Este documento define las hipótesis estadísticas y las pruebas de hipótesis. Explica que una hipótesis estadística hace una afirmación sobre la distribución de una o más poblaciones. Detalla los tipos de errores en las pruebas de hipótesis, como el error tipo I y tipo II, y cómo minimizarlos. Además, explica cómo realizar pruebas de hipótesis para la media, proporción y varianza de una población, así como para comparar dos poblaciones.
1) Los parámetros de la población como la media y la varianza se estiman mediante estadísticos como la media muestral y la cuasivarianza muestral respectivamente.
2) Se habla de estimación puntual cuando se asigna un valor concreto al parámetro y de estimación por intervalos cuando se asigna un intervalo de valores posibles.
3) El documento describe las funciones de decisión y los intervalos de confianza utilizados para estimar parámetros como la media, la varianza, las diferencias de medias y las proporciones
Este documento presenta los conceptos y métodos relacionados con las distribuciones muestrales y la estimación de parámetros estadísticos. Explica las distribuciones muestrales de la media, la proporción y la varianza para muestras aleatorias de una población. También cubre la estimación puntual y por intervalos de confianza de parámetros como la media, la diferencia de medias, la proporción y la varianza. El documento proporciona ejemplos y fórmulas para calcular distribuciones muestrales e intervalos
Este documento trata sobre inferencia estadística. La inferencia estadística tiene como objetivo estimar parámetros desconocidos de una población y probar hipótesis acerca de estos parámetros utilizando muestras. Existen dos tipos de estimación: puntual e interválica. La prueba de hipótesis compara una hipótesis nula con una hipótesis alternativa.
1. El documento habla sobre estimadores estadísticos, que son funciones de la muestra utilizadas para estimar parámetros desconocidos de la población. Se analizan propiedades como insesgadez, varianza, consistencia y eficiencia de diferentes estimadores.
2. Explica que la media aritmética de la muestra es un estimador insesgado de la media poblacional, mientras que la varianza muestral es un estimador sesgado de la varianza poblacional. La cuasivarianza es un estimador insesgado
El documento describe los conceptos de estimación puntual y por intervalos en estadística. Explica que la estimación puntual calcula un solo valor para estimar un parámetro poblacional, mientras que la estimación por intervalos provee un rango de valores dentro del cual el parámetro tiene una probabilidad especificada de encontrarse. Luego, detalla diversos métodos de estimación puntual como para la media, varianza y proporciones poblacionales, así como intervalos de confianza para estos parámetros y la diferencia entre ellos. Finalmente, presenta ejemplos il
Inferencia estadística - ESTIMACIÓN por Bioq. José Luis Soto Velásquez (3-0)joseluissotovelasquez
TAMBIÉN ESTOY EN: Youtube: https://bit.ly/2TCUoiR y Facebook: https://bit.ly/2QYxWPf
Como "Bioestadística con JL Soto"
Tamaño muestral, Estimación puntual e Intervalos de confianza
El documento resume conceptos de la distribución normal y binomial. Para una variable aleatoria X normal con μ=5 y σ=2, calcula varias probabilidades. También determina un intervalo centrado en la media tal que la probabilidad sea 0.62. Finalmente, calcula la probabilidad de que 2 personas de una familia de 4 se hayan vacunado contra la gripe, si la prevalencia de vacunados es del 80%.
Este documento describe conceptos básicos de estimación estadística como estimadores, sesgo, varianza, consistencia y eficiencia. Define un estimador como una función de la muestra utilizada para estimar un parámetro desconocido de la población. Explica que un estimador es insesgado si su valor esperado es igual al parámetro, y sesgado en caso contrario. Además, introduce conceptos como el error cuadrático medio y la consistencia de los estimadores.
1) Los parámetros de la población como la media y la varianza se estiman mediante estadísticos como la media muestral y la cuasivarianza muestral respectivamente.
2) Se habla de estimación puntual cuando se asigna un valor concreto al parámetro y de estimación por intervalos cuando se asigna un intervalo de valores posibles.
3) El documento describe las funciones de decisión y los intervalos de confianza utilizados para estimar parámetros como la media, la varianza, las diferencias de medias y las proporciones
Este documento presenta los conceptos y métodos relacionados con las distribuciones muestrales y la estimación de parámetros estadísticos. Explica las distribuciones muestrales de la media, la proporción y la varianza para muestras aleatorias de una población. También cubre la estimación puntual y por intervalos de confianza de parámetros como la media, la diferencia de medias, la proporción y la varianza. El documento proporciona ejemplos y fórmulas para calcular distribuciones muestrales e intervalos
Este documento trata sobre inferencia estadística. La inferencia estadística tiene como objetivo estimar parámetros desconocidos de una población y probar hipótesis acerca de estos parámetros utilizando muestras. Existen dos tipos de estimación: puntual e interválica. La prueba de hipótesis compara una hipótesis nula con una hipótesis alternativa.
1. El documento habla sobre estimadores estadísticos, que son funciones de la muestra utilizadas para estimar parámetros desconocidos de la población. Se analizan propiedades como insesgadez, varianza, consistencia y eficiencia de diferentes estimadores.
2. Explica que la media aritmética de la muestra es un estimador insesgado de la media poblacional, mientras que la varianza muestral es un estimador sesgado de la varianza poblacional. La cuasivarianza es un estimador insesgado
El documento describe los conceptos de estimación puntual y por intervalos en estadística. Explica que la estimación puntual calcula un solo valor para estimar un parámetro poblacional, mientras que la estimación por intervalos provee un rango de valores dentro del cual el parámetro tiene una probabilidad especificada de encontrarse. Luego, detalla diversos métodos de estimación puntual como para la media, varianza y proporciones poblacionales, así como intervalos de confianza para estos parámetros y la diferencia entre ellos. Finalmente, presenta ejemplos il
Inferencia estadística - ESTIMACIÓN por Bioq. José Luis Soto Velásquez (3-0)joseluissotovelasquez
TAMBIÉN ESTOY EN: Youtube: https://bit.ly/2TCUoiR y Facebook: https://bit.ly/2QYxWPf
Como "Bioestadística con JL Soto"
Tamaño muestral, Estimación puntual e Intervalos de confianza
El documento resume conceptos de la distribución normal y binomial. Para una variable aleatoria X normal con μ=5 y σ=2, calcula varias probabilidades. También determina un intervalo centrado en la media tal que la probabilidad sea 0.62. Finalmente, calcula la probabilidad de que 2 personas de una familia de 4 se hayan vacunado contra la gripe, si la prevalencia de vacunados es del 80%.
Este documento describe conceptos básicos de estimación estadística como estimadores, sesgo, varianza, consistencia y eficiencia. Define un estimador como una función de la muestra utilizada para estimar un parámetro desconocido de la población. Explica que un estimador es insesgado si su valor esperado es igual al parámetro, y sesgado en caso contrario. Además, introduce conceptos como el error cuadrático medio y la consistencia de los estimadores.
Este documento explica conceptos básicos de probabilidad como experimentos aleatorios, sucesos, variables aleatorias y distribuciones de probabilidad. Introduce la distribución normal como una de las distribuciones más importantes, que depende de dos parámetros y se utiliza para modelar muchos fenómenos. Finalmente, explica que según el Teorema Central del Límite, la suma de variables aleatorias independientes tenderá a una distribución normal.
Este documento describe las distribuciones estadísticas t de Student, Ji-cuadrado, y F de Fisher. Explica cómo estas distribuciones se usan para realizar pruebas de hipótesis e intervalos de confianza cuando se trabaja con muestras pequeñas. También incluye fórmulas clave, tablas de valores críticos, y funciones en Excel para trabajar con estas distribuciones.
Este documento describe las distribuciones estadísticas t de Student, Ji-cuadrado y F de Fisher. Explica que la distribución t de Student se usa para intervalos de confianza y pruebas de hipótesis con muestras pequeñas, la distribución Ji-cuadrado representa la distribución muestral de varianzas, y la distribución F de Fisher representa la razón de dos varianzas muestrales. También incluye fórmulas, tablas y funciones en Excel para estas distribuciones.
Este documento describe métodos para estimar parámetros desconocidos de una población estadística a partir de una muestra. Explica el método de máxima verosimilitud, que determina el estimador que maximiza la probabilidad conjunta de los datos muestrales. También cubre estimación puntual, intervalos de confianza para la media y proporción, y ejemplos como estimar la probabilidad de éxito en una distribución binomial.
