es decir, lo que costaba 100 en el perodo inicial, cuesta ahora 2.300.
De esta manera, se consigue plasmar la idea de que la variacin ha sido ms
importante en el segundo caso, aunque la variacin en pesetas sea la misma.

3.2 Importancia del pronstico en los negocios

Los pronsticos son predicciones de lo que puede suceder o esperar, son
premisas o suposiciones bsicas en que se basan la planeacin y la toma de
decisiones.
Algunos escritores consideran que los modelos de pronsticos son tcnicas de la
ciencia administrativa por varias razones: muchos mtodos de pronsticos se
apoyan en tcnicas matemticas complejas; el pronstico se necesita como
elemento de otros modelos y algunos pronsticos son una ayuda esencial en la
planeacin y solucin de problemas.
En realidad, los pronsticos no slo se utilizan como elemento de los modelos de
solucin de problemas mediante la ciencia administrativa, sino que establecen
adems las premisas a partir de las cuales se elaboran los planes y controles.
Dos grandes tipos de pronsticos se emplean como premisas de planeacin:
1) Los pronsticos de eventos que no sern influenciados por la organizacin.
2) Los pronsticos de eventos que sern influenciados al menos en parte, por el
comportamiento de la organizacin.
Ciertas variables bsicas de carcter econmico y social no son afectadas por el
comportamiento de la organizacin. As, los gerentes no necesitan tener en cuenta
las posibles acciones de su empresa cuando efectan predicciones sobre dichas
variables. En cambio, investigarn los principales indicadores de nivel gerencial,
entre ellos las estadsticas de comercio en la recopilacin de la informacin que
necesitan. Por ejemplo: Si los administradores quieren decidir si deben ampliar los
servicios de su universidad, las estadsticas federales les darn alguna idea de las
tendencias de inscripcin universitaria a largo plazo.
Los pronsticos en que repercute el comportamiento de una organizacin son ms
difciles, pues requieren suposiciones acerca de sus acciones y tambin
suposiciones referentes a eventos que escapan a su control. Por ejemplo: Un
pronstico de ventas comienza como un objetivo de la compaa. En el proceso de
planeacin, los anlisis de los gerentes sobre las acciones previstas de la
compaa y sobre las respuestas probables de los competidores pueden indicar
que los objetivos de ventas no se alcanzarn si no se modifican los programas y
polticas actuales.
Dada la importancia de predecir las futuras tendencias econmicas y de ventas,
hay dos mtodos fundamentales que se utilizan en estas reas. (Pronstico
cualitativo y pronstico cuantitativo).
Pronstico cualitativo. Este mtodo es apropiado cuando los datos confiables son
escasos o difciles de emplear. Por ejemplo: Cuando se introduce un nuevo

producto o tecnologa, la experiencia pasada no constituye un criterio seguro para

estimar cules sern los efectos a corto plazo.
Este pronstico implica el uso de juicios subjetivos y esquemas de clasificacin
para transformar la informacin cualitativa en estimaciones cuantitativas.

Pronstico cuantitativo. Este hace una extrapolacin del pasado o se utiliza

cuando se cuenta con suficientes datos estadsticos o confiables para especificar
las relaciones existentes entre variables fundamentales.
El pronstico basado en la extrapolacin, como un anlisis de series de tiempo,
recurre a las tendencias pasadas o presentes a fin de proyectar los
acontecimientos futuros. As, los registros de ventas en los ltimos aos podran
servir para proyectar el patrn de ventas para el prximo ao.
El pronstico cualitativo no exige datos numricos ni estadsticos en la misma
forma que el cuantitativo. Este ltimo puede aplicarse si se cuenta con informacin
sobre el pasado, si se le puede especificar numricamente y si es posible suponer
que continuar el patrn del pasado.
Los elementos del pronstico cualitativo son sobre todo, resultado del
pensamiento intuitivo, el juicio, y la acumulacin de conocimientos.
Los pronsticos son una forma de predecir lo que ocurrir en un futuro cuando
tenemos ciertos datos y cierta tendencia, as mismo sus aplicaciones no slo son
administrativas; es decir, no slo son utilizados para conocer las ventas futuras de
una empresa.
Existen innumerables usos de los pronsticos como son en la ciencia y tecnologa,
en la salud, en el desarrollo de nuevos productos, en los estudios de mercado, en
la economa, etc.
Un principio fundamental en las empresas es la racionalizacin de los recursos,
hoy en da ninguna empresa se puede dar el lujo de despilfarrar el dinero y mucho
menos cuando se enfrenta a una coyuntura como la actual. Las empresas que
reaccionan ms rpido son las que ms oportunidades tienen de salir a flote y
perdurar. Cuando vivimos pocas de abundancia, la racionalizacin de recursos y
las identificaciones de puntos de optimizacin no son la prioridad. Al contrario,
cuando nos enfrentamos a tiempo de vacas flacas, la optimizacin de los
recursos se convierte en una obligacin y prcticamente en un factor de
subsistencia.

Ejemplo del 3.2

Un pronstico acertado y una adecuada planeacin controlar los costos de las

cantidades a comprar y producir, tambin contribuye a realizar una mejor
planeacin de la distribucin.

Sin embargo hay que tener en cuenta que el pronstico por si solo no es la clave
del xito pues de nada sirve tener el pronstico ms exacto si este no es
comunicado oportunamente a las reas operativas para la toma de decisiones
sobre cmo van a utilizar los recursos con que cuentan.

Luego la velocidad con la que se generan los pronsticos y el proceso de

comunicacin en la empresa sern actores principales en el logro de los objetivos
establecidos.
Importancia del pronstico en los negocios
Los pronsticos son predicciones de lo que puede suceder o esperar, son
premisas o suposiciones bsicas en que se basan la planeacin y la toma de
decisiones.
Pronstico cualitativo.
Este mtodo es apropiado cuando los datos confiables son escasos o difciles de
emplear. Por ejemplo: Cuando se introduce un nuevo producto o tecnologa, la
experiencia pasada no constituye un criterio seguro para estimar cules sern los
efectos a corto plazo.
Pronstico cuantitativo. Este hace una extrapolacin del pasado o se utiliza
cuando se cuenta con suficientes datos estadsticos o confiables para especificar
las relaciones existentes entre variables fundamentales.
Clasificacin respecto al tiempo
1. Pronsticos a corto plazo: En las empresas modernas, este tipo de pronstico
se efecta cada mes o menos, y su tiempo de planeacin tiene vigencia de un
ao.

