Professional Documents
Culture Documents
NCLEO ANZOTEGUI
EXTENSIN CANTAURA
COORDINACION DEL POSTGRADO EN CIENCIAS ADMINITRATIVAS
MAESTRIA EN CIENCIAS ADMINISTRATIVAS MENCIN: FINANZAS
Estadstica Bsica
Presentado por:
Contenido
NDICE GENERAL.................................................................................................I
NDICE DE TABLAS.........................................................................................XIV
NDICE DE GRFICOS.....................................................................................XV
INTRODUCCIN.............................................................................................XVII
3.1 Requisitos del sistema para el programa spss para ser instalado en
ambiente Windows............................................................................................3
3.1.2 Software................................................................................................4
3.1.3 Hardware...............................................................................................4
4. Instrucciones...........................................................................................5
1
5.3 Transformar Datos mediante el SPSS...............................................13
9. Estadstica....................................................................................................26
9.1 Concepto...................................................................................................26
11.1.1 Poblacin...........................................................................................27
11.1.2 Variable..........................................................................................28
2
11.1.2.2 Cualitativas o Categricas..........................................................28
11.1.2.3 Cuantitativas:..............................................................................28
14.1.7 Histogramas...................................................................................35
15. Grficos.........................................................................................................39
15.1 Definicin....................................................................................................39
15.1.2 Cualitativos....................................................................................40
15.1.3 Cuantitativos..................................................................................40
3
15.2.4 Grfico de sectores..................................................................................41
15.2.7 Cartograma..............................................................................................42
18. Mediana........................................................................................................44
19. Moda.............................................................................................................45
20. Cuartiles........................................................................................................46
21. Percentil........................................................................................................46
24.1 Caractersticas..................................................................................48
25. Varianza..............................................................................................49
Resolucin de Ejercicio.......................................................................................51
Grficos P-P........................................................................................................58
Grficos Q-Q.......................................................................................................62
30. Probabilidad..................................................................................................67
4
30.1 Definicin.................................................................................................67
34.1 Definicin.................................................................................................71
35.1 Definicin.................................................................................................73
5
38.3 Uso de la tabla de Z...................................................................................84
39.2.1 Definicin.................................................................................................87
A criterio del investigador los elementos son elegidos sobre lo que l cree
que pueden aportar al estudio..................................................................90
6
40.2.5 El muestreo por cuotas..................................................................90
41.1 Definicin.................................................................................................94
47.2.1.1 Insesgadez................................................................................112
47.2.1.2 Eficiencia...................................................................................112
47.2.1.3 Suficiencia.................................................................................112
47.2.1.4 Consistencia.............................................................................112
7
47.3 Mtodos para obtener estimadores.......................................................113
50.1 Supuestos..............................................................................................122
8
50.3 Reglas de decisin................................................................................123
50.9.2 Consistencia....................................................................................129
9
53. Errores tipo I y II..........................................................................................135
57.1Decisin..............................................................................................141
57.1.1 Mantener.........................................................................................142
10
63. Clculo de los coeficientes de regresin................................................148
68.1 Propiedades..........................................................................................157
11
74.1 Medida de estabilidad (confiabilidad por test-retest)........................168
78.1 El perodo..............................................................................................175
78.2 El horizonte............................................................................................176
79.1 Estacionarias.........................................................................................176
79.2 No estacionarias....................................................................................176
12
80.2 Ruido blanco(white noise)..................................................................177
81. Autocorrelacin...........................................................................................177
CONCLUSIONES.............................................................................................178
BIBLIOGRAFA.................................................................................................179
13
NDICE DE TABLAS
14
NDICE DE GRFICOS
Grfico 3 Instalacin.............................................................................................7
15
Grfico 24 Estadsticos descriptivos...................................................................54
Grfico 26 Estadsticos.......................................................................................55
16
INTRODUCCIN
As, partiendo desde un mdulo base que contiene, como su propio nombre
indica, el conjunto bsico de utilidades, es posible aadir diferentes partes para
realizar una amplia gama de anlisis. Su xito en el mercado como herramienta
de anlisis fue rpido debido a su versatilidad, facilidad de uso, buen precio, y
los algoritmos robustos y continuamente mejorados que lo integran. Como
muestra de ello la prctica en casi todas las Universidades de Europa, Amrica,
Asia, Latino Amrica y el resto del mundo son usuarios de este producto.
17
UNIDAD I EL PROGRAMA INFORMTICO SPSS Y EL ANLISIS
ESTADSTICO.
1. El Programa Informtico SPSS
SPSS son las siglas de Statistical Package for the Social Sciences, que en
su traduccin al castellano quedara como Paquete Estadstico para las
Ciencias Sociales. Es un sistema de anlisis estadstico y de gestin de datos
en un entorno grfico, utilizando mens descriptivos y cuadros de dilogo
sencillos que realizan la mayor parte del trabajo. (Pg. 15).
d) Pruebas no paramtricas.
e) Regresin Lineal.
f) Varianza
1
h) Reconoce la recodificacin de las variables y registros segn las
necesidades del usuario.
i) Modelos de Regresin
2
r) Anlisis de Valores Perdidos: Regresin simple basada en imputaciones
sobre los valores ausentes.
Desde el SPSS/PC hay una versin adjunta denomina SPSS Student que es
un programa completo de la versin correspondiente pero limitada en su
capacidad en cuanto al nmero de registros y variables que puede procesar.
Esta versin es para fines de enseanza del manejo del programa
3.1 Requisitos del sistema para el programa spss para ser instalado
en ambiente Windows
3
3.1.1 Sistemas operativos
Microsoft Windows Vista con Service Pack 2 (x86 de 32 bits o x64 de 64 bits,
todas las ediciones).
3.1.2 Software
3.1.3 Hardware
512 MB de RAM
4
Adaptador de grficos con una resolucin de 1024 x 768 o superior.
4. Instrucciones
Paso 1
Paso 2
Paso 3
5
Grfico 1 Setup del Instalador
6
Grfico 3 Instalacin
7
Aceptar los trminos de la licencia y seleccionar Siguiente
Paso 4
8
Fuente Rodrguez, Laguna, Stabilito, Salazar, Stabilito (2016)
Permite visualizar los datos y las variables con los que vamos a trabajar.
Recoge todos los mens para trabajar con los datos y realizar los anlisis
estadsticos. Los archivos de datos tienen extensin *.sav y formato SPSS.
Para abrir un archivo de datos de este formato, seleccione en el men principal:
Archivo/Abrir/Datos. Por defecto, SPSS dar una relacin de los archivos en su
directorio con extensin *.sav. Busque y seleccione el archivo que se desee
abrir. Adems de los archivos con este formato, SPSS puede abrir archivos de
EXCEL, LOTUS 1-2-3, dBASE sin necesidad de convertirlos a un formato
intermedio ni de introducir informacin sobre la definicin de los datos.