Este documento presenta conceptos básicos sobre distribuciones de probabilidad, incluyendo distribuciones binomial, normal y tablas Z. Explica las características y propiedades de estas distribuciones, así como cómo calcular probabilidades y valores críticos utilizando tablas o funciones en Excel.
Este documento presenta conceptos básicos de estadística descriptiva como distribución de frecuencias, histogramas, diagramas de barras y polígonos de frecuencia para resumir conjuntos de datos. También cubre estimación de parámetros como medias, varianzas y proporciones a través de estadísticos muestrales, así como técnicas de muestreo como muestreo aleatorio simple y estratificado. El objetivo es proporcionar herramientas prácticas de bioestadística utilizando Excel.
Este documento describe diferentes tipos de distribuciones de probabilidad discretas y continuas, incluyendo la distribución binomial, normal, t-Student, Ji-cuadrado y F de Fisher. Explica conceptos clave como variables aleatorias, funciones de probabilidad y distribución, y cómo estas distribuciones se utilizan en análisis estadístico.
Este documento describe las aplicaciones de la prueba de chi-cuadrado para tablas de contingencia y contrastes de homogeneidad e independencia. Explica cómo utilizar la prueba de chi-cuadrado para determinar si una muestra proviene de una distribución teórica específica, y cómo contrastar la dependencia o independencia entre dos variables cualitativas mediante una tabla de contingencia. También resume las fórmulas simplificadas para tablas de contingencia 2x2 y 2x3.
Este documento resume conceptos estadísticos clave como la distribución de la media y proporción muestral. Explica que la media muestral de una población normal sigue una distribución normal, mientras que para poblaciones no normales el Teorema Central del Límite puede aplicarse para muestras grandes. También cubre la distribución binomial de la proporción muestral y cómo la Ley Débil de los Grandes Números garantiza que la media y proporción muestral convergen a los parámetros poblacionales a medida que el t
Este documento presenta una revisión de conceptos de probabilidad y estadística. Incluye ejercicios sobre distribuciones binomiales y de Poisson, propiedades de esperanza y varianza, pruebas de hipótesis para comparar medias, y más. En particular, explica cómo comparar si dos grupos tienen la misma media promedio cuando las muestras son pequeñas y las varianzas son desconocidas pero iguales entre los grupos.
Este documento describe conceptos básicos relacionados con variables aleatorias. Explica que una variable aleatoria asocia números reales a elementos de un espacio muestral y puede ser discreta o continua. También describe distribuciones de probabilidad como la uniforme, binomial y normal, así como conceptos estadísticos como media, varianza, distribuciones muestrales y teoremas centrales del límite para inferencia estadística.
1) El documento presenta la definición y los componentes básicos de una prueba de hipótesis, incluyendo la hipótesis nula, la hipótesis alternativa, la región de rechazo, la estadística de prueba y la conclusión.
2) Se enfoca específicamente en la prueba de hipótesis para la media poblacional con muestras grandes, utilizando la distribución normal estándar.
3) Explica los dos tipos de errores que pueden ocurrir en una prueba
1) El documento presenta la definición y los componentes básicos de una prueba de hipótesis, incluyendo la hipótesis nula, la hipótesis alternativa, la región de rechazo, la estadística de prueba y la conclusión.
2) Se enfoca específicamente en la prueba de hipótesis para la media poblacional con muestras grandes, utilizando la distribución normal estándar.
3) Explica los dos tipos de errores que pueden ocurrir en una prueba
Este documento describe diferentes tipos de distribuciones de probabilidad para variables aleatorias discretas y continuas. Para variables discretas, describe las distribuciones de Bernoulli, binomial y Poisson. Para variables continuas, describe las distribuciones uniforme, normal y chi-cuadrado, incluyendo sus funciones de densidad de probabilidad y parámetros clave. Proporciona ejemplos numéricos para ilustrar cada tipo de distribución.
Este documento presenta fórmulas y tablas estadísticas de varios capítulos relacionados con estadística descriptiva, probabilidad, distribuciones de probabilidad, intervalos de confianza, pruebas de hipótesis y análisis de varianza. Incluye fórmulas para calcular la media, desviación estándar, probabilidad binomial y normal, intervalos de confianza, pruebas t, z y qui-cuadrado, correlación, regresión y análisis de varianza de uno y dos factores.
El documento presenta información sobre intervalos de confianza. Explica que un intervalo de confianza estima un valor desconocido con una probabilidad determinada. Detalla cómo se construyen intervalos de confianza para la media de una población y para una proporción, usando fórmulas que involucran la desviación estándar, el tamaño de la muestra y valores críticos de la distribución normal. También proporciona fórmulas para estimar intervalos de confianza para la media, desviación estándar y proporción con diferentes n
El documento presenta información sobre intervalos de confianza. Explica que un intervalo de confianza estima un valor desconocido con una probabilidad determinada. Menciona que el nivel de confianza y el tamaño del intervalo están relacionados, siendo intervalos más amplios los que tienen mayores probabilidades de incluir el valor real. También presenta fórmulas para calcular intervalos de confianza para la media poblacional, la proporción poblacional y la desviación estándar poblacional basados en una muestra.
Este documento describe diferentes distribuciones de probabilidad y sus características. Explica variables aleatorias discretas y continuas, así como funciones de probabilidad y distribución. Detalla distribuciones como la binomial, Poisson, hipergeométrica y normal, incluyendo sus funciones, parámetros y propiedades. También ofrece ejemplos para ilustrar el cálculo de probabilidades usando estas distribuciones.
Este documento describe la distribución muestral y sus características principales. Una distribución muestral es la distribución de probabilidad de una estadística muestral calculada a partir de todas las muestras posibles de tamaño n elegidas al azar de una población. Generalmente nos interesa conocer la forma funcional, media y desviación estándar de la distribución muestral. El documento explica cómo varían estas características dependiendo de si el muestreo es con o sin reemplazo y si la población es finita
Este documento explica conceptos básicos de la probabilidad y las variables aleatorias. 1) La probabilidad proporciona modelos para la incertidumbre que surge de experimentos aleatorios cuyos resultados no pueden predecirse con certeza. 2) Una variable aleatoria asigna valores numéricos a los resultados de un experimento para resumirlos. 3) La distribución de una variable aleatoria especifica las probabilidades de los valores que puede tomar.
Antes de iniciar el contenido técnico de lo acontecido en materia tributaria estos últimos días de mayo; quisiera referirme a la importancia de una expresión tan sabia aplicable a tantas situaciones de la vida, y hoy, meritoria de considerar en el prefacio del presente análisis -
"no se extraña lo que nunca se ha tenido".
Con esta frase me quiero referir a las empresas que funcionan en las zonas de Iquique y Punta Arenas, acogidas a los beneficios de las zonas francas, y que, por ende, no pagan impuesto de primera categoría. En palabras técnicas estas empresas no mantienen saldos en sus registros SAC, y por ello, este nuevo Impuesto Sustitutivo, sin duda, es una tremenda y gran noticia.
Lo mismo se puede extender a las empresas que por haber aplicado beneficios de reinversión sumado a las ventajas transitorias de la menor tasa de primera categoría pagada; me refiero a las pymes en su mayoría. Han acumulado un monto de créditos menor en su registro SAC.
En estos casos, no es mucho lo que se tiene que perder.
Lo interesante, es que este ISRAI nace desde un pago efectivo de recursos, lo que exigirá a las empresas evaluar muy bien desde su posición financiera actual, y la planificación de esta, en un horizonte de corto plazo, considerar las alternativas que se disponen.
El 15 de mayo de 2024, el Congreso aprobó el proyecto de ley que “crea un Fondo de Emergencia Transitorio por incendios y establece otras medidas para la reconstrucción”, el cual se encuentra en las últimas etapas previo a su publicación y posterior entrada en vigencia.
Este proyecto tiene por objetivo establecer un marco institucional para organizar los esfuerzos públicos, con miras a solventar los gastos de reconstrucción y otras medidas de recuperación que se implementarán en la Región de Valparaíso a raíz de los incendios ocurridos en febrero de 2024.
Dentro del marco de “otras medidas de reconstrucción”, el proyecto crea un régimen opcional de impuesto sustitutivo de los impuestos finales (denominado también ISRAI), con distintas modalidades para sociedades bajo el régimen general de tributación (artículo 14 A de la ley sobre Impuesto a la Renta) y bajo el Régimen Pyme (artículo 14 D N° 3 de la ley sobre Impuesto a la Renta).
Para conocer detalles revisa nuestro artículo completo aquí BBSC® Impuesto Sustitutivo 2024.