3.3 Enfoque clsico a la tendencia, el ciclo y la estacionalidad.

Una serie cronolgica es un conjunto de observaciones (ordenado en trminos de
tiempo). Algunos ejemplos de series cronolgicas seran aspectos tales como los
registros de precipitacin pluvial diaria, las ventas semanales, el producto nacional
bruto trimestral, mediciones de la temperatura y presin sangunea de un enfermo
llevadas a cabo en un hospital cada hora, las pruebas de electrocardiograma y

electroencefalograma realizadas como parte de un examen fsico de rutina y el

control por radar del lanzamiento de una nave espacial.
El objeto de analizar tales datos es determinar si se presentan ciertos patrones o
pautas no aleatorias. Algunas veces se trata de descubrir patrones no aleatorios
que se puedan utilizar para predecir el futuro. Por ejemplo, los pronsticos de
ventas es un caso en el que se analizan los datos del pasado, con la esperanza de
encontrar algo que sea til para predecir la demanda futura.
El trmino tendencia se refiere a un desplazamiento de los datos de modo
uniforme y suave, a largo plazo, hacia arriba o hacia abajo. Las tendencias se
pueden relacionar con aspectos tales como cambios en la poblacin (quiz
influidos por el incremento de personas jubiladas o la disminucin en la tasa de
natalidad), el establecimiento o abolicin del servicio militar, cambios en las
preferencias del consumidor, aumentos en el nfasis sobre la conservacin de
energa, etc. Existe un patrn cclico cuando las fluctuaciones muestran cierto
grado de regularidad. Los economistas han encontrado modelos cclicos en la
demanda de productos duraderos y de tipo agrcola, inventarios de las empresas,
precios en el mercado de valores, as como en la prosperidad. Asimismo, existen
pruebas de que las manchas solares, la lluvia y ciertas poblaciones animales
presentan patrones cclicos. Los ciclos tienden a variar en trminos de regularidad,
siendo algunos completamente regulares y otros un poco ms inconstantes. Aun
entre los expertos existe poco acuerdo sobre las causas o remedios para estos
ciclos.
Las variaciones estacionales son cclicas y de plazo relativamente corto (un ao o
menos), las cules a menudo se relacionan con el cambio de estaciones (clima) o
con las vacaciones. Por ejemplo, hay modelos estacionales en las ventas de
artculos deportivos que se utilizan principalmente en una estacin, como esques,
trineos, lanchas, equipo de pesca, etc. Las tarjetas de felicitacin, los libros de
texto, la ropa, los automviles y el equipo de jardinera tambin presentan
patrones estacionales en sus ventas.
Las variaciones irregulares se componen de cosas tales como desastres, huelgas
y todo lo restante despus de haber considerado los primeros tres factores.
En el modelo clsico, el mtodo consiste en descomponer una serie cronolgica
en cada uno de estos componentes bsicos de variacin, analizar cada
componente en forma separada y combinar despus las series a fin de describir
las variaciones observadas en la variable en estudio. El proceso de
descomposicin comprende la separacin sistemtica de cada componente a
partir de los datos, empezando con la tendencia
Existen dos variaciones del modelo clsico. Una recibe el nombre de multiplicativo
y la otra, de aditivo. La primera de stas considera a una serie cronolgica como si
fuera la resultante del producto de los componentes individuales, en tanto que la

ltima la considera como si fuera la resultante de la suma de los componentes

individuales. De este modo, el modelo multiplicativo tiene la forma:
Y=T x C x E x I
El modo aditivo adquiere la forma:
Y=T + C + E + I
T= componente de la tendencia
C= componente cclico
E= componente estacional
I= componente irregular
En ambos modelos, la cifra de la tendencia es una cantidad real (por ejemplo,
20000 bushel (unidad de medida de capacidad para mercanca slida en los
pases anglosajones se utiliza en el comercio de granos, harinas y otros)). En el
modelo aditivo C, E, e I, tambin son cantidades reales, pero en el modelo
multiplicativo C, E, e I se expresan como porcentajes de la tendencia. El criterio
fundamental que se debe seguir en el caso de una situacin dada es utilizar el
modelo que mejor se ajuste a los datos.
Ejemplo del 3.3
El enfoque clsico del modelado de series de tiempo, est basado en el hecho de
que un
Modelo general para cualquier serie estacionaria no determinstica es el auto
regresivo promedio Mvil de orden
Ejemplos del 3.3
Movimientos estacionales

MOVIMIENTOS CCLICOS

3.4 Anlisis de tendencia y medicin de la variacin.

La tendencia secular se refiere a desplazamientos de los datos a largo plazo hacia
arriba o hacia abajo. Existen dos objetivos bsicos para aislar el componente de la
tendencia de una serie cronolgica. Uno es identificar la tendencia y utilizarla, por
ejemplo al hacer una prediccin o pronstico. El otro consiste en eliminar la
tendencia, de manera que se puedan estudiar los otros componentes de una serie
cronolgica. As, en trminos de predicciones, la investigacin de la tendencia
puede proporcionar cierta idea con respecto a la direccin a largo plazo de una
serie de tiempo.
Para la mayora de las empresas, la direccin de largo plazo de la demanda es de
importancia vital, adems, tambin las tendencias en variables tales como el

crecimiento de la poblacin, el dficit gubernamental, los impuestos, climas y

aspectos similares son fuerte de inters y merecen ser analizadas
Aislamiento de la tendencia mediante el anlisis de regresin
La tendencia puede ser lineal o curvilnea. Generalmente el crecimiento de un
producto o industria sigue una pauta curvilnea, sin embargo, hay muchos
ejemplos en los que un modelo lineal es adecuado
En este caso se considera a la variable x (tiempo) como independiente e Y
(valores observados) como dependiente, y las llamamos t y Yt respectivamente

3.5 Anlisis, medicin y ajustes en las variaciones cclicas y estacionales.

Las variaciones cclicas son de tipo peridico y presentan ms de un ao de
duracin. Comnmente, tales variaciones no se pueden apartar de las de
naturaleza irregular, por lo que se analizarn juntas. Para aislar la variaciones
cclicas, las otras variaciones (de tendencia y estacionales) se deben separar de
los datos de las series cronolgicas. Las variaciones estacionales se suprimen en
forma efectiva utilizando cifras anuales (ya que las variaciones estacionales se
definen como ciclos de un ao o menos duracin, las cifras anuales no mostrarn
fluctuaciones estacionales), o bien (al analizar cifras mensuales), utilizando un
promedio mvil de doce meses.
Para eliminar la tendencia se requiere obtener una recta (o curva) de tendencia.
Esto se puede realizar utilizando una ecuacin de regresin o un promedio mvil
de largo plazo. La eliminacin de la tendencia a partir de los datos depende de si
se utiliza el modelo aditivo o el multiplicativo. En el primero, cada observacin se
resta del valor correspondiente de la tendencia. El resultado es una serie de
desviaciones con respecto a sta.
El mtodo para eliminar la tendencia en los datos cuando se utiliza un modelo
multiplicativo, dada una ecuacin de regresin lineal para los datos, los datos
originales estn divididos entre el valor de regresin con respecto al tiempo y
multiplicados despus por 100. El resultado es que cada observacin se expresa
como un porcentaje de la tendencia. Si los ciclos presentan irregularidades, se
podra utilizar un promedio mvil para alisarlos, a fin de obtener una mejor imagen
de las variaciones cclicas.
Las fluctuaciones estacionales son variaciones que se repiten regularmente en un
perodo de un ao. Existen dos objetivos generales para aislar el componente
estacional de una serie cronolgica. El primero es eliminar ese patrn, a fin de
estudiar las fluctuaciones cclicas. La segunda finalidad es identificar factores
estacionales, de manera que se puedan considerar en la toma de decisiones. Por

