A partir de la variable fabricante de la base de datos Kuiper, seleccionar una muestra

aleatoria por fabricante de 3 autos y plantear la hipótesis de que los precios promedios por
auto son iguales frente a la alterna que los precios promedios por auto son diferentes para
esos grupos de fabricantes, usar un alfa de 5% no olvidar los pasos para una prueba de
este tipo

Por último de la misma base Kuiper seleccionar dos variables cuantitativas continuas y
plantear una relación de dependencia, ahora bien con el modelo de regresión lineal de Excel
verificar si la relación que plantearon tiene sentido, justificar.
Sólo entregar estas pautas por grupo.

5. De acuerdo a la evidencia experimental y con un alfa del 5% se acepta la Ho donde la

media poblacional es igual a la media muestra

FABRICANTE
Buick

X: precios de los autos

PARAMETROS ESTADIGRAFOS
µ 20815,1139 n 5
σ ? 19916,7037
(1-α) *100% 0,95 S 3595,23362
α 0,05 gl 4
α/2 0,025

PASOS

1 identificar variable, parámetros, estadígrafos y prueba de hipótesis

Ho: =µ
H1: ≠µ

2. Hallar punto crítico a partir de alfa 0.05

INV.T(0.975;4)
Tα = 2,7764

3. Estadígrafo de prueba
 X - 0
 2 Desconocida t con (n - 1) g.l. Si n < 30
S
n

20815,1139 − 19916,7037
Tc =
3595,23362/√5
Tc = -0,5587

4. Contrastar el estadígrafo de prueba con el punto critico

l Tc l > l Tα l Se acepta Ho
0,5587 > 2,7764

5. Conclusión
De acuerdo a la evidencia experimental y con un alfa del 5% se acepta la Ho donde la
media poblacional es igual a la media muestra.

FABRICANTE
Cadillac

X: precios de los autos

PARAMETROS ESTADIGRAFOS
µ 40936,3354 n 5
σ ? 43506,3074
(1-α) *100% 0,95 S 12825,5194
α 0,05 gl 4
α/2 0,025

PASOS

1 identificar variable, parámetros, estadígrafos y prueba de hipótesis

Ho: =µ
H1: ≠µ

2. Hallar punto crítico a partir de alfa 0.05

INV.T(0.975;4)
Tα = 2,7764

3. Estadígrafo de prueba
 X - 0
 2 Desconocida t con (n - 1) g.l. Si n < 30
S
n

43506,3074 − 40936,3354
Tc =
12825,5194/√5
Tc = 0,4480

4. Contrastar el estadígrafo de prueba con el punto critico

l Tc l > l Tα l Se acepta Ho
0,4480 > 2,7764

5. Conclusión
De acuerdo a la evidencia experimental y con un alfa del 5% se acepta la Ho donde la
media poblacional es igual a la media muestra.

FABRICANTE
Chevrolet

X: precios de los autos

PARAMETROS ESTADIGRAFOS
µ 16427,5993 n 5
σ ? 16770,08
(1-α) *100% 0,95 S 4160,08308
α 0,05 gl 4
α/2 0,025

PASOS
1 identificar variable, parámetros, estadígrafos y prueba de hipótesis
Ho: =µ
H1: ≠µ

2. Hallar punto crítico a partir de alfa 0.05

INV.T(0.975;4)
Tα = 2,7764
3. Estadígrafo de prueba
 X - 0
 2 Desconocida t con (n - 1) g.l. Si n < 30
S
n

16770,08 − 16427,5993
Tc =
4160,08308/√5
Tc = 4,7210

4. Contrastar el estadígrafo de prueba con el punto critico

l Tc l > l Tα l Se Rechaza Ho
4,7210 > 2,7764

5. Conclusión
De acuerdo a la evidencia experimental y con un alfa del 5% se rechaza Ho lo cual indica
que hay diferencia entre la media de los precios y la media muestral de los precios
 MODELO DE REGRESIÓN LINEAL SIMPLE “KUPIER”

β0 y β1 Son los parámetros del modelo. ε es una variable aleatoria, llamada error, que
explica la variabilidad en y que no se puede explicar con la relación lineal entre x y y. Los
errores, ε, se consideran variables aleatorias independientes distribuidas normalmente con
media cero y desviación estándar σ. Esto implica que el valor medio o valor esperado de y,
denotado por E(Y/x), es igual a β0 + β1 x.

Para la aplicación del modelo de regresión lineal se escogieron dos variables cuantitativas
continuas de la base de datos kupier las cuales fueron:
(precio-litro)

Relación de dependencia.

Se define que el precio depende de los litros del carro, donde Y=Litros , X=Precio.

Datos calculados de la base kupier

Aplicamos las siguientes fórmulas:

Donde:
Coeficiente de correlación:

El modelo de regresión lineal coincide con el cuadrado del coeficiente de correlación lineal:
R2 = r2 El coeficiente de determinación toma valores entre -0,99 y 0,99, y cuanto más se
aproxime a 1 mejor será el ajuste y por lo tanto mayor la fiabilidad de las predicciones que
con él realicemos.

Interpretación:

Si r = 1, existe una correlación positiva perfecta. El índice indica una dependencia total entre las
dos variables denominada relación directa: cuando una de ellas aumenta, la otra también lo
hace en proporción constante.
Si 0 < r < 1, existe una correlación positiva.
Si r = 0, no existe relación lineal. Pero esto no necesariamente implica que las variables son
independientes: pueden existir todavía relaciones no lineales entre las dos variables.
Si -1 < r < 0, existe una correlación negativa.
Si r = -1, existe una correlación negativa perfecta. El índice indica una dependencia total entre
las dos variables llamada relación inversa: cuando una de ellas aumenta, la otra disminuye en
proporción constante.
La correlación de la variables precio y litros o el grado de asociacion es positiva, pero no
está dentro del rango ideal 0.80 < R <0.99 o -0.80 < R< -0.99

Coeficiente de determinación:

El Coeficiente de Determinación es una medida estadística de la bondad del ajuste o

fiabilidad del modelo estimado a los datos. Se representa por R2 e indica cuál es la
proporción de la variación total en la variable dependiente (Y), que es explicada por el
modelo de regresión estimado, es decir, mide la capacidad explicativa del modelo estimado.

El porcentaje de bondad o de ajuste del modelo de regresion a las variables es de un

31%

r=r^2