Por Claudia Valdés Muñoz cvaldes@bbsc.cl +56981393599
Este documento explica conceptos básicos de probabilidad como experimentos aleatorios, sucesos, variables aleatorias y distribuciones de probabilidad. Introduce la distribución normal como una de las distribuciones más importantes, que depende de dos parámetros y se utiliza para modelar muchos fenómenos. Finalmente, explica que según el Teorema Central del Límite, la suma de variables aleatorias independientes tenderá a una distribución normal.
Este documento describe las distribuciones estadísticas t de Student, Ji-cuadrado, y F de Fisher. Explica cómo estas distribuciones se usan para realizar pruebas de hipótesis e intervalos de confianza cuando se trabaja con muestras pequeñas. También incluye fórmulas clave, tablas de valores críticos, y funciones en Excel para trabajar con estas distribuciones.
Este documento describe las distribuciones estadísticas t de Student, Ji-cuadrado y F de Fisher. Explica que la distribución t de Student se usa para intervalos de confianza y pruebas de hipótesis con muestras pequeñas, la distribución Ji-cuadrado representa la distribución muestral de varianzas, y la distribución F de Fisher representa la razón de dos varianzas muestrales. También incluye fórmulas, tablas y funciones en Excel para estas distribuciones.
Este documento describe métodos para estimar parámetros desconocidos de una población estadística a partir de una muestra. Explica el método de máxima verosimilitud, que determina el estimador que maximiza la probabilidad conjunta de los datos muestrales. También cubre estimación puntual, intervalos de confianza para la media y proporción, y ejemplos como estimar la probabilidad de éxito en una distribución binomial.
Este documento presenta conceptos básicos sobre distribuciones de probabilidad, incluyendo distribuciones binomial, normal y tablas Z. Explica las características y propiedades de estas distribuciones, así como cómo calcular probabilidades y valores críticos utilizando tablas o funciones en Excel.
Este documento presenta conceptos básicos de estadística descriptiva como distribución de frecuencias, histogramas, diagramas de barras y polígonos de frecuencia para resumir conjuntos de datos. También cubre estimación de parámetros como medias, varianzas y proporciones a través de estadísticos muestrales, así como técnicas de muestreo como muestreo aleatorio simple y estratificado. El objetivo es proporcionar herramientas prácticas de bioestadística utilizando Excel.
Este documento describe diferentes tipos de distribuciones de probabilidad discretas y continuas, incluyendo la distribución binomial, normal, t-Student, Ji-cuadrado y F de Fisher. Explica conceptos clave como variables aleatorias, funciones de probabilidad y distribución, y cómo estas distribuciones se utilizan en análisis estadístico.
Este documento describe las aplicaciones de la prueba de chi-cuadrado para tablas de contingencia y contrastes de homogeneidad e independencia. Explica cómo utilizar la prueba de chi-cuadrado para determinar si una muestra proviene de una distribución teórica específica, y cómo contrastar la dependencia o independencia entre dos variables cualitativas mediante una tabla de contingencia. También resume las fórmulas simplificadas para tablas de contingencia 2x2 y 2x3.
Este documento resume conceptos estadísticos clave como la distribución de la media y proporción muestral. Explica que la media muestral de una población normal sigue una distribución normal, mientras que para poblaciones no normales el Teorema Central del Límite puede aplicarse para muestras grandes. También cubre la distribución binomial de la proporción muestral y cómo la Ley Débil de los Grandes Números garantiza que la media y proporción muestral convergen a los parámetros poblacionales a medida que el t
Este documento presenta una revisión de conceptos de probabilidad y estadística. Incluye ejercicios sobre distribuciones binomiales y de Poisson, propiedades de esperanza y varianza, pruebas de hipótesis para comparar medias, y más. En particular, explica cómo comparar si dos grupos tienen la misma media promedio cuando las muestras son pequeñas y las varianzas son desconocidas pero iguales entre los grupos.
Este documento describe conceptos básicos relacionados con variables aleatorias. Explica que una variable aleatoria asocia números reales a elementos de un espacio muestral y puede ser discreta o continua. También describe distribuciones de probabilidad como la uniforme, binomial y normal, así como conceptos estadísticos como media, varianza, distribuciones muestrales y teoremas centrales del límite para inferencia estadística.
1) El documento presenta la definición y los componentes básicos de una prueba de hipótesis, incluyendo la hipótesis nula, la hipótesis alternativa, la región de rechazo, la estadística de prueba y la conclusión.
2) Se enfoca específicamente en la prueba de hipótesis para la media poblacional con muestras grandes, utilizando la distribución normal estándar.
3) Explica los dos tipos de errores que pueden ocurrir en una prueba
1) El documento presenta la definición y los componentes básicos de una prueba de hipótesis, incluyendo la hipótesis nula, la hipótesis alternativa, la región de rechazo, la estadística de prueba y la conclusión.
2) Se enfoca específicamente en la prueba de hipótesis para la media poblacional con muestras grandes, utilizando la distribución normal estándar.
3) Explica los dos tipos de errores que pueden ocurrir en una prueba
Este documento describe diferentes tipos de distribuciones de probabilidad para variables aleatorias discretas y continuas. Para variables discretas, describe las distribuciones de Bernoulli, binomial y Poisson. Para variables continuas, describe las distribuciones uniforme, normal y chi-cuadrado, incluyendo sus funciones de densidad de probabilidad y parámetros clave. Proporciona ejemplos numéricos para ilustrar cada tipo de distribución.
Este documento presenta fórmulas y tablas estadísticas de varios capítulos relacionados con estadística descriptiva, probabilidad, distribuciones de probabilidad, intervalos de confianza, pruebas de hipótesis y análisis de varianza. Incluye fórmulas para calcular la media, desviación estándar, probabilidad binomial y normal, intervalos de confianza, pruebas t, z y qui-cuadrado, correlación, regresión y análisis de varianza de uno y dos factores.
El documento presenta información sobre intervalos de confianza. Explica que un intervalo de confianza estima un valor desconocido con una probabilidad determinada. Detalla cómo se construyen intervalos de confianza para la media de una población y para una proporción, usando fórmulas que involucran la desviación estándar, el tamaño de la muestra y valores críticos de la distribución normal. También proporciona fórmulas para estimar intervalos de confianza para la media, desviación estándar y proporción con diferentes n
El documento presenta información sobre intervalos de confianza. Explica que un intervalo de confianza estima un valor desconocido con una probabilidad determinada. Menciona que el nivel de confianza y el tamaño del intervalo están relacionados, siendo intervalos más amplios los que tienen mayores probabilidades de incluir el valor real. También presenta fórmulas para calcular intervalos de confianza para la media poblacional, la proporción poblacional y la desviación estándar poblacional basados en una muestra.
Este documento describe diferentes distribuciones de probabilidad y sus características. Explica variables aleatorias discretas y continuas, así como funciones de probabilidad y distribución. Detalla distribuciones como la binomial, Poisson, hipergeométrica y normal, incluyendo sus funciones, parámetros y propiedades. También ofrece ejemplos para ilustrar el cálculo de probabilidades usando estas distribuciones.
Este documento describe la distribución muestral y sus características principales. Una distribución muestral es la distribución de probabilidad de una estadística muestral calculada a partir de todas las muestras posibles de tamaño n elegidas al azar de una población. Generalmente nos interesa conocer la forma funcional, media y desviación estándar de la distribución muestral. El documento explica cómo varían estas características dependiendo de si el muestreo es con o sin reemplazo y si la población es finita
Este documento explica conceptos básicos de la probabilidad y las variables aleatorias. 1) La probabilidad proporciona modelos para la incertidumbre que surge de experimentos aleatorios cuyos resultados no pueden predecirse con certeza. 2) Una variable aleatoria asigna valores numéricos a los resultados de un experimento para resumirlos. 3) La distribución de una variable aleatoria especifica las probabilidades de los valores que puede tomar.
Antes de iniciar el contenido técnico de lo acontecido en materia tributaria estos últimos días de mayo; quisiera referirme a la importancia de una expresión tan sabia aplicable a tantas situaciones de la vida, y hoy, meritoria de considerar en el prefacio del presente análisis -
"no se extraña lo que nunca se ha tenido".
Con esta frase me quiero referir a las empresas que funcionan en las zonas de Iquique y Punta Arenas, acogidas a los beneficios de las zonas francas, y que, por ende, no pagan impuesto de primera categoría. En palabras técnicas estas empresas no mantienen saldos en sus registros SAC, y por ello, este nuevo Impuesto Sustitutivo, sin duda, es una tremenda y gran noticia.