ejemplo, si una compaa productora se da cuenta de que existen fluctuaciones

estacionales en la demanda de un determinado producto, es posible que desee
ajustar sus presupuestos, programas de produccin, mano de obra e inventarios,
teniendo esto en mente. Por lo general, tales ajustes resultan muy costosos. Por
ejemplo, la compaa puede buscar un producto complementario el cual presente
variaciones estacionales en su demanda opuestas a las del mismo. La demanda
de esques para nieve y para agua puede presentar dichos patrones. De manera
similar, la demanda de equipo de calefaccin, as como la de equipo para aire
acondicionado pueden tener patrones estacionales opuestos.
Para probar y encarar los patrones estacionales, es necesario identificar y
determinar primero la extensin de estas variaciones. La tcnica ms difundida
para el anlisis estacional es el mtodo de la razn al promedio mvil.
Este mtodo produce ndices semanales, mensuales o trimestrales, que
establecen observaciones de series cronolgicas, en trminos de un porcentaje
del total anual (es decir, como relativos estacionales). Por ejemplo si el mes de
junio tiene un ndice estacional de 0.80, esto indica que las ventas medias en junio
son 80% del promedio mensual. Si un trimestre presenta un ndice estacional de 2,
esto quiere decir que las ventas para un trimestre son aproximadamente el doble
de la cantidad promedio para todos los trimestres.
Mtodo:
1.
El primer paso es obtener un promedio mvil anual, a fin de suprimir las
variaciones estacionales
2.
El siguiente paso consiste en dividir los datos originales entre los valores
correspondientes del promedio mvil. En efecto, esto elimina las variaciones de
tendencia y cclicas de los datos, dejando slo las variaciones estacionales,
irregulares y aleatorias.
3.
A continuacin se agrupan los relativos de perodos semejantes y se
obtiene la razn estacional promedio para cada perodo.
4.
Por ltimo, las cifras resultantes se estandarizan. Esto se lleva a cabo
mediante el ajuste de los ndices relativos, de manera que se sumen al nmero de
perodos.

3.6 Tendencia irregular

El componente aleatorio mide la variabilidad de las series de tiempo despus de
que se retiran los otros componentes. Contabiliza la variabilidad aleatoria en una
serie de tiempo ocasionada por factores imprevistos y no ocurrentes.

La mayora de los componentes irregulares se conforman de variabilidad aleatoria.

Sin embargo ciertos sucesos a veces impredecibles como huelgas, cambios de
clima (sequas, inundaciones o terremotos), elecciones, conflictos armados o la
aprobacin de asuntos legislativos, pueden causar irregularidad en una variable.
Movimientos irregulares o al azar o ruido estadstico. Si bien pueden ser
generados por factores de tipo econmico, generalmente sus efectos producen
variaciones que solo duran un corto intervalo de tiempo.
Aunque debe reconocerse que en ocasiones sus efectos sobre el comportamiento
de una serie pueden ser tan intensos que fcilmente podran dar lugar a un nuevo
ciclo o a otros movimientos. Un claro ejemplo de esto es el efecto del shock de
precios de agosto de 1990 sobre el comportamiento de la inflacin. Al analizar una
serie de tiempo es necesario, entonces, tener en consideracin el comportamiento
de cada uno de estos componentes. Para ello el criterio ms lgico a seguir es
aislarlos secuencialmente partiendo de la serie original para luego analizarlos de
manera individual. Si bien esto supone la utilizacin de mtodos estadsticos
adecuados, que ms adelante veremos, la mejor forma de apreciarlos es a travs
de su observacin visual.
a) Detectar Outlier: se refiere a puntos de la serie que se escapan de lo normal.
Un outliers es una observacin de la serie que corresponde a un comportamiento
anormal del fenmeno (sin incidencias futuras) o a un error de medicin. Se debe
determinar desde fuera si un punto dado es outlier o no. Si se concluye que lo es,
se debe omitir o reemplazar por otro valor antes de analizar la serie.

Los dos puntos enmarcados en un crculo parecen corresponder a un

comportamiento anormal de la serie. Al investigar estos dos puntos se vio que
correspondan a dos das de paro, lo que naturalmente afect la produccin en
esos das. El problema fue solucionado eliminando las observaciones e
interpolando.

3.7 Pronsticos basados en factores de tendencia y estacionales.

La ecuacin de tendencia lineal constituye un punto de partida para pronsticos a
largo plazo de valores anuales. Sin embargo, una consideracin particularmente

importante en los pronsticos a largo plazo es el componente cclico de las series

de tiempo. No existe un mtodo estndar para pronosticar el componente cclico
con base nicamente en valores histricos de series de tiempo, aunque ciertos
indicadores econmicos con tiles para prever puntos de cambio de ciclo.
Para pronsticos a corto plazo, un mtodo posible es desestacionalizar el valor
observado ms reciente y multiplicarlo despus por el ndice estacional del periodo
de pronstico. Se parte del supuesto de que la nica diferencia entre los 2
periodos ser la atribuible a la influencia estacional. Otro mtodo consiste emplear
el valor de tendencia proyectado como base del pronstico y ajustarlo despus
respecto del componente estacional. Cuando la ecuacin de la lnea de tendencia
se basa en valores anuales, primero se debe reducir la ecuacin para expresarla
en trminos de meses (o trimestres).
La base de las modificaciones anteriores no es evidente si se pasa por alto el
hecho de que los valores de tendencia no se asocian con puntos temporales, sino
con periodos. Es a causa de esta consideracin que deben reducirse los tres
elementos de la ecuacin de tendencia anual (b, b1 y X)

3.8 Pronsticos, ciclos e indicadores econmicos.

Los pronsticos basados en los componentes de tendencia y estacional de una
serie de tiempo son apenas el punto de partida de los pronsticos econmicos.
La primera razn es la necesidad de considerar el probable efecto del
componente cclico durante el periodo de pronstico.
La segunda es la importancia de identificar los factores causales especficos que
han influido en las variables de series de tiempo.
Pronsticos a corto plazo.
Suele suponerse que el efecto del componente cclico es el mismo que se ha
incluido en los valores recientes de la serie de tiempo.
Cuando se trata de periodo ms prolongados, o incluso de periodos cortos en
pocas de inestabilidad econmica, es importante identificarlos puntos de cambio
de ciclo de la economa nacional.
Las variaciones cclicas asociadas con un producto en particular pueden coincidir
o no con el ciclo econmico general.

EJEMPLO. Histricamente, las ventas industriales de automviles han coincidido

estrechamente con el ciclo econmico general de las economas nacionales. Por
el contrario, las ventas de autopartes han sido comnmente opuestas, en cuanto
al factor cclico, respecto del ciclo econmico general.

