PROBABILIDAD Y ESTADSTICA BSICA PARA INGENIEROS

11

ICM ESPOL

REGRESIN LINEAL SIMPLE

El propsito de este estudio es proporcionar los conceptos y tcnicas para construir modelos
matemticos que describan de manera apropiada a un conjunto de datos, cuando la relacin es
de tipo lineal. Estos modelos son tiles para realizar pronsticos.
Este estudio se denomina anlisis de regresin y el objetivo es estimar la ecuacin de
regresin la cual es la recta terica poblacional (desconocida) de la cual provienen los datos.
Suponer que se tiene un conjunto de n mediciones u observaciones (x1, y1), (x2, y2),...,(xn, yn)
Estas observaciones provienen de las variables X y Y. La variable X se denomina variable de
prediccin mientras que la variable Y se denomina variable de respuesta.
Se supondr que existe una correspondencia de X a Y y el objetivo es modelar esta relacin.
Cada valor yi es una observacin o el resultado de una medicin, por lo tanto pudiesen haber
otros valores yi para el mismo valor de xi. Esto permite entender que yi es uno de los
posibles resultados de la variable aleatoria Yi. Una variable aleatoria debe tener una
distribucin de probabilidad. El siguiente grfico permite visualizar esta suposicin:
Un resultado de la
variable aleatoria Yi

Distribucin de probabilidad
de la variable aleatoria Yi

Si la relacin entre X y Y tiene tendencia lineal, lo cual puede reconocerse graficando los
puntos en una representacin que se denomina grfico de dispersin, entonces es razonable
proponer un modelo lineal para describir la relacin y que tome en cuenta la aleatoriedad de Y
Definicin: Modelo de regresin lineal probabilista (modelo poblacional desconocido)

Y = 0 + 1 x +
En donde 0 y 1 son los parmetros del modelo y es el componente aleatorio de Y
Se supondr que para cada variable aleatoria Yi el componente aleatorio i tiene la misma
distribucin de probabilidad y que adems estos componentes son variables independientes:

i N(0, 2) (distribucin normal con media 0 y varianza desconocida 2)

Con este planteamiento, el valor esperado de este modelo constituye la recta terica que
describe al modelo poblacional desconocido.

E[Y] = 0 + 1 x
El modelo poblacional terico tiene dos parmetros 0 (intercepcin) y 1 (pendiente)

Ing. Luis Rodrguez Ojeda, MSc.

PROBABILIDAD Y ESTADSTICA BSICA PARA INGENIEROS

ICM ESPOL

Modelo Poblacional

0 + 1 x

Para comprensin de conceptos se desarrolla paralelamente un ejemplo

Ejemplo
Se desea construir un modelo de regresin para relacionar las calificaciones parcial y
final en cierta materia, utilizando una muestra aleatoria de 10 estudiantes que han
tomado esta materia:
Estudiante
Nota Parcial
Nota Final

1
39
65

2
43
75

3
21
52

4
64
82

5
57
92

6
43
80

7
38
73

8
75
98

9
34
56

10
52
75

Diagrama de dispersin
X: calificacin parcial
Y: calificacin final

Se observa que al incrementar x (variable de prediccin) tambin se incrementa y (respuesta)

con una tendencia aproximadamente lineal
Modelo de regresin lineal poblacional propuesto

Y = 0 + 1 x + , i N(0, 2), para cada Yi

Ing. Luis Rodrguez Ojeda, MSc.

PROBABILIDAD Y ESTADSTICA BSICA PARA INGENIEROS

11.1

ICM ESPOL

RECTA DE MNIMOS CUADRADOS

El siguiente procedimiento matemtico permite usar los datos dados para construir una recta
de la cual se obtienen estimadores para los parmetros 0 y 1 de la recta de regresin
poblacional 0 + 1 x,
Se trata de colocar una recta entre los puntos dados, de la forma mejor balanceada con el
criterio de hacer que la suma de las distancias de la recta a los puntos sea la menor posible.
Esta recta se denomina recta de mnimos cuadrados.
Definicin: Recta de mnimos cuadrados


 
y = 0 + 1 x


En donde 0 , 1 son los estimadores de 0 y 1 del modelo poblacional 0 + 1 x

Recta de mnimos cuadrados


 
y = 0 + 1 x

Para cada valor x i se tiene el dato observado y i , mientras que al evaluar la recta de mnimos




 
cuadrados y = 0 + 1 x con este mismo valor x i se obtiene el valor y i = 0 + 1 x i

