Soluciones Examen de Estadística

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

Download "Soluciones Examen de Estadística"

Transcripción

1 Soluciones Examen de Estadística Ingeniería Superior de Telecomunicación 15 de Febrero, 5 Cuestiones horas C1. Un programa se ejecuta desde uno cualquiera de cuatro periféricos A, B, C y D con arreglo al siguiente protocolo: en un primer intento, si A está operativo, el programa se ejecuta desde A. Si A no está operativo, se realiza un segundo intento consistente en lanzar dos monedas y ejecutar el programa desde B si no se obtuvo ninguna cara, desde C si se obtuvo una cara o desde D si se obtuvieron dos caras. Si el periférico seleccionado en este segundo intento no está operativo el programa se queda sin ejecutar. La probabilidad de que cada periférico esté operativo es p y cada uno de ellos lo está o no con independencia del estado de los otros. a Calcular la probabilidad de que el programa no se ejecute. La probabilidad de que el programa se ejecute en el primer intento es igual a la probabilidad de que A esté operativo, es decir, p. La probabilidad de que se ejecute desde B es igual a la probabilidad de que A no esté operativo, 1 p, por la probabilidad de que B sea elegido que es igual a 1 4 : probabilidad de no obtener ninguna cara, por la probabilidad de que B esté operativo, p, es decir: 1 p 1 4 p. Del mismo modo, las probabilidades de que el programa se ejecute desde C y D son respectivamente: 1 p 1 p y 1 p 1 4 p Por tanto, la probabilidad de que el programa se ejecute es: p + 1 p 1 4 p + 1 p 1 p + 1 p 1 p p + p 1 p p p 4 y la probabilidad de que no se ejecute es 1 p p 1 p 1 p. b Si el programa no se ha ejecutado, cuál es la probabilidad de que haya fallado el periférico C? Por las condiciones de funcionamiento del protocolo, la probabilidad de que falle el periférico C es: 1 p 1 1 p. Por tanto, si el programa no se ha ejecutado, la probabilidad de que haya fallado el periférico C viene dada por 1 p 1 1 p 1 p 1 C. Los circuitos integrados chips se optienen a partir de obleas de silicio y son muy susceptibles a culaquier fallo en la superficie de la oblea. Se define como defecto fatal aquel defecto que pueda echar a perder un chip. El número de defectos fatales por 1 milímetros cuadrados de oblea de silicio viene caracterizado por una variable aleatoria de media.1 X número de defectos en 1 mm P,1 1

2 como defecto fatal aquel defecto de la oblea que pueda echar a p de pista de los chips que se están produciendo a partir de dicha ob El número de defectos fatales por 1 milímetros cuadrados de o por una variable aleatoria de media,1. a Cuál es la probabilidad de q haya más de un defecto fata b Si se toman 5 chips diferent probabilidad de que más defectos? 58 chips de 1x1 mm c Si se pretenden obtener c obleas de 1 milímetros de de encontrar más de 1 de total de 4 obleas? a Cuál es la probabilidadx: de Nº que de en un defectuosos chip por mm 1 hayamm más de un defecto,1 fatal?. Y número de defectos en mm P,4 P ry > 1 1 P ry 1 1 P ry P ry 1 1 e,4,4e,4,615 a b Si se toman 7 chips diferentes de 1 1 mm, cuál De es la lafigura probabilidad se observa de que más que de un chip de x de esos chips no tengan defectos?. de 1x1. Tenemos pues: P rx e,1,9 Y: Nº de defectuosos por 4 mm N número de chips que no tienen defectos de entre los 5 N B5,,9 P rn > P rn 3 + P rn 4 P rn 5,66 +,199 +,7,537 p,4 Y > 1 p,4 > 1 1 p,4 1 1 e, 4 c Si se pretenden obtener chips de 1 1 mm de las obleas de 1 mm de diámetro, cuál es la probabilidad de encontrar más de 1 defectos fatales en la superficie útil total de 4 obleas? 4 obleas a 58 chips por oblea, son 3 chips de 1 1 mm M número de defectos en los 3 chips, M P 3, Utilizamos el T.C.L. y aproximamos una Poisson a una Normal: M N3,, 3, P rm > 1 P r Z p> P rz >,3 P rz <,3,9898 4,816 b,1, 1 p X p e,948, 9 1 B 5 3, ; p > p B 5;,9 > 1 p B 5;,9 C3. Se elige un punto X al azar en el intervalo, 1. Supuesto que X x, Y es una variable aleatoria exponencial de media c 4 1 obleas a 58 chips 1x1 por oblea, son 3 chips de 1x1. x, cuya densidad viene definida por 3 { Z X i xe xy 3, si y > T.C.L. f Y X y x otro caso Calcular: p i 1 Z > 1 p 3, > 1 1 p 3, 1, 5 N 3,;4,816 1, 5 a La función de densidad conjunta del vector aleatorio X, Y. La elección al azar en el 1 p intervalo, 1 supone una distribución uniforme para la variable aleatoria X, com lo que la función de densidad de X es { 1 f X x 1 si < x < 1 p en otro caso p 4,9 N ; 1, 1 p N;1,, Puesto que f X,Y x, y f Y X y x f X x, la densidad conjunta del vector aleatorio X, Y será { xe xy si < x < 1, y > f X,Y x, y en otro caso 4 i 1 1 X i p 1 p N;1