 El Instituto Nacional de Investigacin Econmica (NBER) de Estados Unidos ha

identificado y dado a conocer series de tiempo histricamente indicadoras de
expansiones y recesiones cclicas respecto del ciclo econmico general.
Indicadores lder: han llegado habitualmente a puntos de cambio de ciclo antes
del cambio correspondiente en la actividad econmica general.
-Las horas semanales promedio laboradas en manufactura.
-El valor de nuevos pedidos de bienes de consumo y materiales
-ndice comn de precios de las acciones.
Indicadores coincidentes: est compuesto por series de tiempo cuyos puntos de
cambio han coincidido usualmente con el ciclo econmico general.
-La tasa de empleo
-El ndice de produccin industrial.
Indicadores rezagados: es el integrado por series de tiempo cuyas cumbres y
valles suelen retardarse en comparacin con las del ciclo econmico general.
-Los inventarios de manufactura y comerciales y la tasa preferencial promedio que
cobran los bancos.
Adems de considerar el efecto de las fluctuaciones cclicas y de pronosticar
tales fluctuaciones, tambin: deben estudiarse las variables causales especficas
que han influido histricamente en los valores de series de tiempo.
- Los anlisis de regresin y correlacin son particularmente aplicables a tales
estudios
* Relacin entre estrategia de precios y volumen de ventas.
reas que demandan especial atencin.
Los anlisis histricos
Las posibles implicaciones de nuevos productos y de cambios en el mbito de la
comercializacin.

3.9 Tcnica y uso de Promedios mviles y suavizacin exponencial en las

organizaciones.
El alisamiento exponencial es un mtodo que utiliza una ecuacin de un promedio
mvil, que alisa las variaciones al azar de los datos de series cronolgicas. La
finalidad del alisamiento es obtener una imagen ms clara de cualquier patrn no

aleatorio que pudiera existir en los datos. Una vez ms, es de suponerse que los
datos estn compuestos por variaciones de tendencia, cclicas y estacionales, as
como por fluctuaciones al azar.
En trminos generales, cuando se utiliza el mtodo del promedio mvil se debe
tener en consideracin la pregunta de Cuntos perodos se deben incluir en
dicho promedio? Cuanto mayor sea el nmero de perodos (datos) incluidos en un
promedio, menos posibilidad habr de que cada nuevo dato altere dicho promedio,
mientras que cuanto menor sea el nmero de perodos incluidos, mayor ser la
probabilidad de que el promedio resulte afectado por los nuevos datos.
En gran medida, el grado ptimo de alisamiento depende de la magnitud de las
fluctuaciones al azar. Si stas son bastante grandes, se necesitar un
considerable alisamiento, para reducir su impacto; si las fluctuaciones aleatorias
son menores, se requerir un alisamiento ms leve. La tcnica del promedio mvil,
ponderado exponencialmente, es un tanto superior a los otros mtodos de
promedio mvil, dad la facilidad de ajustar el grado de alisamiento.
Una segunda consideracin de cierta importancia es la cantidad de datos
requeridos para apoyar el mtodo del promedio mvil. Por ejemplo, si ste incluye
las ltimas 100 observaciones, esto da lugar a una considerable dificultad para
almacenar y mantener los datos, incluso si los clculos se realizan por
computadora. Una vez ms, el alisamiento exponencial es superior a los otros
mtodos, dado que elimina la necesidad de almacenar datos, al condensarlos en
una sola cifra. La ecuacin para la determinacin del alisamiento exponencial es:
V s=V s1+ ( DV s1 )
En la cual
Vs=nuevo valor alisado
Vs-1=valor anterior alisado
D=siguiente punto de los datos
=factor de alisamiento
Media Mvil
Consiste simplemente en tomar el promedio aritmtico de los ltimos n perodos.
El valor de n se elige en funcin a la influencia que queramos que tenga la historia
ms antigua en la prediccin de los valores futuros. Un valor de n muy chico, har
que los pronsticos sigan ms de cerca a los ltimos valores reales, mientras que
un valor de n ms grande, se traduce en una curva ms amortiguada aunque, por
el mismo motivo, tambin de una menor velocidad de cambio.

Se utiliza si no hay tendencia o si sta es escasa. Se suele utilizar para alisar la

curva, facilitando una lectura general de los datos.
Casos particulares: Si slo considerramos 1 perodo previo para el clculo de la
media mvil, estaramos utilizando la Estimacin Simple.
Media Mvil Ponderada
Se utiliza cuando se presenta una tendencia. Los datos anteriores pierden
importancia relativa. Las ponderaciones se basan en la intuicin. Ante cambios
importantes de la demanda, puede seguir siendo muy lenta la respuesta.
Casos particulares: Si le asignramos el mismo peso (factor de ponderacin) a
cada uno de los n perodos elegidos, estaramos utilizando la Media Mvil.
Suavizacin Exponencial
Es un caso especial de pronstico de media mvil ponderada, donde ahora los
factores de ponderacin disminuyen exponencialmente, dndole ms peso a los
perodos ms recientes.
Se necesita una constante de alisado, que toma valores entre 0 y 1, eligindola de
forma subjetiva. Ventaja: necesita una cantidad reducida de datos histricos.

3.10 Ventajas y Desventajas del anlisis de las series de tiempo

Ventajas:
Rpidos a utilizar una vez el modelo desarrollado.
La toma de datos no implica, en general, gastos adicionales

Almacenados en el sistema de informacin (ej. ventas de los meses

pasados)

Fcilmente accesibles (ej. ndices econmicos).

Desventajas
No consideran los factores nuevos o inesperados
Requieren un histrico de la demanda y/o otras variables pertinentes

Unidad 4 Estadstica no paramtrica.

4.1 Escalas de Medicin

1. NOMINAL
Son variables numricas cuyos valores representan una categora o identifican un
grupo de pertenencia. Este tipo de variables slo nos permite establecer
relaciones de igualdad/desigualdad entre los elementos de la variable. La
asignacin de los valores se realiza en forma aleatoria por lo que NO cuenta con
un orden lgico. Un ejemplo de este tipo de variables es el Gnero ya que
nosotros podemos asignarles un valor a los hombres y otro diferente a las mujeres
y por ms machistas o feministas que seamos no podramos establecer que uno
es mayor que el otro.
2. ORDINAL
Son variables numricas cuyos valores representan una categora o identifican un
grupo de pertenencia contando con un orden lgico. Este tipo de variables nos
permite establecer relaciones de igualdad/desigualdad y a su vez, podemos
identificar si una categora es mayor o menor que otra. Un ejemplo de variable
ordinal es el nivel de educacin, ya que se puede establecer que una persona con
ttulo de Postgrado tiene un nivel de educacin superior al de una persona con
ttulo de bachiller. En las variables ordinales no se puede determinar la distancia
entre sus categoras, ya que no es cuantificable o medible.
3. INTERVALO
Son variables numricas cuyos valores representan magnitudes y la distancia
entre los nmeros de su escala es igual. Con este tipo de variables podemos
realizar comparaciones de igualdad/desigualdad, establecer un orden dentro de
sus valores y medir la distancia existente entre cada valor de la escala. Las
variables de intervalo carecen de un cero absoluto, por lo que operaciones como
la multiplicacin y la divisin no son realizables. Un ejemplo de este tipo de
variables es la temperatura, ya que podemos decir que la distancia entre 10 y 12
grados es la misma que la existente entre 15 y 17 grados. Lo que no podemos
establecer es que una temperatura de 10 grados equivale a la mitad de una
temperatura de 20 grados.
4. RAZN
Las variables de razn poseen las mismas caractersticas de las variables de
intervalo, con la diferencia que cuentan con un cero absoluto; es decir, el valor
cero (0) representa la ausencia total de medida, por lo que se puede realizar
cualquier operacin Aritmtica (Suma, Resta, Multiplicacin y Divisin) y Lgica
(Comparacin y ordenamiento). Este tipo de variables permiten el nivel ms alto