Lo mismo se puede extender a las empresas que por haber aplicado beneficios de reinversión sumado a las ventajas transitorias de la menor tasa de primera categoría pagada; me refiero a las pymes en su mayoría. Han acumulado un monto de créditos menor en su registro SAC.
En estos casos, no es mucho lo que se tiene que perder.
Lo interesante, es que este ISRAI nace desde un pago efectivo de recursos, lo que exigirá a las empresas evaluar muy bien desde su posición financiera actual, y la planificación de esta, en un horizonte de corto plazo, considerar las alternativas que se disponen.
El 15 de mayo de 2024, el Congreso aprobó el proyecto de ley que “crea un Fondo de Emergencia Transitorio por incendios y establece otras medidas para la reconstrucción”, el cual se encuentra en las últimas etapas previo a su publicación y posterior entrada en vigencia.
Este proyecto tiene por objetivo establecer un marco institucional para organizar los esfuerzos públicos, con miras a solventar los gastos de reconstrucción y otras medidas de recuperación que se implementarán en la Región de Valparaíso a raíz de los incendios ocurridos en febrero de 2024.
Dentro del marco de “otras medidas de reconstrucción”, el proyecto crea un régimen opcional de impuesto sustitutivo de los impuestos finales (denominado también ISRAI), con distintas modalidades para sociedades bajo el régimen general de tributación (artículo 14 A de la ley sobre Impuesto a la Renta) y bajo el Régimen Pyme (artículo 14 D N° 3 de la ley sobre Impuesto a la Renta).
Para conocer detalles revisa nuestro artículo completo aquí BBSC® Impuesto Sustitutivo 2024.
Por Claudia Valdés Muñoz cvaldes@bbsc.cl +56981393599
vehiculo importado desde pais extrajero contien documentos respaldados como ser la factura comercial de importacion un seguro y demas tambien indica la partida arancelaria que deb contener este vehículo 3. La importadora PARISBOL TRUCK IMPORT SOCIEDAD DE RESPONSABILIDAD LIMITADA perteneciente a Bolivia, trae desde CHILE , un vehículo Automóvil con un número de ruedas de 6 Número del chasis YV2RT40A0HB828781 De clase tractocamión, con dos puertas . El precio es de 35231,46 dólares, la importadora tiene los siguientes datos para el cálculo de sus costos:
• Flete de $ 1500 por contenedor
• El deducible es de 10 % de la SA y la prima neta de 0.02% de la SA
• ARANCEL DE IMPORTACIÓN 20% • ALMACÉN ADUANERO 1.5%
• DESPACHO ADUANERO 2.1%
• IVA 14.94%
• PERCEPCIÓN 0.3%
• OTROS GASTOS DE IMPORTACIÓN $US
• Derecho de emisión 4.20
• Handling 58 • Descarga 69
• Servicios aduana 30
• Movilización de carga 70.10
• Transporte interno 150
• Gastos operativos 70
• Otros gastos 100 • Comisión agente de 0.05% CIF
GASTOS FINANCIEROS o GASTOS APERTURA DE L/C (0.3 % FOB) o Intereses proveedor $ 1050 CALULAR:
i) El valor FOB
j) hallar la suma asegurada de la mercancía y la prima neta que se debe pagar a la compañía aseguradora, y el valor CIF
k) El total de derechos e impuestos
l) El costo total de importación y el factor
m) El costo unitario de importación de cada alfombra en $us y Bs. (tipo de cambio: Bs.6.85)
La Comisión europea informa sobre el progreso social en la UE.ManfredNolte
Bruselas confirma que el progreso social varía notablemente entre las regiones de la Unión Europea, y que los países nórdicos tienen un desempeño consistentemente mejor que el resto de los Estados miembros.
Desafíos del Habeas Data y las nuevas tecnología enfoque comparado Colombia y...mariaclaudiaortizj
El artículo aborda los desafíos del Habeas Data en el marco de las Nuevas Tecnologías de la Información y Comunicación (NTIC), comparando las legislaciones de Colombia y España. Desde la Declaración de los Derechos del Hombre en 1948 hasta la implementación del Reglamento General de Protección de Datos (GDPR) en Europa, la protección de la privacidad ha ganado importancia a nivel mundial. El objetivo principal del artículo es analizar cómo las legislaciones de Colombia y España abordan la protección de datos personales, comparando sus enfoques normativos y evaluando la eficacia de sus marcos legales en el contexto de la digitalización avanzada. Se hace uso de un enfoque mixto que combina análisis cualitativo detallado de documentos legales y cuantitativo descriptivo para comparar la prevalencia de ciertos principios en las normativas. Los hallazgos indican que España ha establecido un marco legal robusto y detallado desde 1978, alineándose con las directrices de la UE y el GDPR, mientras que Colombia, aunque ha progresado con leyes como la Ley 1581 de 2012, todavía podría beneficiarse de adoptar aspectos del régimen europeo para mejorar su protección de datos. Este análisis subraya la importancia de las reformas legales y políticas en la protección de datos, crucial para asegurar la privacidad en una sociedad digital y globalizada.
Palabras clave: Avances tecnológicos, Derecho en la era digital, Habeas Data, Marco jurídico y Protección de datos personales.
PMI sector servicios España mes de mayo 2024LuisdelBarri
Estudio PMI Sector Servicios
El Índice de Actividad Comercial del Sector Servicios subió de 56.2 registrado en abril a 56.9 en mayo, indicando el crecimiento más fuerte desde abril de 2023.
El crédito y los seguros como parte de la educación financieraMarcoMolina87
El crédito y los seguros, son temas importantes para desarrollar en la ciudadanía capacidades que le permita identificar su capacidad de endeudamiento, los derechos y las obligaciones que adquiere al obtener un crédito y conocer cuáles son las formas de asegurar su inversión.
DERECHO BANCARIO DIAPOSITIVA DE CARATER ESTUDIANTE
Unidad3y-4ca.pdf
1. Dócimas de Hipótesis
Definición. Llamaremos hipótesis estadística a una afirmación que se hace acerca
de la distribución de una o más poblaciones.
La hipótesis estadística puede referirse a la forma o tipo de la
distribución de probabilidades de la población o bien referirse
al valor o valores de uno o más parámetros de una distribución
de probabilidad.
Sea f(x;𝜃) ; la distribución de probabilidad de una población y 𝜃 ∈ Θ su
parámetro. Sea Θ0y Θ1 una partición disjunta de Θ.
Consideremos las siguientes hipótesis estadísticas :
𝐻0: 𝜃 ∈ Θ0 v/s 𝐻1: 𝜃 ∈ Θ1
Hipótesis Hipótesis
nula alternativa
Si Θ0 (Θ1) contiene solamente un punto , se dice que 𝐻0(𝐻1) es una
hipótesis simple, en caso contrario se dice compuesta.
2. Sea 𝔛 = 𝑥𝑛 𝜖 ℝ𝑛 ;el espacio de información de una muestra aleatoria de tamaño n.
Sean RC y R𝐶𝑐 una partición del espacio de información ; consideremos a 𝑥𝑛 una
una posible solución de la muestra aleatoria de tamaño n ; entonces:
Si 𝑥𝑛 𝜖 RC ; rechazar 𝐻0 ; aceptar 𝐻1
Si 𝑥𝑛 𝜖 R𝐶𝑐
; no rechazar 𝐻0 ; aceptar 𝐻0
al subconjunto RC de ℝ𝑛
, se llama región critica (RC); que es la región que lleva a
rechazar la hipótesis nula.
Definición. Se llama Dócima de Hipótesis a la decisión de rechazar o no rechazar la
hipótesis nula.
Aquí debemos reconocer dos tipos de errores :
Error tipo I : se comete al rechazar 𝐻0 / 𝐻0 es verdadera.
Error tipo II : se comete al no rechazar 𝐻0 / 𝐻0 no es verdadera.
Llamaremos : 𝛼 = P( error tipo I) = P(rechazar 𝐻0 / 𝐻0 es verdadera)
𝛽 = P( error tipo II )= P(no rechazar 𝐻0 / 𝐻0 no es verdadera)
3. Realidad No rechazar 𝐻0 Rechazar 𝐻0
𝜃 ∈ Θ0 Acierto
1-𝛼
Error tipo I
𝛼
𝜃 ∈ Θ1 Error tipo II
𝛽
Acierto
1-𝛽
Decisión
Definición. Se llama potencia de una dócima de hipótesis a la probabilidad
de rechazar 𝐻0 cuando 𝜃 es verdadera .
