MEDIA ARITMTICA

Es la suma de los valores de una variable dividida por, l numero de ellos. La media aritmtica, que se representa con . La frmula de la media aritmtica es:

Ejemplo: se obtiene con los siguientes pasos 1. Se suman todos los datos 10 + 2. La suma ' +!+"+#+$+$+%+"+#+$+%& ( se divide entre el n)mero de datos 'n( :

La media aritmtica o promedio de las evaluaciones es %.1#, que es el valor representativo de todos los datos.

MEDIA ARITMTICA PONDERADA

* veces se asocia a los n)meros + 1, +,,...,+n que se quieren promediar, ciertos factores o pesos -1, -,,...,-n que dependen de la significacin o importancia de cada uno de los n)meros. Entonces se genera una media aritmtica ponderada, que tambin se representa con equis testada.

Ejemplo Supongamos que un alumno quiere encontrar el promedio ponderado de sus cinco calificaciones. La segunda calificacin vale el doble de al primera, la tercera el triple de la primera, la cuarta vale cuatro veces la primera . la quinta cinco veces. /0u1l es su promedio si sus calificaciones son $.!, %. , $. , #.2 . ".,3 41 4, 4 42 4! & & & & & $.! %. $. #.2 "., 5 5 5 5 5 61 6, 6 62 6! & & & & & 1 , 2 !

'$.!71+%. 7,+$. 7 +#.272+".,7!( '1+,+ +2+!( & 11".#81! & 7.97 es el promedio ponderado de las calificaciones de este alumno

LA MEDIANA
Es la observacin que se encuentra en el centro cuando los datos est1n ordenados, divide a los datos en dos partes iguales. - Si n es impar: la mediana es la observacin que est1 en el lugar 'n+1(8,, esto es

- Si n es par:

la mediana es el promedio de las observaciones n8, . n8,+1, esto es

Ejemplo Encuentra la mediana para el siguiente con9unto de datos " 1, ! 1# $ 11 1. :rimero se ordenan los datos ! $ 9 11 1, 1# ;na ve< ordenados, como el n)mero de datos es impar '%(, se busca el que tiene la posicin 'n+1(,, o sea '%+1(, & 2. Este n)mero es el " . representa la mediana. Ejemplo 0alcula la mediana para el siguiente con9unto de datos $. !.% "., ." %.2 11.$ 10.# 2. =uevamente se ordenan los datos ." 2. !.% 7.4 8.3 "., 10.# 11.$ ;na ve< ordenados, como el n)meo de datos es par '$(, se busca el n)mero que tiene la posicin n8, . el que tiene la posicin n8,+1, o sea $8, & 2 . $8,+1 & !. Los n)meros que tienen la posicin cuarta . quinta son %.2 . $. . Estos n)meros se promedian . el resultado ser1 la mediana. '%.2+$. (8, & %.$!. Este resultado %.$! representa la mediana para este con9unto de datos

LA MODA
La moda es el dato que aparece con ma.or frecuencia en una coleccin. Ejemplo Si se observa cual es el dato que m1s se repite en las evaluaciones, se tiene: , !, #, #, %, %, 8, 8, 8, ", ", 10 >ue es el oc?o. Este valor representa la moda de esta coleccin, por lo tanto, la moda se refiere al dato que tiene ma.or frecuencia. Nota: Si ninguna observacin se repite, se dice que esos datos no tienen moda. Si todos los datos se repiten el mismo n)mero de veces, los datos ser1n multimodales. Ejemplo Encuentra la moda de los siguientes datos 2 " ! # % 0omo los datos slo e+isten una ve<, este con9unto de datos no tienen moda. Ejemplo Encuentra la moda del siguiente con9unto de datos 9 # % 9 $ ! 9 % El se repite dos veces, el % se repite tambin dos veces, pero como el " se repite tres veces, este )ltimo n)mero es la moda para este con9unto de datos. Ejemplo 0alcula la moda para los datos que se presentan a continuacin 6 % 8 6 " % 8 ! 6 8 El m1+imo n)mero de veces que se repiten los datos son tres, . ?a. dos datos que se repiten tres veces, el # . el $. El con9unto de datos es bimodal . sus modas son el # . el $. Ejemplo 0alcula la moda para estos datos $ # ! ! " # $ # ! " $ " En este con9unto de datos, todos se repiten tres veces. El !, #, $ . el " son moda. =o ?a. ninguno que no lo sea, es un caso multimodal

DESVIACIN ESTNDAR
La desviacin est1ndar es la medida de dispersin mas usada en estad@stica, tanto en aspectos descriptivos como anal@ticos. En su forma conceptual, la desviacin est1ndar se define as@:

Armula de traba9o para la poblacin

Armula de traba9o para la muestra:

Ejemplo:

x 3 2 3 5 4 3 20

x2 9 4 9 25 16 9 72

0uando se trata de datos agrupados la formula es:

Ejemplo :

x 32 37 42 47 52 57 62 67 72 Sumas

f 1 3 8 9 7 4 3 3 2 40

fx 32 111 336 423 364 228 186 201 144 2025

x2 1024 1369 1764 2209 2704 3249 3844 4489 5184

fx2 1024 4107 14112 19881 18928 12996 11532 13467 10368 106415

0onociendo la desviacin est1ndar, se puede calcular otros estimadores derivados que son de gran utilidad para describir .8o interpretar el comportamiento de los datos

VARIANZA (VARIANCIA) S2
La varian<a, , se define como la media de las diferencias cuadr1ticas de n puntuaciones con respecto a su media aritmtica, es decir:

:ara datos agrupados en tablas, usando las notaciones establecidas en los cap@tulos anteriores, la varian<a se puede escribir como

Una frmula equivalente para el clculo de la varianza est basada en lo siguiente:

0on lo cual se tiene

Si los datos est1n agrupados en tablas, es evidente que

La varian<a no tiene la misma magnitud que las observaciones 'e9. si las observaciones se miden en metros, la varian<a lo ?ace en metros ,(. Si queremos que la medida de dispersin sea de la misma dimensionalidad que las observaciones bastar1 con tomar su ra@< cuadrada. :or ello se define la desviaci n t!pica, , como:

Ejemplo 0alcular la varian<a . desviacin t@pica de las siguientes cantidades medidas en metros: , ,2,2,!