de medicin. Las variables altura, peso, distancia o el salario, son algunos

ejemplos de este tipo de escala de medida.
Debido a la similitud existente entre las escalas de intervalo y de razn, SPSS las
ha reunido en un nuevo tipo de medida exclusivo del programa, al cual denomina
Escala. Las variables de escala son para SPSS todas aquellas variables cuyos
valores representan magnitudes, ya sea que cuenten con un cero (0) absoluto o
no. Teniendo esto en cuenta discutiremos a continuacin los diferentes
procedimientos estadsticos que se pueden utilizar de acuerdo al tipo de medida
de cada variable.
B. Anlisis Descriptivo de acuerdo al nivel de Medida
No todos los procedimientos estadsticos son realmente tiles para la totalidad de
los niveles de medida. Cada uno de los tipos de medida posee ciertas
caractersticas, las cuales debemos tener en cuenta en el momento de realizar un
anlisis descriptivo. En la tabla [5-2], encontrars algunos de los procedimientos
que resultan ventajosos en los anlisis descriptivos de los diferentes niveles de
medida. Es necesario aclarar que esta tabla es slo una muestra de las medidas
que se pueden emplear; en algunos textos de estadstica aparecen tablas ms
amplias y detalladas de los procedimientos.

Ejemplo del 4.1

4.2 Mtodos estadsticos paramtricos contra no paramtricos.

La complejidad aumenta con cada una de las escalas de medicin. Desde la

simpleza de la escala nominal hasta el refinamiento de la escala de razn.
La mayora de pruebas estadsticas requieren medidas en escala de intervalo o
razn para ser aplicadas (pruebas paramtricas basadas en la distribucin
normal), aunque existen pruebas diseadas para aplicarse a medidas en escala
nominal u ordinal (pruebas no paramtricas o de libre distribucin).

Las pruebas paramtricas tienen requisitos acerca de la naturaleza o forma de las

poblaciones implicadas; las pruebas no paramtricas no requieren que las
muestras provengan de poblaciones con distribuciones normales o con cualquier
otro tipo particular de distribucin. En consecuencia, las pruebas de hiptesis no
paramtricas suelen llamarse pruebas de distribucin libre.
Ventajas de los mtodos no paramtricos
1. Los mtodos no paramtricos pueden aplicarse a una amplia variedad de
situaciones puesto que no tienen los requisitos ms estrictos de los
mtodos paramtricos correspondientes. En particular, los mtodos no
paramtricos no requieren de poblaciones distribuidas normalmente.
2. A diferencia de los mtodos paramtricos, los mtodos no paramtricos a
menudo pueden aplicarse a datos categricos, como el gnero de quienes
responden una encuesta.
3. Los mtodos no paramtricos, por lo regular, implican clculos ms
sencillos que los mtodos paramtricos correspondientes y, por lo tanto,
son ms fciles de comprender y aplicar. (Sin embargo, como la tecnologa
ha simplificado los clculos, es probable que la facilidad de los clculos no
sea un factor tan importante).
Desventajas de los mtodos no paramtricos
1. Los mtodos no paramtricos tienden a desperdiciar informacin porque los
datos numricos exactos suelen reducirse a una forma cualitativa. Por
ejemplo, en la prueba del signo no paramtrica las prdidas de peso de las
personas sometidas a una dieta se registran simplemente como signos
negativos; las magnitudes reales de las prdidas de peso se ignoran.
2. Las pruebas no paramtricas no son tan eficientes como las pruebas
paramtricas, de manera que con una prueba no paramtrica generalmente
necesitamos evidencia ms fuerte (como una muestra ms grande o
diferencias mayores) para rechazar una hiptesis nula.

4.3 Prueba de rachas para aleatoriedad.

Esta prueba se basa en datos mustrales que tienen dos caractersticas y analiza
rachas de esas caractersticas para determinar si las rachas parecen ser el
resultado de algn proceso aleatorio, o si las rachas sugieren que el orden de los
datos no es aleatorio.
Una racha es una secuencia de datos que tienen la misma caracterstica; la
secuencia es precedida y seguida por datos con una caracterstica diferente o por
ningn dato en absoluto.

La prueba de rachas utiliza el nmero de rachas en una secuencia de datos

mustrales para probar la aleatoriedad del orden de los datos.
El principio fundamental de la prueba de rachas puede establecerse brevemente
como sigue:
Rechace la aleatoriedad si el nmero de rachas es muy bajo o muy alto
Requisitos
1. Los datos mustrales estn acomodados de acuerdo con algn esquema
de orden, por ejemplo, el orden en el que se obtuvieron los valores
mustrales
2. Cada valor de los datos se puede categorizar en una de dos categoras
separadas (como hombre/mujer).
Notacin
n1=nmero de elementos en la secuencia que tienen una caracterstica particular
(la caracterstica elegida para n1 es arbitraria).
n2=nmero de elementos en la secuencia que tienen la otra caracterstica.
G=nmero de rachas
Estadstico de Prueba
Para muestras pequeas y = 0.05: Si n 1 20 y n2 20 y el nivel de significancia
es = 0.05, el estadstico de prueba es el nmero de rachas G. Los valores
crticos se encuentran en la tabla de valores crticos para el nmero de rachas G.
Rechace la aleatoriedad si el nmero de rachas G es:

Menor o igual al valor crtico ms pequeo encontrado en dicha tabla

Mayor o igual al valor crtico ms grande encontrado en dicha tabla

Para muestras grandes o 0.05: Si n 1 > 20 o n2 > 20 o 0.05, utilice el

estadstico de prueba y los valores crticos siguientes:

Estadstico de prueba:
z=

GG
G

Donde

G=

2 n1 n2
+1
n 1+ n2

G=

( 2 n1 n2 ) ( 2 n1 n2n1n2 )
2
( n 1+n 2 ) ( n1+ n21 )

Valores crticos de z, se utiliza la tabla de distribucin normal

Datos numricos: aleatoriedad por arriba o por debajo de la media o de la mediana
Se puede probar la aleatoriedad por la forma como los datos numricos fluctan
por encima o por debajo de una media o mediana. Los economistas utilizan la
prueba para detectar aleatoriedad por arriba y por debajo de la media cuando
tratan de identificar tendencias o ciclos. Un patrn cclico producira una secuencia
que cambia sistemticamente, de manera que el nmero de rachas tendera a ser
grande.

Una prueba no paramtrica de aleatoriedad es la teora de rachas.