3 b La densidad marginal de Y y la esperanza de Y sabiendo que X x. La densidad marginal de Y es f Y y e y y f X,Y x, y dx [ e xy y ] 1 1 xe xy dx 1 e y y ] 1 [ xe xy y e y y, y > + 1 y 1 e xy dx La variable aleatoria Y X x es una exponencial de parámetro x, por tanto su esperanza será 1 x, tal y como se especifica en el enunciado. c La probabilidad condicionada P Y > 1 X < 1 Por un lado se tiene que P Y > 1, X < xe xy dydx 1 e x dx 1 e 1 Por otro lado, dado que la distribución de X es uniforme en, 1, se tiene que P X < 1 1 Consecuentemente, P Y > 1 X < 1 P Y > 1, X < 1 P X < 1 1 e 1 C4. Tres días antes del referéndum de aprobación de la constitución europea se realiza una encuesta a 5 personas para determinar si se puede afirmar que el resultado va a ser positivo. De las 5 personas, 75 se muestran a favor de la aprobación y 5 en contra. a Calcular el intervalo de confianza para la proporción de personas que votarían sí a la constitución, con un nivel de confianza del 99 %. La proporción de personas que vota sí en la muestra es ˆp 75 5,55. Por tanto, el intervalo de confianza es: p {,55 ± z,5,55,45 5 } [,493,,67] b Se puede asegurar con ese mismo nivel de confianza que la proporción de personas que apoyarán la constitución es superior al 5 %. Si no es así, con qué nivel de confianza podríamos asegurar que pasaría. b Directamente, viendo el intervalo de confianza no se puede asegurar que más del 5 % de las personas votarán sí al referéndum puesto que hay valores inferiores a,5 que se encuentran en el intervalo. Nota: también se puede hacer con un contraste de hipótesis. Por tanto, para calcular el nivel de confianza o bien se hace siguiendo el razonamiento del intervalo de confianza o con un contraste de hipótesis es decir calculando el p-valor. Según la primera forma, ahora: z α/,55,45 5,55,45 >,5 z α/ <,47 P rz <,47, α/ 5 Y α,5, o lo que es lo mismo, el nivel de confianza es del 97,5 %. 3

4 Problemas 1h 3 P1. Los mensajes llegan a un cierto servidor de correo electrónico por dos líneas diferentes siguiendo dos procesos de Poisson independientes de parámetros λ 1 y λ a Determinar de qué tipo es la v.a.: X j tiempo de llegada del primer mensaje por la línea j X j Expλ j b Determinar la probabilidad de que el primer mensaje llegue por la línea 1. La función de densidad conjunta de X 1 y X es al ser independientes fx 1, x λ 1 e λ1x1 λ e λx x 1, x > P rx 1 < X λ e λx dx x λ 1 e λ1x1 dx 1 λ 1 λ 1 + λ c Calcular la función de densidad de la v.a. X tiempo de llegada del primer mensaje. Si el número total de mensajes en un segundo es P λ 1 +λ, el tiempo de llegada del primer mensaje independientemente del canal será una exponencial con el mismo parámetro, por lo tanto: fx λ 1 + λ e λ1+λx d Calcular la función de probabilidad del proceso Nt, número total de mensajes que llegan en un intervalo de t segundos. Es Nt estacionario en sentido débil?. Si el número de mensajes en un segundo es P λ 1 + λ, el número total de mensajes que llegan en un intervalo de t segundos NT P λ 1 + λ t, por lo tanto su función de probabilidad es: P rnt k e λ1+λt λ 1 + λ k t k k! No es estacionario en sentido débul, ya que por ejemplo: E[Nt] λ 1 + λ t depende del tiempo. P. El valor de una determinada señal s producida por un aparato sufre pequeñas perturbaciones que consideramos aleatorias. a Supongamos que la distribución de los valores de s se puede aproximar por una distribución Normal con media 1 y desviación típica.5. Entre los valores de la señal que son mayores que 1.5, cuál es la proporción de valores que son mayores que 13?. P rs > 13 S > 1,5 P rs > 1,5 P rs > 13 P rs > 1,5 P rs > 13 P r P rs > 1,5 P r P rz > 1 P rz P rz > 1 1 P rz 1 1,977 1,8413,143 Z > 13 1,5 Z > 1,5 1,5 4