9
de denominacin de variables de SPSS, se convertirn en nombres de
variables vlidos y los encabezados originales de las columnas se guardarn
como etiquetas de variable.
Analizar Men de mtodos estadsticos para ser aplicados sobre los datos
incluidos en las variables. Estadsticos descriptivos, Regresin, Series
temporales, entre otros.
10
Utilidades Para obtener informacin sobre variables y archivos, definir
conjuntos de variables y utilizar slo las variables seleccionadas en esos
conjuntos.
a) Vista de los datos: Muestra los valores de datos reales o las etiquetas de
valor definidas. Las funciones de la vista de datos son similares a las que se
encuentran en aplicaciones de hojas de clculo, sin embargo, existen
algunas diferencias:
11
1. Haciendo doble clic con el botn izquierdo del ratn cuando el puntero
del mismo se encuentra situado en la palabra var del extremo superior
de la columna (en vista de datos).
12
Una vez que se haya determinado el nombre de la variable, hay que definir sus
especificaciones:
Tipo de variable especifica los tipos de datos de cada variable. Por defecto
se asume que todas las variables nuevas son numricas. Se puede utilizar Tipo
de variable para cambiar el tipo de datos. El contenido del cuadro de dilogo
Tipo de variable depende del tipo de datos seleccionado. Para algunos tipos de
datos, hay cuadros de texto para la anchura y el nmero de decimales.
13
1. Asignar un nombre y un tipo (por defecto ser numrica) a la nueva
variable en el cuadro de texto de la Variable de destino, en nuestro caso
new_pH
3. pulsa Aceptar.
14
operadores y no olvidar que los valores antiguos pierden su vigencia al
recodificar una variable sobre el mismo nombre.
A partir de una variable podemos crear otra cuyos valores sean una
recodificacin de los de la primera. Esta recodificacin podemos hacerla tanto
en la misma variable como en variables diferentes. Para ello, seleccionaremos
Transformar/Recodificar/En distintas variables... Se abre una ventana en la que
deberemos asignar un nombre (y una etiqueta si queremos) a la nueva
variable.
15
Ordenar casos Opcin Ordenar Casos permite cambiar el orden de los
casos (Orden de las filas del Editor de datos) utilizando 1 o ms variables.
Orden de clasificacin
Los nuevos nombres pueden ser valores de alguna de las variables del
archivo (antes de ser transpuesto) y estos deben trasladarse al nuevo cuadro.
Si la variable es numrica, nuevos nombres comienzan con la letra V. Si el
valor excede de 8 caracteres, solo se toman los 8 primeros.
16
5.4.2 Fundir Archivos
Segmentar archivos:
17
5.4.4 Seleccionar archivos
18
19
Para trabajar con el Visor en formato borrador:
20
Grfico 7 Anlisis Estadstico SPSS
La idea bsica con que funciona el SPSS como sistema de anlisis es, que
el conjunto de elementos organizados, dado por las variables cualitativas y
cuantitativas, se encuentran en una interaccin o flujo continuo, buscando
como cumplir una meta en comn. Para lograr tal meta, el SPSS acta sobre
los datos organizados en una estructura lgica, dentro de una base de datos,
para producir la informacin de salida, como nuevos hallazgos o
conocimientos, resultado del anlisis estadstico realizado.Como el sistema el
SPSS establece diferentes relaciones entre sus elementos (variables), las que
dentro del SPSS son relaciones sinrgicas fundamentales ya que interactan
con cada uno de los mdulos (subsistema) y entre los comandos (sub-sistemas
dentro de los mdulos), es decir, se refuerzan entre su para obtener los
objetivos comunes; esto hace que el SPSS se comporte como un sistema ideal
con relaciones optimizadas entre variables.
21
Tal como se expresa en el sitio web, http:www.spss.la/soluciones/anlisis-
encuesta.htm, el sistema de anlisis estadstico con el SPSS facilita bases de
datos desde internet, incluir datos de cuestionarios, desde hojas electrnicas,
desde otras bases de datos , encuestas telefnicas y/o entrevistas personales
entre otras.
22
8. Solucin de problemas estadsticos con el spss
23
Grfico 9 Analizar con el SPSS
24
Grfico 11 Solucin de Ejemplo
25
UNIDAD II INTRODUCCIN A LA ESTADSTICA DESCRIPTIVA
9. Estadstica
9.1 Concepto
26
cuantitativa que nos brinda nos permite conocer a ese nivel mucho mejor a una
sociedad, por ejemplo cuntas personas viven en un pas, cul es la tasa de
desempleo, cul es la tasa de indigencia o pobreza, cul es el nivel promedio
de educacin de esa sociedad, entre otros aspectos.
Por lo tanto, todos estos datos numricos son utilizados por los responsables
del Estado a travs de sus distintos organismos y secretaras para luego
realizar proyectos de diferente tipo que tengan que ver con mejorar esa
situacin o mantenerla en el caso de que sea buena. En algunos casos,
aunque no directamente, la estadstica tambin nos permite inferir (no conocer)
la calidad de vida de una poblacin ya que si encontramos altas tasas de
desempleo, pobreza y marginalidad podremos suponer que la calidad de vida
es muy baja.
27
11.1 Conceptos Bsicos
11.1.1 Poblacin
11.1.2 Variable
Toda caracterstica que puede tomar diferentes valores (Ej. nmero de hijos,
precio de la habitacin) Las variables se suelen denotar por letras maysculas:
(X, Y,...)
11.1.2.3 Cuantitativas:
Discretas
28
Continuas
29
rpidamente algunas de las caractersticas de los datos recogidos. Buscamos
cosas como el alcance (los valores mayor y menor), patrones evidentes,
alrededor de qu valores tienden a agruparse los datos, qu valores aparecen
con ms frecuencia, etc. Cuanta ms informacin de este tipo podamos
obtener de una muestra, mejor entenderemos la poblacin de la cual proviene,
y mejor ser nuestra toma de decisiones.
La ordenacin de datos ofrece varias ventajas con respecto a los datos sin
procesar:
30
Se agrupan los datos, esto quiere decir que se pueden clasificar de
forma coherente y lgica mediante una tabla de frecuencias.
La agrupacin de los datos puede ser simple o mediante intervalos de
clase.
31
14.1 Tipos de frecuencias
Se representa por f i .
32
La suma de las frecuencias relativas es igual a 1.
Lmites de la clase
Cada clase est delimitada por el lmite inferior de la clase y el lmite superior
de la clase.