Sea ei = y i y i , la diferencia entre estos dos valores. Esta diferencia se denomina el residual.
2

Entonces, el criterio de mnimos cuadrados consiste en minimizar e i para todos los puntos.
El cuadrado puede interpretarse como una manera de cuantificar las diferencias sin importar el
signo. La verdadera razn es formal y corresponde a la teora de la estimacin estadstica.
Definicin: Suma de los cuadrados del error

n


 2 n
2
e
=
(
y

y
i i i ) = ( y i 0 1x i ) 2
n

SCE =

i=1

i =1

i =1

SCE es una funcin con dos variables: 0 , 1

Con el procedimiento matemtico usual para encontrar su mnimo:
SCE
SCE
= 0,
=0
0
1
Despus de derivar SCE, igualar a cero y simplificar se llega al sistema de ecuaciones lineales:
n

 n
0n + 1 xi = yi
i =1

 n
 n
0 xi + 1 xi2 =
i =1

i=1

i =1
n

xi yi
i=1

De donde se obtienen finalmente 0 , 1 para el modelo de mnimos cuadrados:


 
y = 0 + 1 x . Este modelo puede usarse para realizar pronsticos

Ing. Luis Rodrguez Ojeda, MSc.

PROBABILIDAD Y ESTADSTICA BSICA PARA INGENIEROS

ICM ESPOL

Obtener la recta de mnimos cuadrados para el ejemplo


 
y = 0 + 1 x

i
1
2
3
4
5
6
7
8
9
10

xi
39
43
21
64
57
43
38
75
34
52

yi
65
75
52
82
92
80
73
98
56
75

x2i
1521
1849
441
4096
3249
1849
1444
5625
1156
2704

xiyi
2535
3225
1092
5248
5244
3440
2774
7350
1904
3900

466

748

23934

36712

10

i=1


0n

 n
+ 1 x i =
i =1

 n
 n
0 xi + 1 xi2 =
i =1

i=1



10 0 + 466 1 = 748


466 0 + 23934 1 = 36712

yi
i =1

xi yi
i=1

De donde se obtienen 0 = 35.83,

Recta de mnimos cuadrados:


1 = 0.836


y = 35.83 + 0.836 x

Pronosticar la calificacin final si la calificacin parcial es 50


y = 35.83 + 0.836 (50) = 77.63

11.2

COEFICIENTE DE CORRELACIN

Para determinar el tipo de relacin lineal entre las variables x y y del modelo de regresin lineal
se usa el coeficiente de correlacin lineal que se define a continuacin:
Para simplificar la escritura se establecen las siguientes definiciones
1 n
1 n
x = xi
y = yi
n i=1
n i=1
n
n
Sxx = (x i x ) 2
Syy = ( yi y) 2
i=1
i=1
n
Sxy = (x i x )( yi y)
i=1
Definicin: Coeficiente de correlacin

r=

Sxy
, 1 r 1
Sxx Syy


El signo de r es igual al signo de la pendiente 1 de la recta de regresin lineal

Si el valor de r es cercano a 1 significa que hay una fuerte relacin lineal positiva ente x y y
Si el valor de r es cercano a -1 significa que hay una fuerte relacin lineal negativa ente x y y
Si el valor de r es cercano a 0 significa que hay poca relacin lineal ente x y y

Ing. Luis Rodrguez Ojeda, MSc.

PROBABILIDAD Y ESTADSTICA BSICA PARA INGENIEROS

r=0.9

r=0.1

ICM ESPOL

r=-0.9

r=0.1

Ejemplos de correlacin entre dos variables

Calcular el coeficiente de correlacin para el ejemplo

1 n
1
x = x i = (39 + 43 + . . . + 52) = 46.6
10
n i=1
1 n
1
y = yi =
(65 + 75 + . . . + 75) = 74.8
10
n i=1
n
Sxx = (x i x ) 2 = [(39 46.6)2 + (43 46.6)2 + . . . + (52 46.6)2] = 2218.4
i=1
n
S yy = ( yi y) 2 = [(65 74.8)2 + (75 74.8)2 + . . . + (75 74.8)2] =1885.6
i=1
n
Sxy = (x i x )( yi y) = [(39 46.6)(65 74.8) + . . . ] = 1855.2
i=1
Sxy
1855.6
=
= 0.9071
r=
(2218.4)(1885.6)
Sxx Syy
El resultado indica una fuerte correlacin lineal positiva