Para comprender que es una racha considrese una secuencia compuesta de dos
smbolos a y b como:
a a b b bab ba a a a ab b ba a a a (10)
Ejemplo, al lanzar una moneda a podra representarse caras y b cruces.
Una racha se define como un conjunto de smbolos idnticos (o relacionados)
contenido entre dos smbolos o no smbolos diferentes (como el inicio o el fin de la
secuencia) si la secuencia (10) se lee de izquierda a derecha la primera racha,
indicada por una barra vertical consiste de dos a de manera similar la segunda
racha consiste de 3 b la tercera racha consiste de una a, etctera. En total son
siete rachas.
Parece claro que hay cierta relacin entre la aleatoriedad y el nmero de rachas.
Entonces para la secuencia
abababababab
Existe un patrn cclico, en el que se va de a a b, nuevamente a a etctera, el
cual difcilmente se considerara aleatorio. En tal caso, habra demasiadas racha
( de hecho, el mximo nmero posible de letras a y b dadas).

4.4 Una muestra: prueba de signos.

Consiste en convertir valores de datos en signos positivos y negativos, y luego
hacer una prueba para ver si hay una cantidad desproporcionadamente mayor de
uno u otro signo.
Es una prueba no paramtrica (de distribucin libre) que utiliza signos positivos y
negativos para probar diferentes aseveraciones, incluyendo:
1. Aseveraciones que implican datos mustrales apareados
2. Aseveraciones que implican datos nominales
3. Aseveraciones acerca de la mediana de una sola poblacin
La idea bsica que subyace en la prueba del signo es el anlisis de las
frecuencias de los signos positivos y negativos para determinar si son
significativamente diferentes. Por ejemplo, suponga que probamos un tratamiento
diseado para incrementar la probabilidad de que un beb sea nia. Si se trata a
100 mujeres y 51 de ellas tienen nias, el sentido comn sugiere que no existe
evidencia suficiente para afirmar que el tratamiento es efectivo, puesto que 51
nias entre 100 bebs no son significativas
Requisitos
1. Los datos mustrales se seleccionaron aleatoriamente.
2. No existe el requisito de que los datos mustrales provengan de una
poblacin con una distribucin particular, como una distribucin normal.
Notacin
x= el nmero de veces que ocurre el signo menos frecuente
n= el nmero total de signos positivos y negativos combinados
Estadstico de prueba
Para n 25: x (el nmero de veces que ocurre el signo menos frecuente)

( n2 )

( x +0.05 )
Para n > 25:

z=

n
2

Valores crticos
1. Para n 25, los valores crticos x se encuentran en la tabla valores crticos
para la prueba del signo
2. Par n > 25, los valores crticos z se encuentran en la tabla de distribucin
normal.

4.5 Una muestra: prueba Wilcoxon.

Esta prueba puede utilizarse para probar la aseveracin de que una muestra
proviene de una poblacin con una mediana especfica. El procedimiento que se
utiliza:
1. Para cada dato calcule las diferencias restando el valor de la mediana
hipottica de cada valor.
2. Ignore los signos de las diferencias, luego acomode las diferencias de la
menor a la mayor y reemplcelas por el valor del rango correspondiente.
Cuando las diferencias tengan el mismo valor numrico, asgneles la media
de los rangos implicados en el empate.
3. Agregue a cada rango el signo de la diferencia de la que provino.
4. Calcule la suma de los valores absolutos de los rangos negativos. Tambin
calcule la suma de los rangos positivos.
5. Permita que T sea la ms pequea de las dos sumas calculadas en el paso
anterior.
6. Permita que n sea el nmero de pares de datos para los que la diferencia
no es 0
7. Determine el estadstico de prueba y los valores crticos con base en el
tamao muestral.
8. Cuando plantee la conclusin, rehace la hiptesis nula si los datos
mustrales le llevan a un estadstico de prueba que se ubica en la regin
crtica, esto es, cuando el estadstico de prueba sea menor o igual que el
valor crtico (s). De otra forma no rechace la hiptesis nula.
Estadstico de prueba
Si n 30, el valor crtico T se encuentra en la tabla de valores crticos de T
para la prueba de rangos con signo Wilcoxon
n ( n+1 )
4
Z=
n ( n+1 )( 2 n+1 )
24
T

Si n > 30, el estadstico de prueba es

Valores crticos
Si n 30, el valor crtico T se encuentra en la tabla de valores crticos de T
para la prueba de rangos con signo de Wilcoxon
Si n > 30, los valores crticos z se encuentra en la tabla de distribucin normal.

4.6 Dos muestras: prueba de Mann-Whitney.

La prueba de la suma de rangos de Wilcoxon es una prueba no paramtrica que
utiliza rangos de datos mustrales de dos poblaciones independientes. Se utiliza
para probar hiptesis nula de que las dos muestras independientes provienen de
poblaciones con medianas iguales. La hiptesis alternativa es la aseveracin de
que las dos poblaciones tienen medianas diferentes
Ho: Las dos muestras provienen de poblaciones con medianas iguales
H1: Las dos muestras provienen de poblaciones con medianas diferentes
Esta prueba es equivalente a la prueba U de Mann-Whitney.
Requisitos
1. Hay dos muestras independientes de datos seleccionados al azar
2. Cada una de las muestras tienen ms de 10 valores. (Para muestras con 10
valores o menos, en libros de referencia estn disponibles tablas
especiales, como las CRC Standard Probability and Statistics Tables and
Formulae, publicadas por CRC
3. No existe el requisito de que las dos poblaciones tengan una distribucin
normal o cualquier otra distribucin particular
Ejemplo :
Notacin
n1=tamao de la muestra 1
n2=tamao de la muestra 2
R1=suma de rangos de la muestra 1
R2=suma de rangos de la muestra 2
R=lo mismo que R1
R=media de los valores mustrales R que se espera cuando las dos poblaciones
tienen medianas iguales
R=desviacin estndar de los valores mustrales R que se espera cuando las dos
poblaciones tienen medianas iguales
Estadstico de Prueba
z=

R R
R

Donde
R =

n1 ( n1 +n2 +1 )
2

R=

n1 n2 ( n1+ n2 +1 )
12

n1= tamao de la muestra a partir de la cual se calcula la suma de rangos R

n2= tamao de la otra muestra
R=suma de rangos de la muestra con tamao n 1
Valores crticos
Los valores crticos pueden encontrarse en la tabla de distribucin normal
Procedimiento para calcular el valor estadstico
1. Combine temporalmente las dos muestras en una muestra grande,
entonces reemplace cada valor muestral por su rango. Si los valores estn
empatados, asgneles la media de los rangos implicados en el empate.
2. Consulte la suma de los rangos de las dos muestras
3. Calcule el valor del estadstico de prueba z

4.7 Observaciones pareadas: prueba de signos.

Consiste en convertir valores de datos en signos positivos y negativos, y luego
hacer una prueba para ver si hay una cantidad desproporcionadamente mayor de
uno u otro signo.
Es una prueba no paramtrica (de distribucin libre) que utiliza signos positivos y
negativos para probar diferentes aseveraciones, incluyendo:
4. Aseveraciones que implican datos mustrales apareados
5. Aseveraciones que implican datos nominales
6. Aseveraciones acerca de la mediana de una sola poblacin
La idea bsica que subyace en la prueba del signo es el anlisis de las
frecuencias de los signos positivos y negativos para determinar si son
significativamente diferentes. Por ejemplo, suponga que probamos un tratamiento
diseado para incrementar la probabilidad de que un beb sea nia. Si se trata a
100 mujeres y 51 de ellas tienen nias, el sentido comn sugiere que no existe
evidencia suficiente para afirmar que el tratamiento es efectivo, puesto que 51
nias entre 100 bebs no son significativas
Requisitos

3. Los datos mustrales se seleccionaron aleatoriamente.

4. No existe el requisito de que los datos mustrales provengan de una
poblacin con una distribucin particular, como una distribucin normal.