5 b Queremos ahora medir la señal s con un aparato de medición. Sea X la v.a. valor proporcionado por el aparato al realizar una medición y ɛ la variable error cometido por el aparato al realizar la medición. Suponiendo que ɛ sigue una distribución normal con media y desviación típica.4, y es independiente de s. Cuál es la relación entre s, X y ɛ, cuál es la distribución de X? X N1,,41 X s + ɛ E[X] E[s] + E[ɛ] V ar[x] V ar[s] + V ar[ɛ],5 +,4,41 al ser independeintes c Se planifica realizar varias mediciones y proporcionar su media para aproximar el valor de la señal. Cuántas mediciones habrá que tomar para que nos aseguremos con una probabilidad mayor o igual a.95 que el valor proporcionado no se alejará en más de.1 unidades de la señal promedio? Si llamamos X a la media muestral de las mediciones obtenidas, buscamos un n tal que: P r X 1,1,95 Puesto que X N1,,41, sabemos que X N1,,41/n, por lo tanto P r Z P r X 1,1,95 P r,1 X 1,1,95,1 P r Z,1,95,41/n,41/n,1 P r Z,1,41/n,41/n P r P r Z Z,95,1,41/n 1,95,1,41/n,975,1,41/n 1,96 1,96,64 n 157,5,1 Será necesario realizar 158 mediciones 1. Después de ser producida la señal entra en un dispositivo que la transforma en una señal saliente con tres estado: -1,, 1. La señal s out toma el valor -1 si la señal entrante es menor que 11.5, toma el valor si la señal entrante está entre 11.5 y 1.5, y toma el valor 1 si la señal entrante es mayor que 1.5. Calcula la función de probabilidad de s out. Si se toman 114 valores de s out, cuál es en promedio el número de valores no nulos de s out? La variable s out 5

6 es discreta y toma los valore, -1,, 1, su función de probabilida es: p 1 P rs out -1 P rs 11,5 P rz 11,5 1/,5 P rz 1 1 P rz 1 1,8413,1587 p P rs out P r11,5 s 1,5 P r 1 Z 1 P rz 1 1,8413 1,686 p1 P rs out 1 P rs 1,5 P rz 1 1 P rz 1,1587 Sea N número de ceros observados en una secuencia de 114 valores N B114,,686. El número medio de valores nulos es E[N] 114, ,4. Por lo tanto el promedio de valores no nulos es ,4 356,75 6

Variable Aleatoria. Relación de problemas 6

Variable Aleatoria. Relación de problemas 6 Relación de problemas 6 Variable Aleatoria. Consideremos el experimento aleatorio consistente en lanzar dos dados equilibrados y observar el número máximo de los dos números obtenidos en ellos. Si X es

Más detalles

Muestreo y Distribuciones muestrales. 51 SOLUCIONES

Muestreo y Distribuciones muestrales. 51 SOLUCIONES Muestreo y Distribuciones muestrales. 51 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería Soluciones de la hoja de problemas 5. Muestreo

Más detalles

Relación de Problemas. Tema 4

Relación de Problemas. Tema 4 Relación de Problemas. Tema 4 1. Un experimento consiste en lanzar cuatro monedas al aire. Calcular la función de probabilidad y la función de distribución de las siguientes variables aleatorias: 1) Número

Más detalles

PROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)

PROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8) PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua

Más detalles

0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5

0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 1.- Cómo utilizar la tabla de la distribución Binomial? Supongamos que lanzamos al aire una moneda trucada. Con esta moneda la probabilidad de obtener cara es del 30%. La probabilidad que salga cruz será,

Más detalles

Unidad III Variables Aleatorias Unidimensionales

Unidad III Variables Aleatorias Unidimensionales Unidad III Variables Aleatorias Unidimensionales En el capítulo anterior se examinaron los conceptos básicos de probabilidad con respecto a eventos que se encuentran en un espacio muestral. Los experimentos

Más detalles

Tema 4: Ejercicios de Modelos de Probabilidad

Tema 4: Ejercicios de Modelos de Probabilidad Tema 4: s de Modelos de Probabilidad Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 12 - I.T.I.G. Otros Se considera una v.a. Bernoulli que toma el valor 1 con probabilidad

Más detalles

Relación de Problemas. Tema 6

Relación de Problemas. Tema 6 Relación de Problemas. Tema 6 1. En una urna hay 5 bolas blancas y 2 negras y se sacan tres bolas sin reemplazamiento. a) Calcular la distribución conjunta del número de bolas blancas y negras de entre

Más detalles

Selectividad Junio 2007 JUNIO 2007

Selectividad Junio 2007 JUNIO 2007 Bloque A JUNIO 2007 1.- Julia, Clara y Miguel reparten hojas de propaganda. Clara reparte siempre el 20 % del total, Miguel reparte 100 hojas más que Julia. Entre Clara y Julia reparten 850 hojas. Plantea

Más detalles

Ejercicios de Variables Aleatorias

Ejercicios de Variables Aleatorias Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UCM Función de distribución y función de densidad Ejercicio. Sea X una variable aleatoria con función de distribución dada

Más detalles

EJERCICIOS RESUELTOS TEMA 7

EJERCICIOS RESUELTOS TEMA 7 EJERCICIOS RESUELTOS TEMA 7 7.1. Seleccione la opción correcta: A) Hay toda una familia de distribuciones normales, cada una con su media y su desviación típica ; B) La media y la desviaciones típica de

Más detalles

Ejercicios de Vectores Aleatorios

Ejercicios de Vectores Aleatorios Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO MAGISTRAL GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES Otros M2 Calcular la función de densidad conjunta y las marginales

Más detalles

Teoría de la decisión Estadística

Teoría de la decisión Estadística Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y

Más detalles

INTERVALO DE CONFIANZA PARA LA PROPORCIÓN

INTERVALO DE CONFIANZA PARA LA PROPORCIÓN INTERVALO DE CONFIANZA PARA LA PROPORCIÓN Si deseamos estimar la proporción p con que una determinada característica se da en una población, a partir de la proporción p' observada en una muestra de tamaño

Más detalles

Test de Kolmogorov-Smirnov

Test de Kolmogorov-Smirnov Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar

Más detalles

Estadística II Tema 3. Comparación de dos poblaciones. Curso 2010/11

Estadística II Tema 3. Comparación de dos poblaciones. Curso 2010/11 Estadística II Tema 3. Comparación de dos poblaciones Curso 2010/11 Tema 3. Comparación de dos poblaciones Contenidos Comparación de dos poblaciones: ejemplos, datos apareados para la reducción de la variabilidad

Más detalles

1 Variables aleatorias independientes

1 Variables aleatorias independientes 1 Variables aleatorias independientes El concepto de independencia es sumamente importante en teoría de probabilidad y su negación, la dependencia, es un importante objeto de estudio actualmente en diversas

Más detalles

Problemas resueltos. Tema 12. 2º La hipótesis alternativa será que la distribución no es uniforme.

Problemas resueltos. Tema 12. 2º La hipótesis alternativa será que la distribución no es uniforme. Tema 12. Contrastes No Paramétricos. 1 Problemas resueltos. Tema 12 1.- En una partida de Rol se lanza 200 veces un dado de cuatro caras obteniéndose 60 veces el número 1, 45 veces el número 2, 38 veces

Más detalles

x R F (x) := P (X 1 (, x]) = P ({e Ω : X(e) x}) = P (X x) salvo que en este caso esta función es siempre una función continua.

x R F (x) := P (X 1 (, x]) = P ({e Ω : X(e) x}) = P (X x) salvo que en este caso esta función es siempre una función continua. PROBABILIDAD Tema 2.3: Variables aleatorias continuas Objetivos Distinguir entre variables aleatorias discretas y continuas. Dominar el uso de las funciones asociadas a una variable aleatoria continua.