Amplitud de la clase
Marca de clase
33
un dato que indique una caracterstica y a la vez pueda indicar una cantidad,
confeccionemos una tabla para ver cmo se hace. Para construir la tabla de
frecuencias simplemente se debe ordenar las frecuencias
34
Se puede incluir las frecuencias acumuladas (frecuencia acumulada y
frecuencia relativa acumulada). Esto se calcula sumando el dato anterior al
dato del momento, en el caso del ejemplo quedara de la siguiente forma:
14.1.7 Histogramas
35
14.1.7.1 Crear un histograma con el SPSS
36
Grfico 12 Seleccin de Variable
37
38
columnas verticales para reflejar frecuencias): el polgono de frecuencia es
realizado uniendo los puntos de mayor altura de estas columnas. Por lo tanto,
podramos establecer que un polgono de frecuencia es aquel que se forma a
partir de la unin de los distintos puntos medios de las cimas de las columnas
que configuran lo que es un histograma de frecuencia. Pg. 11.
39
en lugar de solo exhibir los nmeros asignados a cada intervalo. Si se
representan las frecuencias acumuladas de una tabla de datos agrupados se
obtiene el histograma de frecuencias acumuladas y su correspondiente
polgono de frecuencias acumuladas.
15. Grficos
15.1 Definicin
15.1.2 Cualitativos
40
Ordinales
Categricos
15.1.3 Cuantitativos
Discretos
Continuos
Para el otro eje de la grfica (el vertical) se usa una escala para frecuencia,
frecuencia relativa o frecuencia porcentual. Despus, empleando un ancho de
barra fijo, se dibuja sobre cada etiqueta de las clases una barra que se
extiende hasta la frecuencia, frecuencia relativa o frecuencia porcentual de la
41
clase. Cuando se tienen datos cualitativos, las barras deben estar separadas
para hacer nfasis en que cada clase est separada.
42
otra, denominada variable dependiente y que representa generalmente en el
eje vertical. En el ejemplo, el consumo de fertilizantes nitrogenados de cada
pas est representado en el eje horizontal y la produccin agrcola en el
vertical.
15.2.7 Cartograma
Es muy recomendable para comprar una serie estadstica con otra, para ello
emplea barras simples se distinto color o tramado en un mismo plano
cartesiano, una al lado de la otra.
Estos grficos nos permiten ver la distribucin interna de los datos que
representan un hecho, en forma de porcentajes sobre un total. Se suele
separar el sector correspondiente al mayor o menor valor, segn lo que se
desee destacar. Se pueden ser: en dos y tres dimensiones.
43
15.3.12 Grficos de reas
15.3.14 Histogramas
44
cada conjunto de datos tiene una media; es una medida que puede calcularse y
es nica debido a que cada conjunto de datos posee una y slo una media. Por
ltimo, la media es til para llevar a cabo procedimientos estadsticos como la
comparacin de medias de varios conjuntos de datos. Sin embargo, como
cualquier medida estadstica, la media aritmtica tiene desventajas que
debemos conocer.
18. Mediana
45
clasificaciones es la tercera (ntida).
19. Moda
20. Cuartiles
Los cuartiles son los tres valores que dividen un conjunto de datos
ordenados en cuatro partes porcentualmente iguales. Q1, Q2 y Q3 determinan
los valores correspondientes al 25%, al 50% y al 75% de los datos. Q2 coincide
con la mediana. Dada una serie de valores (X1, X2, X3 ...Xn) ordenados en
forma creciente, podemos pensar que su clculo podra efectuarse:
46
Pero esto conduce a distintos mtodos de clculo de los cuartiles primero
(as como tercero) segn la propia mediana se incluya o excluya en la serie de
la primera (respecto de la segunda) mitad de valores.
21. Percentil
Los percentiles son los 99 valores que dividen la serie de datos en 100
partes iguales. Los percentiles dan los valores correspondientes al 1%, al 2%...
y al 99% de los datos. Se representan con la letra P.
P25 = Q1.
P50 = Q2 = mediana.
P75 = Q3.
47
sea, ms homognea ser a la media. As se sabe si todos los casos son
parecidos o varan mucho entre ellos.
23. Rango
24. Desviacin
48
Medida de dispersin, calculada como la diferencia entre un valor particular
de una observacin y la media que normalmente es la media aritmtica, o entre
un conjunto de valores u observaciones y su medida. Se halla como la raz
cuadrada positiva de la varianza. La desviacin tpica informa sobre la
dispersin de los datos respecto al valor de la media; cuanto mayor sea su
valor, ms dispersos estarn los datos. Esta medida viene representada en la
mayora de los casos por S, dado que es su inicial de su nominacin en ingls.
24.1 Caractersticas
25. Varianza
49
3.- Se halla la media de tales desviaciones elevadas al cuadrad.
50
27. Asimetra o sesgo
Resolucin de Ejercicio
51
Tabla 3 Datos Obtenidos
Xi 25 4 30 6 70 13 160 20
0 5 0 0
ni 4 4 5 6 5 7 6 5
Se pide:
2-. Determinar:
Media. Mediana.
Paso 1
Nombre: Concentracin
Tipo: Numrico
Anchura: 8
Decimales: 0
Valores: Ninguno
Perdidos: Ninguno
52
Columnas: 13
Medida: Escala
Luego
Fuente llenar en laLaguna,
Rodrguez, pestaa vistaSalazar,
Stabilito, de datos el mismo
Stabilito (2016)expresados en la tabla 3.en
su respectiva fila, Concentraciones y Ponderaciones respectivamente. Como
se muestra en el grfico 21.
53
Grfico 16 Llenado de Filas
Paso 2
53
Grfico 18 Escoger como Variable de frecuencia la variable ponderaciones.
Paso 3
Para determinar todas las medidas que nos piden tenemos que acceder al
men:
54
Fuente Rodrguez, Laguna, Stabilito, Salazar, Stabilito (2016)
Grfico 21 Estadsticos
55
Fuente Rodrguez, Laguna, Stabilito, Salazar, Stabilito (2016)
Paso 4
56
Grfico 24 Resultados Estadsticos 2
57
Fuente Rodrguez, Laguna, Stabilito, Salazar, Stabilito (2016)
Veamos ahora el mismo ejercicio y aplicar ms grficos estudiados.
Grficos P-P
58
Fuente Rodrguez, Laguna, Stabilito, Salazar, Stabilito (2016)
59
Fuente Rodrguez, Laguna, Stabilito, Salazar, Stabilito (2016)
60
Fuente Rodrguez, Laguna, Stabilito, Salazar, Stabilito (2016)
61
Grfico 30 Grfico P-P Normal Sin tendencia
62
Grficos Q-Q
63
Fuente Rodrguez, Laguna, Stabilito, Salazar, Stabilito (2016)
64
UNIDAD III INTRODUCCIN A LA ESTADSTICA INFERENCIAL
29. Estadstica Inferencial.
29.1 Definicin
Por tanto, algunos de los objetivos que se persiguen en este tema son:
66
Utilizar distintos tamaos mustrales para controlar la confianza y el error
admitido.
