Documente Academic
Documente Profesional
Documente Cultură
TURNO VESPERTINO
INGENIERA INDUSTRIAL
MATERIA:
ESTADISTICA INFERENCIAL I
SEMESTRE Y GRUPO:
TERCER SEM.B
PRODUCTO ACADMICO:
UNIDAD 4: PRUEBAS DE BONDAD DE AJUSTE Y
PRUEBAS NO PARAMTRICAS
PRESENTA:
KENIA HERNANDEZ MAYO 146z0152
DOCENTE:
ING. IND. ERICK IVAN MOLINA CRUZ
FECHA DE ENTREGA:
30-NOVIEMBRE-2015
H. Y G. ALVARADO, VERACRUZ.
ESTADISTICA INFERENCIAL I 30-11-2015
INDICE GENERAL
Introduccin 5
Objetivo general 6
Objetivo especfico (Unidad 4) 7
Objetivo especfico (Unidad 5) 8
Justificacin 9
4.1 Bondad de ajuste 11
4.1.1 Anlisis Ji-Cuadrada 12
4.1.2 Prueba de independencia 17
4.1.3 Prueba de la bondad del ajuste 20
4.1.4 Tablas de contingencia 25
4.1.5 Uso de software estadstico 27
4.2 Pruebas no paramtricas 31
4.2.1 Escala de medicin 33
4.2.2 Mtodos estadsticos contra no paramtricos 34
4.2.3 Prueba de Kolmogorov-Smirnov 38
4.2.4 Prueba de Anderson-Darling 42
4.2.5 Prueba de Ryan-Joiner 44
4.2.6 Prueba de Shappiro-Wilk 46
4.2.7 Aplicaciones del paquete computacional 48
2
ESTADISTICA INFERENCIAL I 30-11-2015
INDICE GENERAL
Conclusin 68
Fuentes de informacin 69
Formulario 70
Glosario 71
Anexos (Problemas propuestos) 79
3
ESTADISTICA INFERENCIAL I 30-11-2015
4
ESTADISTICA INFERENCIAL I 30-11-2015
INTRODUCCIN
5
ESTADISTICA INFERENCIAL I 30-11-2015
OBJETIVO GENERAL
6
ESTADISTICA INFERENCIAL I 30-11-2015
7
ESTADISTICA INFERENCIAL I 30-11-2015
8
ESTADISTICA INFERENCIAL I 30-11-2015
JUSTIFICACIN
9
ESTADISTICA INFERENCIAL I 30-11-2015
10
ESTADISTICA INFERENCIAL I 30-11-2015
Ejemplo de Aplicacin
Supongamos que tenemos un nmero k de clases en las cuales se han ido
registrado un total de n observaciones (n ser pues el tamao muestral).
Denotaremos las frecuencias observadas en cada clase por O1, O2, ..., O k (Oi es
el nmero de valores en la clase Ai ).
Se cumplir:
O1 + O2 + ... + O k = n
Lo que queremos es comparar las frecuencias observadas con las frecuencias
esperadas (tericas), a las que denotaremos por E1, E2, ..., E k .
Se cumplir:
E1 + E2 + ... + E k = n
11
ESTADISTICA INFERENCIAL I 30-11-2015
Sea X una variable aleatoria discreta con valores x1, x2,......., xn Se propone la
hiptesis nula H0, de que la distribucin de donde proviene la muestra se comporta
segn un modelo terico especfico tal como la uniforme, la exponencial, la normal,
etc. Entonces FOi, representa el nmero de veces que ocurre el valor xi mientras
que FEi, es la frecuencia esperada proporcionada por el modelo terico propuesto.