La función potencia está dada por : 𝜋 (𝜃) = P(rechazar 𝐻0 / 𝜃 es verdadera)
Una buena Dócima de Hipótesis es aquella que tiene los errores tipo I y
tipo II lo más pequeño posibles.
El procedimiento utilizado en la práctica es limitar la probabilidad de error
tipo I , es decir 𝛼 ≤ 0.1, llamado nivel de significancia(o nivel de riesgo) y
entonces buscar una región critica(RC) que minimice la probabilidad de error
tipo II o que la potencia sea máxima.
4. Para resolver una dócima (prueba) de hipótesis, se recomienda seguir los
siguientes pasos:
1) Especificar las hipótesis nula y alternativa en el contexto del problema.
2) Identificar o seleccionar un nivel de significancia 𝛼 .
3) Identificar la distribución de la población y la estadística de prueba.
4) Calcular la estadística de prueba y construir la región critica y tomar
la decisión de rechazar o no rechazar la hipótesis nula.
5) Interpretar y concluir su decisión en el contexto del problema.
5. Dócimas de hipótesis para la media de una población
Población: X ~ N( 𝜇; 𝜎2
)
m.a.(n)
a) 𝜎2
conocida ; 𝐻0 :𝜇 = 𝜇𝑜
estadística: Z=
ത
𝑋 − 𝜇
𝜎
𝑛
~ N(0 ; 1) ; bajo 𝐻0 : 𝑍𝑜𝑏𝑠=
ത
𝑋 − 𝜇
𝜎
𝑛
𝛼 : nivel de significancia:
i) 𝐻1: 𝜇 > 𝜇𝑜 ; rechazar 𝐻0 si 𝑍𝑜𝑏𝑠 > 𝑍1−𝛼
ii) 𝐻1: 𝜇 < 𝜇𝑜 ; rechazar 𝐻0 si 𝑍𝑜𝑏𝑠 < 𝑍𝛼
iii) 𝐻1: 𝜇 ≠ 𝜇𝑜 ; rechazar 𝐻0 si 𝑍𝑜𝑏𝑠 < 𝑍𝛼
2
ó 𝑍𝑜𝑏𝑠 > 𝑍1−
𝛼
2
6. b) 𝜎2
desconocida ; 𝐻0 = 𝜇𝑜
estadística : t =
ത
𝑋 − 𝜇
ൗ
𝑆𝑛−1
𝑛
~ t(n-1) ; bajo 𝐻0 : 𝑡𝑜𝑏𝑠 =
ത
𝑋 − 𝜇
ൗ
𝑆𝑛−1
𝑛
𝛼 : nivel de significancia:
i) 𝐻1: 𝜇 > 𝜇𝑜 ; rechazar 𝐻0 si 𝑡𝑜𝑏𝑠 > 𝑡1−𝛼(n-1)
ii) 𝐻1: 𝜇 < 𝜇𝑜 ; rechazar 𝐻0 si 𝑡𝑜𝑏𝑠 < 𝑡𝛼(n-1)
iii) 𝐻1: 𝜇 ≠ 𝜇𝑜 ; rechazar 𝐻0 si 𝑡𝑜𝑏𝑠 < 𝑡𝛼
2
(n-1) o 𝑡𝑜𝑏𝑠 > 𝑡1−
𝛼
2
(n-1)
7. C) Sea f(x) la distribución de probabilidad de la población con 𝜎2
conocida ;
m.a.(n) ≥ 30 ( muestra grande); por el teorema central del limite :
Para 𝐻0 : 𝜇 = 𝜇𝑜 ; estadística: Z=
ത
𝑋 − 𝜇
𝜎
𝑛
≈ N(0 ; 1) ; bajo 𝐻0 : 𝑍𝑜𝑏𝑠=
ത
𝑋 − 𝜇
𝜎
𝑛
La región de rechazo para cada tipo de prueba es la misma del caso a).
Si 𝜎2 es desconocida , use estimador insesgado 𝑆𝑛−1
2
.
Tamaños de Muestra Para docimar la Media
Dadas la probabilidades de 𝛼 y 𝛽 de error tipo I y tipo II respectivamente :
a) 𝐻0 : 𝜇 = 𝜇𝑜 v/s 𝐻1 : 𝜇 = 𝜇1 , donde 𝜇1 < 𝜇0 ; n=
𝑍1−𝛼+𝑍1−𝛽
2
𝜎2
𝜇1−𝜇0
2
b) 𝐻0 : 𝜇 = 𝜇𝑜 v/s 𝐻1 : 𝜇 = 𝜇1 , donde 𝜇0 < 𝜇1 ; n=
𝑍1−𝛼+𝑍1−𝛽
2
𝜎2
𝜇1−𝜇0
2
c) 𝐻0 : 𝜇 = 𝜇𝑜 v/s 𝐻1 : 𝜇 = 𝜇1 , donde 𝜇0 ≠ 𝜇1 ; n=
𝑍1−𝛼/2+𝑍1−𝛽
2
𝜎2
𝜇1−𝜇0
2
8. Valor p
El valor p es la probabilidad de observar un valor de una estadística, si la hipótesis nula
es verdadera.
Sea W una estadística y 𝑊𝑜𝑏𝑠 su valor observado ;
a) Si 𝐻0= 𝜃0 v/s 𝐻1 > 𝜃0 entonces Valor p = P( W ≥ 𝑊𝑜𝑏𝑠; cuando 𝐻0 es verdadero).
b) Si 𝐻0= 𝜃0 v/s 𝐻1 < 𝜃0 entonces Valor p = P( W ≤ 𝑊𝑜𝑏𝑠; cuando 𝐻0 es verdadero).
c) Si 𝐻0= 𝜃0 v/s 𝐻1 ≠ 𝜃0 entonces Valor p = 2 P( W ≤ 𝑊𝑜𝑏𝑠; cuando 𝐻0 es verdadero)
ó Valor p = 2 P( W ≥ 𝑊𝑜𝑏𝑠; cuando 𝐻0 es verdadero).
Decisión : Valor p ≤ 𝛼 ; rechazar 𝐻0 al nivel de significancia 𝛼.
Valor p > 𝛼 ; no rechazar 𝐻0 al nivel de significancia 𝛼.
Si el Valor p ≤ 𝛼 :
i) 𝛼 = 0.1 , hay evidencia que 𝐻0 no es verdadera.
ii) 𝛼 = 0.05 , hay evidencia fuerte que 𝐻0 no es verdadera.
iii) 𝛼 = 0.01 , hay evidencia muy fuerte que 𝐻0 no es verdadera.
iv) 𝛼 = 0.001 , hay evidencia extremadamente fuerte que 𝐻0 no es verdadera.
9. Dócima de hipótesis para la proporción de una población
Población: X ~ ber(p)
m.a.(n)≥ 30
𝐻0 :p = 𝑝𝑜
estadística: Z =
ො
𝑝−𝑝
𝑝 1−𝑝
𝑛
≈ N(0 ; 1) ; bajo 𝐻0 : 𝑍𝑜𝑏𝑠=
ො
𝑝− 𝑝0
𝑝0 1−𝑝0
𝑛
𝛼 : nivel de significancia:
i) 𝐻1: p > 𝑝𝑜 ; rechazar 𝐻0 si 𝑍𝑜𝑏𝑠 > 𝑍1−𝛼
ii) 𝐻1: p < 𝑝𝑜 ; rechazar 𝐻0 si 𝑍𝑜𝑏𝑠 < 𝑍𝛼
iii) 𝐻1: p ≠ 𝑝𝑜 ; rechazar 𝐻0 si 𝑍𝑜𝑏𝑠 < 𝑍𝛼
2
ó 𝑍𝑜𝑏𝑠 > 𝑍1−
𝛼
2
10. Dócima de hipótesis para la varianza de una población
Población: X ~ N( 𝜇; 𝜎2
)
m.a.(n)
𝐻0 :𝜎2
= 𝜎0
2
estadística : 𝜒2
=
(𝑛−1)𝑆𝑛−1
2
𝜎2 ~ 𝜒2
(n-1) ; bajo 𝐻0 : 𝜒𝑜𝑏𝑠
2
=
(𝑛−1)𝑆𝑛−1
2
𝜎0
2
𝛼 : nivel de significancia:
i) 𝐻1: 𝜎2 > 𝜎0
2
; rechazar 𝐻0 si 𝜒𝑜𝑏𝑠
2
> 𝜒1−𝛼
2
(n-1)
ii) 𝐻1: 𝜎2 < 𝜎0
2
; rechazar 𝐻0 si 𝜒𝑜𝑏𝑠
2
< 𝜒𝛼
2(n-1)
iii) 𝐻1: 𝜎2 ≠ 𝜎0
2
; rechazar 𝐻0 si 𝜒𝑜𝑏𝑠
2
< 𝜒𝛼
2
2
(n-1) ó 𝜒𝑜𝑏𝑠
2
> 𝜒1−
𝛼
2
2
(n-1)
11. Dócima de hipótesis de dos poblaciones
Dócima de hipótesis para la razón de las varianzas poblacionales
Poblaciones: 𝑋1~ 𝑁( 𝜇1; 𝜎1
2
) e 𝑋2~𝑁 𝜇2; 𝜎2
2
independientes de tamaños 𝑛1 y 𝑛2.