67
mltiples factores, como el dinero y el tiempo disponibles para el estudio, la
importancia del tema analizado, la confiabilidad que se espera de los
resultados, las caractersticas propias del fenmeno analizado, etctera. As, a
partir de la muestra seleccionada se realizan algunos clculos y se estima el
valor de los parmetros de la poblacin tales como la media, la varianza, la
desviacin estndar, o la forma de la distribucin, entre otros.
30. Probabilidad
30.1 Definicin
P (evento cierto) = 1
P (evento imposible) = 0
68
cercano a su quehacer diario es ser elegido de entre cien estudiantes para que
responda a una pregunta. Cuando escuchamos las poco gratas predicciones
del ndice de mortalidad en accidentes de trnsito, esperamos no ser uno de
tales eventos.
En la teora de probabilidad, la actividad que origina uno de dichos eventos
se conoce como experimento.
Utilizando un lenguaje formal, podramos hacer la siguiente pregunta: en un
experimento de lanzar una moneda, cul es la probabilidad del evento cara?
Y, desde luego, si la moneda no est cargada y tiene la misma probabilidad de
caer en cualquiera de sus dos lados (sin posibilidades de que caiga parada),
podramos responder, 1/2 o 0.5. Al conjunto de todos los resultados posibles
de un experimento se le llama espacio muestral del experimento. En el de
lanzar una moneda, el espacio muestral es: S ={cara, cruz}.
69
Cuando utilizamos el planteamiento de frecuencia relativa para establecer
probabilidades, el nmero que obtenemos como probabilidad adquirir mayor
precisin a medida que aumentan las observaciones. En este caso la
probabilidad de ocurrencia de un evento ser:
70
2. Probabilidad del suceso imposible es cero.
71
grandes cantidades de datos en un periodo grande con el fin de tomar mejores
decisiones, basadas en probabilidades.
El teorema de Bayes es un procedimiento para obtener probabilidades
condicionales (probabilidades de ocurrencia de acontecimientos condicionadas
a la ocurrencia de otros acontecimientos). As mismo, da respuesta a
cuestiones de tipo causal, predictivas y de diagnstico. En las cuestiones
causales queremos saber cul es la probabilidad de acontecimientos que son
la consecuencia de otros acontecimientos.
En las cuestiones predictivas queremos saber cul es la probabilidad de
acontecimientos dada informacin de la ocurrencia de los acontecimientos
predictores. En las cuestiones de tipo diagnstico queremos saber cul es la
probabilidad del acontecimiento (o acontecimientos) causales o predictivos
dado que tenemos informacin de las consecuencias. Para resumir, en las
situaciones causales o predictivas desconocemos las consecuencias y
tenemos evidencia de las causas. Por el contrario, en las situaciones de
diagnstico desconocemos las causas y tenemos evidencia de las
consecuencias.
34.1 Definicin
Una distribucin de probabilidad es un despliegue de todos los posibles
resultados de un experimento juntos con las probabilidades de cada resultado.
Las distribuciones de probabilidad estn relacionadas con las distribuciones de
frecuencias. De hecho, podemos pensar que una distribucin de probabilidad
72
es una distribucin de frecuencias terica. Esto quiere decir, que una
distribucin de frecuencias terica es una distribucin de probabilidades que
describe la forma en que se espera varen los resultados. Como estas
distribuciones representan expectativas de que algo suceda, resultan modelos
tiles para hacer inferencias y tomar decisiones en condiciones de
incertidumbre.
Por lo tanto, las distribuciones de probabilidad pueden basarse en
consideraciones tericas (los lanzamientos de una moneda) o en una
estimacin subjetiva de la posibilidad de ciertos resultados (la estimacin de la
candidata). Las distribuciones de probabilidad se pueden basar tambin en la
experiencia. Los actuarios de las compaas de seguros, por ejemplo,
determinan las plizas de seguros haciendo uso de los largos aos de
experiencia que las compaas tienen acerca de los ndices de mortalidad para
establecer la probabilidad de muerte entre los diferentes grupos de edad.
73
es grande y la probabilidad de xito es pequea. De la combinacin de los
dos tipos de distribuciones anteriores (a y b), surge una conocida
como "distribucin normal como una aproximacin de la distribucin binomial
y de poisson".
35.1 Definicin
A una variable aleatoria que asuma ya sea un nmero finito de valores o una
sucesin infinita de valores tales como 0, 1, 2, . . ., se le llama variable aleatoria
discreta. Considere, por ejemplo, el siguiente experimento: un contador
presenta el examen para certificarse como contador pblico. El examen tiene
cuatro partes. Defina una variable aleatoria x como x _ nmero de partes del
examen aprobadas. sta es una variable aleatoria discreta porque puede tomar
el nmero finito de valores 0, 1, 2, 3 o 4.
74
peso, distancia y temperatura pueden ser descritos por variables aleatorias
continuas. Considere, por ejemplo, el experimento de observar las llamadas
telefnicas que llegan a la oficina de atencin de una importante empresa de
seguros. La variable aleatoria que interesa es x= tiempo en minutos entre dos
llamadas consecutivas. Esta variable aleatoria puede tomar cualquier valor en
el intervalo x0. En efecto, x puede tomar un nmero infinito de valores, entre
los que se encuentran valores como 1.26 minutos, 2.751 minutos, 4.3333
minutos.
75
experimento conocido como proceso de Bernoulli, en honor del matemtico
suizo nacido en el siglo XVII, Jacob Bernoulli.
q=1p
76
35.5.1 Uso del proceso de Bernoulli
n es el nmero de pruebas.
k es el nmero de xitos.
p es la probabilidad de xito.
q es la probabilidad de fracaso.
El nmero combinatorio
77
35.5.2 Parmetros de la distribucin binomial
Media
Varianza
Desviacin tpica
El nmero de vehculos que pasan por una sola caja de una caseta de cobro
en una hora pico sirve para ilustrar las caractersticas de la distribucin de
probabilidad de Poisson:
1. El promedio (la media) del nmero de vehculos que llegan por hora pico
puede estimarse a partir de datos sobre trfico que se tengan disponibles.
78
2. Si dividimos la hora pico en periodos (intervalos) de un segundo cada uno,
encontraremos que las siguientes afirmaciones son verdaderas:
79
Todos estos casos pueden ser caracterizados como el nmero de sucesos
de un determinado evento en un perodo de tiempo. Cada uno de estos
eventos toma dos posibles valores, xito o fracaso, equivalente a recibir una
llamada o no recibirla, accidentarse o no accidentarse, etctera. Adems, la
probabilidad del xito es muy pequea.
Ejemplo:
Resolucin:
80
Usaremos la distribucin de Poisson con media 3,5 para aproximar nuestra
distribucin. La probabilidad de que al menos 3 de las 100 empresas entren en
bancarrota es igual a la probabilidad de que entren 3 empresas, ms la de que
entren cuatro, ms cinco, y as hasta 100: P(3) + P(4) + P(5) +.........+ P(100) =
1 - P(0) - P(1) - P(2). Para hallar las probabilidades necesarias para resolver el
problema debemos hacer uso de la funcin de cuanta, cuya expresin
genrica es:
Ejemplos:
La altura de los alumnos de una clase, las horas de duracin de una pila.