11.3 ANLISIS DEL MODELO DE REGRESIN LINEAL SIMPLE

Para simplificar la escritura de algunas expresiones de inters, se definen las siguientes
frmulas equivalentes que pueden demostrarse algebraicamente desarrollando las sumatorias.
2
n
n
n

2
2 1
Sxx = (x i x ) = x i x i
(1)
n i=1
i=1
i=1
(2)

n
n
1 n n
Sxy = (x i x )( yi y) = x i yi x i yi
n i = 1 i = 1
i=1
i=1

Ing. Luis Rodrguez Ojeda, MSc.

PROBABILIDAD Y ESTADSTICA BSICA PARA INGENIEROS

ICM ESPOL

1 n
SCT = Syy = ( yi y) = yi2 yi
n i=1
i=1
i=1
n
S 2xy

SCE = ( yi yi ) 2 = S yy
Sxx
i=1
n
S 2xy

2
SCR = ( yi y) =
S xx
i=1
n

(3)

(4)

(5)

Demostracin de (1)
n
n
n
n
2
2
Sxx = (x i x ) 2 = (x i2 2x i x + x ) = x i2 2x x i + nx
i=1
i=1
i=1
i=1
n
n
n
n
1
2
2
2
2
2
2
= x i 2xn x i + nx = x i 2xnx + nx = x i nx
n i=1
i=1
i=1
i=1
n

i= 1

11.4

xi2

n(

xi
i =1

2
= xi
i=1

1 n
x i
n i=1

esto completa la demostracin

ANLISIS DE VARIANZA

El anlisis de varianza es un mtodo estadstico para conocer si los valores de un grupo de

datos son significativamente diferentes de otro(s) grupo(s) de datos. Este mtodo se puede
aplicar al modelo de regresin lineal.
Algunos supuestos son necesarios para su aplicacin, entre estos, que las observaciones sean
independientes y que la distribucin de la variable dependiente sea normal.
Consideremos la frmula (4):

S 2xy
 2
SCE = ( yi yi ) = S yy
Sxx
i=1
n

Se puede escribir

S yy =

S 2xy
S xx

+ SCE

Sustituyendo la frmula (5)

S yy = SCR + SCE
Sustituyendo la definicin de la frmula (3)

SCT = SCR + SCE

Con la sustitucin de las equivalencias de las frmulas (3), (4) y (5) se obtiene

Definicin: Descomposicin de la variabilidad para el modelo de regresin lineal

n

i=1

i=1

i=1



( y i y) 2 = ( y i y) 2 + ( y i y i ) 2

Ing. Luis Rodrguez Ojeda, MSc.

PROBABILIDAD Y ESTADSTICA BSICA PARA INGENIEROS

ICM ESPOL

Esta frmula permite descomponer la variabilidad total SCT de la variable de respuesta (y) en
dos componentes: la variabilidad SCR correspondiente a la recta de regresin de mnimos
cuadrados, y la variacin residual SCE que no se ha incluido en la recta de mnimos
cuadrados obtenida

SCT: Suma de cuadrados total

SCR: Suma de cuadrados de regresin
SCE: Suma de cuadrados del error
Mientras menor es el valor de SCE, mayor es la eficacia del modelo de mnimos cuadrados
obtenido, pues su variabilidad se ajusta o explica muy bien a la variabilidad de los datos y..

Encontrar los componentes de variacin para el modelo del ejemplo

SCT = SCR + SCE

n

SCT =

(yi y)2 = (65 74.8)2 + (75 74.8)2 + . . . + (75 74.8)2 = 1885.6

i=1


y = 35.83 + 0.836 x
(Recta de mnimos cuadrados obtenida)

x=39: y = 35.83 + 0.836 (39) = 68.434

x=43: y = 35.83 + 0.836 (43) = 71.778
...


x=52: y = 35.83 + 0.836 (52) = 79.302
n

SCR =

(yi y)2
i=1

= (68.434 74.8)2 + (71.778 74.8)2 + . . . + (79.302 74.8)2 = 1550.4

n

SCE =

(y
i=1

yi )2

= (65 68.434)2 + (75 71.778)2 + . . . + (75 79.302)2 = 334.138

Tambin se puede usar la definicin para obtener directamente uno de los tres componentes:
SCT = SCR + SCE

11.5

COEFICIENTE DE DETERMINACIN

El coeficiente de determinacin es otra medida de la relacin lineal entre las variables x y y

Es til para interpretar la eficiencia de la recta de mnimos cuadrados para explicar la variacin
de la variable de respuesta (y)

Definicin: Coeficiente de determinacin

r2 =

SCR
2
, 0r 1
SCT

El valor de r mide el poder de explicacin del modelo de mnimos cuadrados. Si r es cercano

a 1 significa que la recta de mnimos cuadrados se ajusta muy bien a los datos.