12
ESTADISTICA INFERENCIAL I 30-11-2015
A menudo ocurre que muchas de las frecuencias FEi, (y tambin las FOi) son muy
pequeas, entonces, como regla prctica adoptamos el criterio de agrupar los
valores consecutivos de estas frecuencias esperadas hasta que su suma sea de al
menos cinco. La medida estadstica de prueba para la hiptesis nula es:
13
ESTADISTICA INFERENCIAL I 30-11-2015
Ejemplo de Aplicacin
La siguiente muestra de tamao 50 ha sido obtenida de una poblacin que registra
la vida til (en unidades de tiempo) de bateras alcalinas tipo AAA. Prubese la
hiptesis nula de que la variable aleatoria vida til de las bateras sigue una
distribucin exponencial negativa. Considrese un nivel de significancia alpha de
5%.
8.223 0.836 2.634 4.778 0.406 0.517 2.330 2.563 0.511 6.426
2.230 3.810 1.624 1.507 2.343 1.458 0.774 0.023 0.225 3.214
2.920 0.968 0.333 4.025 0.538 0.234 3.323 3.334 2.325 7.514
0.761 4.490 1.514 1.064 5.088 1.401 0.294 3.491 2.921 0.334
1.064 0.186 2.782 3.246 5.587 0.685 1.725 1.267 1.702 1.849
SOLUCIN. Calculamos los valores min = 0.023 y max = 8.223. Resultando ser el
rango o recorrido igual a 8.2. El valor promedio es de 2.3. A continuacin ordenamos
los valores de manera ascendente y construimos el histograma de frecuencias
relativas con seis clases cada una de longitud 1.5. (Esto es debido a que 8.2 / 6 =
1.3)
14
ESTADISTICA INFERENCIAL I 30-11-2015
Como nuestra hiptesis nula es que los datos se ajustan a la funcin de probabilidad
exponencial negativa, emplearemos tal funcin para calcular mediante integracin
el porcentaje de probabilidad esperado para cada subintervalo. Ya vimos que el
valor promedio es de 2.3, sin embargo para fines prcticos lo consideraremos como
2.0. El clculo de la integral para la primera clase es:
15
ESTADISTICA INFERENCIAL I 30-11-2015
Entonces
Como vemos el valor calculado es menor que el valor tabulado, por tanto la
conclusin es que no se puede rechazar la hiptesis nula de que la muestra
proviene de una distribucin exponencial con media 2.0.
16
ESTADISTICA INFERENCIAL I 30-11-2015
El objetivo es verificar si existe una dependencia entre las variables cualitativas que
definen filas y columnas, es decir, si para todo i = 1, ..., k y j = 1, .., m se verifica
que la probabilidad del resultado correspondiente a la combinacin Ai Bj es
el producto de las probabilidades marginales correspondientes. P(Ai) es la
probabilidad del resultado i para la variable fila y P(Bj) la del resultado j para la
variable columna.
P(Ai) = pi
P(Bj) = pj
Los valores observados son nij. Los valores esperados bajo la hiptesis nula de
independencia se calculan de la manera siguiente:
17
ESTADISTICA INFERENCIAL I 30-11-2015
Grados de libertad = k m (k 1) (m 1) 1 = (k 1) (m 1)
La condicin de validez es que las frecuencias esperadas eij sean mayores que 5.
18
ESTADISTICA INFERENCIAL I 30-11-2015
Ejemplo de Aplicacin
Deportista 38 9 47
No deportista 31 22 53
69 31 100
19
ESTADISTICA INFERENCIAL I 30-11-2015
Evento E1 E2 E3 Ek
Frecuencia observada o1 o2 o3 ok
Frecuencias esperadas e1 e2 e3 ek
k (o e )
(o1 e1 )2 (o2 e2 )2 (o e ) 2
2
2 ... k k
j j
(1)
e1 e2 ek j 1 ej
o e
j j n. (2)
20
ESTADISTICA INFERENCIAL I 30-11-2015
Contra
Ejemplo de Aplicacin
No. DE CLIENTES 0 1 2 3 4 5
No. DE DIAS 40 36 16 7 2 1
21
ESTADISTICA INFERENCIAL I 30-11-2015
Para el clculo de la estadstica de trabajo se debe tener en cuenta que cada una
de las frecuencias esperadas debe ser mayor o igual a 5; para cumplir esta
condicin se deben unir las tres ltimas clases obtenindose as una frecuencia
esperada de 8,16 y una frecuencia observada de 10.
