Академический Документы
Профессиональный Документы
Культура Документы
Horario: miércoles 4 - 6 pm
INDICE
2
Laboratorio de Estadística Industrial
ANOVA EN UN SENTIDO
Problema N°1:
Una compañía de desarrollos inmobiliarios considera la inversión en un centro comercial
en las afueras de Atlanta. Se evalúan tres terrenos. El ingreso de los pobladores de la zona
aledaña al centro comercial es de especial importancia. Se selecciona una muestra
aleatoria de cuatro familias que viven cerca de cada terreno. A continuación, se presentan
los resultados muestrales. A un nivel de significancia de 0.05 ¿Se puede concluir la
compañía que hay diferencia en los ingresos promedios?
Southwyck Parque Franklin Old Orchard
Miles de US
64 74 75
68 71 80
70 69 76
60 70 78
Solución:
A) H0: 𝜇1 = 𝜇2 = 𝜇3
Ha: Al menos una es diferente
B) 𝛼 = 0.05
C) Estadístico: F
D) Para el punto F (0.05,2,9):
Gráfica de distribución
F; df1=2; df2=9
1.0
0.8
Densidad
0.6
0.4
0.2
0.05
0.0
0 4.256
X
3
Laboratorio de Estadística Industrial
8552
𝑆𝑆𝑇𝑜𝑡𝑎𝑙 = 61283 − = 364.25
12
FV SC GL MC F
Tratamiento 276.5 2 138.25 14.1795
Error 87.75 9 9.75
Total 364.25 11
COMPROBACION EN MINITAB:
ANOVA de un solo factor: Southwyck; Franklin; Old
Orcchard
Método
Hipótesis nula Todas las medias son iguales
4
Laboratorio de Estadística Industrial
Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Factor 2 276.50 138.250 14.18 0.002
Error 9 87.75 9.750
Total 11 364.25
Resumen del modelo
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
3.12250 75.91% 70.56% 57.17%
Medias
Factor N Media Desv.Est. IC de 95%
Southwyck 4 65.50 4.43 (61.97; 69.03)
Franklin 4 71.00 2.16 (67.47; 74.53)
Old Orcchard 4 77.25 2.22 (73.72; 80.78)
Desv.Est. agrupada = 3.12250
5
Laboratorio de Estadística Industrial
Problema N°2:
Nielsen Research desea incorporar un programa de educación física en las escuelas
públicas, para ayudar a los niños con problemas de obesidad a perder peso. Para comparar
las diferentes rutinas se hace la siguiente prueba: se toman 45 alumnos con problemas de
sobrepeso de distintas escuelas de la ciudad y son sometidos a 3 diferentes tipos de rutina.
Se mandan 15 alumnos para cada rutina.
El numero perdido de kilos al final del experimento se muestra en la siguiente tabla:
Rutina 1 Rutina 2 Rutina 3
2.2 3.5 2.5
3.5 3.6 3.5
2.5 3.5 3.3
2.8 3 1
5 3.7 1.5
2 3.3 1.8
3.3 3.2 2
4 3.4 2.4
1.8 3.3 1.4
1.9 3.9 1
4.5 3.1 1
1.6 3 2
29 3 2.9
3 3 2.8
2.8 3.5 2.5
6
Laboratorio de Estadística Industrial
¿Existe alguna diferencia entre los pesos perdidos promedios de os tres tipos de rutina?
Use un nivel de significancia de 0.05
SOLUCION:
A) H0: 𝜇1 = 𝜇2 = 𝜇3
Ha: Al menos una es diferente
B) 𝛼 = 0.05
C) Estadístico: F
D) Para F (0.05,2,42):
Gráfica de distribución
F; df1=2; df2=42
1.0
0.8
Densidad
0.6
0.4
0.2
0.05
0.0
0 3.220
X
FV SC GL MC F
Tratamiento 11.6853 2 5.84266 9.916
Error 24.7466 42 0.5892
Total 36.432 44
7
Laboratorio de Estadística Industrial
COMPROBACION EN MINITAB:
8
Laboratorio de Estadística Industrial
Una empresa opera 24 horas al día, cinco días a la semana. Los trabajadores cambian de
turno cada semana. La gerencia esta interesada en saber si hay alguna diferencia en el
número de unidades producidas cuando los empleados laboran en diversos turnos. Se
seleccionó una muestra de cinco obreros y se registró su producción en cada turno. Al
nivel de significancia de 0.05, ¿Se puede concluir que hay diferencia en la producción
media por turno o en la producción media por trabajador?
