Inferencia Estadística

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Inferencia Estadística"

Transcripción

1 EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre una población. Estos métodos utilizan la información contenida en una muestra de la población para obtener conclusiones. La inferencia estadística puede dividirse en dos grandes áreas: estimación de parámetros y prueba de hipótesis.

2 EYP14 Estadística para Construcción Civil Ejemplo de un problema de estimación de parámetros : Supóngase que un ingeniero de estructuras analiza la resistencia a la tensión de un componente empleado en la carrocería de un automóvil. Puesto que la variabilidad existe de manera natural en la resistencia a la tensión entre distintos componentes, debido a diferencias en los lotes de la materia prima, en el proceso de fabricación y en los procedimientos de medición (por ejemplo), el ingeniero está interesado en estimar la resistencia a la tensión promedio de los componentes.

3 EYP14 Estadística para Construcción Civil 3 Una aplicación muy importante de la estadística es obtener estimaciones puntuales de parámetros tales como la media y la varianza de la población. El objetivo de la estimación puntual es seleccionar un número, con base en los datos de la muestra, que sea el valos más plausible de θ. El valor numérico de alguna estadística de la muestra es el que será utilizado como estimación puntual. En general, si X es una variable aleatoria con distribución de probabilidad f (x), caracterizada por el parámetro no conocido θ, y si X,..., X 1 n es una muestra aleatoria de X de tamaño n, entonces la estadística θ ˆ h( X,..., X ) recibe el nombre de estimador 1 n puntual de θ. Nótese que θˆ es una variable aleatoria, ya que es una función de variables aleatorias.

4 EYP14 Estadística para Construcción Civil 4 Definición Un estimador es una medida estadística que especifica cómo utilizar los datos de la muestra para estimar un parámetro desconocido de la población. Propiedades de los Estimadores : Estimadores Insesgados Un estimador debe estar próximo en algún sentido al valor verdadero del parámetro desconocido. De manera formal, se dice que θˆ es un estimador insesgado de θ si el valor esperado de θˆ es igual a θ. Esto equivale a afirmar que la media de la distribución de probabilidad de θˆ (o la media de la distribución de muestreo de θˆ) es igual a θ.

5 EYP14 Estadística para Construcción Civil 5 Definición Un estimador θˆ es un estimador insesgado para estimar a θ si E ( θ ˆ) θ Si el estimador no es insesgado, entonces la diferencia es conocida como sesgo del estimador θˆ. E ( θˆ) θ Ejemplo 1 Supóngase que X es una variable aleatoria con media µ y varianza σ. Sea X 1,..., X n una muestra aleatoria de tamaño n tomada de una población representada por X. Demuéstrese que la media muestral X y la varianza muestral S son estimadores insesgados de µ y σ, respectivamente.

6 EYP14 Estadística para Construcción Civil 6 En ocasiones existen varios estimadores insesgados del parámetro de la población muestral. Puesto que no hay un estimador insesgado único, no es posible depender exclusivamente de esta propiedad para seleccionar el estimador. Se necesita un método para seleccionar uno de entre varios estimadores insesgados. Varianza y error cuadrático medio de un estimador puntual Supóngase que θ ˆ 1 y θ ˆ son estimadores insesgados de θ. Esto indica que la distribución de cada estimador está centrada en el verdadero valor de θ. Sin embargo, las varianzas de estas distribuciones pueden ser diferentes. Cuando se elige uno de entre varios estimadores, un principio lógico de estimación es seleccionar el estimador que tenga la menor varianza.

7 EYP14 Estadística para Construcción Civil 7 Definición Si se consideran todos los estimadores insesgados de θ, el que tiene la menor varianza recibe el nombre de estimador insesgado de varianza mínima. Otro método es el error cuadrático medio. Definición (Error Cuadrático Medio) El error cuadrático medio de un estimador θˆ del parámetro θ está definido como Obs. ECM ( θˆ) E( θˆ θ ) El error cuadrático medio puede reescribirse de la siguiente manera: ECM ( θˆ) Var( θˆ) + (sesgo)

8 EYP14 Estadística para Construcción Civil 8 El error cuadrático medio es un criterio importante para comparar dos estimadores. Sean θ ˆ 1 y θ ˆ dos estimadores del parámetro θ, y ECM ( θˆ 1 ) y ECM ( θˆ ) los errores cuadráticos medios de θ ˆ 1 y θ ˆ. Entonces, la eficiencia relativa de θ ˆ con respecto a θ ˆ 1 se define como ECM ( θˆ 1) ECM ( θˆ ) si la eficiencia relativa es menor que uno, entonces puede concluirse que θ ˆ 1 es un estimador más eficiente de θ que θ ˆ, en el sentido que tiene un error cuadrático medio más pequeño.

9 EYP14 Estadística para Construcción Civil 9 Ejemplo Supóngase que se desea estimar la media µ de una población. Se tiene una muestra aleatoria de n observaciones X,..., X 1 n y se quiere comparar dos estimadores posibles de µ : la media muestral X y una observación de la muestra, por ejemplo X i. Cuál estimador se utilizaría, y por qué? Ejemplo 3 Supóngase que X 1,..., X 5 representa una muestra aleatoria de alguna población para la cual E X ) µ y ( i Var ( ) σ, i 1,..., 5. Se proponen como estimadores de µ a los X i siguientes: θˆ ˆ ( ), ˆ ( ), ˆ 1 X 1, θ X1 + X 5 θ3 X1 + X 5 θ4 X ( X1 + + X 5). 5 Cuál estimador se utilizaría, y por qué?

