746 - TPS - 2 - 9141704 - Monsalve Jose

REPÚBLICA BOLIVARIANA DE VENEZUELA
UNIVERSIDAD NACIONAL ABIERTA

Centro Local Táchira Oficina de Apoyo_____
Asignatura: Estadística Aplicada Cód. 746
Nombre Completo: José Esteban Monsalve Hernández

Número de cédula de identidad V.- 09.141.704
Fecha completa en la que entregó el trabajo: 20/04/2021
Correo electrónico del estudiante: josemonsalve1923@gmail.com
Teléfono: 0414-7229300
Resultados de Corrección´
N° Objetivo 4 5 6 7 8
0 = NL
1= L
Respuestas
Objetivo 4
En un grupo de enfermos que se quejaban de que no dormían se les dio somníferos y
placebos. La tabla a continuación presenta los resultados. Nivel de significación: 0, 05.
¿Es lo mismo tomar somníferos o placebos para dormir bien o mal en este grupo de
enfermos?
Las hipótesis de este ejercicio, serían las siguientes:
- Ho o Hipótesis Nula: La toma de somníferos o placebos no influye en la calidad de
dormir bien o mal en este grupo de enfermos. Es decir, es lo mismo si lo tomas o no.
(No hay diferencia, puesto que es de igualdad)
- H1: La toma de somníferos o placebos si influye en la calidad de dormir bien o mal.
Por tanto si hay diferencia cuando tomas placebos o somníferos a la hora de dormir.
Para la realización del problema se muestran los pasos a seguir, a continuación.
Paso 1: Completar la tabla de las frecuencias observadas.
DUERMEN BIEN DUERMEN MAL
FO FE FO FE TOTAL
Somníferos 44 39,70 10 14,29 54
Placebos 81 85,29 35 30,71 116
TOTAL 125 45 170

Paso 2: Calcular las frecuencias teóricas.
(Es importante recalcar que la suma de las frecuencias observadas debe de ser igual a la
suma de las frecuencias teóricas).
Para este cálculo, tenemos que basarnos en la fórmula: (total filas x total columnas) /
total
– ƒe 1 (Duermen bien con somníferos):
– ƒe 2 (Duermen bien con placebos):
– ƒe 3 (Duermen mal con somníferos):
– ƒe 4 (Duermen mal con placebos):
Como dijimos antes, la suma de las frecuencias observables debía de ser igual a la suma

de las frecuencias esperadas. En este caso podemos decir, que dicho pronóstico se
cumple:
– Suma frecuencias observadas = 170
– Suma de frecuencias esperadas: 39, 71 + 85, 29 + 14, 29 + 30, 71 = 170
Paso 3: Calcular los grados de libertad. En este caso, como son dos los criterios de
clasificación, el grado de libertad se calcularía así:
Grados de libertad = (nº de filas – 1) por (nº de columnas – 1)
Grados de libertad = (2 – 1) (2 – 1) = 1 x 1 = 1
Paso 4: Calcular el valor de chi cuadrado (usando para ello la fórmula escrita al
principio de esta entrada)
Paso 5: Ver la tabla.

En este apartado, buscamos en la tabla de la distribución X2 el valor que se compara
con el del resultado del chi cuadrado. Para ello, tenemos que tener en cuenta el nivel de
significación (0, 05) y el grado de libertad (1). La tabla que se utiliza, se muestra en
seguida:

Observando la tabla, obtenemos pues que el valor que buscamos es 3, 84.
Paso 6: Comparar los valores.