22
ESTADISTICA INFERENCIAL I 30-11-2015
0 40 0,368 37,536
1 36 0,368 37,536
2 16 0,184 18,768
3 7 0,061 6,222
4 2 0,015 1,53
5 1 0,004 0,408
23
ESTADISTICA INFERENCIAL I 30-11-2015
Asumiendo una confiabilidad del 99 por ciento, en una tabla de la distribucin chi-
cuadrado y dos grados de libertad (nmero de clases: m=4, nmero de estimadores
obtenidos a partir de la muestra, la media, k=1. Entonces m-k-1 = 2) se obtiene un
valor para Z de 9,21. El valor de la estadstica de trabajo est en la zona de no
rechazo de la hiptesis nula (Figura 3.22), por lo tanto con una confiabilidad del 99
por ciento, se concluye que el nmero de clientes que visitan al abogado tiene una
distribucin Poisson.
24
ESTADISTICA INFERENCIAL I 30-11-2015
valor ,
valor .
25
ESTADISTICA INFERENCIAL I 30-11-2015
Ejemplo de Aplicacin
Se sortea un viaje a Roma entre los 120 mejores clientes de una agencia de
automviles. De ellos, 65 son mujeres, 80 estn casados y 45 son mujeres casadas.
Se pide:
2. Si del afortunado se sabe que es casado, cul ser la probabilidad de que sea
una mujer?
26
ESTADISTICA INFERENCIAL I 30-11-2015
27
ESTADISTICA INFERENCIAL I 30-11-2015
Para capturar la tabla de datos para el anlisis de regresin lineal simple o mltiple,
primeramente capturamos los datos en la hoja de clculo, posteriormente activamos
Datos seguido de Anlisis de datos y seleccionamos Regresin
28
ESTADISTICA INFERENCIAL I 30-11-2015
Activamos la casilla de rtulos, por default est indicado en una hoja nueva,
seleccionamos adems cualquiera de las opciones de residuos, grafica de
residuales, y curva de regresin ajustada y aceptar.
En Minitab
29
ESTADISTICA INFERENCIAL I 30-11-2015
30
ESTADISTICA INFERENCIAL I 30-11-2015
Se debe sealar que hay varias desventajas asociadas con las pruebas no
paramtricas. En primer lugar, no utilizan la informacin que proporciona la muestra,
y por ello una prueba no paramtrica ser menos eficiente que el procedimiento
paramtrico correspondiente, cuando se pueden aplicar ambos mtodos. En
consecuencia, para lograr la misma potencia, una prueba no paramtrica requerir
la correspondiente prueba no paramtrica.
31
ESTADISTICA INFERENCIAL I 30-11-2015
Ejemplo de Aplicacin
Un investigador piensa que los individuos de diversas profesiones tendrn distintos
grados de susceptibilidad a ser hipnotizados. Pare el experimento se eligen al azar
a 6 abogados, 6 mdicos, y 6 bailarines profesionales. A cada uno se le aplica un
examen de susceptibilidad hipntica. Los resultados aparecen aqu. Mientras mayor
sea la calificacin, mayor ser la susceptibilidad a ser hipnotizados. Suponga que
los datos violan los supuestos necesarios para el uso de la prueba F, pero al menos
presentan una escala ordinal.