10 EYP14 Estadística para Construcción Civil 10 Método de Máxima Verosimilitud Uno de los métodos para obtener un estimador puntual de un parámetro es el método de máxima verosimilitud. Tal como su nombre lo implica, el estimador será el valor del parámetro que maximiza la función de verosimilitud. Supóngase, por ejemplo, que una caja contiene cuatro pelotas, de las cuales un número desconocido θ son blancas y ( 4 θ ) no son blancas. Se extraen al azar dos pelotas y se cuenta X, el número de pelotas blancas en la muestra. La distribución de probabilidad de X está dada por P( X x) θ 4 θ x x p( x) 4

11 EYP14 Estadística para Construcción Civil 11 Ahora supóngase que se observa que 1 X. Qué valor de θ hará máxima la probabilidad de este evento?. De acuerdo con la distribución anterior se tienen que 0 4) (1 1 3) (1 3 ) ( ) (1 0 0) (1 θ θ θ θ θ p p p p p

12 EYP14 Estadística para Construcción Civil 1 Por lo tanto, θ hace máxima la probabilidad de la muestra observada, así que se escogería este valor,, como el estimador de máxima verosimilitud de θ, dado que se ha observado que X 1. Definición Supóngase que X es una variable aleatoria con distribución de probabilidad f ( x, θ ), donde θ es un parámetro desconocido. Sean x,..., x 1 n los valores observados en una muestra aleatoria de tamaño n. La función de verosimilitud de la muestra es L( θ ) f ( x1, θ ) f ( x, θ ) f ( xn, θ ) Nótese que la función de verosimilitud es ahora una función del parámetro desconocido θ. El estimador de máxima verosimilitud de θ es el valor de θ que maximiza la función de verosimilitud L (θ ).

13 EYP14 Estadística para Construcción Civil 13 Nota : El método de máxima verosimilitud puede emplearse en situaciones donde esxisten varios parámetros desconocidos (por ejemplo, θ 1, θ,, θ ), que es necesario estimar. En tales casos, la función de verosimilitud es una función de los k parámetros desconocidos θ 1, θ,,, y los estimadores de máxima verosimilitud θ ˆ } se obtienen al igualar a cero θ k las k derivadas parciales L( θ 1, θ,, θk ) θi, i 1,,, k, y resolver el sistema de ecuaciones resultante. k { i Ejemplo 4 Supóngase que en una sucesión de n intentos Bernoulli independientes, se observan Y éxitos. Determinar el estimador de máxima verosimilitud de p, la probabilidad de éxito en cualquier intento dado.

14 EYP14 Estadística para Construcción Civil 14 Ejemplo 5 Supóngase que se observan n mediciones independientes de vida útil X, X,, X 1 n, de componentes de los que se sabe que sus vidas útiles siguen un modelo Weibull representado por γx f ( x) θ γ 1 e x γ / θ, x > 0 Suponiendo que se conoce γ, determinar el estimador de máxima verosimilitud de θ. Ejemplo 6 Sea X, X,, X y varianza 1 n una muestra aleatoria de tamaño n con distribución normal, media µ σ, donde µ y verosimilitud de µ y σ. σ son desconocidas. Determinar el estimador de máxima

15 EYP14 Estadística para Construcción Civil 15 Observaciones : 1. Los estimadores de máxima verosimilitud no son necesariamente insesgados.. El estimador de máxima verosimilitud es insesgado para n grande. Esto implica que el estimador de máxima verosimilitud θˆ es, de manera aproximada, el estimador insesgado de varianza mínima de θ para n grande ( n ). 3. Los estimadores de máxima verosimilitud también tienen una propiedad de invarianza. Esto es, si θˆ, θˆ,, θˆ 1 k, son los estimadores de máxima verosimilitud de los parámetros θ 1, θ,, θ k, entonces el estimador de máxima verosimilitud de cualquier función h θ, θ,, θ ) de estos parámetros, es la misma función h θˆ, θˆ,, θˆ ) de los ( 1 k estimadores θˆ, θˆ,, θˆ 1 k. ( 1 k

16 EYP14 Estadística para Construcción Civil 16 Ejemplo 7 Sea X una variable aleatoria igual al número de clientes que solicitan información a una empresa constructora durante un día. Se quiere saber el número esperado de clientes que solicitan información en un día y para esto se tomó una muestra aleatoria durante 50 días de la cantidad de clientes que llegaron por día, obteniéndose: Número de clientes por día Cantidad de días observados Además se sabe que la función de probabilidad de esta variable aleatoria es Poisson(λ ). En base a los datos, encuentre el estimador de máxima verosimilitud de la probabilidad de que no hayan clientes en un día.

17 EYP14 Estadística para Construcción Civil 17 Distribuciones de Muestreo La distribución de muestreo de una estadística depende de la distribución de la población, del tamaño de la muestra y del método utilizado para seleccionar ésta. Definición La distribución de probabilidad de una estadística recibe el nombre de distribución de muestreo. Por ejemplo, la distribución de probabilidad de X se conoce como distribución de muestreo de la media.

18 EYP14 Estadística para Construcción Civil 18 Distribución de Muestreo de la Media Supóngase que se toma una muestra aleatoria de tamaño n de una población normal con media µ y varianza σ. Cada observación de esta muestra (por ejemplo, X, X,, X 1 n) es una variable aleatoria distribuida normal e independientemente, con media µ y varianza σ. Entonces se tiene que la media muestral X tiene una distribución normal con media µ y varianza n σ / n (es decir, X ~ N( µ, σ / )). Si se muestrea una población que tiene una distribución de probabilidad desconocida, la distribución de muestreo de la media muestral seguirá siendo aproximadamente normal con media µ y varianza σ / n, si el tamaño de la muestra n es grande. Éste es uno de los teoremas más útiles en estadística; se le conoce como teorema central del límite.

19 EYP14 Estadística para Construcción Civil 19 Teorema central del límite Si X 1, X,, X es una muestra aleatoria de tamaño n tomada de una población con n media µ y varianza finita distribución de σ, y si X es la media muestral entonces la forma límite de la Z X µ σ / n cuando n, es la distribución normal estándar. Ejemplo 8 Una compañía de electrónica fabrica resistores que tienen una resistencia promedio de 00 Ω y una desviación estándar de 0 Ω. La distribución de la resistencia es normal. Encuéntrese la probabilidad de que al tomar una muestra de n 5 resistores, la resistencia promedio de éstos será menor que 95 Ω (Rpta ).