9
Laboratorio de Estadística Industrial
SOLUCION:
A) H0: 𝜇𝑀 = 𝜇𝑇 = 𝜇𝑁
Ha: Al menos una es diferente
B) 𝛼 = 0.05
C) Estadístico: F
D) Para F (0.05,2,8)
Gráfica de distribución
F; df1=2; df2=8
1.0
0.8
Densidad
0.6
0.4
0.2
0.05
0.0
0 4.459
X
A) H0: 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 = 𝜇5
Ha: Al menos una es diferente
B) 𝛼 = 0.05
C) Estadístico: F
D) Para F (0.05,4,8)
10
Laboratorio de Estadística Industrial
Gráfica de distribución
F; df1=4; df2=8
0.7
0.6
0.5
Densidad
0.4
0.3
0.2
0.1
0.05
0.0
0 3.838
X
FV SC GL MC F
Tratamiento 62.533 2 31.266 Ftrat=5.7546
Bloques 33.73 4 8.433 Fbloque=1.5521
Error 43.466 8 5.433
Total 139.733 14
CALCULOS EN MINITAB:
11
Laboratorio de Estadística Industrial
INTERPRETACIÓN:
TRATAMIENTO:
El Ftrat pertenece a la región critica, por lo tanto, se rechaza la H0 y se acepta el
Ha. Entonces se concluye que si existe diferencia significativa en el número de
unidades de promedio producidas cuando los empleados laboran en turnos
distintos.
BLOQUE:
SOLUCION
A) H0: 𝜇𝑀 = 𝜇𝑇 = 𝜇𝑁
Ha: Al menos una es diferente
B) 𝛼 = 0.05
12
Laboratorio de Estadística Industrial
C) Estadístico: F
D) Para F (0.05,3,15)
Gráfica de distribución
F; df1=3; df2=15
0.7
0.6
0.5
Densidad
0.4
0.3
0.2
0.1
0.05
0.0
0 3.287
X
A) H0: 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4
Ha: Al menos una es diferente
B) 𝛼 = 0.05
C) Estadístico: F
D) Para F (0.05,5,15)
Gráfica de distribución
F; df1=5; df2=15
0.8
0.7
0.6
0.5
Densidad
0.4
0.3
0.2
0.1
0.05
0.0
0 2.901
X
13
Laboratorio de Estadística Industrial
FV SC GL MC F
Tratamiento 31533 3 10511 Ftra=2.865
Bloques 35402.83 5 7080.567 Fblo=1.93
Error 55033.5 15 3668.9
Total 121969.33 23
CALCULOS EN MINITAB:
INTERPRETACIÓN:
TRATAMIENTO:
El Ftra pertenece a la región de aceptación, por lo tanto, se acepta la H0 y se
rechaza la Ha. Entonces se concluye que NO existe diferencia significativa en el
número de hamburguesas vendidas promedio en cada restaurante.
BLOQUE:
14
Laboratorio de Estadística Industrial
REGRESION LINEAL
PROBLEMA 1
Un consultor está interesado en el grado de dispersión con que un nuevo índice de
desempeño laboral mide lo que es importante para una corporación. Una forma de
verificarlo es analizar la relación entre el índice de evaluación del trabajo y el salario de
un empleado. Se tomó una muestra de ocho empleados y se recabó información del salario
(en miles de dólares) y el índice de evaluación del trabajo (1 a 10, donde 10 es la mejor
calificación.