Ejemplo 4.7 :
Notacin
x= el nmero de veces que ocurre el signo menos frecuente
n= el nmero total de signos positivos y negativos combinados
Estadstico de prueba
Para n 25: x (el nmero de veces que ocurre el signo menos frecuente)

( n2 )

( x +0.05 )
Para n > 25:

z=

n
2

Valores crticos
3. Para n 25, los valores crticos x se encuentran en la tabla valores crticos
para la prueba del signo
4. Par n > 25, los valores crticos z se encuentran en la tabla de distribucin
normal
Nota.- Cuando se aplica la prueba del signo en una prueba de una cola,
necesitamos ser muy cuidadosos para evitar obtener la conclusin equivocada
cuando un signo ocurre significativamente con ms frecuencia que el otro, pero los
datos mustrales contradicen la hiptesis alternativa. Por ejemplo, suponga que
estamos probando la aseveracin de que una tcnica de seleccin del gnero
favorece a los nios, pero obtenemos una muestra de 10 nios y 90 nias. Con
una proporcin muestral de nios igual a 0.10, los datos contradicen la hiptesis
alternativa H1: p > 0.5. No hay forma de sustentar dicha aseveracin con ninguna
proporcin muestral menor que 0.5, por lo que no rechazamos la hiptesis nula y
no procedemos con la prueba del signo. Si los datos mustrales van en el sentido
opuesto de H1, no rechace la hiptesis nula.
Cuando se utiliza la prueba del signo con datos que estn ordenados en pares,
convertimos los datos en bruto a datos con signos positivos y negativos como
sigue:
1. Restamos cada valor de la segunda variable del valor correspondiente de la
primera variable

2. Registramos slo el signo de la diferencia encontrada por el paso 1.

Excluimos los empates: es decir, excluimos todos los datos apareados en
los que ambos valores son iguales
El concepto clave que subyace en la aplicacin de la prueba del signo:
Si dos conjuntos de datos tienen medianas iguales, el nmero de signos
positivos debe ser aproximadamente igual al nmero de signos negativos.

4.8 Observaciones pareadas: prueba Wilcoxon.

Esta prueba puede utilizarse para probar la aseveracin de que una muestra
proviene de una poblacin con una mediana especfica. El procedimiento que se
utiliza:
9. Para par de datos, calcule la diferencia d restando el segundo valor del
primero. Mantenga los signos, pero descarte cualquier par para el que d=0
10. Ignore los signos de las diferencias, luego acomode las diferencias de la
menor a la mayor y reemplcelas por el valor del rango correspondiente.
Cuando las diferencias tengan el mismo valor numrico, asgneles la media
de los rangos implicados en el empate.
11. Agregue a cada rango el signo de la diferencia de la que provino.
12. Calcule la suma de los valores absolutos de los rangos negativos. Tambin
calcule la suma de los rangos positivos.
13. Permita que T sea la ms pequea de las dos sumas calculadas en el paso
anterior.
14. Permita que n sea el nmero de pares de datos para los que la diferencia
no es 0
15. Determine el estadstico de prueba y los valores crticos con base en el
tamao muestral.
16. Cuando plantee la conclusin, rehace la hiptesis nula si los datos
mustrales le llevan a un estadstico de prueba que se ubica en la regin
crtica, esto es, cuando el estadstico de prueba sea menor o igual que el
valor crtico (s). De otra forma no rechace la hiptesis nula.
Requisitos
1. Los datos consisten en datos apareados que se seleccionaron
aleatoriamente.
2. La poblacin de las diferencias (calculadas a partir de los pares de
datos) tiene una distribucin que es aproximadamente simtrica, lo que
quiere decir que la mitad izquierda de su histograma es
aproximadamente una imagen de espejo de la mitad derecha. (No existe
el requisito de que los datos tengan una distribucin normal).

Ejemplo 4.8
T = la ms pequea de las siguientes sumas:
1. La suma de los valores absolutos de los rangos negativos de las diferencias
d que no sean cero
2. La suma de los rangos positivos de las diferencias d que no sean cero.
Estadstico de prueba
Si n 30, el valor crtico T se encuentra en la tabla de valores crticos de T
para la prueba de rangos con signo Wilcoxon
n ( n+1 )
4
Z=
n ( n+1 )( 2 n+1 )
24
T

Si n > 30, el estadstico de prueba es

Valores crticos
Si n 30, el valor crtico T se encuentra en la tabla de valores crticos de T
para la prueba de rangos con signo de Wilcoxon
Si n > 30, los valores crticos z se encuentra en la tabla de distribucin normal.

4.9 Varias muestras independientes: prueba de Kruskal-Wallis.

Tambin llamada la prueba H es una prueba no paramtrica que utiliza rangos de
datos mustrales de 3 o ms poblaciones independientes. Se utiliza para probar la
hiptesis nula de que las muestras independientes provienen de poblaciones con
medianas iguales; la hiptesis alternativa es la aseveracin de que las poblaciones
tienen medianas que no son iguales
Ho: Las muestras provienen de poblaciones con medianas iguales
H1: Las muestras provienen de poblaciones con medianas que no son iguales
Para aplicar la prueba, calculamos el estadstico de prueba H, el cual tiene una
distribucin que puede aproximarse por medio la distribucin cuadrada, siempre y
cuando cada muestra tenga al menos 5 observaciones.
Requisitos
1. Tenemos al menos tres muestras independientes, las cuales se seleccionan
al azar

2. Cada muestra tiene al menos 5 observaciones, si tiene menos de 5

observaciones, remtase a tablas especiales de valores crticos, como las
CRC
3. No existe el requisito de que las poblaciones tengan una distribucin normal
o alguna otra distribucin particular

Ejemplo 4.9
N=nmero total de observaciones en todas las muestras combinadas
k=nmero de muestras
R1=suma de los rangos de la muestra 1
n1=nmero de observaciones de la muestra 1
Para la muestra 2, la suma de los rangos es R 2 y el nmero de observaciones es
n2, y se utiliza una notacin similar para las otras muestras
Estadstico de prueba
H=

R21 R22
R2
12
+ ++ k 3(N +1)
nk
N (N +1) n1 n2

Valores crticos
1. La prueba es de cola derecha
2. gl=k-1. (Puesto que el estadstico de prueba H puede aproximarse por
medio de una distribucin cuadrada, utilice la tabla correspondiente, donde
k es el nmero de muestras diferentes)

Procedimiento para calcular el valor del estadstico de prueba H

1. Combine temporalmente todas las muestras en una muestra grande y
asigne un rango a cada valor muestral. (Ordene los valores del menor al
mayor, y en caso de empates, asigne a cada observacin la media de los
rangos implicados)
2. En cada muestra, calcule la suma de los rangos y calcule el tamao
muestral
3. Calcule H utilizando los resultados del paso 2.