𝐻0 : 𝜎1
2
= 𝜎2
2
estadística : F =
൘
𝑆𝑛1−1
2
𝜎1
2
൘
𝑆𝑛2−1
2
𝜎2
2
=
𝑆𝑛1−1
2
𝑆𝑛2−1
2 *
𝜎2
2
𝜎1
2 ~ F(𝑛1-1 ; 𝑛2-1) ; bajo 𝐻0 : 𝐹𝑜𝑏𝑠 =
𝑆𝑛1−1
2
𝑆𝑛2−1
2
𝛼 : nivel de significancia:
i) 𝐻1: 𝜎1
2
> 𝜎2
2
; rechazar 𝐻0 si 𝐹𝑜𝑏𝑠 > 𝐹1−𝛼(𝑛1−1 ; 𝑛2−1)
ii) 𝐻1: 𝜎1
2
< 𝜎2
2
; rechazar 𝐻0 si 𝐹𝑜𝑏𝑠 < 𝐹𝛼(𝑛1−1 ; 𝑛2−1)
iii) 𝐻1: 𝜎1
2
≠ 𝜎2
2
; rechazar 𝐻0 si 𝐹𝑜𝑏𝑠 < 𝐹𝛼
2
(𝑛1−1 ; 𝑛2−1) ó 𝐹𝑜𝑏𝑠 > 𝐹1−
𝛼
2
(𝑛1−1 ; 𝑛2−1)
12. Dócima de hipótesis para la diferencia de dos medias poblacionales
Poblaciones: 𝑋1~ 𝑁( 𝜇1; 𝜎1
2
) e 𝑋2~𝑁 𝜇2; 𝜎2
2
independientes de tamaños 𝑛1 y 𝑛2.
𝐻0 : 𝜇1= 𝜇2 o 𝐻0 : 𝜇1 - 𝜇2 = 0
casos a) 𝜎1
2
y 𝜎2
2
conocidas.
estadística : Z =
( ത
𝑋1− ത
𝑋2 ) − 𝜇1− 𝜇2
𝜎1
2
𝑛1
+ 𝜎2
2
𝑛2
~ N (0; 1) ; bajo 𝐻0: 𝑍𝑜𝑏𝑠=
( ത
𝑋1− ത
𝑋2 )
𝜎1
2
𝑛1
+ 𝜎2
2
𝑛2
𝛼 : nivel de significancia:
i) 𝐻1: 𝜇1 > 𝜇2 ; rechazar 𝐻0 si 𝑍𝑜𝑏𝑠 > 𝑍1−𝛼
ii) 𝐻1: 𝜇1 < 𝜇2 ; rechazar 𝐻0 si 𝑍𝑜𝑏𝑠 < 𝑍𝛼
iii) 𝐻1: 𝜇1 ≠ 𝜇2 ; rechazar 𝐻0 si 𝑍𝑜𝑏𝑠 < 𝑍𝛼
2
ó 𝑍𝑜𝑏𝑠 > 𝑍1−
𝛼
2
14. d) La aproximación normal es muy buena si 𝑛1 ≥ 30 𝑦 𝑛2 ≥ 30 (muestras grandes ) sin importar si las
distribuciones de las poblaciones no son normales ,entonces por el teorema central del limite:
la estadística : Z =
( ത
𝑋1− ത
𝑋2 ) − 𝜇1− 𝜇2
𝜎1
2
𝑛1
+ 𝜎2
2
𝑛2
≈ N (0; 1) ; bajo 𝐻0: 𝑍𝑜𝑏𝑠=
( ത
𝑋1− ത
𝑋2 )
𝜎1
2
𝑛1
+ 𝜎2
2
𝑛2
La región de rechazo para cada tipo de prueba es la misma del caso a).
si 𝜎1
2
y 𝜎2
2
son desconocidas use su estimador insesgado respectivo.
Dócima de hipótesis para la diferencia de dos proporciones poblacionales
Poblaciones: X~ ber ( 𝑝1) e Y ~ ber ( 𝑝2) independientes de tamaños 𝑛1 ≥ 30 𝑦 𝑛2 ≥ 30 .
𝐻0 : 𝑝1= 𝑝2 o 𝐻0 : 𝑝1 - 𝑝2 = 0
estadística : Z =
(ෞ
𝑝1 −ෞ
𝑝2) − ( 𝑝1− 𝑝2)
𝑝1 1−𝑝1
𝑛1
+ 𝑝2 1−𝑝2
𝑛2
≈ N (0 ; 1) ; bajo 𝐻0: 𝑍𝑜𝑏𝑠=
(ෞ
𝑝1 −ෞ
𝑝2)
ො
𝑝 1− ො
𝑝
1
𝑛1
+
1
𝑛2
;donde Ƹ
𝑝=
𝑥1+𝑥2
𝑛1+𝑛2
estimador insesgado de p.
𝛼 : nivel de significancia:
i) 𝐻1: 𝑝1 > 𝑝2 ; rechazar 𝐻0 si 𝑍𝑜𝑏𝑠 > 𝑍1−𝛼
ii) 𝐻1: 𝑝1 < 𝑝2 ; rechazar 𝐻0 si 𝑍𝑜𝑏𝑠 < 𝑍𝛼
iii) 𝐻1: 𝑝1 ≠ 𝑝2 ; rechazar 𝐻0 si 𝑍𝑜𝑏𝑠 < 𝑍𝛼
2
ó 𝑍𝑜𝑏𝑠 > 𝑍1−
𝛼
2
15. Dócima de hipótesis para diferencia de medias poblaciones
(𝜇1- 𝜇2), muestras pareadas
Sea 𝑋1, … … 𝑋𝑛 una m.a. de una población 𝑁( 𝜇1; 𝜎1
2
) e 𝑌1, … … 𝑌𝑛 una m.a. de
una población 𝑁 𝜇2; 𝜎2
2
, la muestra esta formada por los pares
(𝑋1; 𝑌1), (𝑋2; 𝑌2),….. (𝑋𝑛; 𝑌𝑛). Se define la v.a. D= X - Y cuya media es 𝜇𝐷=𝜇1- 𝜇2 y
varianza 𝜎𝐷
2
= 𝜎1
2
+𝜎2
2
- 2cov(X;Y) , entonces D ~ N (𝜇𝐷 ; 𝜎𝐷
2
) .
La muestra aleatoria esta formada por 𝐷𝑖 = 𝑋𝑖 - 𝑌𝑖 ; i = 1,2,……,n .
Los estimadores insesgados para 𝜇𝐷 y 𝜎𝐷
2
son respectivamente ഥ
𝐷 y 𝑆𝐷
2
.