32
ESTADISTICA INFERENCIAL I 30-11-2015
33
ESTADISTICA INFERENCIAL I 30-11-2015
34
ESTADISTICA INFERENCIAL I 30-11-2015
Prueba de Pearson
Prueba binomial
Prueba de Anderson-Darling
Prueba de Cochran
Prueba de Cohen kappa
Prueba de Fisher Estadstica Administrativa II 35
Prueba de Friedman
Prueba de Kendall
Prueba de Kolmogrov-Smirnov
Prueba de Kruskal-Wallis
Prueba de Kuiper
Prueba de Mann-Whitney o prueba de Wilcoxon
Prueba de McNemar
Prueba de la mediana
Prueba de Siegel-Tukey
Coeficiente de correlacin de Spearman
Tablas de contingencia
Prueba de Wald-Wolfowitz
Prueba de los signos de Wilcoxon
1. Prueba de signo para datos pares: los signos positivo o negativo sustituyen
a valores cuantitativos.
2. Prueba de suma de rangos: tambin llamada prueba U de MannWhitney, que
puede usarse para determinar si dos muestras independientes de sacaron
de la misma poblacin.
35
ESTADISTICA INFERENCIAL I 30-11-2015
36
ESTADISTICA INFERENCIAL I 30-11-2015
Ejemplo de Aplicacin
Se midi el TIEMPO (seg.) que tarda la concentracin de un compuesto reducirse
a la mitad durante una reaccin. Se realizaron 28 repeticiones de la reaccin en
condiciones independientes e idnticas.
37
ESTADISTICA INFERENCIAL I 30-11-2015
Pasos:
1. Calcular las frecuencias esperadas de la distribucin terica especfica por
considerar para determinado nmero de clases, en un arreglo de rangos de
menor a mayor.
2. Arreglar estos valores tericos en frecuencias acumuladas.
3. Arreglar acumulativamente las frecuencias observadas.
4. Aplicar la ecuacin D = ft - f obs, donde D es la mxima discrepancia de
ambas.
5. Comparar el valor estadstico D de Kolmogorov-Smirnov en la tabla de
valores crticos de D.
6. Decidir si se acepta o rechaza la hiptesis.
Ecuacin:
D = ft - fobs
38
ESTADISTICA INFERENCIAL I 30-11-2015
Ejemplo de Aplicacin
En una investigacin, consistente en medir la talla de 100 nios de 5 aos de edad,
se desea saber si las observaciones provienen de una poblacin normal.
Planteamiento de la hiptesis.
Hiptesis alterna (Ha). Los valores observados de las frecuencias para cada clase
son diferentes de las frecuencias tericas de una distribucin normal.
Hiptesis nula (Ho). Las diferencias entre los valores observados y los tericos de
la distribucin normal se deben al azar.
Nivel de significacin.
Para todo valor de probabilidad igual o menor que 0.05, se acepta Ha y se rechaza
Ho.
Zona de rechazo.
Para todo valor de probabilidad mayor que 0.05, se acepta Ho y se rechaza Ha.
Tabla de 100 nios. Los valores X + s son 99.2 2.85.
39
ESTADISTICA INFERENCIAL I 30-11-2015
Y as sucesivamente.
Para cada valor Z, se localiza el rea de la curva tipificada de la tabla de nmeros
aleatorios. A partir de estos valores, se obtiene la diferencia entre los lmites de
clases entre el superior y el inferior, por ejemplo: 0.4997 - 0.4793 = 0.020, 0.4793 -
0.2357 = 0.2436, 0.2357 - (-0.2794) = 0.5151, -0.2794 - (-0.4854) = 0.206 y -0.4854
- (-0.4994) = 0.014.
Estos resultados de diferencias se multiplican por el tamao de la muestra (100
nios), luego se obtienen las frecuencias tericas y despus se arreglan en
frecuencias acumuladas.
Clculos de los valores tericos.