20 EYP14 Estadística para Construcción Civil 0 Definición El error estándar de una estadística es la desviación estándar de su distribución de muestreo. Si el error estándar involucra parámetros desconocidos cuyos valores pueden estimarse, la sustitución de estas estimaciones en el error estándar da como resultado un error estándar estimado. Obs. El error estándar da alguna idea sobre la precisión de la estimación. Por ejemplo, si la media muestral X se utiliza como estimador puntual de la media poblacional µ, el error estándar de X mide cuán precisamente X estima a µ.

21 EYP14 Estadística para Construcción Civil 1 Ejemplo 9 Un artículo publicado en el Journal of Heat Transfer (Trans. ASME, Ses. C, 96, 1974, pág. 59) describe un nuevo método para medir la conductividad térmica del hierro Armco. Al utilizar una temperatura de $ 00 F y una potencia de entrada de 550 W, se obtienen las diez mediciones siguientes de conductividad térmica (en Btu/hr-ft- $ F): Una estimación puntual de la conductividad térmica promedio a muestral, X Btu/hr-ft- $ F. El error estándar de la media muestral es $ 00 F y 550 W es la media σ X σ / n, y dado que σ es desconocido, puede reemplazarse por la desviación estándar muestral s 0.84 para obtener el error estándar estimado de X como σ ˆ σ n X / 0.84/ , el cual es alrededor de 0.% de la media muestral, lo que implica que se ha obtenido una estimación puntual relativamente precisa de la conductividad térmica.

22 EYP14 Estadística para Construcción Civil Distribuciones importantes en inferencia estadística Distribución Chi-Cuadrado Sean Z 1, Z,, Z variables aleatorias distribuidas normal e independientemente, con k media µ 0 y varianza σ 1. Entonces, la variable aleatoria 1 + Z + Zk X Z + tiene la función de densidad de probabilidad f ( x) k 1 ( k / ) 1 x / x e, para x > / Γ( k / ) y se dice que sigue una distribución chi-cuadrado con k grados de libertad, lo que se abrevia χ (k ). 0

23 EYP14 Estadística para Construcción Civil 3 Propiedades : E X k y Var X k Propiedad de aditividad de la distribución chi-cuadrado Sean Y, Y,, Y k, k,, k 1 p variables aleatorias chi-cuadrado independientes con 1 p grados de libertad, respectivamente. Entonces Y Y + Y + + sigue una distribución chi-cuadrado con grados de libertad igual a 1 Y p Ejemplo 10 Supóngase que X, X,, X k p k i i 1 1 n es una muestra aleatoria tomada de una distribución normal, con media µ y varianza ( n 1) S σ. Entonces σ ( n 1) está distribuida como χ.

24 EYP14 Estadística para Construcción Civil 4 Distribución t Sea Z una variable aleatoria con distribución N (0,1) y V una variable aleatoria con distribución chi-cuadrado con k grados de libertad. Si Z y V son independientes, la variable aleatoria tiene la función de densidad de probabilidad T Z V / k [ ( k + 1) / ] 1 [ ] < < Γ f ( x) x ( k + 1) / πk Γ( k / ) ( x / k) + 1 y se dice que sigue la distribución t con k grados de libertad, lo que se abrevia como t k. Propiedades : E 0 X, y Var X k /( k ) para k >.

25 EYP14 Estadística para Construcción Civil 5 Ejemplo 11 Supóngase que normal, con media µ y varianza X 1, X,, X es una muestra aleatoria tomada de una distribución n σ. Entonces T X µ sigue una distribución t ( n 1). S / n Distribución F Sean W e Y variables aleatorias independientes con distribución chi-cuadrado con grados de libertad u y v respectivamente. Entonces el cuociente W / u F Y / v tiene la función de densidad de probabilidad :

26 EYP14 Estadística para Construcción Civil 6 f x u + v u Γ v u / ( ) ( u+ v) / u v u Γ Γ x + 1 v x ( u / ) 1, 0 < x < y se dice que sigue la distribución F con u y v grados de libertad. Usualmente, esto se denota como F ( u, v). Propiedades E X v /( v ) para v >, y v ( u + v ) VarX, v u( v ) ( v 4) > 4

27 EYP14 Estadística para Construcción Civil 7 Relaciones importantes 1. Si X ~ F( p, q) entonces / X ~ F( q, p). ~ q. Si X ~ tq entonces X F(1, ). Ejemplo 11 Supóngase que se tienen dos poblaciones normales con varianzas σ 1 y respectivamente. Se toman dos muestras aleatorias independientes de tamaños n 1 y n de las poblaciones 1 y, respectivamente, y sean S 1 y S las varianzas muestrales. Entonces, el cuociente σ, tiene una distribución F n 1, 1). ( 1 n F S S 1 / σ / σ 1

Tema 2: Estimación puntual

Tema 2: Estimación puntual Tema 2: Estimación puntual 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: estimador y estimación Insesgadez

Más detalles

Clase 8: Distribuciones Muestrales

Clase 8: Distribuciones Muestrales Clase 8: Distribuciones Muestrales Distribución Muestral La inferencia estadística trata básicamente con generalizaciones y predicciones. Por ejemplo, podemos afirmar, con base a opiniones de varias personas

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

Capítulo 7: Distribuciones muestrales

Capítulo 7: Distribuciones muestrales Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.

Más detalles

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA 5.1 Introducción En este capítulo nos ocuparemos de la estimación de caracteristicas de la población a partir de datos. Las caracteristicas poblacionales

Más detalles

ESTIMACION POR INTERVALOS

ESTIMACION POR INTERVALOS ESTIMACION POR INTERVALOS En muchas situaciones, una estimación puntual no proporciona información suficiente sobre el parámetro. Por esta razón se construyen intervalos de confianza en donde el parámetro

Más detalles

Tema 10. Estimación Puntual.