Calcular el coeficiente de determinacin para el ejemplo

SCR 1550.4
=
= 0.8222
SCT 1885.6
El poder de explicacin del modelo de mnimos cuadrados es 82.22%

r2 =

Ing. Luis Rodrguez Ojeda, MSc.

PROBABILIDAD Y ESTADSTICA BSICA PARA INGENIEROS

ICM ESPOL

11.6 TABLA DE ANLISIS DE VARIANZA

En la ecuacin

SCT = SCR + SCE

SCR tiene 1 grado de libertad (varianza ponderada con el modelo con dos parmetros)
SCE tiene n 2 grados de libertad (existen n datos y dos parmetros en el modelo)
SCT tiene n 1 grados de libertad (suma de grados de libertad de SCR y SCT)
Si cada uno se divide por el nmero de grados de libertad se obtienen los cuadrados medios
Todos estos resultados se los ordena en un cuadro denominado Tabla de Anlisis de
Varianza o Tabla ANOVA

Tabla ANOVA
Fuente de
variacin
Regresin
Error
Total

Grados de
libertad
1
n2
n1

Suma de
cuadrados
SCR
SCE
SCT

Cuadrados
medios
SCR/1
S2 = SCE/(n 2)

F0
(SCR/1)/(SCE/(n-2))

El ltimo cociente es el valor de una variable que tiene distribucin F. Este estadstico se usa
para una prueba del modelo propuesto

Escribir la tabla de anlisis de varianza para el ejemplo

Fuente de
variacin
Regresin
Error
Total

Grados de
libertad
1
8
9

Suma de
cuadrados
1550.4
335.2
1885.6

Cuadrados
medios
1550.4
41.9

F0
37.00

11.7 PRUEBA DE DEPENDENCIA LINEAL DEL MODELO

Puede demostrarse que el estadstico
SCR
F0 =
tiene distribucin F con 1 = 1, 2 = n 2 grados de libertad
SCE /(n 2)
Este estadstico se puede usar para realizar una prueba de hiptesis para la pendiente del
modelo de regresin lineal
H0: 1 = 0,
Hiptesis nula para probar que no hay dependencia lineal entre x y y
Ha: H0
Si se especifica el nivel de significancia de la prueba, entonces la regin crtica es
Rechazar H0 si f0 > f con 1 = 1, 2 = n 2 grados de libertad

Probar con 5% de significancia de dependencia lineal para el ejemplo anterior

H0: 1 = 0
Regin de rechazo de H0:
f0 > f0.05 con 1 = 1, 2 = 8
f0.05, 1, 8 = 5.32
Conclusin
Debido a que f0
linealmente

(Tabla F)

> 5.32, se rechaza H0, es decir x y y si estn relacionadas

Ing. Luis Rodrguez Ojeda, MSc.

PROBABILIDAD Y ESTADSTICA BSICA PARA INGENIEROS

ICM ESPOL

11.8 ESTIMACIN DE LA VARIANZA

2
La varianza de los errores del modelo es desconocida. Para poder hacer inferencias acerca
de los parmetros 0 , 1 es necesario un estimador.
Definicin: Varianza muestral
n

S2 =

(yi y i )2

SCE
=
n2

I=1

n2

Es un estimador insesgado de la varianza del modelo terico:

La variable aleatoria 2 = (n 2)

S2

E[S2] = .
2

tiene distribucin jicuadrado con n 2 g. de libertad.