40
ESTADISTICA INFERENCIAL I 30-11-2015
D = ft - fobs = - 0.036
La diferencia mxima D es igual a -0.049, valor que se compara con los valores
crticos de D en la prueba muestral de Kolmogorov-Smirnov y se obtiene la
probabilidad de la existencia de esa magnitud de acuerdo con la prueba de
Kolmogorov-Smirnov. El valor N es 100 y el mayor nmero de N en la tabla es 35,
por lo cual se aplica la frmula al pie de la tabla:
Para la probabilidad de
Lo anterior quiere decir que para todo valor menor que el crtico para una
probabilidad de 0.05, la probabilidad correspondiente es mayor que 0.05, y todo
valor mayor que D al calculado tinen una probabilidad menor que 0.05, o sea, es
inversamente proporcional al crtico determinado o localizado en la tabla.
Decisin.
En virtud de lo anterior, el estadstico de Kolmogorov-Smirnov obtendo es menor
que el crtico y su probabilidad mayor que 0.05, por lo tanto, se acepta Ho y se
rechaza Ha.
Interpretacin.
Las frecuencias observadas y las tericas calculadas no difieren significativamente.
Por lo tanto, las observaciones tienen una distribucin normal.
41
ESTADISTICA INFERENCIAL I 30-11-2015
Donde
Ejemplo de Aplicacin
En el mtodo de Anderson Darling o Ryan Joiner, si el valor de probabilidad Pde la
prueba es mayor a 0.05, se considera que los datos son normales. Seguir los
siguientes pasos:
42
ESTADISTICA INFERENCIAL I 30-11-2015
43
ESTADISTICA INFERENCIAL I 30-11-2015
Esta prueba evala la normalidad calculando la correlacin entre sus datos y las
puntuaciones normales de sus datos. Si el coeficiente de correlacin se encuentra
cerca de 1, es probable que la poblacin sea normal. La estadstica de Ryan-Joiner
evala la solidez de esta correlacin; si se encuentra por debajo del valor crtico
apropiado, usted rechazar la hiptesis nula de normalidad en la poblacin.
Ecuacin:
Usos: La prueba de Ryan - Joiner es usada para probar si una muestra viene de
una distribucin especfica.
Ejemplo: En la prctica, se tienen valores reales de promedio diferentes de cero y
con desviacin estndar diferente de uno, para determinar la probabilidad o rea
bajo la curva, se determina el nmero de desviaciones estndar
Como sigue:
44
ESTADISTICA INFERENCIAL I 30-11-2015
Ejemplo de Aplicacin
45
ESTADISTICA INFERENCIAL I 30-11-2015
Analiza
Estadsticos Descriptivos
Explorar
Ejemplo de Aplicacin
Con los datos correspondientes a la variable Trans de la encuesta Enctrans.sav y
con referencia a los encuestados que viven en Barcelona, se quiere comprobar si
su distribucin en cuanto al tipo de transporte utilizado se adapta a los resultados
de un estudio realizado por el Ayuntamiento de Barcelona, que son los siguientes:
el 40% de los desplazamientos al trabajo se realizan en metro; el 30% en autobs;
el 20% en transporte privado y 10% otros medios.
La distribucin de frecuencias de la variable Trans es:
46
ESTADISTICA INFERENCIAL I 30-11-2015
En este caso para realizar el contraste Chi-cuadrado es necesario definir las cuatro
categoras contempladas en la hiptesis nula. Para ello, se crea una nueva variable,
Trans2, a partir de Trans con las siguientes categoras: Metro, Bus, Privado (que
resultar de agregar Coche y Moto) y Otros (que agrupar Tren y Otros).Una vez
creada la nueva variable, con la secuencia Analizar > Pruebas no paramtricas >
Chi-cuadrado se llega al cuadro de dilogo en donde se selecciona la variable
Trans2 y se introduce en Valores esperados las frecuencias relativas de cada
categora segn la hiptesis nula correctamente ordenadas: 0,4 para la categora 1;
0,3 para la 2; 0,2 para la 3 y 0,10 para la 4. Al aceptar se obtienen los siguientes
resultados:
Como todas las categoras presentan frecuencia esperada mayor que 5 se puede
aplicar el contraste Chi-cuadrado sin modificar el nmero de categoras. El valor del
estadstico Chi-cuadrado permite rechazar la hiptesis nula para niveles de
significacin superiores al 2,7%. As pues, al 5% de significacin se llega a la
conclusin de que la distribucin del tipo de transporte que utilizan los alumnos no
se adapta a la publicada por el ayuntamiento.