:ara calcular dic?as medidas de dispersin es necesario calcular previamente el valor con respecto al cual vamos a medir las diferencias. Bste es la media:

La varian<a es:

Siendo la desviacin t@pica su ra@< cuadrada:

Las siguientes propiedades de la varian<a 'respectivamente, desviacin t@pica( son importantes a la ?ora de ?acer un cambio de origen . escala a una variable. En primer lugar, la varian<a 'resp. Cesviacin t@pica( no se ve afectada si al con9unto de valores de la variable se le aDade una constante. Si adem1s cada observacin es multiplicada por otra constante, en este caso la varian<a cambia en relacin al cuadrado de la constante 'resp. La desviacin t@pica cambia en relacin al valor absoluto de la constante(. Esto queda precisado en la siguiente proposicin

"#S# $N"E%N# &E %EN"#'$($&#& ) &E %E")%N) Eeneralmente conocido por su acrnimo FGH, es el tipo de descuento que ?ace que el I*= 'valor actual o presente neto( sea igual a cero, es decir, el tipo de descuento que iguala el valor actual de los flu9os de entrada 'positivos( con el flu9o de salida inicial . otros flu9os negativos actuali<ados de un pro.ecto de inversin. En el an1lisis de inversiones, para que un pro.ecto se considere rentable, su FGH debe ser superior al coste del capital empleado. El Ialor *ctual =eto es un criterio financiero para el an1lisis de pro.ectos de inversin que consiste en determinar el valor actual de los flu9os de ca9a que se esperan en el transcurso de la inversin, tanto de los flu9os positivos como de las salidas de capital 'incluida la inversin inicial(, donde stas se representan con signo negativo, mediante su descuento a una tasa o coste de capital adecuado al valor temporal del dinero . al riesgo de la inversin. Seg)n este criterio, se recomienda reali<ar aquellas inversiones cu.o valor actual neto sea positivo. El Ialor *ctual o Ialor presente, es calculado mediante la aplicacin de una tasa de descuento, de uno o varios flu9os de tesorer@a que se espera recibir en el futuro5 es decir, es la cantidad de dinero que ser@a necesaria invertir ?o. para que, a un tipo de inters dado, se obtuvieran los flu9os de ca9a previstos.

CORRELACIN LINEAL
Jb9etivo principal del an1lisis de correlacin lineal es medir la intensidad de una relacin lineal entre dos variables. * continuacin se estudian algunos diagramas de dispersin que indican diferentes relaciones entre las variables independientes x . las variables dependientes y. Si K dependientes no e+iste un cambio definido en los valores de y conforme aumentan los valores de x, se dice que no ?a. correlacin o que no e+iste relacin entre x . y. En cambio, si al aumentar x ?a. una modificacin definida en los valores de y, entonces e+iste correlacin. En este )ltimo caso la correlacin es positiva cuando y tiende a aumentar, . negativa cuando y decrece. Si tanto los correlacin lineal valores de x como los de y tienden a seguir una direccin recta, e+iste una correlacin lineal. La precisin del cambio en y conforme x incrementa su valor, determina la solide< de la correlacin lineal. Los diagramas de dispersin de la Aigura L, ilustran estas nociones. Ma. una correlacin lineal perfecta cuando todos los puntos est1n situados a lo largo de una recta en forma e+acta, como se muestra en la Aigura. Esta correlacin puede ser positiva o negativa, dependiendo de que y aumente o disminu.a conforme x aumenta. Si los datos forman una recta vertical u ?ori<ontal no e+iste correlacin, pues una variable no tiene efecto sobre la otra.

PROBABILIDAD Y TIPOS DE PROBABILIDAD

Mistricamente se ?an desarrollado tres diferentes enfoques conceptuales para definir la probabilidad . para determinar valores de probabilidad: el cl1sico, el de frecuencia relativa . el sub9etivo. Ce acuerdo con el enfoque c !"#co de la probabilidad, si ='*( resultados elementales posibles son favorables en el evento *, . e+iste ='S( posibles resultados en el espacio muestral . todos los resultados elementales son igualmente probables . mutuamente e+clu.entes5 entonces, la probabilidad de que ocurra el evento * es ='*( :'*( & LLLLLLLLLLLLL ='S( Jbsrvese que el enfoque cl1sico de la probabilidad se basa en la suposicin de que cada uno de los resultados es igualmente probable. Cebido a que este enfoque 'cuando es aplicable( permite determinar los valores de probabilidad antes de observar cualesquiera eventos muestrales, tambin se le denomina enfoque a priori. E*E+,() En un ma<o de cartas bien bara9adas que contiene 2 ases . 2$ cartas de otro tipo, la probabilidad de obtener un as '*( en una sola e+traccin es ='*( 2 1 :'*( & LLLLLLLLLL & LLLLL & LLLL ='S( !, 1

* travs del enfoque de f$ecuenc#% $e %&#'%, se determina la probabilidad con base en la proporcin de veces que ocurre un resultado favorable en un determinado n)mero de observaciones o e+perimentos. =o ?a. impl@cita ninguna suposicin previa de igualdad de probabilidades. Cebido a que para determinar los valores de probabilidad se requiere de la observacin . de la recopilacin de datos, a este enfoque se le denomina tambin enfoque emprico. La probabilidad de que ocurra un evento *, de acuerdo con el enfoque de frecuencia relativa es =)mero de observaciones de * n'*( :'*( & LLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLLL & LLLLLLL FamaDo de la muestra n E*E+,(). *ntes de incluir la cobertura para ciertos tipos de problemas dentales en pli<as de seguros mdicos para adultos con empleo, una compaD@a de seguros desea determinar la probabilidad de ocurrencia de esa clase de problemas, para que pueda fi9arse la prima de seguros de acuerdo con esas cifras. :or ello, un especialista en estad@stica recopila datos para 10,000 adultos que se encuentran en las categor@as de edad apropiadas . encuentra que 100 de ellos ?an e+perimentado el problema dental espec@fico durante el aDo anterior. :or ello, la probabilidad de ocurrencia es: n'*( 100 :'*( & LLLLLLL & LLLLLLLLL & 0.01, o 1N n 10,000 Fanto el enfoque cl1sico como el de frecuencia relativa producen valores de probabilidad objetivos, en el sentido de que seDalan la tasa relativa de ocurrencia del evento a largo pla<o. :or el contrario, el enfoque "u()e&#'o a la probabilidad es particularmente apropiado cuando slo e+iste una probabilidad de que el evento ocurra, . se da el caso de que ocurra o no esa )nica ve<. Ce acuerdo con el enfoque sub9etivo, la probabilidad de un evento es el grado de confianza que una persona tiene en que el evento ocurra, con base en toda la evidencia que tiene disponible. Cebido a que el valor de la probabilidad es un 9uicio personal, al enfoque sub9etivo se le denomina tambin enfoque personalista.