Estimacin de la varianza para el ejemplo

SCE 334.138
s2 =
=
= 41.7673
n2
8

11.9 INFERENCIAS CON EL MODELO DE REGRESIN LINEAL

En el modelo probabilista propuesto:
Y = 0 + 1 x + , i N(0,

2) para cada variable aleatoria Yi

El valor esperado de este modelo, es una recta desconocida con parmetros 0 y 1

E[Y] = 0 + 1 x
El modelo obtenido con el mtodo de mnimos cuadrados es


 
y = 0 + 1 x


En donde 0 , 1 son los estimadores de los parmetros 0 , 1
Los estimadores son variables aleatorias pues dependen de los valores y observados.
Si los componentes



i del error son independientes, puede demostrarse que 0 , 1 son

estimadores insesgados, con distribucin normal y con las siguientes varianzas:

n

E[ 0 ] = 0,

V[ 0 ] =

2

0

E[1 ] = 1,

= [
2

V[1 ] = 2 =
1

x
i=1

2
i

nS xx

2
Sxx

Para definir estadsticos con los estimadores 0 , 1 se sustituye la varianza desconocida

por el estimador S2
n

xi2

S2 = S2 [ i=1 ]
0
nSxx

S2 =
1

S2
Sxx

Definicin: Estadsticos para Estimacin de los Parmetros 0 y 1

t=


0
0
S2

t=


1
1
S2

Tienen distribucin t con = n 2 grados de libertad.

Ing. Luis Rodrguez Ojeda, MSc.

PROBABILIDAD Y ESTADSTICA BSICA PARA INGENIEROS

ICM ESPOL

Varianza de los estimadores de mnimos cuadrados en el ejemplo

n

S2
0

2 i =1

=S [

S2 =

xi2
]

nSxx

392 + 432 + ... + 52

= 41.7673 (
) = 45.0575
10(2218.4)

S2
41.7673
=
= 0.0188
2218.4
Sxx

11.10 INFERENCIAS ACERCA DE LA PENDIENTE DE LA RECTA

Es importante determinar si existe una relacin entre las variables x y y. Esta relacin est
determinada por la pendiente 1 de la recta.

11.10.1 INTERVALO DE CONFIANZA

Parmetro: 1 (Pendiente de la recta de regresin lineal terica)

Estimador: 1 (Pendiente de la recta de mnimos cuadrados)
El estadstico

t=


1
1
S2

, tiene distribucin

t con = n 2 grados de libertad

Como es usual, la desigualdad

t/2 t t/2 tiene probabilidad 1 , de donde:

Definicin: Intervalo de Confianza para la Pendiente


1 t/2


S2 < 1 < 1 + t/2
1

1 con nivel 1

S2

Intervalo de confianza para 1 con nivel 95% para el ejemplo

1 = 0.95 t/2 = t0.025 = 2.306, = 8 grados de libertad


1 t/2


S2 < 1 < 1 + t/2
1

S2

0.0188 < 1 < 0.836 + 2.306 0.0188

0.836 2.306

0.5196 < 1 <1.1524

Es el intervalo para la pendiente de la recta de regresin lineal

11.10.2 PRUEBA DE HIPTESIS

Parmetro: 1 (Pendiente de la recta de regresin lineal terica)

Estimador: 1 (Pendiente de la recta de mnimos cuadrados)
H0:
Ha:

1 = b1
1 b1
1 < b1
1 > b1

(b1 = 0, para probar que no hay relacin lineal entre x y y)

Estadstico de prueba

t=

 b
1
1
S2

, tiene distribucin t con = n 2 grados de libertad

Ing. Luis Rodrguez Ojeda, MSc.

PROBABILIDAD Y ESTADSTICA BSICA PARA INGENIEROS

ICM ESPOL

Si se especifica el nivel de significancia se puede definir la regin crtica

1 < b1 :
t < -t
1 > b1 :
t > t
1 b1 :
t < -t/2 t > t/2

Prueba de hiptesis con 5% de significancia que

H0:
1 = 1
Ha:
1 < 1
= 0.05
Regin de rechazo de H0: t < -t0.05, = 8

1 < 1 para el ejemplo

t < -1.86

Clculo del estadstico de prueba

t=

 b
1
1
S2

0.836 1
0.0188

= 1.196

Conclusin
La evidencia no es suficiente para rechazar que la pendiente del modelo es 1

11.11 INFERENCIAS PARA LA INTERCEPCIN DE LA RECTA

Tambin puede ser de inters probar si la intercepcin de la recta de regresin es igual a algn
valor especificado

11.11.1 INTERVALO DE CONFIANZA

Parmetro: 0 (Intercepcin de la recta de regresin lineal terica)