Más detalles

Probabilidades. 11 de noviembre de 2013. Felipe Bravo Márquez

Probabilidades. 11 de noviembre de 2013. Felipe Bravo Márquez Felipe José Bravo Márquez 11 de noviembre de 2013 Motivación Las probabilidades son el lenguaje de la incertidumbre que a la vez es la base de la inferencia estadística. El problema estudiado en probabilidades

Más detalles

Distribución de las proporciones muestrales. Estimación de una proporción

Distribución de las proporciones muestrales. Estimación de una proporción Distribución de las medias muestrales. Estimación de la media 1. Se supone que la estatura de los chicos de 18 años de cierta población sigue una distribución normal de media 16 cm y desviación típica

Más detalles

ENUNCIADO y SOLUCIONES. Problema 1

ENUNCIADO y SOLUCIONES. Problema 1 Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.

Más detalles

TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL

TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL ESTADÍSTICA II TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL II.1.- Distribución chi-cuadrado. II.1.1.- Definición. II.1..- Función de densidad. Representación gráfica. II.1.3.- Media y varianza.

Más detalles

6. ESTIMACIÓN DE PARÁMETROS

6. ESTIMACIÓN DE PARÁMETROS PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza

Más detalles

Distribuciones Dis de Probabilidad Pr Contínuas Jhon Jairo Jair Pa P dilla a Aguilar, Aguilar PhD. PhD

Distribuciones Dis de Probabilidad Pr Contínuas Jhon Jairo Jair Pa P dilla a Aguilar, Aguilar PhD. PhD Distribuciones de Probabilidad Contínuas Jhon Jairo Padilla Aguilar, PhD. Introducción En esta sección se estudiarán algunas distribuciones de probabilidad contínuas que son bastante utilizadas en ingeniería

Más detalles

Técnicas de validación estadística Bondad de ajuste

Técnicas de validación estadística Bondad de ajuste Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 28 de mayo, 2013 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución

Más detalles

Técnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste

Técnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2014/15 Contenidos 1. Introducción

Más detalles

Técnicas de validación estadística Bondad de ajuste

Técnicas de validación estadística Bondad de ajuste Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 31 de mayo, 2011 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución

Más detalles

Estadistica II Tema 1. Inferencia sobre una población. Curso 2009/10

Estadistica II Tema 1. Inferencia sobre una población. Curso 2009/10 Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza

Más detalles

Tema 4: Ejercicios de Modelos de Probabilidad

Tema 4: Ejercicios de Modelos de Probabilidad Tema 4: Ejercicios de Modelos de Probabilidad Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 83 - INGENIERÍA INFORMÁTICA Otros Ejercicio Un servidor que alberga una

Más detalles

UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA

UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA 4: VARIABLES ALEATORIAS CONTINUAS Profesores: Jaime Arrué A. - Hugo S. Salinas. Primer Semestre

Más detalles

Prueba de hipótesis. 1. Considerando lo anterior específica: a. La variable de estudio: b. La población: c. El parámetro. d. Estimador puntual:

Prueba de hipótesis. 1. Considerando lo anterior específica: a. La variable de estudio: b. La población: c. El parámetro. d. Estimador puntual: Prueba de hipótesis Problema Un grupo de profesores, de cierto estado de la república, plantea una investigación acerca del aprendizaje de las ciencias naturales en la escuela primaria. Uno de los objetivos

Más detalles

MODELO DE RESPUESTAS Objetivos del 1 al 9

MODELO DE RESPUESTAS Objetivos del 1 al 9 PRUEBA INTEGRAL LAPSO 05-764 - /9 Universidad Nacional Abierta Probabilidad y Estadística I (Cód. 764) Vicerrectorado Académico Cód. Carrera: 6 Fecha: 0-04-06 MODELO DE RESPUESTAS Objetivos del al 9 OBJ

Más detalles

Únicamente uso libro texto (no fotocopias) o tablas estadísticas y calculadora.1 acierto 1 pto.1 fallo, -0,25.