Tema 10. Estimación Puntual. Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener

Más detalles

T.3 ESTIMACIÓN PUNTUAL

T.3 ESTIMACIÓN PUNTUAL T.3 ESTIMACIÓN PUNTUAL 1. INTRODUCCIÓN: ESTIMACIÓN Y ESTIMADOR 2. PROPIEDADES DE LOS ESTIMADORES 3. MÉTODOS DE ESTIMACIÓN. EJEMPLO 1, EJEMPLO 2 1. Introducción: Estimación y Estimador En este tema se analizan

Más detalles

UNIVERSIDAD DE ATACAMA

UNIVERSIDAD DE ATACAMA UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD EJERCICIOS 5 Profesor: Hugo S. Salinas. Primer Semestre 2009 1. Una compañía de seguros utiliza la

Más detalles

Estimación puntual. Estadística II. Curso 2011/2012. Universidad de Salamanca

Estimación puntual. Estadística II. Curso 2011/2012. Universidad de Salamanca Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 3 4 Introducción Una estimación puntual de algún parámetro poblacional θ es un valor único del estadístico θ. Por ejemplo,

Más detalles

Inferencia Estadística

Inferencia Estadística Felipe José Bravo Márquez 11 de noviembre de 2013 Para realizar conclusiones sobre una población, generalmente no es factible reunir todos los datos de ésta. Debemos realizar conclusiones razonables respecto

Más detalles

8. Estimación puntual

8. Estimación puntual 8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores

Más detalles

Tema 2 - Introducción

Tema 2 - Introducción Tema 2 - Introducción 1 Tema 1. Introducción a la inferencia estadística Planteamientos y objetivos. Revisión de distribuciones multivariantes. Esperanza y varianza de sumas de v.a. independientes. Tema

Más detalles

DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS

DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS 1) Reseña histórica Abrahan De Moivre (1733) fue el primero en obtener la ecuación matemática de la curva normal. Kart Friedrich Gauss y Márquez De Laplece (principios

Más detalles

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD. Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables

Más detalles

Estimación puntual. Estadística aplicada a la empresa II Prof. D. Juan José Pérez Castejón

Estimación puntual. Estadística aplicada a la empresa II Prof. D. Juan José Pérez Castejón Estimación puntual Estadística aplicada a la empresa II Prof. D. Juan José Pérez Castejón 1 ESTIMACIÓN PUNTUAL Tras hacernos a la idea en el tema anterior de lo que la inferencia estadística es y persigue,

Más detalles

Clase 5: Variables Aleatorias y Distribuciones de Probabilidad

Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Variables Aleatorias Una variable aleatoria es una función que asocia un número real con cada elemento del EM. Ejemplo 1: El EM que da una

Más detalles

Unidad 9. Estimación

Unidad 9. Estimación Unidad 9 Estimación Estimación En los capítulos anteriores se han estudiado las nociones fundamentales de distribución de probabilidad y distribución muestral. Estamos ya en condiciones de tratar los métodos

Más detalles

Tema 1. Inferencia estadística para una población

Tema 1. Inferencia estadística para una población Tema 1. Inferencia estadística para una población Contenidos Inferencia estadística Estimadores puntuales Estimación de la media y la varianza de una población Estimación de la media de la población mediante

Más detalles

Inferencia Estadística

Inferencia Estadística MaMaEuSch Management Mathematics for European Schools http://www.mathematik.unikl.de/ mamaeusch Inferencia Estadística Paula Lagares Barreiro * Justo Puerto Albandoz * MaMaEuSch ** Management Mathematics

Más detalles

Estimación. Intervalos de Confianza para la Media y para las Proporciones

Estimación. Intervalos de Confianza para la Media y para las Proporciones Estimación. Intervalos de Confianza para la Media y para las Proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Estimación El objetivo

Más detalles

PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS

PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 003 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Opción A Junio, Ejercicio 3, Opción B Reserva 1, Ejercicio 3,

Más detalles

Variables aleatorias continuas

Variables aleatorias continuas Variables aleatorias continuas Hemos definido que una variable aleatoria X es discreta si I X es un conjunto finito o infinito numerable. En la práctica las variables aleatorias discretas sirven como modelos

Más detalles

Tests de hipótesis estadísticas

Tests de hipótesis estadísticas Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para

Más detalles

Academia de Matemáticas. Apuntes para la Materia de Estadística II. Guía Básica para el Estudio de la Estadística Inferencial.

Academia de Matemáticas. Apuntes para la Materia de Estadística II. Guía Básica para el Estudio de la Estadística Inferencial. UNIVERSIDAD MICHOACANA DE SAN NICOLÁS DE HIDALGO Facultad de Contaduría y Ciencias Administrativas Academia de Matemáticas Apuntes para la Materia de Estadística II Guía Básica para el Estudio de la Estadística

Más detalles

INFERENCIA ESTADÍSTICA

INFERENCIA ESTADÍSTICA Capítulo 4 INFERENCIA ESTADÍSTICA 4.1. Introducción Inferir: Sacar una consecuencia de una cosa. Sacar consecuencia o deducir una cosa de otra. La estadística, ciencia o rama de las Matemáticas que se

Más detalles

Población, Unidad de Análisis, Criterios de Inclusión y Exclusión.

Población, Unidad de Análisis, Criterios de Inclusión y Exclusión. Población Población, Unidad de Análisis, Criterios de Inclusión y Exclusión. Muestra: Identificación y Reclutamiento. Nomenclatura En esta aproximación conceptual consideraremos a Población como sinónimo

Más detalles

Tema 1: Test de Distribuciones de Probabilidad

Tema 1: Test de Distribuciones de Probabilidad Tema 1: Test de Distribuciones de Probabilidad 1.- Una compañía de seguros tiene 1000 asegurados en el ramo de accidentes. Si la el modelo mejor para el número de siniestros en un año es: a) Normal (5;,3).