E*E+,() Cebido a los impuestos . a los posibles usos alternativos de sus fondos, un inversionista ?a determinado que la compra de terrenos vale la pena slo si e+iste una probabilidad de cuando menos 0."0 de que el terreno obtenga plusval@a por !0N o m1s en los pr+imos 2 aDos. *l evaluar un determinado terreno, el inversionista estudia los cambios en los precios en el 1rea en aDos recientes, considera los niveles corrientes de precios, estudia el estado corriente . futuro probable de los pro.ectos de desarrollo inmobiliarios . revisa las estad@sticas referentes al desarrollo econmico del 1rea geogr1fica global. 0on base en esta revisin, conclu.e que e+iste una probabilidad de apro+imadamente 0.%!N de que se d la plusval@a que requiere. 0omo esta probabilidad es menor que la m@nima que requiere, '0."0(, no debe llevarse a cabo la inversin

DISTRIB*CIONES DE PROBABILIDAD PARA VARIABLES ALEATORIAS DISCRETAS+ BINOMIAL, -IPER.EOMTRICA Y POISSON/

&$S"%$'-.$)NES &E ,%)'#'$($&#& ,#%# /#%$#'(ES #(E#")%$#S En contraste con un evento, una variable aleatoria es un evento numrico cu.o valor se determina mediante un proceso al a<ar. 0uando se asignan valores de probabilidad a todos los valores numricos posibles de una variable aleatoria 4, .a sea mediante un listado o a travs de una funcin matem1tica, se obtiene como resultado una distribucin de probabilidad. La suma de las probabilidades para todos los resultados numricos posibles debe ser igual 1.0. :ueden denotarse los valores de probabilidad individuales mediante el s@mbolo f'+(, lo cual implica que ?a. impl@cita una funcin matem1tica5 mediante P'+&4(, el cual implica que la variable aleatoria puede asumir diversos valores espec@ficos, o simplemente mediante P'4(. :ara una variable aleatoria discreta, se pueden enlistar todos los valores numricos posibles de la variable en una tabla con las probabilidades correspondientes. E+isten diversas distribuciones est1ndar de probabilidad que pueden utili<arse como modelos para una amplia gama de variables aleatorias discretas en aplicaciones de negocios. Los modelos est1ndar que se describiremos son las distribuciones de probabilidad binomial, ?ipergeomtrica . :oisson. :ara una variable aleatoria continua no es posible enlistar todos los posibles valores fraccionarios de la variable ., por lo tanto, las probabilidades que se determinan a travs de una funcin matem1tica se ilustran en forma gr1fica mediante una funcin de densidad de probabilidad o curva de probabilidad. O1s adelante se describen diversas distribuciones est1ndar de probabilidad que pueden servir como modelos para variables aleatorias continuas.

EPEO:LJ En la siguiente tabla se muestra el n)mero de camionetas que se ?an solicitado para renta en una arrendadora de automviles, en un periodo de !0 d@as. En la )ltima columna de la Fabla se inclu.en las frecuencias observadas en este periodo de !0 d@as, convertidas en probabilidades. *s@, puede observarse que la probabilidad de que se ?a.an solicitado e+actamente siete camionetas en un d@a elegido al a<ar en ese periodo es de 0.,0, . que la probabilidad de que se ?a.an solicitado seis o m1s es de 0.,0 + 0.,0 + 0.0$ & 0.!#.

&emanda diaria de arrendamiento de camionetas d0rante 0n periodo de 12 d!as Cemanda =)mero :robabilidad posible 4 de d@as Q: '4(R 0.0# 2 % 0.12 ! 1, 0.,2 # 12 0.,$ % 10 0.,0 $ 2 0.0$ !0 1.00 E( /#()% ES,E%#&) 3 (# /#%$#N4# &E -N# /#%$#'(E #(E#")%$# &$S.%E"# Ce la misma manera en que se ?ace para con9untos de datos muestrales . poblacionales, con frecuencia resulta )til describir una variable aleatoria en trminos de su media . su varian<a. La media 'a largo pla<o( de una variable aleatoria 4 se denomina valor esperado . se denota mediante E'4(. :ara una variable aleatoria discreta, resulta ser el promedio ponderado de todos los valores numricos posibles de la variable, utili<ando las probabilidades correspondientes como pesos. 0omo la suma de los pesos 'probabilidades( es 1.0, puede simplificarse la frmula de la media ponderada de manera que el valor esperado de una variable aleatoria discreta es E'4( & 4:'4( E*E+,() 0on base en los datos de la Fabla anterior, se presentan en la Fabla siguiente los c1lculos que conducen al valor esperado de la variable aleatoria. El valor esperado es !.## camionetas. Jbserve que el valor esperado de la variable discreta puede ser un valor fraccionario porque representa el valor promedio a largo pla<o . no el valor espec@fico de determinada observacin. .5lc0lo del valor esperado para la demanda de camionetas Cemanda :robabilidad Ialor posible 4 Q : '4( R ponderado Q 4 : '4( R 0.0# 0.1$ 2 0.12 0.!# ! 0.,2 1.,0 # 0.,$ 1.#$ % 0.,0 1.20 $ 0.0$ 0.#2

1.00

E'4( & !.##

La varian<a de una variable aleatoria 4 se denota mediante I'4(5 se calcula con respecto a E'4( como la media de la distribucin de probabilidad. La forma general de desviaciones para la frmula de la varian<a de una variable aleatoria discreta es I'4( & Q4LE'4(LE'4(R, P'4( La forma abreviada para la frmula de la varian<a de una variable aleatoria discreta, que no requiere el c1lculo de las desviaciones con respecto a la media, es I'4( & 4, P'4( L Q 4:'4(R, & E'4,( L QE'4(R, EPEO:LJ En la siguiente Fabla se presenta la ?o9a de traba9o utili<ada para el c1lculo de la varian<a de la demanda de renta de camionetas, utili<ando la versin abreviada de la frmula. Fal como se seDala enseguida, el valor de la varian<a es de 1.%2. I'4( & E'4,SLQE'4(R, & .%$L'!.##(, & .%$L ,.02 & 1.%2

6oja de tra7ajo para el c5lc0lo de la varian8a para la demanda de camionetas

Demanda posible X 3 4 5 6 7 8

Probabilidad [P(X) 0#06 0#14 0#24 0#28 0#20 0#08

!alor ponderado [XP(X) 0#18 0#56 1#20 1#68 1#40 0#64 $(X) % 5#66 9 16 25 36 49 64

Demanda al "uadrado (X2)

