UNIVERSIDAD DE LAS FUERZAS ARMADAS ESPE

EXTENSION-LATACUNGA
NOMBRE: PERIODO: CARRRERA:
Yupangui Edison OCTUBRE2017-FEBRERO2018 ELECTRONICA
FECHA: ASIGNATURA: AULA:
14/02/2018 ESTADISTICA B-409

PRUEBA DE HIPOTESIS

Según afirma (Gomez, 2012)Una hipótesis estadística es una aseveración o

conjetura respecto a una o más poblaciones.
Es una afirmación sobre la población, a nivel de sus parámetros:

Media

Varianza o desvío estándar

Proporción

Debe plantearse antes de obtener la muestra

Hipótesis de investigación (Hi): expresa el objetivo del investigador.

Hipó tesis estadísticas:

La hipótesis nula, (Ho), es el status que o estado actual (lo que se cree hasta
el momento), o la que asegura que no hay diferencias en la población. Es la
hipótesis de no efecto.
La hipótesis alternativa, (H1 Ó Ha), es lo opuesto a la hipótesis nula;
representa el cambio en la población que el investigador espera sea verdadero
(bajo Hi).

El error tipo I se define como el rechazo de la hipótesis nula Ho cuando ésta es

verdadera. También es conocido como ó nivel de significancia.

El error tipo II ó error se define como la aceptación de la hipótesis nula

cuando ésta es falsa.

Tabla 1. Errores y conclusiones correctas en las pruebas de hipótesis.

Decisión Ho es verdadera H1 es verdadera

Aceptar Ho No hay error Error tipo II ó
 Rechazar Ho Error tipo I ó No hay error

𝑥̅ − 𝑢0
𝑍=
𝜎𝑥

Una empresa está interesada en lanzar un nuevo producto al mercado. Tras

realizar una campaña publicitaria, se toma la muestra de 1000 habitantes, de
las cuales, 25 no conocían el producto. A un nivel de significación del 1%
¿apoya el estudio de las siguientes hipótesis?

a. Más del 3% de la población no conoce el producto.

b. menos del 2%de la población no conoce el nuevo producto.

Datos:

n = 1000

x = 25

Dónde:

x = ocurrencias

n = observaciones

= proporción de la muestra

= proporción propuesta

a)
a = 0,01

No es aceptada, ya que Zprueba (-0,93) es menor que Ztabla (2,326), por lo

que no es cierto que más del 3% de la población no conoce el nuevo producto.

b)

a = 0,01

No es rechazada, ya que Zprueba (1,13) es menor que Ztabla (2,326), por lo

que es cierto que menos del 2% de la población no conoce el nuevo producto.

REGRESION LINEAL SIMPLE.

De acuerdo a (Acuña, 2010)Un modelo de regresión es un modelo que permite
describir cómo influye una variable X sobre otra variable Y.
REBRECION LINEAL SIMPLE.

La regresión lineal simple se basa en estudiar los cambios en una variable, no

aleatoria, afectan a una variable aleatoria, en el caso de existir una relación
funcional entre ambas variables que puede ser establecida por una expresión
lineal, es decir, su representación gráfica es una línea recta. Es decir, se está
en presencia de una regresión lineal simple cuando una variable independiente
ejerce influencia sobre otra variable dependiente.

Se trata de predecir el comportamiento de Y usando X entonces el modelo de

regresión lineal simple es de la forma:
 𝑌 = 𝛼 + 𝛽𝑥 + 𝜀
Dónde:

𝑌 es llamada la variable de respuesta o dependiente,

𝑋 es llamada la variable predictora o independiente,

𝛼 es el intercepto de la línea con el eje Y,

𝛽 es la pendiente de la línea de regresión y

𝜀 es un error aleatorio, el cual se supone que tiene media 0 y varianza

constante σ2
Además de la hipótesis establecida sobre los errores de que en media han de
ser cero, se establecen las siguientes hipótesis:

i) La varianza de ε es constante para cualquier valor de x, es decir,

𝜀
𝑉𝑎𝑟 ( = 𝑥) = 𝜎 2
𝑋
ii) La distribución de ε es normal, de media 0 y desviación σ.

iii) Los errores asociados a los valores de Y son independientes unos de otros.
En consecuencia, la distribución de Y para x fijo es normal, con varianza
constante 𝜎 2 , y media que varía linealmente con x, dada por, 𝛽0 + 𝛽1𝑥

Además los valores de Y son independientes entre sí

𝑌𝑖 = 𝛼 + 𝛽𝑥𝑖 + 𝜀𝑖
Cinco niños de 2, 3, 5, 7 y 8 años de edad pesan, respectivamente, 14, 20, 32,
42 y 44 kilos. 1 Hallar la ecuación de la recta de regresión de la edad sobre el
peso.
¿Cuál sería el peso aproximado de un niño de seis años?