47
ESTADISTICA INFERENCIAL I 30-11-2015
Hay paquetes que fueron escritos originalmente para ordenadores tipo mainframe:
SPSS , BMDP , SAS , Minitab , Genstat y GLIM. Los tres primeros se volvieron muy
populares en ese entorno. Actualmente pueden usarse en PC todos ellos. Otros
paquetes se han desarrollado especficamente para PC, sin haber pasado por la
etapa de los mainframes.
1.- Coste: Este es uno de los puntos ms importantes que hay que tocar al momento
de elegir un Paquete Estadstico, desafortunadamente, el coste de sus licencias
est fuera del alcance de la mayor parte de los usuarios y la obtencin de copias
subrepticias no es posible para muchos ni fcil en absoluto para ninguno.
2.- Nivel de sofisticacin del usuario: Idealmente, ste debera ser un entendido en
estadstica y tener ciertos conocimientos de programacin. En la medida que
carezca de los segundos, tendr que renunciar a realizar por su cuenta cierto tipo
48
ESTADISTICA INFERENCIAL I 30-11-2015
de anlisis que vayan ms all de los ms comunes; y en tanto que carezca de los
primeros, ser ms dependiente de aquellos paquetes con un interfaz ms
informativo.
3.- Tamao del conjunto de datos: En la mayor parte de los problemas -al menos,
en lo que respecta a su nmero, no a su dificultad ni importancia- esta variable no
supone ninguna restriccin significativa. De hecho, la mayora de los paquetes
puede manejar sin mayores problemas conjuntos de datos no excesivamente
grandes. Slo cuando se rebasa cierto umbral es preciso considerar paquetes
especficamente diseados para hacer frente a este tipo de condicionantes. Los
distribuidores de muchos paquetes estadsticos comerciales suelen hacer hincapi
en la probada capacidad de sus productos para manipular grandes conjuntos de
datos. Desafortunadamente para ellos, el rango de problemas en que estas virtudes
son crticas se estrecha aceleradamente: por una parte, las ampliaciones de
memoria son cada vez ms econmicas, elevando hasta niveles muy cmodos el
umbral a partir del cual seran necesarios productos ms sofisticados; por la otra,
para los problemas en que los conjuntos de datos son verdaderamente grandes -
bases de datos de corporaciones, informacin censal, etc.- pueden emplearse
herramientas especficas como, por ejemplo, programas escritos en C que
interacten con el gestor de la base de datos.
49
ESTADISTICA INFERENCIAL I 30-11-2015
Ejemplo de Aplicacin
Al abrir el programa nos encontramos con una cuadrcula en la que podemos
escribir tanto texto como nmeros. Excel es una hoja de clculo, lo que quiere decir
que su propsito es precisamente calcular expresiones matemticas. En las casillas
50
ESTADISTICA INFERENCIAL I 30-11-2015
Para comenzar a trabajar con una muestra, una vez introducidos sus datos,
utilizaremos las funciones que Excel nos proporciona. Por ejemplo, la funcin
=SUMA(Rango) o =PROMEDIO(Rango) calculan respectivamente la suma y el
promedio de una muestra. Si los datos estn contiguos, el Rango se especifica
poniendo la referencia de la primera celda de la muestra, el smbolo ":", y la
referencia de la ltima. Por ejemplo: =SUMA(B3:B14).