81
37.2 Distribucin de probabilidades continas
82
3. Debido a la simetra de la distribucin normal de probabilidad, la mediana
y la moda de la distribucin se encuentran tambin en el centro; en
consecuencia, para una curva normal, la media, la mediana y la moda tienen el
mismo valor.
83
38.1 Manejo de tablas de distribucin normal
84
Siendo el valor de inters; la media de nuestra variable y su desviacin
estndar. Recordemos que y corresponden a parmetros, o sea valores en el
universo, que generalmente no conocemos, por lo que debemos calcular Z
usando los datos de nuestra muestra.
Este valor de Z nos dice que la edad de 30 aos est a 1,29 desviaciones
estndar sobre el promedio. Ahora bien, la tabla de la distribucin normal,
entrega valores de probabilidad para los distintos valores de Z.
85
(arriba), aparece el segundo decimal del valor de Z y, como es lgico, hay 10
nmeros (0,00 a 0,09).
86
UNIDAD IV TEORA DE MUESTREO
39. Muestreo probabilstica y no probabilstica
88
39.2.1 Definicin
89
Es la forma ms fcil de muestreo probabilstico. Lo nico que el
investigador tiene que hacer es asegurarse de que todos los miembros de la
poblacin sean incluidos en la lista y luego seleccionar al azar el nmero
deseado de sujetos. Existen muchos mtodos para hacer esto. Puede ser tan
mecnico como sacar tiras de papel de un sombrero con nombres escritos
mientras el investigador tiene los ojos vendados o puede ser tan fcil como
usar un software de computadora para hacer la seleccin aleatoria.
90
ahorrar costos y tiempo. Si la primera muestra arroja una resultado definitivo, la
segunda muestra puede no necesitarse.
91
En este tipo de muestreo se fijan unas "cuotas" que consisten en un nmero
de individuos que renen unas determinadas condiciones.
A criterio del investigador los elementos son elegidos sobre lo que l cree
que pueden aportar al estudio.
92
Asimismo, el investigador debe asegurarse de que la composicin de la
muestra final que ser utilizada en el estudio cumpla los criterios de cuota de la
investigacin.
93
todo lo dems es igual, una muestra de tamao grande brinda mayor precisin
en las estimaciones de las diversas propiedades de la poblacin.
94
UNIDAD V ESTIMACIN DE PARMETROS Y PRUEBAS DE HIPTESIS
41. Estimacin de la Media Poblacional
41.1 Definicin
Obtenemos que
96
42. Caractersticas de la estimacin puntual y por intervalo
E() =
E() = ; var() = 0
97
1. Eficiencia. La eficiencia de un estimador est vinculada a su varianza
muestral. As, para un mismo parmetro , se dice que el estimador
1 es ms eficiente que el estimador 2 si se cumple
[D]
Para cuyo clculo se tienen en cuenta todas las puntuaciones X i. Otro tanto
ocurre con los estimadores S n-12 y Sn2 de la varianza. Todos ellos pueden ser
considerados estimadores suficientes de los respectivos parmetros.
98
gran nmero de veces y definimos un intervalo alrededor de cada valor del
estadstico muestral, el parmetro se sita dentro de cada intervalo en un
porcentaje conocido de ocasiones. Este intervalo es denominado "intervalo de
confianza".
99
mencionado se considera que el margen de error base es el 0.02% (0.2 para
muestreo paralelo y 2 para muestreo directo).
Tomado http://elestadistico.blogspot.com
100
Grfico 35 Error Muestral 2
Tomado http://elestadistico.blogspot.com
La cantidad
101
Grfico 41 Seleccin de los puntos crticos para el clculo del intervalo de confianza
Tomado http://biplot.usal.es/problemas/confianza/estimacion.htm
102
en la estimacin est directamente relacionado con la distribucin muestral del
estimador y con la varianza poblacional, e inversamente relacionado con el
tamao muestral.
Tomado
http://biplot.usal.es/problemas/confianza/estimacion.htm
103
45. Estimacin de la media por intervalo usando muestras grandes con
varianza poblacional desconocida
104
Desde el punto de vista prctico esto implica que los valores crticos son un
poco ms grandes y, por tanto el intervalo tiene mayor longitud, este es el
precio que debemos pagar a cambio de no conocer la varianza de la poblacin.
105
Cuando no se conoce la desviacin estndar poblacional, la frmula para
estimar la media de una poblacin a travs de intervalos de confianza, con la
informacin contenida en una muestra grande es:
106
media de una poblacin normal con conocido, si se fija la amplitud L y se
mantiene el nivel de confianza en 1 el tamao muestral ptimo es:
107
El primer componente es el estadstico puntual para la media
poblacional, el cual sirve como referencia para establecer el intervalo de
Tomado: http://gc.initelabs.com
108
Esto quiere decir que, si se est trabajando con un nivel de confianza de (1 )
109
Ahora bien, recordemos de la unidad 4 que el valor Z seala a qu distancia
se encuentra
Tomado: http://gc.initelabs.com
110
enraizado en nuestra cotidianidad. Dentro de ello, adems hacemos
estimaciones dentro de un intervalo de posibilidades.
111
Si tomamos aleatoriamente muestras de tamao n, el parmetro Sj de las
muestras sigue, una distribucin binomial b(n,p), donde p es la proporcin de
la poblacin.
Que tambin sigue una distribucin binomial y que bajo ciertas condiciones,
se puede estndar. Como:
112
As pues, el valor ms esperado (la media) de las proporciones de las
muestras, P, es la proporcin de la poblacin p y adems cuando aumenta el
tamao de las muestras, P se aproxima a p.
113
Como no conocemos la proporcin de la poblacin, p, la sustituimos por la
proporcin de la muestra, P, con lo cual el intervalo ser diferente para cada
muestra, pero, con probabilidad 1- , la proporcin de la poblacin, estar
dentro del intervalo as calculado y tendremos una estimacin de la proporcin
de la poblacin por un intervalo.
47.2.1.1 Insesgadez
47.2.1.2 Eficiencia
114
47.2.1.3 Suficiencia
47.2.1.4 Consistencia
115
estimador puntual, por ello se utiliza ms el Intervalo de Confianza y el
Contraste de Hiptesis.
116
((1-) 100%). Es habitual tomar como nivel de confianza un 95% o un 99%,
que se corresponden con valores de 0,05 y 0,01, respectivamente.