Trabajador Índice de evaluación Salario(Y)
del trabajo (IET) (X)
1 9 36
2 7 25
3 8 33
4 4 15
5 7 28
6 5 19
7 5 20
8 6 22
regresión.
15
Laboratorio de Estadística Industrial
SOLUCION:
IET(X) Salario(Y) X2 XY Y2
9 36 81 324 1296
7 25 49 175 625
8 33 64 264 1089
4 15 16 60 225
7 28 49 196 784
5 19 25 95 361
5 20 25 100 400
6 22 36 132 484
∑𝑿 ∑𝑌 ∑ 𝑋2 ∑ 𝑋𝑌 ∑ 𝑌2
a. Coeficiente de correlación
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑟=
√[𝑛 ∑ 𝑥 2 − (∑ 𝑥)2 ][𝑛 ∑ 𝑦 2 − (𝑦)2 ]
8𝑥345 − 51𝑥198
𝑟=
√[8𝑥1346 − 512 ][8𝑥198 − 1982 ]
𝑟 = 0.9853
𝑟 2 = 0.98532 = 0.9709
16
Laboratorio de Estadística Industrial
c. Coeficiente de la no determinación
1 − 𝑟 2 = 1 − 0.9709 = 0.0291
d. Ecuación de regresión
𝑦 = 𝑎 + 𝑏𝑥
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑏=
𝑛 ∑ 𝑥 2 − (∑ 𝑥)2
8𝑥1346 − 51𝑥198
𝑏=
8𝑥345 − 512
𝑏 = 4.2138
∑𝑦 𝑏∑𝑥
𝑎= −
𝑛 𝑛
198 4.2138𝑥51
𝑎= −
8 8
𝑎 = −2.1130
30
25
y
20
15
4 5 6 7 8 9
x
𝑦 = −2.1130 + 4.2138𝑥
17
Laboratorio de Estadística Industrial
Resultados en el Minitab:
Análisis de regresión
∑ 𝑦 2 − 𝑎 ∑ 𝑦 − 𝑏 ∑ 𝑥𝑦
𝑆𝑦𝑥 = √
𝑛−2
𝑆𝑦𝑥 = 1.3291
2) 𝛼 = 0.05
3) t-student
18
Laboratorio de Estadística Industrial
4) Grafica de la RA y RC
𝑏 − 𝛽1
𝑡=
𝑆𝑏
𝑆𝑦𝑥
𝑆𝑏1 =
2
√∑ 𝑥 2 − (∑ 𝑥)
𝑛
1.3291
𝑆𝑏1 =
2
√345 − 51
8
𝑆𝑏1 = 0.2981
4.2138 − 0
𝑡=
0.2981
𝑡 = 14.1355
𝑡𝑘 ∈ 𝑅𝐶 → 𝑅𝑒𝑐ℎ𝑎𝑧𝑜 𝑙𝑎 𝐻𝑜 𝑦 𝑎𝑐𝑒𝑝𝑡𝑜 𝑙𝑎 𝐻𝑎
19
Laboratorio de Estadística Industrial
2) 𝛼 = 0.05
3) t-student
4) Grafica de la RA y RC
𝑟√𝑛 − 2
𝑡=
√1 − 𝑟 2
0.9853√8 − 2
𝑡=
√1 − 0.98532
𝑡 = 14.1277
𝑡𝑘 ∈ 𝑅𝐶 → 𝑅𝑒𝑐ℎ𝑎𝑧𝑜 𝑙𝑎 𝐻𝑜 𝑦 𝑎𝑐𝑒𝑝𝑡𝑜 𝑙𝑎 𝐻𝑎
el salario.