51
ESTADISTICA INFERENCIAL I 30-11-2015
52
ESTADISTICA INFERENCIAL I 30-11-2015
53
ESTADISTICA INFERENCIAL I 30-11-2015
Si sabemos que existe una relacin entre una variable denominada dependiente y
otras denominadas independientes (como por ejemplo las existentes entre: la
experiencia profesional de los trabajadores y sus respectivos sueldos, las estaturas
y pesos de personas, la produccin agraria y la cantidad de fertilizantes utilizados,
etc.), puede darse el problema de que la dependiente asuma mltiples valores
para una combinacin de valores de las independientes.
Y = f(X)
Como Y depende de X,
54
ESTADISTICA INFERENCIAL I 30-11-2015
Y es la variable dependiente, y
X es la variable independiente.
Y = f (X)
Los datos de la siguiente tabla representan las estaturas (X, cm) y los pesos (Y, kg)
de una muestra de 12 hombres adultos. Para cada estatura fijada previamente se
observ el peso de una persona seleccionada de entre el grupo con dicha estatura,
resultando:
X 152 155 152 155 157 152 157 165 162 178 183 178
Con estos datos vamos a plantear una ecuacin de regresin simple que nos
permita pronosticar los pesos conociendo las tallas. Utilizaremos a = 0.05, y
contrastaremos nuestra hiptesis con la prueba F.
55
ESTADISTICA INFERENCIAL I 30-11-2015
DESARROLLO
Representacin matemtica y grfica de los datos:
Representacin Matemtica
dato y Residu
s x y x ^2 y ^2 Xy est. al L. I. L. S. L. I. L. S.
56
ESTADISTICA INFERENCIAL I 30-11-2015
57
ESTADISTICA INFERENCIAL I 30-11-2015
58
ESTADISTICA INFERENCIAL I 30-11-2015
es:
En la seccin anterior estudiamos pruebas de hiptesis para verificar que hay una
relacin significativa entre y; sin embargo, no hemos visto si tal relacin permite
hacer estimaciones con una precisin aceptable. Por ejemplo, es de inters saber
qu tanta de la variabilidad presente en fue explicada por el modelo, adems si se
cumplen los supuestos de los residuos.
59
ESTADISTICA INFERENCIAL I 30-11-2015
60
ESTADISTICA INFERENCIAL I 30-11-2015
61
ESTADISTICA INFERENCIAL I 30-11-2015
62
ESTADISTICA INFERENCIAL I 30-11-2015
63
ESTADISTICA INFERENCIAL I 30-11-2015
Aceptar significa que ningn trmino o variable en el modelo tiene una contribucin
significativa al explicar la variable de respuesta. Mientras que rechazar implica que
por lo menos un trmino en el modelo contribuye de manera significativa a explicar.
El procedimiento para probar esta hiptesis es una generalizacin del procedimiento
utilizado para probar la hiptesis equivalente en regresin lineal simple.
64
ESTADISTICA INFERENCIAL I 30-11-2015
65
ESTADISTICA INFERENCIAL I 30-11-2015
Activamos la casilla de rtulos, por default est indicado en una hoja nueva,
seleccionamos adems cualquiera de las opciones de residuos, grafica de
residuales, y curva de regresin ajustada y aceptar y tendremos el resultado.
66
ESTADISTICA INFERENCIAL I 30-11-2015
Por tanto, debemos buscar la funcin que ha de describir la dependencia entre las
dos variables.