4.10 Aplicaciones con el uso de software

Objetivo
Ejercitar los mtodos no paramtricos con ejercicios prcticos utilizando un
software estadstico.
Objetivos Particulares
Conocer el software a utilizar para la realizacin de ejercicios
Utilizar las aplicaciones que requeridas para resolver ejercicios no paramtricos
Procedimiento
Se utilizar un software estadstico para resolver ejercicios, se trabajar de
manera individual siendo la finalidad el obtener el conocimiento del software y por
lo consiguiente los conceptos de la estadstica no paramtrica.

5.1 Elaboracin de proyectos aplicativos del rea administrativa.

Como observacin muy importante, recordar tambin que en muchas ciudades de
nuestro pas existen instituciones y organismos muy enfocados a los jvenes
emprendedores, donde podrn encontrarse tambin con comunidades completas
de jvenes como ustedes, que tambin estn dispuestos a compartir y trabajar
juntos en el desarrollo de nuevas ideas, de nuevos proyectos, de nuevas
empresas. Cualquiera que sea nuestra idea vamos a ocupar desarrollar nuestras
habilidades y nuestra capacitacin. Para esto recomiendo, primero, los propios
sitios de las comunidades de Make. Segundo, sitios como Linda.com, Aqu
encuentran cursos de capacitacin en lnea de naturaleza apropiada muchas
disciplinas de desarrollo de habilidades. Recordar tambin que en Internet existen
muchos sitios de tutoriales gratis que nos permiten complementar nuestros
conocimientos y tambin desarrollar nuestras habilidades, incluyendo el ms
famoso de todos: YouTube.
La segunda etapa del protocolo, considerar dos aspectos. El primero es encontrar
un primer mercado apropiado para la distribucin de nuestro producto. El segundo
aspecto a considerar es lo que se llama Crowdsourcing, es decir, obtener los
fondos necesarios para la produccin en pequea, mediana o gran escala de
nuestro producto. Los sitios de fondeo ms conocidos son Kickstarter, Indiegogo,
Fondeadora, Ideame y otros sitios similares. Fondeadora es un sitio mexicano que
incluye apoyo de organizaciones e instituciones gubernamentales para la

elaboracin de buenos proyectos. Es el primer sitio que recomiendo como prueba

de concepto. Si se quiere probar un sitio de fondeo ms grande y de tipo
internacional, entonces el sitio recomendado es Indiegogo.
En general los elementos que deber contener nuestro proyecto para su
presentacin en estas plataforma: nombre del proyecto y una frase apropiada y
significativa, un vdeo acerca del objetivo, una descripcin lo ms completamente
posible del proyecto, recompensas a la base de personas que estn colaborando
o aportando o comprando algn muestra de nuestro producto, y por ltimo un
presupuesto completo que ser la meta financiera de nuestro proyecto.
En general tomar muy en cuenta que un proyecto exitoso no necesariamente
deber ser muy complejo o de alta tecnologa por favor reflexionen en este
prrafo.
Recapitulando los dos pasos de este protocolo que llevamos, recordar que en el
primer paso creamos ya la idea de un nuevo bien, producto, servicio o una buena
aplicacin, y construimos a base de un buen diseo nuestro prototipo para el caso
de productos, servicios o aplicaciones. En el segundo paso del protocolo se
realizan las primeras pruebas para venta de producto, es decir, usando los sitios
apropiados de Fondeadora e Indiegogo. Si todo est bien, cuando terminamos
este segundo paso, ya tenemos tener una buena cantidad de pedidos para
nuestro producto, bien, servicio o aplicacin, y los fondos necesarios para
empezar a producir.
Pasamos ahora al tercer paso, es decir, la produccin en pequea, mediana o
gran escala de nuestro producto.
Si en la etapa anterior ya obtuvimos una buena cantidad de pedidos, y lo ms
importante, los fondos econmicos apropiados y suficientes para mandar a
fabricar la cantidad apropiada de nuestros productos, entonces podemos usar
alguno de los mtodos que se aqu se describen mtodos de produccin del ms
simple al ms completo.
Si es pequea escala o poca produccin, entonces se podrn usar elementos
tales como los pequeos talleres artesanales o un laboratorio de produccin
propio.

Si es en mediana escala, entonces usaremos sitios apropiados en Internet, tales

como PONOKO o SHAPEWAYS

Y si es gran escala, y se ocupa mucha produccin, tambin existen soluciones con

ALIBABA.com (ver video de protocolo digital para jvenes emprendedores).
Ya con el inventario de productos en nuestras manos entramos a la cuarta etapa
de nuestro Protocolo Digital para Jvenes Emprendedores, es decir, los medios
para distribuir nuestro producto.
Para empezar, recordar que muchos de los sitios que utilizamos para producir
nuestro producto, como Alibaba, Ponoko, etctera, tambin los podemos usar
como canales de distribuciones.
Observar tambin que si nuestro producto es un libro, que es un proyecto que les
recomiendo bastante, los podemos distribuir a travs de sitios como Amazon,
Cobo, Lul, etctera.
Si son cantidades pequeas de producto, un mtodo recomendable es utilizar a
nuestra propia familia como agentes distribuidores en todos los lugares donde
ellos tienen acceso y puedan distribuir nuestro producto.
Otro centro de distribucin que podemos utilizar son los pequeos comercios de
nuestra localidad. Generalmente uno platica con ellos y puede uno dejar algunas
muestras a consignacin. Tambin nosotros podemos utilizar mtodos ms
comunes y familiares en Mxico como poner nuestro propio puesto o centro de
distribucin en los mercados sobre ruedas, los tianguis, etctera.
Si ya tenemos grandes cantidades de nuestro producto, podemos contactar a los
compradores de las grandes tiendas departamentales.

El ltimo paso de nuestro Protocolo Digital para Jvenes Emprendedores, es el

aspecto ms importante en el ciclo de vida de nuestro producto, es decir, la
publicidad o mercadotecnia.
Para este paso el enfoque con el que vamos a trabajar es la publicidad o
mercadotecnia en las redes sociales.
Podemos empezar construyendo nuestro propio sitio web para demostracin de
nuestro producto. Para esto les recomiendo que se capaciten o que desarrollen
sus habilidades de SEO o SEM.
Tambin es importante crear nuestra propia tienda de comercio electrnico, es
decir, podemos abrir tiendas en algunos sitios como Amazon, eBay o Mercado
Libre

Adems, tambin ser necesario construir un vdeo de alto impacto con toda la
informacin apropiada para nuestro producto y subirlo a YouTube. No olvidar fotos
en otro tipo de servicios de comunidad como Instagram, Picasa, etctera.
Recordar que es muy necesario construir comunidades apropiadas, en las redes
ms grandes (y chicas) tales como Facebook o Google +, la pgina de nuestro
producto, y alrededor de esta pgina empezar a invitar a todas nuestras
comunidades a que nos sigan.