47.4.4 Valor
Con estas definiciones, si tras la extraccin de una muestra se dice que "3
es una estimacin de la media con un margen de error de 0,6 y un nivel de
confianza del 99%", podemos interpretar que el verdadero valor de la media se
encuentra entre 2,7 y 3,3, con una probabilidad del 99%. Los valores 2,7 y 3,3
se obtienen restando y sumando, respectivamente, la mitad del error, para
obtener el intervalo de confianza segn las definiciones dadas.
117
que para disminuir el error que se comente habr que aumentar el tamao
muestral. Esto se resolver, para un intervalo de confianza cualquiera,
despejando el tamao de la muestra en cualquiera de las frmulas de los
intervalos de confianza que veremos a continuacin, a partir del error mximo
permitido.
118
47.5.2 Determinacin del tamao de muestra para estimar una
proporcin poblacional.
119
48. Determinacin del tamao de muestra para estimar una proporcin
poblacional.
120
Despejando n, se obtiene la frmula para calcular el nmero de
observaciones o individuos necesarios para estimar una proporcin:
121
Un valor-p es una probabilidad que se usa para determinar si se rechaza o
no la hiptesis nula. Si el valor-p es menor o igual que el nivel de significancia
, la hiptesis nula puede rechazarse.
122
mayora de las decisiones importantes de la vida real, las soluciones claras o
bien definidas son la excepcin, no la regla.
Es una regla de decisin que nos dice cuando aceptar y rechazar las
hiptesis, con esto vemos si los datos de una muestra son compatibles o no
con los de la poblacin.
123
El contraste de hiptesis estadstico se basar en la informacin
proporcionada por la muestra. De modo, que si rechazamos la hiptesis,
queremos indicar que los datos de la muestra ofrecen cierta evidencia sobre su
falsedad. Si la aceptamos simplemente queremos significar que no se rechaza.
Un contraste de hiptesis consiste, por tanto, en estudiar dos hiptesis: H0
(hiptesis nula), H1 (hiptesis alternativa), de manera que el investigador divide
los resultados mustrales en dos zonas; una zona de rechazo y otra de
aceptacin, de manera que segn como obtengamos el resultado, aceptaremos
o rechazaremos la hiptesis.
124
hiptesis nula suele ser una estrategia o medio del que se sirve el investigador
para probar la alternativa. Suele ir acompaada por la hiptesis alternativa o
hiptesis experimental, simbolizada por H1.
50.1 Supuestos
Las suposiciones que podemos hacer dependiendo del tipo de contraste que
necesitemos son:
125
50.2 Estadstico de Contraste
Estadstico de Contraste es, aquel estadstico (T) que utilizamos para tomar
una decisin en un contraste de hiptesis. Este estadstico es una variable
aleatoria, con una distribucin muestral determinada, que nos dar las
probabilidades asociadas a un valor o un determinado intervalo de valores del
estadstico de contraste. Este deber cumplir todas las caractersticas que se
mencionaron anteriormente cuando se habl de los estadsticos.
Ho: = o
H1: >o
Ho: = o
H1: o
126
Decidimos que un contraste es bilateral o no direccional, si utilizamos los
valores muy grandes y muy pequeos de los posibles valores del estadstico
de contraste.
127
unilaterales suelen ser mejores que los contrates bilaterales. La eleccin de
uno u otro, est condicionada al planteamiento de la hiptesis alternativa.
Antes de poder tomar una decisin se debe recopilar los datos con los que
se van a trabajar, es decir, se obtienen los datos de una o varias muestras y los
estimadores del parmetro (proporcin, media, y otros.) correspondiente,
calculamos el valor concreto del estadstico de contraste y fijado el nivel de
significacin con la zona crtica, si el valor de tal estadstico cae en la zona
crtica, rechazamos las hiptesis nula y por tanto, aceptamos la hiptesis
alternativa. En este caso debemos interpretar que no hay evidencia suficiente
para decidir que es falsa. En caso contrario se aceptar la hiptesis nula.
Error tipo I (): Es el error que se comete en la decisin del contraste cuando
se rechaza la hiptesis nula (Ho), siendo correcta (cierta).
128
De aqu se pueden obtener las siguientes conclusiones que deben de
tenerse en cuenta:
129
50.7 Efecto del tamao de la muestra en la potencia
b) Normalidad.
c) Igualdad de varianzas
130
50.8.4Utilizacin de la distribucin F-Snedecor en el contraste de 1/
2
50.9.2 Consistencia
131
El p-valor puede considerarse como el valor lmite para que un contraste sea
significativo, es decir, elegido un nivel de significacin , se rechazar H0 si p
.
132
Gracias a nuestros cinco sentidos, sabemos que cada accin es una causa
que provoca un efecto, y que cada efecto posee una causa. De tal forma que el
proceso de percepcin involucra a su vez cuatro etapas, conocidas como:
formacin de imgenes, establecimiento de sensaciones, esclarecimiento de
ideas y elaboracin de conceptos. Estas cuatro etapas en conjunto conducen al
proceso de observacin. De tal forma que la observacin es la utilizacin de los
sentidos para la percepcin de hechos o fenmenos que nos rodean, o son de
inters del investigador.
133
2. Los trminos generales o abstractos deben ser operacionalizables. Esto
es, tendrn referentes o correspondencias empricas (hechos, objetos,
fenmenos reales).
134
12. Deber referirse a aspectos de la realidad que no han sido investigados
an, ya que un objetivo de la actividad cientfica es la produccin de
nuevos conocimientos, y
135
proposicin es equivalente a una oracin declarativa, y sta ser la forma de
redactar o formular una hiptesis, la cual tendr Sujeto: la cosa de la que
afirmamos o negamos algo; Verbo: palabra que en una oracin, expresa la
accin o el estado del sujeto; Predicado: lo que se afirma o niega del sujeto.
136
los grupos sometidos a prueba (el experimental y el de control), y si dichas
diferencias son significativas.
137
52.1 Contrastes De Hiptesis Simple
Si es un contraste para frente a basada en una regin crtica C, los dos tipos
de errores tienen las siguientes probabilidades (Probabilidad de error del tipo I),
138
mayora de los casos no es posible calcular la probabilidad del error tipo II. La
razn de esto se encuentra en la manera en que se formulan las hiptesis en
una prueba estadstica. Mientras que la hiptesis nula representa siempre una
afirmacin enrgica. Los errores tipo I y tipo II estn relacionados. Una
disminucin en la probabilidad de uno por lo general tiene como resultado un
aumento en la probabilidad del otro.
139
53.1 Nivel De Significancia
140
54. Matriz De Decisin
141
0.01 ser altamente significativa, lo que implica una posibilidad en 100 de
equivocarse.
142
extremos a un lado de la media (o sea, en uno de los extremos de la
distribucin), tal como sucede cuando se contrasta la hiptesis de que un
proceso es mejor que otro (lo cual no es lo mismo que contrastar si un proceso
es mejor o peor que el otro) tales contrastes se llaman unilaterales, o de un
extremo. En tales situaciones, la regin crtica es una regin situada a un lado
de la distribucin, con rea igual al nivel de significacin.