!alor ponderado al "uadrado [X2P(X) 0#54 2#24 6#00 10#08 9#80 5#12 $(X2) % 33#78

(# &$S"%$'-.$9N '$N)+$#( La distribucin binomial es una distribucin discreta de probabilidad aplicable como modelo a diversas situaciones de toma de decisiones, siempre . cuando pueda suponerse que el proceso de muestreo se a9usta a un proceso Ternoulli. ;n proceso Bernoulli es un proceso de muestreo en el que: '1( Slo son posibles dos resultados mutuamente e+clu.entes en cada ensa.o u observacin. :or conveniencia, a estos resultados se les denomina xito . fracaso. ',( Los resultados del con9unto de ensa.os u observaciones, constitu.en eventos independientes. ' ( La probabilidad de +ito, que se denota mediante p, permanece constante de un ensa.o a otro. Es decir, el proceso es estacionario. :uede utili<arse la distribucin binomial para determinar la probabilidad de obtener un n)mero determinado de +itos en un proceso Ternoulli. Se requieren tres valores: el n)mero espec@fico de +itos '4(, el n)mero de ensa.os u observaciones 'n( . la probabilidad de +ito en cada uno de los ensa.os 'p(. La frmula para determinar la probabilidad de un n)mero determinado de +itos 4 para una distribucin binomial, en donde q & '1L p( es: :'4n, p( & n04p4qnL4 nU & LLLLLLLLLLL p+ q 4U 'nL4(U E*E+,() La probabilidad de que un prospecto de ventas elegido al a<ar realice una compra es de 0.,0. Si un vendedor visita a seis prospectos, la probabilidad de que realice e+actamente cuatro ventas se determina de la siguiente manera: :'4 & 2n & #, p & 0.,0( & #02'0.,0(2'0.$0(, & 2U,U #U '0.,0(2'0.$0(,
nL+

#+!+2+ +, & LLLLLLLLLLLLL '0.001#('0.#2( & 0.01! # 0.01! '2+ +,(',(

0on frecuencia e+iste inters en la probabilidad acumulada de V4 o m1sV +itos o V4 o menosV +itos en n ensa.os. En este caso, debe determinarse la probabilidad de cada uno de los resultados incluidos dentro del intervalo designado, . entonces sumar esas probabilidades. E*E+,() En relacin con el e9emplo anterior la probabilidad de que el vendedor logre 2 o m1s ventas se determina de la siguiente manera: :'4 2n&#, p&0.,0( & :'4&2( + :'4&!( + :'4&#( & 0.01! # + 0.001! # + 0.0000#2 & 0.01#"#0 0.01% en donde :'4&2( & 0.1! # 'del e9emplo anterior :'4&!( & #0!'0.,0(!'0.$0(1 & #U '0.,0(!'0.$0( & #'0.000 ,('0$0( & 0.001! # !U 1U :'4&#( & #0#'0.,0(#'0.$0(0 & #U '0.0000#2('1( & '1( '0.0000#2( & 0.000#2 #U 0U '=ota: recurdese que cualquier valor elevado a la potencia 0 es igual a 1(. 0omo el uso de la frmula binomial implica una cantidad considerable de c1lculos cuando la muestra es relativamente grande, con frecuencia se utili<an tablas de probabilidades binomiales. (# &$S"%$'-.$9N 6$,E%:E)+;"%$.# 0uando el muestreo se reali<a sin reempla<o para cada uno de los elementos que se toman de una poblacin finita de elementos, no se puede aplicar el proceso Ternoulli debido a que e+iste un cambio sistem1tico en la probabilidad de +itos al ir e+tra.endo elementos de la poblacin. 0uando se utili<a el muestreo sin reempla<o en alguna situacin en la que, de no ser por el no reempla<o, se le pudiera calificar como proceso de Ternoulli, la distribucin discreta de probabilidad apropiada resulta ser la distribucin ?ipergeomtrica. Si 4 es el n)mero designado de +itos, = es el n)mero de elementos de la poblacin, F es el n)mero total de V+itosV incluidos en la poblacin . n es el n)mero de elementos de la muestra, la frmula para determinar las probabilidades ?ipergeomtricas es

=WF F nL4 4 :'4=, Fn( & LLLLLLLLLLLLLLLL = n

EPEO:LJ Ce seis empleados, tres ?an estado con la compaD@a durante cinco o m1s aDos, si se eligen cuatro empleados al a<ar de ese grupo la probabilidad de que e+actamente dos de ellos tengan una antigXedad de cinco aDos o m1s es: #W U U 2L, , , , ,U1U ,U1U ' (' ( :'4&,=&#, F& n&2( & LLLLLLLLLLLLL & LLLLLLLLLLLL & LLLLLLLLLLLLL & LLLLLLLLLL # # #U 1! 2 2 2U,U & 0.#0 =tese que en el e9emplo anterior, el valor que se requiere de la probabilidad se calcula determinando el n)mero de combinaciones diferentes que incluir@an a dos empleados con antigXedad suficiente . dos con menor antigXedad como cociente del n)mero total de combinaciones de cuatro empleados, tomados de entre los seis. :or ello, la frmula ?ipergeomtrica es una aplicacin directa de las reglas de an1lisis combinatorio. 0uando la poblacin es grande . la muestra es relativamente pequeDa, el ?ec?o de que se realice el muestreo sin reempla<o tiene poco efecto sobre la probabilidad de +ito en cada ensa.o. ;na regla pr1ctica conveniente consiste en utili<ar la distribucin binomial como apro+imacin a la ?ipergeomtrica cuando nY0.0!=. Es decir, el tamaDo de la muestra debe ser cuando menos del !N del tamaDo de la poblacin. En diferentes te+tos pueden encontrarse reglas un tanto distintas para determinar los casos en los que una apro+imacin como sta es apropiada.

(# &$S"%$'-.$9N &E ,)$SS)N. :uede utili<arse la distribucin de :oisson para determinar la probabilidad de que ocurra un n)mero designado de eventos, cuando esto ocurre en un continuo de tiempo o espacio. * un proceso como este se le denomina proceso Poisson5 es similar al proceso Ternoulli e+cepto en que los eventos ocurren en un continuo 'por e9emplo en un intervalo de tiempo( en ve< de ocurrir en ensa.os u observaciones fi9as. ;n e9emplo es la entrada de llamadas en un conmutador telefnico. *l igual que en el caso del proceso Ternoulli, se supone que los eventos son independientes . que el proceso es estacionario. Slo se requiere un valor para determinar la probabilidad de que ocurra un n)mero designado de eventos en un proceso de :oisson: el n)mero promedio a largo pla<o de eventos para el tiempo o dimensin espec@fico de inters. :or lo general, esta media se representa mediante 'la letra griega VlambdaV( o, es posible, mediante . La frmula para determinar la probabilidad de un n)mero determinado de +itos = en una distribucin :oisson es +eL :'4( & LLLLLLLL 4U *qu@, e es la constante ,.%1$ naturales. que es la base de los logaritmos

E*E+,() ;n departamento de reparacin de maquinaria recibe un promedio de cinco solicitudes de servicio por ?ora. La probabilidad de que se reciban e+actamente tres solicitudes en una ?ora seleccionada al a<ar es '!( eL! '1,!('0.00#%2( :'4 & &!.0( & LLLLLLLL & LLLLLLLLLLLLLLLLLLL & 0.1202 U #