𝐻0: 𝜇𝐷 = 0
estadística : t =
ഥ
𝐷 − 𝜇𝐷
ൗ
𝑆𝐷
𝑛
~ t(n-1) ; bajo 𝐻0 : 𝑡𝑜𝑏𝑠 =
ഥ
𝐷
ൗ
𝑆𝐷
𝑛
𝛼 : nivel de significancia:
i) 𝐻1: 𝜇𝐷 > 0 ; rechazar 𝐻0 si 𝑡𝑜𝑏𝑠 > 𝑡1−𝛼(n-1)
ii) 𝐻1: 𝜇𝐷 < 0 ; rechazar 𝐻0 si 𝑡𝑜𝑏𝑠 < 𝑡𝛼(n-1)
iii) 𝐻1: 𝜇𝐷 ≠ 0 ; rechazar 𝐻0 si 𝑡𝑜𝑏𝑠 < 𝑡𝛼
2
(n-1) o 𝑡𝑜𝑏𝑠 > 𝑡1−
𝛼
2
(n-1)
16. Dócimas de Hipótesis : Regresión Lineal Simple y Correlación
Modelo de Regresión Lineal Simple : Y = 𝛽𝑜+𝛽1X + 𝜀
Al tomar una m.a.(n); 𝑥𝑖; 𝑦𝑖 𝑖 = 1, … , 𝑛 de la población (X,Y),
el Modelo de Regresión Lineal Estimado:
𝑌 = መ
𝛽𝑜+ መ
𝛽1X ; por el método de mínimos
cuadrados se obtienen los estimadores para los parámetros 𝛽𝑜 y 𝛽1:
መ
𝛽𝑜= 𝑦 - መ
𝛽1𝑥 y መ
𝛽1=
σ 𝑥𝑖−𝑥 𝑦𝑖−𝑦
σ 𝑥𝑖−𝑥 2 =
𝑛 σ 𝑥𝑖𝑦𝑖−σ 𝑥𝑖 σ 𝑦𝑖
𝑛 σ 𝑥𝑖
2− σ 𝑥𝑖
2
Si los 𝜀𝑖~N( 0; 𝜎2) entonces: መ
𝛽𝑜 ~N(𝛽𝑜;𝜎
𝛽𝑜
2
) ;donde: 𝜎
𝛽𝑜
2
=
𝜎2 σ 𝑥𝑖
2
𝑛 σ 𝑥𝑖−𝑥 2 y
መ
𝛽1 ~N(𝛽1;𝜎
𝛽1
2
) ; 𝜎
𝛽1
2
=
𝜎2
σ 𝑥𝑖−𝑥 2
Estimador insesgado para 𝜎2 esta dado por :
𝜎2 =
σ 𝑦𝑖− ො
𝑦𝑖
2
𝑛−2
=
σ 𝑦𝑖
2
−
𝛽𝑜 σ 𝑦𝑖−
𝛽1 σ 𝑥𝑖𝑦𝑖
𝑛−2
; las varianzas estimadas para መ
𝛽𝑜 y መ
𝛽1 :
𝜎
𝛽𝑜
2
=
𝜎2 σ 𝑥𝑖
2
𝑛 σ 𝑥𝑖−𝑥 2 y
𝜎
𝛽1
2
=
𝜎2
σ 𝑥𝑖−𝑥 2
18. Definición. El coeficiente de correlación lineal de la distribución f(x,y) bivariada X e Y
está dada por : 𝜌(x,y) =
𝐸 𝑥−𝐸(𝑥) 𝑦−𝐸(𝑦)
𝐸 𝑥−𝐸(𝑥) 2 𝐸 𝑦−𝐸(𝑦) 2
=
𝐶𝑜𝑣(𝑥,𝑦)
𝜎𝑥 𝜎𝑦
; -1 ≤ 𝜌(x,y) ≤ 1
Al tomar una m.a.(n); 𝑥𝑖; 𝑦𝑖 𝑖 = 1, … , 𝑛 de la población f(x,y);
el estimador esta dado por : r(x,y)=
σ 𝑥−𝑥 𝑦−𝑦
σ 𝑥−𝑥
2
σ 𝑦−𝑦
2
=
𝐶𝑜𝑣(𝑥,𝑦)
𝑆𝑥 𝑆𝑦
; -1 ≤ 𝑟(x,y) ≤ 1
Dócima de Hipótesis para el Coeficiente de Correlación lineal
𝐻0: 𝜌= 0 ; estadística t = 𝑟 − 𝜌
𝑛−2
1−𝑟2 ~ t(n-2) ; bajo 𝐻0 𝑡𝑜𝑏𝑠= 𝑟
𝑛−2
1−𝑟2
𝛼:nivel de significancia
a) 𝐻1: 𝜌 > 0 b) 𝐻1: 𝜌 < 0 c) 𝐻1: 𝜌 ≠ 0
rechazar 𝐻0 si rechazar 𝐻0 si rechazar 𝐻0 si
𝑡𝑜𝑏𝑠 > 𝑡1−𝛼(n-2) 𝑡𝑜𝑏𝑠 < 𝑡𝛼(n-2) 𝑡𝑜𝑏𝑠 < 𝑡𝛼
2
(n-2) o 𝑡𝑜𝑏𝑠 > 𝑡1−
𝛼
2
(n-2)
valor p=P(t(n-2)> 𝑡𝑜𝑏𝑠) valor p=P(t(n-2)< 𝑡𝑜𝑏𝑠) valor p=2P(t(n-2)< 𝑡𝑜𝑏𝑠) ó
valor p=2P(t(n-2)> 𝑡𝑜𝑏𝑠)
Decisión : rechazar 𝐻0 si 𝛼 > valor p.
19. Nota. Si la inferencia concluye que 𝜌 ≠ 0,entonces para docimar 𝐻0: 𝜌= 𝜌0 se aplica
la siguiente estadística bajo 𝐻0: 𝑍𝑜𝑏𝑠=
𝑛−3
2
ln
1+𝑟 1−𝜌0
1−𝑟 1+𝜌0
Para aplicar esta estadística se supone que las variables aleatorias X e Y tienen
distribución normal bivariada.
𝛼:nivel de significancia
a) 𝐻1: 𝜌 > 𝜌0 b) 𝐻1: 𝜌 < 𝜌0 c) 𝐻1: 𝜌 ≠ 𝜌0
rechazar 𝐻0 si rechazar 𝐻0 si rechazar 𝐻0 si
𝑍𝑜𝑏𝑠 > 𝑍1−𝛼 𝑍𝑜𝑏𝑠 < 𝑍𝛼 𝑍𝑜𝑏𝑠 < 𝑍𝛼
2
o 𝑍𝑜𝑏𝑠 > 𝑍1−
𝛼
2
Análisis de Varianza (ANOVA) ; Hipótesis, 𝐻0 : 𝛽1= 0 v/s 𝐻1: 𝛽1 ≠ 0
𝛼 : nivel de significancia , rechazar 𝐻0 si 𝐹𝑜𝑏𝑠 > 𝐹1−𝛼(1; n-2)
Fuente de Variación SC G.L. CM Fobs
Debida a la Regresión SCR 1 CMR CMR/CME
Debida a los Residuos SCE n-2 CME
Total SCT n-1
20. Análisis de Varianza (Anova) de un Factor o una Vía
Sea X una variable aleatoria dependiente de un factor A que tiene k niveles o tratamientos
Se supone que los k niveles , son k poblaciones independientes que denotaremos por :
𝑋1, 𝑋2, … … , 𝑋𝑘 cuyas medias y varianzas son respectivamente 𝜇1, 𝜇2, … … , 𝜇𝑘 y
𝜎1
2
, 𝜎2
2
, … … , 𝜎𝑘
2
. Las k poblaciones juntas constituyen la población total de la variable
aleatoria X, cuya media total 𝜇 esta dada por 𝜇=
σ𝑖=1
𝑘
𝜇𝑖
𝑘
.
Los supuestos de este diseño de experimento son:
a) Las k poblaciones son independientes .
b) Cada una de las poblaciones tiene distribución normal, 𝑋𝑖~N(𝜇𝑖; 𝜎𝑖
2
),i=1,2,…..,k
c) Las k varianzas 𝜎𝑖
2
son iguales a la varianza común 𝜎2,(poblaciones homocedasticas).
Sea 𝑋𝑖1, 𝑋𝑖2, … … , 𝑋𝑖𝑛𝑖
una muestra aleatoria de tamaño 𝑛𝑖 de la población i- ésima
(v.a. 𝑋𝑖), tal que σ𝑖=1
𝑘
𝑛𝑖= n es el tamaño total de las K muestras.
Los elementos 𝑋𝑖𝑗, j=1,2,…….,𝑛𝑖 son variables aleatorias independientes con
distribución normal N(𝜇𝑖; 𝜎2
), i=1,2,…..,k .
21. X11 X21 ……. 𝑋𝑖1 …… 𝑋𝑘1
X12 X21 ……. 𝑋𝑖1 …… 𝑋𝑘1
…………………………………………………….
X1𝑛1
X2𝑛2
……. 𝑋𝑖𝑛𝑖
…… 𝑋𝑘𝑛𝑘
1 2 i k Total
Total 𝑋1. 𝑋2 . ……. 𝑋𝑖. …… 𝑋𝑘. X..
Tamaño 𝑛1 𝑛2 ……. 𝑛𝑖 …… 𝑛𝑘 n
Medias 𝑋1. 𝑋2. ……. 𝑋𝑖. …… 𝑋𝑘. 𝑋..