Nivel de
significaci
n 0.10 0.05 0.01 0.005 0.02
Valores
crticos de
z para -1.28 o 1.28 -1.645 o 1.645 -2.33 o 2.33 -2.58 o 2.58 -2.88 o 2.88
Test
Unilaterale
s
Valores
Crticos de
z para - 1.645 y - 1.96 y 1.96 -2.58 y 2.58 -2.81 y 2.81 -3.08 y 3.08
Test 1.645
Bilaterales
143
de prevenir decisiones errneas. Son tiles en el diseo de experimentos
porque sugieren entre otras cosas al tamao de muestra a manejar.
57.1Decisin
144
57.1.1 Mantener H0
57.1.2 Rechazar H0
145
se denomina prueba de una sola cola Por lo general, la regin crtica para la
hiptesis alternativa > 0 yace en la cola derecha de la distribucin del
estadstico de prueba; en tanto que la regin crtica para la hiptesis alternativa
< 0 yace en la cola izquierda.
146
Tambin, se denominan pruebas no paramtricas aquellas que no
presuponen una distribucin de probabilidad para los datos, por ello se
conocen tambin como de distribucin libre (distribution free). En la mayor
parte de ellas los resultados estadsticos se derivan nicamente a partir de
procedimientos de ordenacin y recuento, por lo que su base lgica es de fcil
comprensin. Cuando trabajamos con muestras pequeas (n < 10) en las que
se desconoce si es vlido suponer la normalidad de los datos, conviene utilizar
pruebas no paramtricas, al menos para corroborar los resultados obtenidos a
partir de la utilizacin de la teora basada en la normal. En estos casos se
emplea como parmetro de centralizacin la mediana, que es aquel punto para
el que el valor de X est el 50% de las veces por debajo y el 50% por encima.
Vamos a comentar la filosofa de alguna de las pruebas no paramtricas y en
los enlaces se puede aumentar esta informacin.
147
60. Pruebas paramtricas
148
UNIDAD VI REGRESIN, CORRELACIN, ANOVA, LA CONFIABILIDAD Y
SERIES DE TIEMPO
61. Regresin Lineal
150
El diagrama de puntos, Permite analizar si existe algn tipo de relacin entre
dos variables. Por ejemplo, puede ocurrir que dos variables estn relacionadas
de manera que al aumentar el valor de una, se incremente el de la otra. En este
caso hablaramos de la existencia de una correlacin positiva. Tambin podra
ocurrir que al producirse una en un sentido, la otra derive en el sentido
contrario; por ejemplo, al aumentar el valor de la variable x, se reduzca el de la
variable y. Entonces, se estara ante una correlacin negativa. Si los valores de
ambas variable se revelan independientes entre s, se afirmara que no existe
correlacin. El diagrama de dispersin es una herramienta grfica que ayuda a
identificar la posible relacin entre dos variables. Representa la relacin entre
dos variables de forma grfica, lo que hace ms fcil visualizar e interpretar los
datos.
151
promedios se llamarn "x_avg" y y_avg". x_avg = (6 + 5 + 11 + 7 + 5 + 4
+ 4) / 7 = 6 y_avg = (2 + 3 + 9 + 1 + 8 + 7 + 5) / 7 = 5
4. Multiplica cada valor de x1 por cada valor de y1, en orden. x1y1 = (0 * -3,
-1 * -2, 5 * 4, ... ) x1y1 = (0, 2, 20, -4, -3, -4, 0).
5. Eleva al cuadrado cada valor x1. x1^2 = (0^2, 1^2, -5^2, ... ) x1^2 = (0, 1,
25, 1, 1, 4, 4).
152
El problema inmediato que surge es el obtener los valores numricos de los
parmetros b1 y b2, que determinan la ecuacin lineal concreta que expresa la
relacin de Y con X:
Para ello
acudimos a mtodos de ajuste, bsicamente el mtodo de mnimos cuadrados
1, obteniendo un sistema de dos ecuaciones
y = 0 + 1 x +
153
66. La ecuacin de regresin y su ajuste por el mtodo de mnimos
cuadrados
La dependencia entre dos (o ms) variables puede ser tal que se base en
una relacin funcional (matemtica) exacta, como la existente entre la
velocidad y la distancia recorrida por un mvil; o puede ser estadstica. La
dependencia estadstica es un tipo de relacin entre variables tal que
conocidos los valores de la (las) variable (variables) independiente(s) no puede
determinarse con exactitud el valor de la variable dependiente, aunque si se
puede llegar a determinar un cierto comportamiento (global) de la misma.
154
confrontamos con situaciones en las que existe o suponemos que existe una
relacin lineal entre las variables X e Y.
155
Actualmente, la mayora de los programas de anlisis de datos y planillas de
clculo, realizan el proceso de minimizacin en forma automtica y dan los
resultados de los mejores valores de a y b, o sea los valores indicados por las
ecuaciones.
156
(yj - (xi ) ) 2. nij en el caso de la regresin de Y/X
157
Considerando la regresin Y/X:
Que ser una cantidad mayor o igual que cero. De forma que cuanto ms
baja sea mejor ser el grado de ajuste. Si la varianza residual vale cero el
ajuste ser perfecto (ya que no existir ningn error).
158
Que evidentemente estar siempre comprendido entre 0 y 1 y, en
consecuencia, da cuenta del tanto por uno explicado por la regresin. Una
consecuencia importante en la prctica es que la varianza residual ser
obviamente:
R = r
159
que toma valor 2 cuando los residuos son completamente independientes
(entre 1.5 y 2.5 se considera que existe independencia), DW2 autocorrelacin
negativa
68.1 Propiedades
160
a) Si la covarianza es positiva, la correlacin es directa.
1 r 1
161
68.2.2 Correlacin inversa
En este caso se dice que las variables son incorreladas y la nube de puntos
tiene una forma redondeada.
162
68.3 Grado de correlacin
163
69. Coeficiente de correlacin de r Pearson.
164
El coeficiente r de puede variar de -1 a 1, donde el signo indica la direccin
de la correlacin y el valor numrico, la magnitud de la correlacin. En este
contexto se resumen algunos criterios de interpretacin:
165
Cuando el coeficiente r de Pearson se eleva al cuadrado, el resultado indica
el porcentaje de la variacin de una variable debido a la variacin de la otra y
viceversa. Es decir, el coeficiente de determinacin, r al cuadrado o r, es la
proporcin de la variacin en Y explicada por X. Puede adoptar cualquier valor
entre 0 y 1, inclusive.
166
- Ttulo: el ttulo del instrumento
1. Definir con claridad cul es la decisin que tienes que tomar en el proyecto.
sta debe ser acordada por todos los miembros del equipo y colocarla por
escrito para poder referirse a ella con frecuencia.