– Valor calculado –> 2, 57
– Valor de la tabla –> 3, 8415
Conclusión: como 2, 57 < 3, 8415 ——–> ACEPTAMOS H0 y rechazamos H1.
Este resultado indica que el Chi cuadrado de la formula es menor que el de la tabla, por
ello aceptamos la hipótesis nula (Ho) que establece que no hay relación entre el hecho
de dormir bien o mal con la toma de placebos o somníferos, es decir, no influye tomar
somníferos o placebos en el hecho de dormir bien o mal.
Objetivo 5
Se desea probar la efectividad de un nuevo medicamento para el control de una bacteria.
Se probaron distintas dosis en gramos de dicho medicamento en 10 grupos de personas
de 100 individuos cada una. A las dos semanas de la aplicación se realizó una
evaluación de los efectos secundarios, considerando el promedio de los problemas de
salud producidos. Los datos se resumen en el siguiente cuadro,
Dosis(X ) 200 250 275 300 325 350
Efectos (Y) 39 30 25 15 10 5
Ajuste un modelo de regresión lineal para los efectos secundarios en función de la dosis del
medicamento. Presente los cálculos correspondientes.
Obtenga:
X Y
200 39 40000 1521 7800
250 30 62500 900 7500
275 25 75625 625 6875
300 15 90000 225 4500
325 10 105625 100 3250
350 5 122500 25 1750
1700 124 496250 3396 31675
. .
Modelo:
Objetivo 6
Responda los siguientes planteamientos
a) En el modelo de regresión múltiple, ¿es posible la multicolinealidad exacta porque la
segunda variable es el cuadrado de la primera?. De un ejemplo.
En el siguiente ejemplo utilizando el modelo de regresión múltiple
Yi = β1 + β2Xi + β3Xi2 + ui
Existe multicolinealidad exacta porque la segunda variable es el cuadrado de la primera.
Este problema puede corregirse aplicando la transformación logarítmica y estimando la
ecuación
Log (Yi) = β1 + β2 log (Xi) + β3 log (Xi2) + ui
Otro ejemplo seria:
Consumo  1   2 Ingreso  3 Riqueza  i
La gente con mayor riqueza generalmente tiende a tener ingresos más altos y puede
suceder que cuando se tome la información, las variables estén altamente
correlacionadas y así es difícil determinar la influencia individual de las variables.
En cuanto a ejemplos prácticos, se tiene que la condición económica de una
familia hace que indicadores del estado de nutrición como índice de masa corporal,
niveles de lípidos y pliegues tricipitales tiendan a variar juntos. Si un organismo es
“grande”, tendrá sus partes y órganos grandes. Si una empresa es “exitosa”, tendrá altas
ganancias, ventas altas y eficiencia en los procesos.
Así, por ejemplo, la edad y la experiencia suelen presentar una alta relación, ya
que ambas evolucionan conjuntamente: a mayor edad se presupone mayor experiencia.
Por tal motivo será difícil separar el efecto de cada una sobre la variable dependiente y
que se produzca multicolinealidad debido a la relación causal existente entre dichas
variables (series temporales).
La multicolinealidad o colinealidad no sólo es normal sino que es esperable y
deseable. Es imposible que unas variables que explican y son explicadas por un
fenómeno sean tan completamente independientes que no estén correlacionadas en
algún grado. El problema surge cuando hay, como mínimo, dos variables muy, muy,
muy correlacionadas, entonces sucede que una de ellas le “roba” la correlación al resto
haciendo que las demás aparezcan como no significativas o incluso significativas con un
signo distinto al esperado. Esto es normal, por ejemplo en el caso de la renta, la edad y
el nivel educativo. Lo que hay que hacer en estos casos es sacrificar una de ellas y
quedarnos con la variable que tenga más sentido interpretativo.
b) ¿Cómo se podría corregir la multicolinealidad? Explique al menos dos posibilidades.

Veamos a continuación algunas de las soluciones propuestas para resolver el problema
de la multicolinealidad.
 Utilización de información extramuestral
Una posibilidad es la utilización de información extramuestral, bien
estableciendo restricciones sobre los parámetros del modelo, bien aprovechando
estimadores procedentes de otros estudios. El establecimiento de restricciones sobre los
parámetros del modelo reduce el número de parámetros a estimar y, por tanto, palia las
posibles deficiencias de la información muestral. En cualquier caso, para que estas
restricciones sean útiles deben estar inspiradas en el propio modelo teórico o, al menos,
tener un significado económico. En general, un inconveniente de esta forma de proceder
es que el significado atribuible al estimador obtenido con datos de corte transversal es
muy diferente del obtenido con datos temporales. A veces, estos estimadores pueden
resultar realmente «extraños» o ajenos al objeto de estudio. Por otra parte, al estimar las
varianzas de los estimadores obtenidos en la segunda regresión hay que tener en cuenta
la estimación previa. Por ejemplo, un fabricante de juguetes desea predecir la
satisfacción del cliente e incluye "resistencia" y "falta de roturas" como variables
predictoras en el modelo de regresión. El investigador determina que estas dos variables
tienen una fuerte correlación negativa y un FIV mayor que 5. En este punto, el
investigador podría intentar eliminar cualquiera de las dos variables. El investigador
también podría usar un Análisis de los componentes principales para usar estas
variables relacionadas para crear un componente de "durabilidad".
 Suprimir variables.
Si se suprimen variables que están correlacionadas con otras, la pérdida de
capacidad explicativa será pequeña y la colinealidad se reducirá. Esta medida puede
provocar otro tipo de problemas, ya que si la variable que eliminamos del modelo
realmente sí es significativa, estaremos omitiendo una variable relevante, lo que hará
que los estimadores de los coeficientes del modelo y de su varianza sean sesgados por lo
que la inferencia realizada no sería válida porque el modelo original fuera el correcto.
En la eliminación de variables la multicolinealidad puede atenuarse si se eliminan los
regresores que son más afectados por la multicolinealidad, así la multicolinealidad
puede reducirse con la eliminación de los regresores de las variables con alta relación
lineal entre ellas.
 Añadir nuevas observaciones

Si realmente es un problema muestral, una posibilidad es cambiar de muestra
porque puede ser que con nuevos datos el problema se resuelva, aunque esto no siempre
ocurre. La idea consiste en conseguir datos menos correlacionados que los anteriores,
bien cambiando toda la muestra o simplemente incorporando más datos en la muestra
inicial. No siempre resulta fácil obtener mejores datos por lo que muy probablemente
debamos convivir con el problema teniendo cuidado con la inferencia realizada y las
conclusiones de la misma.
 Transformar las variables del modelo.