Más detalles

Problemas de Probabilidad resueltos.

Problemas de Probabilidad resueltos. Problemas de Probabilidad resueltos. Problema 1 El profesor Pérez olvida poner su despertador 3 de cada 10 dias. Además, ha comprobado que uno de cada 10 dias en los que pone el despertador acaba no levandandose

Más detalles

ESTIMACION DE INTERVALOS DE CONFIANZA

ESTIMACION DE INTERVALOS DE CONFIANZA pag 3. Prohibida su reproducción ESTIMACION DE INTERVALOS DE CONFIANZA Una muestra permite realizar estimaciones puntuales de los parámetros de la población. Utilizando las propiedades de las distribuciones

Más detalles

Statgraphics Centurión

Statgraphics Centurión Facultad de Ciencias Económicas y Empresariales. Universidad de Valladolid 1 Statgraphics Centurión I.- Nociones básicas El paquete Statgraphics Centurión es un programa para el análisis estadístico que

Más detalles

Curso de Estadística no-paramétrica

Curso de Estadística no-paramétrica Curso de Estadística no-paramétrica Sesión 1: Introducción Inferencia no Paramétrica David Conesa Grup d Estadística espacial i Temporal Departament d Estadística en Epidemiologia i Medi Ambient i Investigació

Más detalles

3. ANÁLISIS ESTADÍSTICOS DE LAS PRECIPITACIONES EN EL MAR CASPIO

3. ANÁLISIS ESTADÍSTICOS DE LAS PRECIPITACIONES EN EL MAR CASPIO Análisis estadístico 31 3. ANÁLII ETADÍTICO DE LA PRECIPITACIONE EN EL MAR CAPIO 3.1. ANÁLII Y MÉTODO ETADÍTICO UTILIZADO 3.1.1. Introducción Una vez analizado el balance de masas que afecta al mar Caspio

Más detalles

Pruebas de Hipótesis de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Pruebas de Hipótesis de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Pruebas de ipótesis de Una y Dos Muestras UCR ECCI CI-35 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides ipótesis Estadísticas Conceptos Generales En algunos casos el científico

Más detalles

DESCRIPCIÓN ESPECÍFICA

DESCRIPCIÓN ESPECÍFICA DESCRIPCIÓN ESPECÍFICA NÚCLEO: COMERCIO Y SERVICIO SUBSECTOR: PRODUCCION Y SALUD OCUPACIONAL Nombre del Módulo: Análisis estadístico de datos. total: 45 HORAS. Objetivo General: Analizar la conformidad

Más detalles

PRUEBAS DE HIPÓTESIS

PRUEBAS DE HIPÓTESIS PRUEBAS DE HIPÓTESIS Muchos problemas de ingeniería, ciencia, y administración, requieren que se tome una decisión entre aceptar o rechazar una proposición sobre algún parámetro. Esta proposición recibe

Más detalles

TEMA 6: Gráficos de Control por Variables

TEMA 6: Gráficos de Control por Variables TEMA 6: Gráficos de Control por Variables 1 Introducción 2 Gráficos de control de la media y el rango Función característica de operación 3 Gráficos de control de la media y la desviación típica 4 Gráficos

Más detalles

TEMA 4: Introducción al Control Estadístico de Procesos

TEMA 4: Introducción al Control Estadístico de Procesos TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción

Más detalles

Métodos Estadísticos 2.3. Distribuciones discretas de probabilidad

Métodos Estadísticos 2.3. Distribuciones discretas de probabilidad 2.3. DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Parámetros de un problema Saber: Explicar el concepto de variable discreta. Explicar los conceptos y métodos de la distribución binomial, hipergeométrica,

Más detalles

5. DISTRIBUCIONES DE PROBABILIDADES

5. DISTRIBUCIONES DE PROBABILIDADES 5. DISTRIBUCIONES DE PROBABILIDADES Dr. http://academic.uprm.edu/eacunaf UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES DE PROBABILIDADES Se introducirá el concepto de variable

Más detalles

TEMA 3 ESTIMACIÓN PUNTUAL

TEMA 3 ESTIMACIÓN PUNTUAL ESQUEMA 3.1.- Planteamiento del problema: La Estimación Puntual. 3.2.- Propiedades de los estimadores. 3.2.1.- Insesgadez. 3.2.2.- Eficiencia. La cota de Cramér-Rao. EIMV. 3.2.3.- Consistencia. 3.2.4.-

Más detalles

Pruebas de. Hipótesis

Pruebas de. Hipótesis Pruebas de ipótesis Pruebas de ipótesis Otra manera de hacer inferencia es haciendo una afirmación acerca del valor que el parámetro de la población bajo estudio puede tomar. Esta afirmación puede estar

Más detalles

Encuesta económica del sector de servicios profesionales y empresariales. Cálculo de Errores de Muestreo.

Encuesta económica del sector de servicios profesionales y empresariales. Cálculo de Errores de Muestreo. Encuesta económica del sector de servicios profesionales y empresariales. Cálculo de Errores de Muestreo. 1 INDICE 1. Introducción...3 2. Breve descripción de la encuesta...3 2.1 Definición...3 2.2 Diseño

Más detalles

Tema 3: El modelo de regresión lineal múltiple

Tema 3: El modelo de regresión lineal múltiple Econometría 1 curso 2009-2010 Tema 3: El modelo de regresión lineal múltiple Genaro Sucarrat (Departamento de Economía, UC3M) http://www.eco.uc3m.es/sucarrat/ Recordamos: El modelo de regresión lineal

Más detalles

Estadística para las Ciencias Administrativas

Estadística para las Ciencias Administrativas Estadística para las Ciencias Administrativas Tercera edición LINCOLN L. CHAO California State University Long Beach, California Traducción JOSÉ MARÍA CASTAÑO Exjefe del Departamento de Matemáticas Universidad