2. Crea una lista de criterios que vayas a utilizar para tomar la decisin. Considera
la posibilidad de criterios tales como los costos, los beneficios y cualquier otra
cosa que ests utilizando para tomar la decisin sobre el proyecto.
3. Define con claridad cul es la decisin que tienes que tomar en el proyecto.
sta debe ser acordada por todos los miembros del equipo y colocarla por
escrito para poder referirse a ella con frecuencia.
4. Asigna un peso a cada uno de los criterios al dividir 10 puntos entre la lista de
criterios. Cuanto mayor sea el nmero asignado a un criterio, ms importante
ser a la hora de tomar la decisin.
167
71. El anlisis de Varianza
Por otro lado, en cada comparacin la hiptesis nula es que las dos
muestras provienen de la misma poblacin, por lo tanto, cuando se hayan
realizado todas las comparaciones, la hiptesis nula es que todas las muestras
provienen de la misma poblacin y, sin embargo, para cada comparacin, la
estimacin de la varianza necesaria para el contraste es distinta, pues se ha
hecho en base a muestras distintas.
168
(variables independientes categricas) sobre una variable dependiente
cuantitativa.
En un modelo de dos factores, los efectos de inters son tres: los dos
efectos principales (uno por cada factor) y el efecto de la interaccin entre
ambos factores. En un modelo de tres factores, los efectos de inters son siete:
los tres efectos principales, los tres efectos de las interacciones dobles (uno por
cada interaccin entre cada dos factores) y el efecto de la interaccin triple
(entre los tres factores). Etc. El procedimiento Univariante incluye todos estos
modelos factoriales de anova. Pero, adems, ofrece la posibilidad de trabajar
tanto con factores de efectos fijos como con factores de efectos aleatorios.
Tambin permite llevar a cabo anlisis de covarianza y anlisis de regresin, y
utilizar modelos aleatorizados en bloques y modelos jerrquicos o con factores
anidados.
En un anlisis de varianza factorial existe una hiptesis nula por cada factor
y por cada posible combinacin de factores:
169
estudiar el modelo de un factor. As pues, para cada efecto existe una hiptesis
y para cada hiptesis un estadstico F que permite contrastarla. Y al igual que
en el ANOVA de un factor, el nivel crtico asociado a cada estadstico F es
quien nos permite decidir si podemos mantener o debemos rechazar una hip-
tesis. De modo similar a como ocurre en el ANOVA de un factor, en un ANOVA
factorial se trabaja con tantas poblaciones como casillas resultan de la
combinacin de todos los niveles de los factores involucrados. Por ejemplo, en
un ANOVA de dos factores, con 2 niveles en un factor y 5 en otro, trabajamos
con las 25 = 10 poblaciones definidas por la combinacin de niveles de ambos
factores. El modelo supone que esas 10 poblaciones son normales
(normalidad) y que sus varianzas son iguales (homogeneidad de varianzas u
homocedasticidad). Tambin supone el modelo que las observaciones han sido
aleatoriamente seleccionadas y que, por tanto, son independientes entre s.
170
El estadstico F puede calcularse como:
Dnde:
171
confiable. Se trata de una especie de diseo panel. Desde luego, el periodo de
tiempo entre las mediciones es un factor a considerar.
172
un ejemplo cotidiano: Si se desea probar qu tan confiable o consistente es la
lealtad de un amigo hacia nuestra persona, cuantas ms pruebas le pongamos,
su confiabilidad ser mayor. Claro est que demasiados tems provocarn
cansancio en el respondiente.
173
Si los tems no discriminan sus desviaciones tpicas sern pequeas,
el numerador ser menor y por consiguiente la fiabilidad tambin sera
menor.
Si las desviaciones tpicas son grandes pero los tems no guardan
relacin bajara la fiabilidad, porque esa no relacin entre los tems
hace que las puntuaciones totales no estn diferenciadas.
174
Las organizaciones en general evalan peridicamente el comportamiento
de su actividad y/o productos a fin de pronosticar que va a suceder en el futuro
en base a lo que ha venido ocurriendo en el pasado, est sucediendo en el
presente y tiene la tendencia a comportarse de la misma manera en el futuro.
175
representarlo matemticamente. Existen mtodos llamados mtodos de
suavizamiento porque su objetivo es suavizar la variacin causada por el
componente irregular de la serie de tiempo, estos mtodos son: el de
promedios mviles, promedios mviles ponderados y suavizamiento
exponencial. La tendencia lineal es la ms sencilla de representar, y utilizar s
es se el comportamiento de nuestra variable analizada.
176
Resumen de clculos para promedios mviles de tres semanas
177
77.2 Promedios mviles ponderados
Para mostrar el uso de ste mtodo, se utilizar la primera parte del ejemplo
anterior de la venta de gasolina. El mtodo consiste en asignar un factor de
ponderacin distinto para cada dato. Generalmente, a la observacin o dato
ms reciente a partir del que se quiere hacer el pronstico, se le asigna el
mayor peso, y este peso disminuye en los valores de datos ms antiguos. En
este caso, para pronosticar las ventas de la cuarta semana, el clculo se
realizara de la siguiente manera:
178
78. Pronstico de series de tiempo
78.1 El perodo
78.2 El horizonte
79.1 Estacionarias
179
media constante y la variabilidad con respecto a esa media tambin permanece
constante en el tiempo.
79.2 No estacionarias
81. Autocorrelacin
En ocasiones en una serie de tiempo acontece, que los valores que toma
una variable en el tiempo no son independientes entre s, sino que un valor
determinado depende de los valores anteriores, existen dos formas de medir
esta dependencia de las variables.
180
CONCLUSIONES
181
BIBLIOGRAFA
http://www2.dis.ulpgc.es/~ii-pest/sesion3-spss.pdf
https://hhperez.webs.ull.es/mei_mec/Practicas_2009/Tema1%20Practicas
%201%202%203.pdf
182
http://es.slideshare.net/DavidFreireLuna
http://es.slideshare.net/edwinalb/07result?qid=d961d89a-4e98-42c5-b867-
0318fc3ecb50&v=&b=&from_search=
https://www.uam.es/personal_pdi/ciencias/joser/docencia/estap/estap-prac1-
1011.pdf1
http://es.slideshare.net/maricgordon/proyecto-de-estadstica-inferencial-con-
aplicacin-a-spss
http://www.slideshare.net/rruizdeadana/unidad-6-inferencia-estadistica-
mediante-spss
http://estadisticaeducativaudo.blogspot.com/2014/02/distribucion-de-
frecuencias.html
http://www.calest.info/CalEst.aspx
http://www.vitutor.net/2/11/poligonos_frecuencia.html
http://iescastelar.juntaextremadura.net/
http://www.hrc.es/bioest/
http://www.netquest.com/blog/es/blog/es/que-tamano-de-muestra-necesito
183