Si la colinealidad se debe a que se están relacionando series temporales con
tendencia, puede convenir transformar las variables para eliminar esta tendencia.
C) Calcule el error estándar de estimación de PG C. A. durante quince (15) meses (una

observación por mes), en el que el cuadrado residual del modelo de regresión obtenido
es 8,10106 y con un número k de variables a la derecha igual a 2.
Error Estándar =
Calculamos: . .
. = 4,4323.
Ubicamos en la tabla “t” el valor crítico: . .
Objetivo 7
La siguiente tabla recoge el número de vehículos vendidos durante los últimos 10

años.
Año 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
N° de 240 350 230 260 280 320 220 310 240 310
Vehículos
a) ¿Cuántos nuevos vehículos se esperan registrar para el año 2021? Utilice el método
de medias móviles de tres años.
b) ¿Cuántos nuevos vehículos se esperan registrar para el año 2021? Utilice el método
de suavizado exponencial, con α = 0, 2.
 Medias Móviles
Suavizado exponencial.
Tomamos el valor real del año 2011, como pronóstico para el año 2012.
.
.
261,18.
272,95.
=262,36.
271,89.
265,51.
274,41.
Objetivo 8
La siguiente tabla muestra el precio promedio de una cesta de productos de comida (en
dólares) durante los últimos 11 años:
Año 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
Precio 33,22 48,36 56,35 64,74 86,74 57,08 71,97 101,06 103,42 98,08 88,42
a) Construya una tabla que muestre ¿cuál es el comportamiento del precio promedio de
dicha cesta con relación al precio de 49,60 dólares?
b) Señale la importancia del uso de los números índices.

Al paso de los años los números índice han llegado a ser cada vez más
importantes para la administración como indicadores de la cambiante actividad
económica o de negocios; de hecho, su uso se ha convertido en el procedimiento de más
amplia aceptación.
Los números índices, constituyen un sencillo artificio para comparar los
términos de una o varias series cronológicas; considerando ésta última como una
sucesión de observaciones de una variable tomada en instantes sucesivos.
Los números índices son importantes cuando se quiere comparar variables o

magnitudes que están medidas en unidades distintas. Por ejemplo, con los números
índices podemos comparar los costes de alimentación o de otros servicios en una ciudad
durante un año con los del año anterior, o la producción de arroz en un año en una zona
del país con la otra zona.
Aunque se usa principalmente en Economía e Industria, los números índices son

aplicables en muchos campos. En Educación, por ejemplo, se pueden usar los números
índices para comparar la inteligencia relativa de estudiantes en sitios diferentes o en
años diferentes.
Muchos gobiernos se ocupan de elaborar números índice con el propósito de

predecir condiciones económicas o industriales, tales como: índices de precios, de
producción, salariales, del consumidor, poder adquisitivo, costo de vida, etc.
En la administración se utilizan como parte de un cálculo intermedio para

entender mejor otra información.

746 - TPS - 2 - 9141704 - Monsalve Jose

Cargado por

Copyright:

Formatos disponibles

746 - TPS - 2 - 9141704 - Monsalve Jose

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

746 - TPS - 2 - 9141704 - Monsalve Jose

Cargado por

Copyright:

Formatos disponibles

REPÚBLICA BOLIVARIANA DE VENEZUELA

UNIVERSIDAD NACIONAL ABIERTA

Nombre Completo: José Esteban Monsalve Hernández

Para la realización del problema se muestran los pasos a seguir, a continuación.

Paso 1: Completar la tabla de las frecuencias observadas.

DUERMEN BIEN DUERMEN MAL

– ƒe 3 (Duermen mal con somníferos):

– ƒe 4 (Duermen mal con placebos):

Como dijimos antes, la suma de las frecuencias observables debía de ser igual a la suma

Paso 5: Ver la tabla.

Paso 6: Comparar los valores.

b) ¿Cómo se podría corregir la multicolinealidad? Explique al menos dos posibilidades.

 Añadir nuevas observaciones

 Transformar las variables del modelo.

C) Calcule el error estándar de estimación de PG C. A. durante quince (15) meses (una

Ubicamos en la tabla “t” el valor crítico: . .

La siguiente tabla recoge el número de vehículos vendidos durante los últimos 10

b) Señale la importancia del uso de los números índices.

Los números índices son importantes cuando se quiere comparar variables o

Aunque se usa principalmente en Economía e Industria, los números índices son

Muchos gobiernos se ocupan de elaborar números índice con el propósito de

En la administración se utilizan como parte de un cálculo intermedio para

También podría gustarte