h. Intervalo de confianza de 𝛽1
3.4843 ≤ 𝛽1 ≤ 4.9432
𝑦 = −2.1130 + 4.2138𝑥
20
Laboratorio de Estadística Industrial
𝑦 = 23.1698
Intervalo de confianza
1 (𝑥 − 𝑥̅ )
𝐼𝐶 = 𝑦̂ ± 𝑡(0.05,10−8) 𝑆𝑦𝑥 √ +
𝑛 ∑ 2 (∑ 𝑥)2
𝑥 − 𝑛
1 (6 − 6.375)2
𝐼𝐶 = 23.1698 ± 2.447𝑥1.3291√ +
8 512
345 − 8
𝐼𝐶: [21.9878,24.3518]
Interpretación: El intervalo de confianza del 95% para el valor del salario para
un índice de evaluación de 6 es de 21.9878 hasta 24.3518
Intervalo de predicción
1 (𝑥 − 𝑥̅ )2
𝐼𝑃 = 𝑦̂ ± 𝑡(0.05,10−8) 𝑆𝑦𝑥 √1 + +
𝑛 ∑ 2 (∑ 𝑥)2
𝑥 − 𝑛
1 (6 − 6.375)2
𝐼𝑃 = 23.1698 ± 2.447𝑥1.3291√1 + +
8 512
345 − 8
𝐼𝑃: [19.7094,26.6302]
21
Laboratorio de Estadística Industrial
j. Análisis de influencia
X Y RESID-T HI COOK
En la tabla
22
Laboratorio de Estadística Industrial
PROBLEMA 2
El señor james McWhinney, presidente de la empresa Daniel-James Financial Service,
considera que existe relación entre el número de entrevistas con clientes y el importe en
dólares de las ventas. Para documentar este aserto, recopiló la siguiente información
muestral. La columna muestra el valor de las ventas (en miles de dólares) del mes en
cuestión para cada cliente en la muestra.
Numero de contactos Ventas (Y)
(X)
14 24
12 14
20 28
16 30
46 80
23 30
48 90
50 85
55 120
50 110
regresión.
23
Laboratorio de Estadística Industrial
SOLUCIÓN:
Nro. Ventas X2 XY Y2
Contactos(X) (Y)
14 24 196 336 576
12 14 144 168 196
20 28 400 560 784
16 30 256 480 900
46 80 2116 3680 6400
23 30 529 690 900
48 90 2304 4320 8100
50 85 2500 4250 7225
55 120 3025 6600 14400
50 110 2500 5500 12100
∑𝑿 ∑𝑌 ∑ 𝑋2 ∑ 𝑋𝑌 ∑ 𝑌2
24
Laboratorio de Estadística Industrial
a. Coeficiente de correlación
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑟=
√[𝑛 ∑ 𝑥 2 − (∑ 𝑥)2 ][𝑛 ∑ 𝑦 2 − (𝑦)2 ]
10𝑥26584 − 334𝑥611
𝑟=
√[10𝑥13970 − 3342 ][10𝑥51581 − 6112 ]
𝑟 =0.9754
𝑟 2 = 0.97542 = 0.9514
c. Coeficiente de la no determinación
1 − 𝑟 2 = 1 − 0.9514 = 0.0486
d. Ecuación de regresión
𝑦 = 𝑎 + 𝑏𝑥
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑏=
𝑛 ∑ 𝑥 2 − (∑ 𝑥)2
10𝑥26584 − 334𝑥611
𝑏=
10𝑥13970 − 3342
𝑏 = 2.1946
∑𝑦 𝑏∑𝑥
𝑎= −
𝑛 𝑛
611 2.1946𝑥334
𝑎= −
10 10
𝑎 = −12.1996
25
Laboratorio de Estadística Industrial
𝑦 = −12.1996 + 2.1946𝑥