DISTRIB*CIONES DE PROBABILIDAD PARA VARIABLES ALEATORIAS CONTIN*AS+ NORMAL Y E0PONENCIAL

/#%$#'(ES #(E#")%$#S .)N"$N-#S * diferencia de una variable aleatoria discreta, una variable aleatoria continua es la que puede tomar cualquier valor fraccionario en un rango determinado de valores. 0omo e+iste un n)mero infinito de posibles mediciones fraccionarias, no pueden enlistarse todos los valores posibles con una probabilidad correspondiente. O1s bien, se define una funcin de densidad de probabilidad. Esta e+presin matem1tica da la funcin de 4, . se representa mediante el s@mbolo f'4(, para cualquier valor designado de la variable aleatoria 4. * la gr1fica de una funcin de este tipo se le denomina curva de probabilidad . el 1rea entre dos puntos cualesquiera ba9o la curva de la probabilidad de la ocurrencia aleatoria de un valor entre esos dos puntos. E*E+,() :ara la distribucin continua de probabilidad de la figura siguiente, la probabilidad de que un embarque seleccionado al a<ar tenga un peso neto entre ,000 . 2,000 Zilogramos es igual a la proporcin del 1rea total ba9o la curva que se encuentra en el 1rea sombreada. Es decir, se define que el 1rea total ba9o la funcin de densidad de probabilidad es igual a 1, . puede determinarse la proporcin de esta 1rea que se encuentra entre dos puntos determinados aplicando el mtodo de la integracin 'del c1lculo diferencial e integral( 9unto con la funcin matem1tica de densidad de probabilidad para esa curva de probabilidad.

E+isten diversas distribuciones continuas de probabilidad comunes que son aplicables como modelos a una amplia gama de variables continuas en determinadas circunstancias. E+isten tablas de probabilidades para esas distribuciones est1ndar, ?aciendo que resulte innecesario el mtodo de la integracin para determinar las 1reas ba9o la curva de probabilidad para estas distribuciones. Los modelos comunes de distribuciones de probabilidad continua que se describen son las distribuciones normal . la e+ponencial.

(# &$S"%$'-.$9N N)%+#( &E ,%)'#'$($&#& La distribucin normal de probabilidad es una distribucin continua de probabilidad que es, al mismo tiempo, simtrica . mesoZ)rtica 'que no es plana ni puntiaguda(. 0on frecuencia se describe a la curva de probabilidad que representa la distribucin normal como una campana como se muestra.

La distribucin normal de probabilidad es mu. importante en inferencia estad@stica por tres ra<ones principales: '1( Se sabe que las mediciones que se obtienen en muc?os procesos aleatorios tienen esta clase de distribucin. ',( 0on frecuencia pueden utili<arse las probabilidades normales para apro+imar otras distribuciones de probabilidad tales como las distribuciones binomial . :oisson. ' ( Las distribuciones de estad@sticas como la media muestral . la proporcin muestral tienen distribucin normal cuando el tamaDo de la muestra es grande, sin importar la forma de la distribucin de la poblacin de origen. 0omo se mencion antes, en el caso de las distribuciones continuas de probabilidad slo es posible determinar un valor de probabilidad para un intervalo de valores. La altura de la funcin de densidad, o curva de probabilidad, para un variable con distribucin normal est1 dada por 1 LQ'4L(,8,,R f'4( & LLLLLLLL e ,2 en donde es la constante .121#, e es la constante ,.%1$ , es la media de la distribucin . es la desviacin est1ndar de la distribucin. 0omo cualquier combinacin distinta de . genera una distribucin normal de probabilidad distinta 'todas ellas simtricas . mesoZ)rticas(, las tablas de las probabilidades normales se basan en una distribucin espec@fica:

La distribucin normal est!ndar. Bsta es una distribucin normal en la que &0 . &1. 0ualquier valor 4 de una poblacin con distribucin normal puede convertirse a su valor normal est1ndar equivalente, <, mediante la frmula 4L < & LLLLL

,-N")S ,E%.EN"$(ES ,#%# /#%$#'(ES .)N &$S"%$'-.$9N N)%+#( :uede recordarse que el punto percentil "0 es el punto de la distribucin tal que el "0N de los valores se encuentran por deba9o de l . el 10N por encima. :ara la distribucin normal est1ndar, es el valor de < tal que la proporcin total de 1rea a la i<quierda de ese valor, ba9o la curva normal, es 0."0. E*E+,() En la siguiente figura se ilustra la posicin del punto percentil "0 para la distribucin normal est1ndar. :ara determinar el valor requerido de <, se utili<a la tabla correspondiente en el sentido contrario al com)n, porque, en este caso, el 1rea ba9o la curva entre la media . el punto de inters es 0.20, tal como se ?a especificado, . se desea determinar el valor correspondiente de <. Se busca en el cuerpo de la tabla el valor m1s cercano a 0.2000. Este valor resulta ser 0. ""%. Ceterminando los encabe<ados del rengln . de la columna, se encuentra que el valor de < asociado con esta 1rea es 1.,$, . por lo tanto, < 0."0 & + 1.,$.

Cado el procedimiento de este e9emplo, que permite determinar un punto percentil para la distribucin normal est1ndar, puede determinarse un punto percentil para una variable aleatoria con distribucin normal convirtiendo el valor pertinente de < al valor que se requiere de 4, mediante la frmula

4& +< #,%)<$+#.$9N N)%+#( # ,%)'#'$($&#&ES '$N)+$#(ES 0uando el n)mero de observaciones o ensa.os n es relativamente grande, puede utili<arse la distribucin normal de probabilidad para apro+imar las posibilidades binomiales. ;na regla conveniente consiste en afirmar que esas apro+imaciones son aceptables cuando n 30, . tanto np ! como nq !. Esta regla, en combinacin con la que se proporciona con respecto a la apro+imacin de :oisson a las probabilidades binomiales, significa que en los casos en que n 0, las probabilidades binomiales pueden apro+imarse, .a sea mediante la distribucin normal o la de :oisson, dependiendo de los valores np . nq. *lgunos otros te+tos pueden utili<ar reglas un tanto distintas para determinar los casos en los que esas apro+imaciones son apropiadas. 0uando se utili<a la distribucin normal de probabilidad como base para apro+imar un valor binomial de probabilidad, la media . la desviacin est1ndar se basan en un valor esperado . la varian<a del n)mero de +itos de la distribucin binomial, el n)mero promedio de [+itos\ es & np La desviacin est1ndar del n)mero de [+itos\ es & npq #,%)<$+#.$9N N)%+#( # ,%)'#'$($&#&ES &E ,)$SS)N 0uando la media de una distribucin :oisson es relativamente grande, puede utili<arse la distribucin normal de probabilidad para apro+imar probabilidades tipo :oisson. ;na regla pr1ctica consiste en afirmar que esa apro+imacin es aceptable cuando 10.0. La media . la desviacin est1n dar de la distribucin normal de probabilidad se basan en el valor esperado . la varian<a del n)mero de eventos de un proceso :oisson. Esta media es & La desviacin est1ndar es &

,%-E'# &E 6$,9"ES$S S)'%E (# +E&$# &E -N# ,)'(#.$9N.