67
ESTADISTICA INFERENCIAL I 30-11-2015
CONCLUSIN
68
ESTADISTICA INFERENCIAL I 30-11-2015
FUENTES DE INFORMACIN
http://dta.utalca.cl/estadistica/ejercicios/interpretar/Metodos/propuesto%20NOPARAM.pdf
http://www.dm.uba.ar/materias/estadistica_Q/2010/2/C010%20Metodos%20no%20param%20(u
na%20muestra).pdf
http://www.ray-
design.com.mx/psicoparaest/index.php?option=com_content&view=article&id=247:prueba-
kolmogorov&catid=53:pruebasnopara&Itemid=62
https://es.wikipedia.org/wiki/Prueba_de_Anderson-Darling
http://estadistec.blogspot.mx/2011/11/equipo-8.html
https://www.academia.edu/9323239/PRUEBAS_DE_NORMALIDAD_NO_PARAMETRICAS
http://estadistec.blogspot.mx/2011/11/equipo-8.html
http://www.ub.edu/aplica_infor/spss/cap5-6.htm
http://html.rincondelvago.com/paquetes-estadisticos.html
http://www.uv.es/~montes/nau_gran/practiques_excel.pdf
http://probest.jimdo.com/temario/unidad-v/5-1-3-regresion-lineal-simple/
http://moodle2.unid.edu.mx/dts_cursos_mdl/lic/AE/EI/AM/10/Prueba_de_hipotesis.pdf
https://www.academia.edu/9699876/CONCEPTOS_UNIDAD_IV_2#signup/close
https://www.academia.edu/8137314/Estad%C3%ADstica_Inferencial_II#signup/close
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030006/lecciones/capitulotres/ejem8_1
.html
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030006/lecciones/capitulotres/ejem8_1
.html
http://www.vitutor.com/pro/2/a_14.html
http://www.tesoem.edu.mx/alumnos/cuadernillos/2010.031.pdf
69
ESTADISTICA INFERENCIAL I 30-11-2015
FORMULARIO
70
ESTADISTICA INFERENCIAL I 30-11-2015
71
ESTADISTICA INFERENCIAL I 30-11-2015
CLASE MODAL.- En una tabla de datos agrupados, es la clase o intervalo que tiene
la mayor frecuencia.
72
ESTADISTICA INFERENCIAL I 30-11-2015
73
ESTADISTICA INFERENCIAL I 30-11-2015
74
ESTADISTICA INFERENCIAL I 30-11-2015
75
ESTADISTICA INFERENCIAL I 30-11-2015
NMERO NDICE.- Es aquella medida estadstica que permite estudiar los cambios
que se producen en una magnitud simple o compleja con respecto al tiempo o al
espacio.
76
ESTADISTICA INFERENCIAL I 30-11-2015
77
ESTADISTICA INFERENCIAL I 30-11-2015
78
ESTADISTICA INFERENCIAL I 30-11-2015
79
ESTADISTICA INFERENCIAL I 30-11-2015
Ejercicio 4 Los siguientes datos son las edades de una muestra de personas
seleccionadas entre los visitantes de un Bingo.
32, 23, 64, 31, 74, 44, 61, 33, 66, 73,
27, 65, 40, 54, 23, 43, 58, 87, 58, 62.
68, 89, 93, 24, 73, 42, 33, 63, 36, 48,
77, 75, 37, 59, 70, 61, 43, 68, 54, 29,
80
ESTADISTICA INFERENCIAL I 30-11-2015
0.437 88, 0.773 48, 0.494 65, 0.319 8, 0.169 8, 0.672 27, 0.809 02, 0.515 59,
0.042 26, 0.182 82, 0.348 55, 0.307 36, 0.783 92, 0.323 71, 0.315 60, 3. 071 8102,
0.690 65, 0.607 36, 0.398 60, 2. 168 1102, 0.890 32, 0.983 29, 0.139 6, 0.226 39,
0.660 60, 0.742 93, 0.873 2, 0.519, 0.426 76, 0.734 85, 0.966 90, 0.771 51,
0.808 92, 0.798 18, 0.123 27, 0.556 45, 0.930 97, 0.254 07, 0.615 81, 0.296 01,
0.348 44, 5. 374 1102, 0.641 75, 0.520 51, 0.625 50, 0.675 22, 0.690 63, 0.353
67, 0.109 98, 0.636 73
81
ESTADISTICA INFERENCIAL I 30-11-2015
82