Resultados en el Minitab:
120 S 9,31045
R-cuad. 95,1%
R-cuad.(ajustado) 94,5%
100
80
60
y
40
20
0
10 20 30 40 50 60
x
Análisis de regresión
26
Laboratorio de Estadística Industrial
∑ 𝑦 2 − 𝑎 ∑ 𝑦 − 𝑏 ∑ 𝑥𝑦
𝑆𝑦𝑥 = √
𝑛−2
𝑆𝑦𝑥 = 9.3120
2) 𝛼 = 0.05
3) t-student
4) Grafica de la RA y RC
𝑏 − 𝛽1
𝑡=
𝑆𝑏
27
Laboratorio de Estadística Industrial
𝑆𝑦𝑥
𝑆𝑏1 =
2
√∑ 𝑥 2 − (∑ 𝑥)
𝑛
9.3120
𝑆𝑏1 =
2
√13970 − 334
10
𝑆𝑏1 = 0.1755
2.1946 − 0
𝑡=
0.1755
𝑡 = 12.5048
𝑡𝑘 ∈ 𝑅𝐶 → 𝑅𝑒𝑐ℎ𝑎𝑧𝑜 𝑙𝑎 𝐻𝑜 𝑦 𝑎𝑐𝑒𝑝𝑡𝑜 𝑙𝑎 𝐻𝑎
ventas
2) 𝛼 = 0.05
3) t-student
4) Grafica de la RA y RC
28
Laboratorio de Estadística Industrial
𝑟√𝑛 − 2
𝑡=
√1 − 𝑟 2
0.9754√10 − 2
𝑡=
√1 − 0.97542
𝑡 = 12.5151
𝑡𝑘 ∈ 𝑅𝐶 → 𝑅𝑒𝑐ℎ𝑎𝑧𝑜 𝑙𝑎 𝐻𝑜 𝑦 𝑎𝑐𝑒𝑝𝑡𝑜 𝑙𝑎 𝐻𝑎
ventas.
h. Intervalo de confianza de 𝛽1
1.7899 ≤ 𝛽1 ≤ 2.5993
𝑦 = −12.1996 + 2.1946𝑥
𝑦 = 75.5844
Intervalo de confianza
1 (𝑥 − 𝑥̅ )
𝐼𝐶 = 𝑦̂ ± 𝑡(0.05,10−8) 𝑆𝑦𝑥 √ +
𝑛 ∑ 2 (∑ 𝑥)2
𝑥 − 𝑛
1 (40 − 33.4)2
𝐼𝐶 = 75.5844 ± 2.306𝑥9.3120√ +
10 3342
13970 − 10
𝐼𝐶: [68.2873,82.8815]
29
Laboratorio de Estadística Industrial
Intervalo de predicción
1 (𝑥 − 𝑥̅ )2
𝐼𝑃 = 𝑦̂ ± 𝑡(0.05,10−8) 𝑆𝑦𝑥 √1 + +
𝑛 ∑ 2 (∑ 𝑥)2
𝑥 − 𝑛
1 (40 − 33.4)2
𝐼𝑃 = 75.5844 ± 2.306𝑥9.3120√1 + +
10 3342
13970 − 10
𝐼𝑃: [52.9049,98.2639]
Interpretación: Una cantidad de 40 contactos hará que los valores de las ventas
j. Análisis de influencia
X Y RES-T HI COOK
30
Laboratorio de Estadística Industrial
En la tabla
31
Laboratorio de Estadística Industrial
REGRESIÓN MÚLTIPLE
1. El gerente de una empresa estudia las posibles relaciones entre beneficios anuales,
gastos en publicidad anuales y horas extraordinarias anuales de los empleados. Para
ello utiliza datos, de estas tres variables, proporcionadas por algunas empresas del
sector.
4.2606
𝑟= √ = 0.9512
4.7086
32
Laboratorio de Estadística Industrial
Existe una correlación muy fuerte positiva entre la relación de los beneficios
obtenidos, la inversión en publicidad y la cantidad de horas extras trabajadas.
𝑆𝑆𝑅
𝑟2 =
𝑆𝑆𝑇𝑂𝑇𝐴𝐿
4.2606
𝑟2 = = 0.9049
4.7086
𝑆𝑆𝑅
1 − 𝑟2 =
𝑆𝑆𝑇𝑂𝑇𝐴𝐿
4.2606
1 − 𝑟2 = 1 − = 0.0951
4.7086
33
Laboratorio de Estadística Industrial
0.4479
𝑆𝑒 = √ = 0.3346
7 − (2 + 1)
El grado de dispersión alrededor de la línea de regresión múltiple es de 0.3346.