E"#,#S '=S$.#S EN ,%-E'#S &E 6$,9"ES$S *l reali<ar pruebas de ?iptesis. se parte de un valor supuesto '?ipottico( de un par1metro poblacional. Cespus de recolectar una muestra aleatoria, se compara la estad@stica muestral, as@ como la media '4(, con el par1metro ?ipottico, se compara con una supuesta media poblacional '(. Cespus. se acepta o se rec?a<a el valor ?ipottico, seg)n proceda, se rec?a<a el valor ?ipottico slo si el resultado muestral resulta mu. poco probable cuando la ?iptesis es cierta. Etapa 1: Plantear la "iptesis nula y la "iptesis alternativa . La "iptesis nula 'M0( es el valor ?ipottico del par1metro que se compara con el resultado muestral. Se rec?a<a slo si el resultado muestral es mu. poco probable en el caso de que la ?iptesis sea cierta. Se acepta la "iptesis alternativa 'M1( slo si se rec?a<a la ?iptesis nula. EPEO:LJ. ;n auditor desea probar el supuesto de que el valor promedio de todas las cuentas por cobrar en un empresa determinada es ],#0,000, tomando una muestra de n& # . calculando la media muestral. Cesea rec?a<ar el valor del supuesto de ],#0,000 slo si la media muestral lo contradice en forma clara, por lo que debe [darse el beneficio de la duda\ al valor ?ipottico en el procedimiento de prueba. Las ?iptesis nula . alternativa para esta prueba son M 0: & ] ,#0,000 M1: ,#0,000. Etapa ,: #specificar el nivel de significancia que se va a utilizar . El nivel de significancia es el est1ndar estad@stico que se especifica para rec?a<ar la ?iptesis nula. Si se especifica un nivel de significancia del !N, entonces se rec?a<a la ?iptesis nula solamente si el resultado muestral es tan diferente del valor ?ipottico que una diferencia de esa magnitud o ma.or, pudiera ocurrir aleatoriamente con una probabilidad de 0.0! o menos. Cebe observarse que si se utili<a el nivel de significancia del !N, e+iste una probabilidad del 0.0! de rec?a<ar la ?iptesis nula cuando, de ?ec?o, es cierta. * esto se le denomina error tipo G. La probabilidad del error tipo G es siempre igual al nivel de significancia que se utili<a como criterio para rec?a<ar la ?iptesis nula5 se le designa mediante la letra griega 'ValfaV( K, por ello, designa el nivel de significancia. Los niveles de significancia que se utili<an con ma.or frecuencia en las pruebas de ?iptesis son el ! . el 1N.

Jcurre un error tipo GG si se acepta la ?iptesis nula cuando, de ?ec?o, es falsa. En la siguiente Fabla se resumen los tipos de decisiones . las consecuencias posibles, al reali<ar pruebas de ?iptesis.

Cecisiones posibles

*ceptar la ?iptesis nula Hec?a<ar la ?iptesis nula

Situaciones posibles La La ?iptesis ?iptesis nula es nula es verdade falsa ra Se acepta Error correcta tipo GG mente Se Error rec?a<a tipo G correcta mente

Etapa : #legir la estadstica de prueba. La estad@stica de prueba puede ser la estad@stica muestral 'el estimador no sesgado del par1metro que se prueba( o una versin transformada de esa estad@stica muestral. :or e9emplo, para probar el valor ?ipottico de una media poblacional, se toma la media de una muestra aleatoria de esa poblacin para utili<arla como estad@stica de prueba. Sin embargo, si la distribucin de muestreo de la media tiene distribucin normal, entonces es com)n que se transforme la media muestral en un valor < el cual. a su ve<, sirve como estad@stica de prueba. Etapa 2: Establecer el valor o valores crticos de la estadstica de prueba. Mabiendo especificado la ?iptesis nula, el nivel de significancia . la estad@stica de prueba que se van a utili<ar, se procede a establecer

el o los valores cr@ticos de estad@stica de prueba. :uede ?aber uno o m1s de esos valores, dependiendo de si se va a reali<ar una prueba de uno o dos e+tremos. En cualquier caso, un valor crtico identifica el valor de estad@stica de prueba que se requiere para rec?a<ar la ?iptesis nula. Etapa !: $eterminar el valor real de la estadstica de prueba . :or e9emplo, al probar un valor ?ipottico de la media poblacional, se toma una muestra aleatoria . se determina el valor de la media muestral. Si el valor cr@tico que se establece es un valor de <, entonces se transforma la media muestral en un valor de <. Etapa #: %omar la decisin. Se compara el valor observado de la estad@stica muestral con el valor 'o valores( cr@ticos de la estad@stica de prueba. Cespus, se acepta o se rec?a<a la ?iptesis nula. Si se rec?a<a sta, se acepta la alternativa5 a su ve<, esta decisin tendr1 efecto sobre otras decisiones de los administradores operativos, como por e9emplo, mantener o no un est1ndar de desempeDo o cu1l de dos estrategias de mercadotecnia utili<ar. ,%-E'# &E -N /#()% 6$,)";"$.) &E (# +E&$# -"$($4#N&) (# &$S"%$'-.$9N N)%+#( :uede utili<arse la distribucin normal para probar un valor ?ipottico de la media poblacional: '1(0uando n 0, utili<ando teorema del l@mite central, o ',(0uando n Y 0, pero la distribucin de la poblacin es normal . se conoce Se utili<a una prueba de dos extremos cuando lo que interesa es una posible desviacin en cualquier direccin, a partir del valor ?ipottico de la media. La frmula que se utili<a para establecer los valores cr@ticos de la media muestraU es similar la que se utili<a para determinar los l@mites de confian<a para estimar la media de una poblacin, e+cepto que el valor ?ipottico de la media poblacional 0 es el punto de referencia, . no la media muestral. Los valores cr@ticos de la media muestral para una prueba de dos e+tremos, dependiendo de si se conoce , son: 40H & 0 ^+ 40H & 0 <s+

EPEO:LJ :ara la ?iptesis nula que se plante en el e9emplo anterior, determine los valores cr@ticos de la media muestral para probar la ?iptesis con un nivel de significancia del !N. 0omo se sabe que la desviacin est1ndar de las cuentas por cobrar es & 2 ,000, los valores cr@ticos son: Miptesis: M0: & ],#0,0005 M1: ],#0,000 =ivel de significancia & & 0.0!