Más detalles

4. Se considera la función f(x) =. Se pide:

4. Se considera la función f(x) =. Se pide: Propuesta A 1. Queremos realizar una inversión en dos tipos de acciones con las siguientes condiciones: Lo invertido en las acciones de tipo A no puede superar los 10000 euros. Lo invertido en las acciones

Más detalles

INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA

INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA Páginas 74-75 Lanzamiento de varios dados Comprobación de que: Desviación típica de n dados = (Desv. típica para un dado) / 1,71 n = 1,1 1,71 n = 3 0,98

Más detalles

INFERENCIA ESTADÍSTICA

INFERENCIA ESTADÍSTICA INFERENCIA ESTADÍSTICA Pensemos en los tres siguientes ejemplos: Hacemos una encuesta entre los clientes de una tienda para preguntarles su opinión sobre cambios generales que pretendemos hacer en diversas

Más detalles

Estimación de una probabilidad

Estimación de una probabilidad Estimación de una probabilidad Introducción En general, la probabilidad de un suceso es desconocida y debe estimarse a partir de una muestra representativa. Para ello, deberemos conocer el procedimiento

Más detalles

MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN

MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN Suponga que le pedimos a un grupo de estudiantes de la asignatura de estadística que registren su peso en kilogramos. Con los datos del peso de los estudiantes

Más detalles

Tema 5: Estimación puntual y por intervalos

Tema 5: Estimación puntual y por intervalos Tema 5: Estimación puntual y por intervalos Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Estimación puntual y por intervalos Curso

Más detalles

"CONTRASTES DE HIPÓTESIS" 4.4 Parte básica

CONTRASTES DE HIPÓTESIS 4.4 Parte básica 76 "CONTRASTES DE HIPÓTESIS" 4.4 Parte básica 77 4.4.1 Introducción a los contrastes de hipótesis La Inferencia Estadística consta de dos partes: Estimación y Contrastes de Hipótesis. La primera se ha

Más detalles

TEMA 9: Desarrollo de la metodología de Taguchi

TEMA 9: Desarrollo de la metodología de Taguchi TEMA 9: Desarrollo de la metodología de Taguchi 1 La filosofía de la calidad de Taguchi 2 Control de calidad Off Line y On Line Calidad Off Line Calidad On Line 3 Función de pérdida 4 Razones señal-ruido

Más detalles

todas especialidades Soluciones de las hojas de problemas

todas especialidades Soluciones de las hojas de problemas Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Ingeniería Técnica Industrial Métodos estadísticos de la ingeniería Métodos estadísticos de la ingeniería Ingeniería Técnica

Más detalles

1.4 Cálculo de Probabilidades con Métodos de Conteo. Considerere un espacio muestral finito,

1.4 Cálculo de Probabilidades con Métodos de Conteo. Considerere un espacio muestral finito, 1 1.4 Cálculo de Probabilidades con Métodos de Conteo Considerere un espacio muestral finito, y defina, Luego, Ω = {ω 1,..., ω n }, P ({ω i }) = p i, i = 1,..., n P (A) = ω i A p i, A Ω Ω se dice equiprobable

Más detalles

DISTRIBUCIÓN DE LA MEDIA MUESTRAL. b) Las medias muestrales de tamaño n se distribuyen según la normal

DISTRIBUCIÓN DE LA MEDIA MUESTRAL. b) Las medias muestrales de tamaño n se distribuyen según la normal 1 DISTRIBUCIÓN DE LA MEDIA MUESTRAL La mayoría de estos problemas han sido propuestos en exámenes de selectividad de los distintos distritos universitarios españoles. 1. Considérese una población en la

Más detalles

Cálculo de probabilidades

Cálculo de probabilidades Cálculo de probabilidades 1. Sean A y B dos sucesos de un espacio muestral, con probabilidades P(A)=0.3, P(B)=0.7. Indica si son verdaderas o falsas las siguientes afirmaciones: a) Los sucesos A y B son

Más detalles

Ejercicios de Estimación

Ejercicios de Estimación Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO MAGISTRAL GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES Otros Sep. 2001 Los siguientes datos corresponden a la longitud

Más detalles

Tema 3. Variables aleatorias. Inferencia estadística

Tema 3. Variables aleatorias. Inferencia estadística Estadística y metodología de la investigación Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 3. Variables aleatorias. Inferencia estadística 1. Introducción 1 2. Variables aleatorias 1 2.1. Variable

Más detalles

Unidad 6. Distribuciones de probabilidad continua, muestreo y distribución de muestras

Unidad 6. Distribuciones de probabilidad continua, muestreo y distribución de muestras Unidad 6 Distribuciones de probabilidad continua, muestreo y distribución de muestras Introducción La unidad 5 se enfocó en el estudio de las distribuciones de probabilidad discreta, entre las cuales

Más detalles

ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS

ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se

Más detalles

1.- CONCEPTO DE ESTADÍSTICA 2.- TABLA ESTADÍSTICA Y PARÁMETROS ESTADÍSTICOS

1.- CONCEPTO DE ESTADÍSTICA 2.- TABLA ESTADÍSTICA Y PARÁMETROS ESTADÍSTICOS TEMA 6.- ESTADÍSTICA 1.- CONCEPTO DE ESTADÍSTICA Considera el conjunto formado por todos los alumnos del instituto. Supongamos que queremos estudiar, por ejemplo, el color del pelo, la estatura ó el nº

Más detalles

MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL

MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL Las medias de tendencia central o posición nos indican donde se sitúa un dato dentro de una distribución de datos. Las medidas de dispersión, variabilidad o variación

Más detalles

INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA

INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA Página 75 REFLEXIONA Y RESUELVE Lanzamiento de varios dados Comprueba en la tabla anterior ue: DESV. TÍPICA PARA n DADOS n = 8 1,71 1,1 n = 3 8 1,71 3 0,98

Más detalles

Problemas. Intervalos de Confianza y Contrastes de Hipótesis

Problemas. Intervalos de Confianza y Contrastes de Hipótesis Problemas. Intervalos de Confianza y Contrastes de Hipótesis Ejemplos resueltos y propuestos Intervalos de Confianza Variable Nomal en la población Se selecciona una muestra de tamaño n de una población