1. − 𝑺𝒆 𝒑𝒍𝒂𝒏𝒕𝒆𝒂 𝒍𝒂 𝑯𝒐 𝒚 𝒍𝒂 𝑯𝒂
𝐻𝑜 𝛽1 = 𝛽2 =0
𝐻𝑎 𝑁𝑜 𝑡𝑜𝑑𝑎𝑠 𝑠𝑜𝑛 𝑖𝑔𝑢𝑎𝑙𝑒𝑠 𝑎 𝑐𝑒𝑟𝑜
3. − 𝑺𝒆 𝒅𝒆𝒇𝒊𝒏𝒆 𝒆𝒍 𝒆𝒔𝒕𝒂𝒅í𝒔𝒕𝒊𝒄𝒐 𝐹 .
34
Laboratorio de Estadística Industrial
g.- Calcular los intervalos de confianza y predicción con un nivel de confianza del
95% para X1 = 4.3 y X2 = 6.3.
Tenemos: Y = 0.590+0.936*x1+0.187*x2
Y = 0.590+0.936*4.3+0.187*6.3= 5.7929
Cálculo del intervalo de confianza, 𝛼 = 0,05 :
𝑆𝑒
𝐼𝐶 = 𝑦̂ ± 𝑡(𝛼;𝑛−𝐾−1) ∗
√𝑛
0.3346
𝐼𝐶 = 5.7929 ± 2.776 ∗
√7
𝐼𝐶 = [ 5.4478; 6.1439 ]
El intervalo de confianza del 95% si todas las empresas del sector invierten 4.3
millones de soles en publicidad y las horas de trabajo (cada 100) son 6.3, los beneficios
ganados esperados van desde 179.36 a 196.66 millones de soles.
𝐼𝑃 = 𝑦̂ ± 𝑡(𝛼;𝑛−𝐾−1) ∗ 𝑆𝑒
Si una empresa del sector invierte 4.3 millones de soles en publicidad 6.3 horas (cada
100) de trabajo, el intervalo de predicción va desde 4.8641 a 6.7217.
35
Laboratorio de Estadística Industrial
Finalmente, ningún valor cumplió con los tres criterios y por lo tanto ninguno será
eliminado.
2. El señor Steve Douglas fue contratado como gerente en capacitación por una
importante empresa financiera. Como primer proyecto, se le pidió que estudiara la
utilidad bruta en la industria química. ¿Qué factores afectan las utilidades en esa
industria? Steve selecciona al azar una muestra aleatoria de 16 compañías y obtiene
datos respecto a la cantidad de empleados, el número de dividendos consecutivos
pagados de acciones comunes, el valor total del inventario al inicio del presente año y
ganancia bruta de cada empresa. Sus hallazgos son:
(Mason, 2004, p. 535)
36
Laboratorio de Estadística Industrial
45510101
𝑟= √ = 0.8879
57725994
Existe una correlación muy fuerte positiva entre la relación de la ganancia bruta,
número de empleados, dividendos consecutivos e inventario inicial.
𝑆𝑆𝑅
𝑟2 =
𝑆𝑆𝑇𝑂𝑇𝐴𝐿
45510101
𝑟2 = = 0.7884
57725994
37
Laboratorio de Estadística Industrial
𝑆𝑆𝑅
1 − 𝑟2 =
𝑆𝑆𝑇𝑂𝑇𝐴𝐿
45510101
1 − 𝑟2 = 1 − = 0.2116
57725994
12215892
𝑆𝑒 = √ = 1008.9554
16 − (3 + 1)
El grado de dispersión alrededor de la línea de regresión múltiple es de 1008.9554
1. − 𝑺𝒆 𝒑𝒍𝒂𝒏𝒕𝒆𝒂 𝒍𝒂 𝑯𝒐 𝒚 𝒍𝒂 𝑯𝒂
𝐻𝑜 𝛽1 = 𝛽2 = 𝛽3
38
Laboratorio de Estadística Industrial
3. − 𝑺𝒆 𝒅𝒆𝒇𝒊𝒏𝒆 𝒆𝒍 𝒆𝒔𝒕𝒂𝒅í𝒔𝒕𝒊𝒄𝒐 𝐹 .