Estimador: 0 (Intercepcin de la recta de mnimos cuadrados)
El estadstico

t=


0
0
S2

tiene distribucin t con = n 2 grados de libertad

La desigualdad t/2 t t/2 se satisface con probabilidad 1 , de donde se obtiene

Definicin: Intervalo de Confianza para la Intercepcin 0 con nivel 1


0 t/2


S2 < 0 < 0 + t/2
0

S2

Intervalo de confianza para 0 con nivel 95% para el ejemplo

1 = 0.95 t/2 = t0.025 = 2.306, = 8 grados de libertad


0 t/2


S2 < 0 < 0 + t/2

35.83 2.306

S2

45.0575 < 0 < 35.83 + 2.306 45.0575

20.351 < 0 <51.309

Es el intervalo para la intercepcin de la recta de regresin lineal

Ing. Luis Rodrguez Ojeda, MSc.

PROBABILIDAD Y ESTADSTICA BSICA PARA INGENIEROS

ICM ESPOL

11.11.2 PRUEBA DE HIPTESIS

Parmetro: 0 (Intercepcin de la recta de regresin lineal terica)

Estimador: 0 (Intercepcin de la recta de mnimos cuadrados)
H0:
Ha:

0 = b0
0 b0
0 < b0
0 > b0

(b0: algn valor especificado para la intercepcin)

Estadstico de prueba

t=

 b
0
0
S2

, tiene distribucin

t con = n 2 grados de libertad

Si se especifica el nivel de significancia se puede definir la regin crtica

0 < b0 :
t < -t
0 > b0 :
t > t
0 b0 :
t < -t/2 t > t/2

Prueba de hiptesis con 5% de significancia que

H0:
0 = 30
Ha:
0 > 30
= 0.05
Regin de rechazo de H0: t > t0.05, = 8
Clculo del estadstico de prueba

t=

 b
0
0
S2

35.83 30
45.0575

0 > 30 para el ejemplo

t > 1.86

= 0.8685

Conclusin
La evidencia no es suficiente para rechazar que la intercepcin del modelo es 30

11.12 PRUEBA DE LA NORMALIDAD DEL ERROR

Se puede usar la prueba K-S para probar la suposicin de normalidad de los errores

Prueba de Kolmogorov-Smirnov con 5% de significancia para la normalidad del error

con los datos del ejemplo
Ho:
N(0,
Ha:
Ho
= 0.05

2)

Estadstico de prueba
Dn = max| Sn(xi)

(Distribucin normal con media 0 y varianza 2)

F0(xi)|

(Para este ejemplo xi son los valores ei)

Regin de rechazo de Ho
= 0.05, n = 10 D0.05 = 0.410
Rechazar

(Tabla K-S)

H0 si Dn > 0.410

Ing. Luis Rodrguez Ojeda, MSc.

PROBABILIDAD Y ESTADSTICA BSICA PARA INGENIEROS


i ei = yi - yi , i =1, 2, ..,, 10

y = 35.83 + 0.836 x

ICM ESPOL

(Recta de mnimos cuadrados obtenida)

x1 = 39 y1 = 35.83 + 0.836 (39) = 68.434


e1 = y1 - y1 = 65 68.434 = 3.434, etc.
e1 3.434
e 3.222
2

e3 1.386

e 4 7.334
e5 8.518

e6 8.222
e 5.4020
7

e8 0.530

e9 8.254
e10 4.302

ei N(0, 2) (Aproximadamente)
e 0
F0(xi) = F0(ei) = P(Z< i
Distribucin normal estndar acumulada
)

2 S2 = 41.7673 S = 6.4627
Modelo propuesto

8.254 0
) = 0.1008, etc. (Datos e ordenados)
6.4627
Tabulacin de resultados. Se utiliza la notacin xi = ei

F0(x1) = F0(e1) = P(Z<

i
1
2
3
4
5
6
7
8
9
10

xi (ordenados)
-8.254
-7.334
-4.302
-3.434
-1.386
-0.530
3.222
5.402
8.222
8.518

Sn(xi)
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0

F0(xi)
0.1008
0.1282
0.2528
0.2976
0.4151
0.4673
0.6910
0.7984
0.8984
0.9063

|Sn(xi)- F0(xi)|
0.0008
0.0718
0.0472
0.1024
0.0849
0.1327
0.0090
0.0016
0.0984
0.0937

Dn = max| Sn(xi) F0(xi)| = 0.1327

Conclusin: Dn no cae en la regin de rechazo, por lo tanto no se puede rechazar Ho

Ing. Luis Rodrguez Ojeda, MSc.