𝒙𝒊 𝒚𝒊 𝒙𝒊 𝒙𝒊 𝟐 𝒚𝒊 𝟐
∗ 𝒚𝒊
2 14 4 196 28

3 20 9 400 60

5 32 25 1024 160

7 42 49 1764 294

8 44 64 1936 352

25 152 151 5320 894

 25 152
𝑥̅ = =5 𝑦̅ = = 30.4
5 5

151 5320
𝜎𝑥 2 = − 52 = 5.2 𝜎𝑦 2 = − 30.42 = 139.84
5 5
894
𝜎𝑥𝑦 = − 5 ∗ 30.4 = 26.8
5
𝑥 − 5 = 0.192(𝑦 − 30) 𝑥 = 0.192𝑦 − 0.76

𝑦 − 30.4 = 5.15(𝑥 − 5) 𝑦 = 5.15𝑥 + 4.65

𝑦 = (5.15 ∗ 6) + 4.65 = 35.55 𝑘𝑔

METODO DE LOS MINIMOS CUADRADOS.

El método de mínimos cuadrados consiste en hallar los valores b0 y b1 que
hacen mínima la suma de los cuadrados de las desviaciones entre los valores
observados de la variable dependiente, 𝑦𝑖 , y los valores estimados de la
misma, ŷ𝑖 . Es decir se minimiza la suma:
2
∑(𝑦𝑖 − 𝑦̂)
𝑖

Se denomina método de mínimos cuadrados. Por lo tanto, debemos calcular a

y b para minimizar.

𝑛 𝑛

𝑄(𝛽0 , 𝛽1 ) = ∑ 𝜀𝑖 2 = ∑(𝑌𝑖 − 𝛽0 − 𝛽1 𝑋𝑖 )2
𝑖=1 𝑖=1

Las ecuaciones normales son:

𝑛

∑(𝑌𝑖 − 𝛽0 − 𝛽1 𝑋𝑖 ) = 0
𝑖=1

∑ 𝑋𝑖 (𝑌𝑖 − 𝛽0 − 𝛽1 𝑋𝑖 ) = 0
𝑖=1

Los estimados son:

𝛽̂0 =𝑌̅ −𝛽̂1 𝑥̅

𝑆𝑃(𝑋𝑌) ∑𝑛𝑖=1 𝑋𝑖 𝑌𝑖 − 𝑛𝑋̅𝑌̅

𝛽̂1 = = 𝑛
𝑆𝐶(𝑋) ∑𝑖=1 𝑋𝑖 2 − 𝑛𝑋̅ 2
De acuerdo a la información mostrada a continuación, determina ¿cuáles serán
los costos en una jornada de trabajo de 40 horas?

MES COSTO (Y) HORAS (X)

ENERO 400 10.00
FEBRERO 500 12.50
MARZO 500 17.50
ABRIL 600 20.00
MAYO 1,500 50.00
JUNIO 900 30.00
TOTAL 4,400 140.00

MES COSTO (Y) HORAS (X) (X)(Y) X2

ENERO 400 10.00 4000 100
FEBRERO 500 12.50 6250 156
MARZO 500 17.50 8750 306
ABRIL 600 20.00 12000 400
MAYO 1,500 50.00 75000 2,500
JUNIO 900 30.00 27000 900
TOTAL 4,400 140.00 133,000 4,363

𝑌 = 𝑎 + 𝑏𝑋

𝑌 = 87.75 + 27.67𝑋

Con esta ecuación de mínimo cuadrado se pueden predecir los costos totales aproximados de
acuerdo a las horas laboradas.

𝑌 = 87.75 + 27.67(40)
𝑌 = 87.75 + 1106.8

𝑌 = 1194.55

𝑌 = $1194.55

Trabajos citados
Acuña, E. (2010). Probabilidad de la Estadistica. Lima: Third Ediction .

Gomez, M. (2012). Estadistica Inferencial. Mexico: Leccion.