𝑅. 𝐴 = < 0; 3.490]
g.- Calcular los intervalos de confianza y predicción con un nivel de confianza del
95% para X1 = 4.5, X2 = 6.5 y X3=7.5.
Tenemos: Y = 956+2.87*x1+6.8*x2+0.287*x2
Y = 956+ 2.87*4.5 +6.8*6.5 +0.287*7.5= 1015.2675
Cálculo del intervalo de confianza, 𝛼 = 0,05 :
𝑆𝑒
𝐼𝐶 = 𝑦̂ ± 𝑡(𝛼;𝑛−𝐾−1) ∗
√𝑛
39
Laboratorio de Estadística Industrial
1008.9554
𝐼𝐶 = 1015.2675 ± 2.179 ∗
√16
𝐼𝐶 = [ 465.6390; 1564.8959 ]
El intervalo de confianza del 95% de las ganancias brutas esperados van desde
465.6390 a 1564.8959 millones de dólares.
𝐼𝑃 = 𝑦̂ ± 𝑡(𝛼;𝑛−𝐾−1) ∗ 𝑆𝑒
40
Laboratorio de Estadística Industrial
Se puede observar en la tabla que el t14 cumple con el criterio, podría ser eliminado.
Finalmente, no todos cumplieron con los criterios y por lo tanto ninguno será
eliminado.
MODELO CURVILÍNEO
1- Los programas de recompra de acciones corporativas, suelen promoverse como un
beneficio para los accionistas. Pero Robert Gabele, director de investigación interna
de First Call/Thomson Financial, hizo notar que muchos de estos programas se realizan
únicamente con el objetivo de la empresa. En todas las empresas, las opciones de
acciones existentes en 1998 representaban el 6.2 por ciento de todas las acciones
comunes en circulación. En los datos siguientes se da la cantidad de opciones
otorgadas y la cantidad de acciones en circulación de 13 empresas (Bloomberg
Personal Finance, enero/febrero, 2000)
Opciones Acciones
otorgadas en comunes en
Compañía circulación (en circulación (en
millones) millones)
41
Laboratorio de Estadística Industrial
SOLUCIÓN:
2) Ahora elegimos el nivel de significancia, por dato del problema éste debe ser de
0.05
42
Laboratorio de Estadística Industrial
𝛼 = 0.05
3) t_student
R.A.= [-2.228,2.228]
R.C.= <-∞,-2.228>∪<2.228, ∞>
5) Hallamos tk :
Sb1=0.132
𝑏1 − 𝛽1 0.238
𝑡𝑘 = = = 1.8
𝑆𝑏1 0.132
Hallando el valor usando Minitab:
43
Laboratorio de Estadística Industrial
Distancia Número
al de días
trabajo de
ausencia
1 8
3 5
4 8
6 7
8 6
10 3
12 5
14 2
14 4
18 2
SOLUCIÓN:
Obtenemos la tabla completa
Distancia X2 Número
al de días
trabajo de
(x) ausencia
(y)
1 1 8
3 9 5
4 16 8
44
Laboratorio de Estadística Industrial
6 36 7
8 64 6
10 100 3
12 144 5
14 196 2
14 196 4
18 324 2
2) Ahora elegimos el nivel de significancia, por dato del problema éste debe ser de
0.05
𝛼 = 0.05
3) t_student
45
Laboratorio de Estadística Industrial
R.A.= [-2.365,2.365]
R.C.= <-∞,-2.365>∪<2.365, ∞>
5) Hallamos tk :
Sb11=0.0173
𝑏11 − 𝛽11 −0.0025
𝑡𝑘 = = = −0.1445
𝑆𝑏11 0.0173
Hallando el valor usando Minitab:
46