Estad@stica de prueba: 4 con base en una muestra de n& #, . con una & 2 ,000 40H & valores cr@ticos de la media muestral 40H & 0 ^+ & ,#0,000 1."# 8 n & ,#0,000 1."# 2 ,000 8 # & ,#0,000 1."#%1##.#% & ,##,000 12,02#.#% & ],2!,"! . . ,%2,02#.#% :or lo tanto, para rec?a<ar la ?iptesis nula, la media muestral debe tener un valor inferior a ],2!,"!0 o ma.or de ],%2,0!0. *s@, e+isten dos regiones de rec?a<o en el caso de una prueba de dos e+tremos. Se utili<an los valores de < de 1."# para establecer los l@mites cr@ticos porque para la distribucin normal est1ndar se tiene 0.0! de proporcin del 1rea en los dos e+tremos '0.0,! en cada e+tremo(, lo cual corresponde al valor de & 0.0! que se especifica. En ve< de establecer valores cr@ticos en trminos de la media muestral como tal, es com)n que se especifiquen los valores cr@ticos en las pruebas de ?iptesis en trminos de valores <. :ara el nivel de significancia del !N, los valores cr@ticos < para una prueba de dos e+tremos son L1."# . +1."#, por e9emplo. 0uando se determine el valor de la media muestral, se le transforma en un valor < para que pueda compararse con los valores cr@ticos de <. La frmula de transformacin, dependiendo de si se conoce o no, es 4 L 0 < & LLLLLLLL + 4 L 0 < & LLLLLLLLLLL s+

E%%)%ES "$,) $ > "$,) $$ EN ,%-E'#S &E 6$,9"ES$S *nali<aremos en forma completa los errores tipo G . tipo GG con respecto a las pruebas de un e+tremo sobre una media ?ipottica. Sin embargo, los conceptos que se ilustran aqu@ son aplicables tambin a otros modelos de pruebas de ?iptesis. La probabilidad del error tipo G es siempre igual al nivel de significancia que se utili<a al probar ?iptesis nulas. Esto es as@ porque, por definicin, la proporcin de 1rea en la regin de rec?a<o es igual a la

proporcin de resultados muestrales que ocurrir@an en esa regin, cuando la ?iptesis es verdadera. :or lo general, a la probabilidad del error del tipo GG se le designa mediante la letra griega 'VbetaV(. La )nica forma en que se puede determinar es con respecto a un valor especifico incluido dentro del rango de la ?iptesis alternativa. &E"E%+$N#.$9N &E( "#+#?) NE.ES#%$) &# (# +-ES"%# ,#%# (#+E&$# *ntes de e+traer la muestra, puede determinarse el tamaDo que se requiere especificando '1( el valor ?ipottico de la media5 ',( un valor alternativo especifico para la media, de manera que la diferencia con respecto al valor ?ipottico resulta considerable5 ' ( el nivel de significancia que debe utili<arse en la prueba5 '2( la probabilidad del error tipo GG que se permite5 . '!( el valor de la desviacin est1ndar para la poblacin, . La frmula para determinar el tamaDo m@nimo que se requiere para la muestra, a fin de probar un valor ?ipottico de media con base en la distribucin normal es. '<0 W <1(,2
n &LLLLLLLLLLLLLLLLLLL

'1 0(, En <0 es el valor critico de < que se utili<a para el nivel de significacin especificado 'nivel ), en tanto que <1 es el valor de < correspondiente a la probabilidad especificada del error tipo GG 'nivel ). El valor de debe ser conocido o estimado de alguna manera. :uede utili<arse la formula anterior para pruebas de uno o dos e+tremos. El )nico valor que difiere para los dos tipos de prueba es el valor de < 0 que se utili<a. '=ota: 0uando se est1 determinando el tamaDo m@nimo de muestra, siempre se redondean ?acia arriba los resultados fraccionarios. *dem1s, si no se conoce , o la poblacin no tiene una distribucin normal, cualquier tamaDo de muestra que se calcule debe aumentarse cuando menos a este valor, porque la frmula anterior se basa en el uso de la distribucin normal.( E( +;")&) &E( /#()% p ,#%# ,%)'#% 6$,9"ES$S N-(#S %E@E%EN"ES # -N# +E&$# ,)'(#.$)N#( *l seguir el mtodo del valor p en ve< de comparar el valor observado de un estad@stico de prueba con un valor cr@tico, se determina la probabilidad de ocurrencia del estad@stico de prueba, suponiendo que la ?iptesis nula es cierta, . se le compara con el nivel de significancia . Se rec?a<a la ?iptesis nula si el valor p es inferior al nivel designado .

#N=($S$S &E %E:%ES$9N 3 .)%%E(#.$9N ($NE#(

)'*E"$/)S 3 S-,)S$.$)NES &E( #N=($S$S &E %E:%ES$9N El principal ob9etivo del an1lisis de regresin es estimar el valor de una variable aleatoria 'la variable dependiente( conociendo el valor de una variable asociada 'la variable independiente(. La ecuacin de regresin es la frmula algebraica mediante la cual se estima el valor de la variable dependiente. El trmino de an1lisis de regresin simple indica que se estima el valor de la variable dependiente con base en una independiente, en tanto que el an1lisis de regresin m)ltiple se ocupa de la estimacin del valor de la variable dependiente con base en dos o m1s variables independientes. Las suposiciones generales en las que se basa el modelo de la regresin que se presenta son: '1( la variable dependiente es una variable aleatoria5 ',( las variables dependiente e independiente tienen una relacin lineal5 . ' ( las varian<as de las distribuciones condicionales de la variable dependiente, para diversos valores de la variable independiente, son iguales '?omoscedasticidad(. La primera suposicin indica que, aunque puedan controlarse los valores de la variable independiente, los valores de la variable dependiente se deben obtener a travs del proceso de muestreo. Si se utili<a la estimacin por intervalos en el an1lisis de regresin, se requiere una suposicin adicional: '2( las distribuciones condicionales de la variable dependiente, para valores diferentes de la variable dependiente, son todas distribuciones normales para la poblacin de valores. EPEO:LJ ;n analista desea estimar el tiempo de entrega de refacciones industriales embarcadas por camin. Cesea utili<ar el tiempo de entrega como variable dependiente . la distancia como variable independiente. Suponga que elige die< embarques recientes de los registros de la compaD@a, de manera que las distancias por carretera correspondientes est1n m1s o menos equitativamente dispersas entre 100 . 1,000 Zilmetros de distancia, . registra el tiempo de entrega para cada embarque. 0omo se va a utili<ar la distancia por carretera como variable independiente, esa seleccin de via9es con distancias espec@ficas resulta aceptable. :or otro lado, la variable dependiente 'el tiempo de entrega( es una variable aleatoria en su estudio, lo cual se a9usta a los supuestos del an1lisis de regresin. El que las variables tengan o no una relacin lineal, por lo general se determina constru.endo un diagrama de dispersin o una gr1fica de residuales. Estos diagramas se utili<an tambin para observar si la dispersin vertical 'varian<a( es m1s o menos igual a lo largo de la l@nea de regresin. &$#:%#+# &E &$S,E%S$9N