Más detalles

Asignatura: Econometría. Conceptos MUY Básicos de Estadística

Asignatura: Econometría. Conceptos MUY Básicos de Estadística Asignatura: Econometría Conceptos MUY Básicos de Estadística Ejemplo: encuesta alumnos matriculados en la UMH Estudio: Estamos interesados en conocer el nivel de renta y otras características de los estudiantes

Más detalles

DISTRIBUCIONES DISCRETAS CON EXCEL Y WINSTATS

DISTRIBUCIONES DISCRETAS CON EXCEL Y WINSTATS DISTRIBUCIONES DISCRETAS CON EXCEL Y WINSTATS A) INTRODUCCIÓN Una distribución de probabilidad es una representación de todos los resultados posibles de algún experimento y de la probabilidad relacionada

Más detalles

1. Conceptos de teoría de la probabilidad

1. Conceptos de teoría de la probabilidad Master de Investigación en Economía Aplicada. Métodos Cuantitativos II. 9-. G.García.. Conceptos de teoría de la probabilidad Espacios de probabilidad. Establece el espacio de probabilidad asociado al

Más detalles

Estadística aplicada y modelización. 10 de septiembre de 2005

Estadística aplicada y modelización. 10 de septiembre de 2005 Estadística aplicada y modelización. 10 de septiembre de 005 SOLUCIÓN MODELO A 1. Una persona se está preparando para obtener el carnet de conducir, repitiendo un test de 0 preguntas. En la siguiente tabla

Más detalles

Contrastes de Hipótesis

Contrastes de Hipótesis Capítulo 8 Contrastes de Hipótesis 8.1. Introducción. Conceptos básicos Una hipótesis estadística es una afirmación acerca de una característica poblacional formulada en base a los parámetros de su distribución.

Más detalles

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay

Más detalles

Nombre...Apellidos... Grado en:...grupo:...

Nombre...Apellidos... Grado en:...grupo:... ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA - Soluciones Estadística- Curso 01/1. 9 de Julio de 01 Nombre...Apellidos... Grado en:...grupo:... 1. Considera la variable aleatoria (v.a.) X cuyos posibles

Más detalles

8.2.2. Intervalo para la media (caso general)

8.2.2. Intervalo para la media (caso general) 182 Bioestadística: Métodos y Aplicaciones 100 de ellos se obtiene una media muestral de 3 kg, y una desviación típica de 0,5 kg, calcular un intervalo de confianza para la media poblacional que presente

Más detalles

Carrera: ACF-0803 4-2 - 8. Participantes. Academia Eléctrica y Electrónica del Instituto Tecnológico Superior de Coatzacoalcos

Carrera: ACF-0803 4-2 - 8. Participantes. Academia Eléctrica y Electrónica del Instituto Tecnológico Superior de Coatzacoalcos 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Análisis Estadístico a Procesos Ingeniería Electrónica ACF-0803 4-2 - 8 2.- HISTORIA

Más detalles

Población y muestra. Técnicas de muestreos

Población y muestra. Técnicas de muestreos MaMaEuSch Management Mathematics for European Schools http://www.mathematik.unikl.de/ mamaeusch Población y muestra. Técnicas de muestreos Paula Lagares Barreiro * Justo Puerto Albandoz * MaMaEuSch **

Más detalles

Diseños en bloques aleatorizados

Diseños en bloques aleatorizados Capítulo 5 Diseños en bloques aleatorizados 5.1. ntroducción En las situaciones que hemos estudiado en el Capítulo 1 hemos supuesto que existe bastante homogéneidad entre las unidades experimentales, así,

Más detalles

Test ( o Prueba ) de Hipótesis

Test ( o Prueba ) de Hipótesis Test de Hipótesis 1 Test ( o Prueba ) de Hipótesis Ejemplo: Una muestra de 36 datos tiene una media igual a 4.64 Qué puede deducirse acerca de la población de donde fue tomada? Se necesita contestar a

Más detalles

Clase 7: Algunas Distribuciones Continuas de Probabilidad

Clase 7: Algunas Distribuciones Continuas de Probabilidad Clase 7: Algunas Distribuciones Continuas de Probabilidad Distribución Uniforme Continua Una de las distribuciones continuas más simples en Estadística es la Distribución Uniforme Continua. Esta se caracteriza

Más detalles

Para el estudio de un fenómeno, se requiere contar con información relacionada con el

Para el estudio de un fenómeno, se requiere contar con información relacionada con el CAPÍTULO 1 DISTRIBUCIONES MUESTRALES 1.1. Introducción. Para el estudio de un fenómeno, se requiere contar con información relacionada con el mismo. Esta información obtenida bien sea experimentalmente

Más detalles

PROBABILIDAD Y ESTADISTICA II. Propósito del Curso : Al final del curso el estudiante: Ingeniería Ingeniería en Sistemas. Hardware

PROBABILIDAD Y ESTADISTICA II. Propósito del Curso : Al final del curso el estudiante: Ingeniería Ingeniería en Sistemas. Hardware UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU0017H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: PROBABILIDAD Y ESTADISTICA II DES: Ingeniería Ingeniería en Sistemas Programa(s) Educativo(s):

Más detalles

Se toma una muestra aleatoria de diez personas de una población. Se ha estimado de experiencias anteriores que la característica en estudio se

Se toma una muestra aleatoria de diez personas de una población. Se ha estimado de experiencias anteriores que la característica en estudio se Se toma una muestra aleatoria de diez personas de una población. Se ha estimado de experiencias anteriores que la característica en estudio se distribuye según una variable aleatoria normal de media 167

Más detalles

Ejercicios de inferencia estadística

Ejercicios de inferencia estadística 1. Una población consiste en las edades de los niños en una familia de cuatro hijos. Estas edades son: x 1 = años, x = 4años, x 3 = 6años, x 4 = 8años. (a) Determina la media y la desviación típica de