Niveles o Tratamientos de un
Factor A
Datos de k muestras aleatorias independientes
de la variable dependiente X
donde :
𝑋𝑖. = σ𝑗=1
𝑛𝑖
𝑋𝑖𝑗,datos de la muestra i, i=1,2,..,k
X.. = σ𝑖=1
𝑘 σ𝑗=1
𝑛𝑖
𝑋𝑖𝑗 , total de datos de las k
muestras.
σ𝑖=1
𝑘
𝑛𝑖= n es el total observado en las K
muestras.
𝑋𝑖. =
𝑋𝑖.
𝑛𝑖
es la media de la muestra i,
(estimación insesgada de la media 𝜇𝑖).
𝑋.. =
𝑋..
𝑛
es la media total muestral ,
(estimación insesgada de la media 𝜇).
22. Dado que E(𝑋𝑖𝑗) = 𝜇𝑖 ; i=1,2,…..,K , el modelo lineal apropiado para el experimento
completamente aleatorizado de un factor es :
𝑋𝑖𝑗= 𝜇𝑖 + 𝑒𝑖𝑗 , j=1,2,…., 𝑛𝑖 , i=1,2,…..,k ,donde 𝑒𝑖𝑗 : error o residuo
Dado que las variables aleatorias 𝑋𝑖𝑗 son independientes y con distribución N(𝜇𝑖;𝜎2
),
entonces los 𝑒𝑖𝑗 son variables independientes con distribución N(0; 𝜎2
).
El modelo puede ser representado en forma equivalente por:
𝑋𝑖𝑗= 𝜇 + 𝛼𝑖 + 𝑒𝑖𝑗 , donde 𝛼𝑖 = 𝜇𝑖 - 𝜇 es el efecto del tratamiento i del factor.
Hipótesis estadísticas en el modelo de clasificación simple(de efectos fijos).
𝐻0 : 𝜇1=𝜇2=……=𝜇𝑘= 𝜇 v/s 𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗 , i ≠ j
Las medias de los k tratamientos No todas las medias son iguales.
(poblaciones) son iguales ,(o los k
provienen de la misma población).
En forma equivalente por :
𝐻0 : 𝛼1=𝛼2=……= 𝛼𝑘= 0 v/s 𝐻1 : 𝛼𝑖 ≠ 0
No hay efecto en todos los Al menos un 𝛼𝑖 no es igual a cero.
k tratamientos.
23. La dócima de hipótesis se basa en la partición de la variabilidad total de X dada por:
σ𝑖=1
𝑘 σ𝑗=1
𝑛𝑖
𝑋𝑖𝑗 − 𝑋..
2
= σ𝑖=1
𝑘
𝑛𝑖 𝑋𝑖. − 𝑋..
2
+ σ𝑖=1
𝑘 σ𝑗=1
𝑛𝑖
𝑋𝑖𝑗 − 𝑋𝑖.
2
Suma cuadrado total. = Suma de cuadrados + Suma de cuadrados dentro
entre tratamientos de los tratamientos (error).
(factor A).
Se puede resumir como SCT = SCA + SCE
Bajo 𝐻0 las varianzas muestrales :
𝑆𝐶𝑇
𝑛−1
,
𝑆𝐶𝐴
𝑘−1
y
𝑆𝐶𝐸
𝑛−𝑘
, son estimaciones insesgadas de 𝜎2.
Las tres estimaciones de la varianza común se denominan cuadrados medios y se
denotan respectivamente : CMT ; CMA y CME .
Además sabemos que :
𝑆𝐶𝑇
𝜎2 ~𝜒2(n-1) ,
𝑆𝐶𝐴
𝜎2 ~𝜒2(k-1) y
𝑆𝐶𝐸
𝜎2 ~𝜒2(n-k),si 𝐻0 es verdadera.
la estadística de la dócima de hipótesis es :
F =
ൗ
𝑆𝐶𝐴
𝜎2 𝑘−1
ൗ
𝑆𝐶𝐸
𝜎2 𝑛−𝑘
=
𝐶𝑀𝐴
𝐶𝑀𝐸
~ F(k-1;n-k) , si 𝛼 es el nivel de significancia
𝐹𝑜𝑏𝑠 > 𝐹𝛼(k-1: n-k) rechazar 𝐻𝑜 y concluimos que hay diferencia entre las medias
y por lo tanto hay influencia de los tratamientos sobre la variable estudiada.
24. Podemos resumir algunos resultados importantes en la siguiente tabla:
Anova
𝛼 nivel de significancia,
si 𝐹𝑜𝑏𝑠 > 𝐹𝛼(k-1 ; n-k) rechazar 𝐻𝑜 y
concluimos que hay diferencia entre las
medias y por lo tanto hay influencia de
los tratamientos sobre la variable en
estudio.
Usando el valor p = P(𝐹𝛼(k-1 ; n-k) > 𝐹𝑜𝑏𝑠),rechazar 𝐻𝑜 si 𝛼 >valor p.
Para calcular las sumas de cuadrados total, de los tratamientos y del error puede aplicar:
SCT = σ𝑖=1
𝑘 σ𝑗=1
𝑛𝑖
𝑋𝑖𝑗 − 𝑋..
2
= σ𝑖=1
𝑘 σ𝑗=1
𝑛𝑖
𝑋𝑖𝑗
2
- Τ
𝑋. . 2 𝑛
SCA = σ𝑖=1
𝑘
𝑛𝑖 𝑋𝑖. − 𝑋..
2
= σ𝑖=1
𝑘 𝑋𝑖.
2
𝑛𝑖
- Τ
𝑋. . 2 𝑛 y SCE = SCT – SCA .
Fuentes de
Variación
Suma de
Cuadrados
Grados de
Libertad
Cuadrado
Medio
𝐹𝑜𝑏𝑠
Entre Tratamientos
o factor A
Error (Dentro de
los Tratamientos)
SCA
SCE
k-1
n-k
CMA
CME
CMA
CME
Total SCT n-1
25. Ejemplo. Un ingeniero va a decidir la compra de una de 4 maquinas de marcas diferentes
para su uso en una producción especifica .Por esto, utilizo cada maquina al azar
para procesar 6 unidades del producto registrando los tiempos por unidad, en
segundos, resultando así el experimento completamente aleatorio. Los datos
son los siguientes de las 4 muestras independientes:
X : tiempos (en segundos) empleados en la producción
A:Máquinas
M1 M2 M3 M4
55 60 64 42
46 58 62 45
45 68 51 52
73 58 57 44
50 63 65 42
63 52 68 50
𝑋𝑖. 332 359 367 275 X.. =1333
𝑛𝑖 6 6 6 6 n = 24
𝑋𝑖. 55.33 59.83 61.17 45.83 𝑋.. = 55.54
Con un nivel de significancia de 0.05, Docímese
la hipótesis que las máquinas utilizan la misma
velocidad media para procesar el producto.
Solución. Variable dependiente X: tiempo para procesar
el producto, en segundos.
Variable independiente o factor A: máquinas,
con niveles o tratamientos M1,M2,M3 y M4.
Modelo del Anova : 𝑋𝑖𝑗= 𝜇 + 𝛼𝑖 + 𝑒𝑖𝑗 , donde 𝛼𝑖 = 𝜇𝑖 - 𝜇
es el efecto en X que produce la máquina i del factor.
Hipótesis : 𝐻0 : 𝜇1=𝜇2=𝜇3=𝜇4=𝜇 v/s 𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗 , i ≠ j
Anova:
SCT= σ𝑖=1
𝑘 σ𝑗=1
𝑛𝑖
𝑋𝑖𝑗
2
- Τ
𝑋. . 2
𝑛 = 75921-74037.042
= 1883.958
SCA = σ𝑖=1
𝑘 𝑋𝑖.
2
𝑛𝑖
- Τ
𝑋. . 2
𝑛 =74903.167-74037.042
= 866.125
SCE = SCT – SCA = 1883.958 – 866.125 = 1017.833
26. Fuentes de
Variación
Suma de
Cuadrados
Grados de
Libertad
Cuadrado
Medio
𝐹𝑜𝑏𝑠
Entre las Máquinas
Error
866.125
1017.833
3
20
288.708
50.892
5.673
Total 1883.958 23
RC = { 𝐹𝑜𝑏𝑠 > 𝐹0.95(3 ; 20) } = { 5.673 > 3.0984 }
Decisión : rechazar 𝐻0
Conclusión : El factor máquina tiene efecto significativo sobre el tiempo necesario
para realizar la producción, es decir , existen diferencias significativas
entre las velocidades de las máquinas.
Valor p = P(F (3 ; 20) > 5.673) = 0.0056