;n diagrama de dispersin es una gr1fica en la que se tra<a cada uno de los puntos que representan un par de valores observados para las variables independiente . dependiente. El valor de la variable independiente se grafica con respecto al e9e ?ori<ontal, . el valor de la variable dependiente . se tra<a con respecto al e9e vertical. La forma de la relacin representada mediante el diagrama de dispersin puede ser curvil@nea . no lineal. :ara relaciones que no son lineales, un enfoque utili<ado con frecuencia consiste en determinar alg)n mtodo para transformar los valores de una o ambas variables, de manera que la relacin de los valores transformados s@ sea lineal. Cespus, puede aplicarse el an1lisis de regresin a los valores transformados . pueden transformarse los valores estimados de la variable dependiente, de vuelta a la escala original de medicin. E( +;")&) &E +AN$+)S .-#&%#&)S ,#%# #*-S"#% -N# (ANE# &E %E:%ES$9N El modelo lineal que representa el modelo de regresin lineal simple es: Ki & 0 + 14i + i en donde Ki L Ialor de la variable dependiente en el iLsimo ensa.o u observacin. 0 L :rimer par1metro de la ecuacin de regresin, que indica el valor de K cuando 4& 0. 1 L Segundo par1metro de la ecuacin de regresin, que indica la pendiente de la l@nea de regresin. 4i L El valor especificado de la variable independiente en el iLsimo ensa.o, u observacin. i L Error aleatorio de muestreo en el iLsimo ensa.o, u observacin 'E es el griego VpsilonV( %ES$&-#(ES 3 :%=@$.#S &E %ES$&-#(ES :ara un valor 4 dado de la variable independiente. al valor . frecuentemente se le denomina el valor a9ustado de la variable dependiente. * la diferencia entre el valor observado y . el valor a9ustado y se le denomina residual para esa observacin, . se le denota mediante e: e & KL . E( E%%)% ES"=N&#% &E( ES"$+#&)% El error est1ndar del estimador es la desviacin est1ndar condicional de la variable dependiente &, dado un valor de la variable independiente 4. :ara datos poblacionales, el error est1ndar del estimador se representa mediante el s@mbolo K.4. La formula de desviaciones que permite estimar este valor con base en datos muestrales es

'KL .(, e, SK.4 & LLLLLLLLLLLLLL & LLLLLLLLLL nL, nL, $N@E%EN.$#S S)'%E (# ,EN&$EN"E *ntes de utili<ar la ecuacin de regresin para reali<ar estimaciones o predicciones, debe determinarse en primer lugar si, de ?ec?o, e+iste una relacin entre las dos variables de la poblacin o, por otro lado, si pudiera ser que la relacin que se observa en la muestra ?a.a ocurrido por a<ar. Si no e+iste relacin en la poblacin, la pendiente de la l@nea de regresin poblacional ser@a cero, por definicin: 1 & 0. :or ello, la ?iptesis que generalmente se prueba es M 0: 1& 0. Fambin puede plantearse la ?iptesis nula, como prueba con un criterio de calificacin, en cu.o caso la ?iptesis alternativa no es simplemente que las dos variables est1n relacionadas, sino que la relacin es de alg)n tipo espec@fico 'directa o inversa(. Se prueba el valor ?ipottico de una pendiente calculando la estad@stica t . utili<ando n L, grados de libertad. Se pierden dos grados de libertad en el proceso de la inferencia porque se inclu.en en el an1lisis de regresin dos estimaciones de par1metros, b 0 . b1. La frmula general es b1 W '1(0 t & LLLLLLLLLLLLLL sb1 en donde SK.4 Sb1 & LLLLLLLLLLLLLLLLL S 4, W n4,

Sin embargo, cuando la ?iptesis nula dice que la pendiente es cero, lo cual generalmente es el caso, se simplifica la frmula . se plantea de la siguiente manera: b1 s t & LLLLLLLLL
b1

E( .)E@$.$EN"E &E .)%%E(#.$9N *unque el coeficiente de determinacin es relativamente f1cil de interpretar, no se prueba mu. bien en pruebas estad@sticas. Sin embargo, la ra@< cuadrada del coeficiente de determinacin, que se denomina el coeficiente de correlacin r s@ se presta para las pruebas estad@sticas, porque puede utili<arse para definir una estad@stica de prueba que tiene distribucin t cuando la correlacin en la poblacin p es igual a 0. El valor del coeficiente puede variar de L1.00 a +1.00. El signo aritmtico asociado con el coeficiente de correlacin, que es siempre

igual al signo de 1 de la ecuacin de regresin, indica la direccin de la relacin entre 4 . K 'positiva & directa5 negativa & inversa(. El coeficiente de correlacin poblacional, teniendo el mismo signo aritmtico que 1 de la ecuacin de regresin es: p& p,

El coeficiente de correlacin muestral es r& r,

En resumen, el signo del coeficiente de correlacin indica la direccin de la relacin entre las variables 4 . K, en tanto que el valor absoluto del coeficiente muestra la medida de la relacin. El coeficiente de correlacin elevado al cuadrado es el coeficiente de determinacin e indica la proporcin de la varian<a de K que queda e+plicada por el conocimiento de 4 '. viceversa(.

S$:N$@$.#.$9N &E( .)E@$.$EN"E &E .)%%E(#.$9N Es com)n que la ?iptesis nula de inters sea que la correlacin en la poblacin p & 0, porque si se rec?a<a esta ?iptesis a un nivel especificado , se concluir@a que e+iste una relacin real entre las variables. Fambin puede plantearse la ?iptesis como prueba con un criterio de calificacin. 0onsiderando que se satisfacen las suposiciones, la siguiente estad@stica muestral que inclu.e a r se distribu.e como la distribucin t, con gl & n L,, cuando p &0: r t & LLLLLLLLLLLL 1Lr, nL, :robar la ?iptesis nula de que p & 0 es equivalente a probar la ?iptesis nula de que & 0 en la ecuacin de regresin.

'$'($):%#@A#
Oenden?all8Heinmut?ata, [Estad@stica aplicada a *dministracin . Econom@a\ Editorial Gberoamerica

_a<mier, Leonard . C@a< Oata, *lfredo [Estad@stica aplicada a *dministracin . Econom@a\ ,`. Edicin. Editorial OcEra-LMill.

Hobert Po?nson [Estad@stica elemental\ Editorial Gberoamerica

:agina de internet ---. .a?oo.com.m+