Más detalles

- se puede formular de la siguiente forma:

- se puede formular de la siguiente forma: Multicolinealidad 1 Planteamiento Una de las hipótesis del modelo de regresión lineal múltiple establece que no existe relación lineal exacta entre los regresores, o, en otras palabras, establece que no

Más detalles

PROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT 6 10 3 2 5

PROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT 6 10 3 2 5 PROGRAMA DE CURSO Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT Unidades Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal

Más detalles

7.- PRUEBA DE HIPOTESIS

7.- PRUEBA DE HIPOTESIS 7.- PRUEBA DE HIPOTEI 7.1. INTRODUCCIÓN La estadística inferencial es el proceso de usar la información de una muestra para describir el estado de una población. in embargo es frecuente que usemos la información

Más detalles

Carrera: IQF-1001 SATCA 1 3 2-5

Carrera: IQF-1001 SATCA 1 3 2-5 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Calve de asignatura: SATCA 1 Análisis de Datos Experimentales Ingeniería Química IQF-1001 3 2-5 2.- PRESENTACION Caracterización de la asignatura.

Más detalles

Estimación puntual INTRODUCCIÓN. www.freelibros.me

Estimación puntual INTRODUCCIÓN. www.freelibros.me 6 Estimación puntual INTRODUCCIÓN Dado un parámetro de interés, tal como la media o la proporción p de una población, el objetivo de la estimación puntual es utilizar una muestra para calcular un número

Más detalles

Resultados de la encuesta sobre dedicación de los módulos 1,2 y 3

Resultados de la encuesta sobre dedicación de los módulos 1,2 y 3 Resultados de la encuesta sobre dedicación de los módulos 1,2 y 3 Nota: Para la dedicación total estimada sólo se consideran los ítems preguntados en las encuestas Todos los capítulos 8 Estimada Real 7

Más detalles

RELACIÓN EJERCICIOS DEL CAPÍTULO 1. Intervalos de Confianza 1. La vida media de una muestra aleatoria de 10 focos es de 4.

RELACIÓN EJERCICIOS DEL CAPÍTULO 1. Intervalos de Confianza 1. La vida media de una muestra aleatoria de 10 focos es de 4. RELACIÓN EJERCICIOS DEL CAPÍTULO 1. Intervalos de Confianza 1. La vida media de una muestra aleatoria de 10 focos es de 4.000 horas, con una cuasidesviación típica muestral de 200 horas. Se supone que

Más detalles

Muestreo estadístico. Relación 2 Curso 2007-2008

Muestreo estadístico. Relación 2 Curso 2007-2008 Muestreo estadístico. Relación 2 Curso 2007-2008 1. Para tomar la decisión de mantener un determinado libro como texto oficial de una asignatura, se pretende tomar una muestra aleatoria simple entre los

Más detalles

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 26 - Junio - 2.8 Primera Parte - Test Nota : En la realización de este examen sólo esta permitido utilizar calculadoras que, a lo sumo, tengan funciones

Más detalles

ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 3 - Septiembre - 2.6 Primera Parte - Test Las respuestas del TEST son las siguientes: Pregunta 2 3 4 5 6 Respuesta C A D C B A Pregunta 7 8 9 2 Respuesta

Más detalles

FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS SÍLABO 2013-II

FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS SÍLABO 2013-II FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS SÍLABO 2013-II Asignatura: Código: ESTADÍSTICA II 1. DATOS GENERALES 1.1. Departamento Académico Ingeniería Industrial 1.2. Escuela profesional Ingeniería

Más detalles

TEMA 7: Análisis de la Capacidad del Proceso

TEMA 7: Análisis de la Capacidad del Proceso TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad

Más detalles

Tema 3. Comparaciones de dos poblaciones

Tema 3. Comparaciones de dos poblaciones Tema 3. Comparaciones de dos poblaciones Contenidos Hipótesis para la diferencia entre las medias de dos poblaciones: muestras pareadas Hipótesis para la diferencia entre las medias de dos poblaciones:

Más detalles

UNIVERSIDAD DE ATACAMA

UNIVERSIDAD DE ATACAMA UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES PAUTA DE CORRECCIÓN: PRUEBA PARCIAL N o Profesor: Hugo S. Salinas. Segundo Semestre. RESOLVER. 3

Más detalles

INDICE Prefacio 1 Introducción 2 Organizaciones de los datos para que transmitan un significado: tablas y graficas

INDICE Prefacio 1 Introducción 2 Organizaciones de los datos para que transmitan un significado: tablas y graficas INDICE Prefacio 1 Introducción 1-1 Preámbulo 1-2 Reseña histórica 1-3 Subdivisiones de la estadística 1-4 Estrategia, suposiciones y enfoque 2 Organizaciones de los datos para que transmitan un significado:

Más detalles

CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO

CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO Estadística Superior CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO 1 1. REGRESIÓN LINEAL SIMPLE Y MÚLTIPLE 1.1. Regresión lineal simple 1.2. Estimación y predicción por intervalo en regresión lineal

Más detalles

Puedes descargar este examen en pdf desde esta dirección (busca el enlace Dropbox en la parte inferior de la página):

Puedes descargar este examen en pdf desde esta dirección (busca el enlace Dropbox en la parte inferior de la página): Univ. de Alcalá. Estadística 2014-15 Dpto. de Física y Matemáticas Grado en Biología. Examen final. Miércoles, 21 de Enero de 2015. Apellidos: Nombre: INSTRUCCIONES (LEER ATENTAMENTE). Puedes descargar

Más detalles

Algunas Distribuciones de Probabilidad

Algunas Distribuciones de Probabilidad Relación de problemas 7 Algunas Distribuciones de Probabilidad 1. En un hospital se ha comprobado que la aplicación de un tratamiento en enfermos de cirrosis produce una cierta mejoría en el 80 % de los

Más detalles