Únicamente uso libro texto (no fotocopias) o tablas estadísticas y calculadora.1 acierto 1 pto.1 fallo, -0,25. Únicamente uso libro texto (no fotocopias) o tablas estadísticas y calculadora.1 acierto 1 pto.1 fallo, -0,5. 1. La media recortada, al 10 %, de los datos siguientes, es: 18 1 1 3 17 8 17 1 18 0 19 17

Más detalles

Tema 5: Principales Distribuciones de Probabilidad

Tema 5: Principales Distribuciones de Probabilidad Tema 5: Principales Distribuciones de Probabilidad Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Principales Distribuciones de Probabilidad

Más detalles

7. Distribución normal

7. Distribución normal 7. Distribución normal Sin duda, la distribución continua de probabilidad más importante, por la frecuencia con que se encuentra y por sus aplicaciones teóricas, es la distribución normal, gaussiana o

Más detalles

Distribución de Probabilidades con Nombre Propio Problemas Propuestos

Distribución de Probabilidades con Nombre Propio Problemas Propuestos Distribución de Probabilidades con Nombre Propio Problemas Propuestos DISTRIBUCIÓN BINOMIAL (BERNOULLI) 2.167 Hallar la probabilidad de que al lanzar una moneda honrada 6 veces aparezcan (a) 0, (b) 1,

Más detalles

Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B

Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B 1. Queremos invertir una cantidad de dinero en dos tipos

Más detalles

Relación 1. Sucesos y probabilidad. Probabilidad condicionada.

Relación 1. Sucesos y probabilidad. Probabilidad condicionada. Relación. Sucesos y probabilidad. Probabilidad condicionada.. Sean A, B y C tres sucesos cualesquiera. Determine expresiones para los siguientes sucesos: Ocurre sólo A. Ocurren A y B pero no C. c) Ocurren

Más detalles

Muestreo y estimación: problemas resueltos

Muestreo y estimación: problemas resueltos Muestreo y estimación: problemas resueltos BENITO J. GONZÁLEZ RODRÍGUEZ (bjglez@ull.es) DOMINGO HERNÁNDEZ ABREU (dhabreu@ull.es) MATEO M. JIMÉNEZ PAIZ (mjimenez@ull.es) M. ISABEL MARRERO RODRÍGUEZ (imarrero@ull.es)

Más detalles

JUNIO 2010. Opción A. 1 2 3

JUNIO 2010. Opción A. 1 2 3 JUNIO 2010 Opción A 2 3 1 1.- Sean las matrices: A 0 1 2 y B 5 3 1 Halla una matriz X tal que 2X BA AB. 2 0 1 3 3 2. 1 2 3 2.- La cantidad C de tomates (en kg) que se obtienen de una planta de tomate depende

Más detalles

en 200 días aplicando el T.C.L o convergencia de la Poisson

en 200 días aplicando el T.C.L o convergencia de la Poisson EJERCICIOS T13- APLICACIONES DE LA PROBABILIDAD: CONVERGENCIA Y TEOREMAS LÍMITE 1. En una fábrica la probabilidad de que se produzcan n piezas defectuosas sigue una distribución de Poisson de media 3 diarias.

Más detalles

3. VARIABLES ALEATORIAS

3. VARIABLES ALEATORIAS . VARIABLES ALEATORIAS L as variables aleatorias se clasiican en discretas y continuas, dependiendo del número de valores que pueden asumir. Una variable aleatoria es discreta si sólo puede tomar una cantidad

Más detalles

El supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo.

El supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo. El supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo. El supermercado cuenta con 3 departamentos: Abarrotes, Embutidos y. Solamente el Departamento

Más detalles

Generación de eventos en Procesos de Poisson

Generación de eventos en Procesos de Poisson Generación de eventos en Procesos de Poisson Georgina Flesia FaMAF 26 de abril, 2012 Proceso de Poisson homogéneo N(t), t 0, es un proceso de Poisson homogéneo de razón λ, λ > 0, si: N(0) = 0 proceso comienza

Más detalles

Dr. Mauro Gutierrez Martinez Dr. Christiam Gonzales Chávez

Dr. Mauro Gutierrez Martinez Dr. Christiam Gonzales Chávez Profesores: Mg. Cecilia Rosas Meneses Dr. Mauro Gutierrez Martinez Dr. Christiam Gonzales Chávez Definición. La función de distribución acumulada F X de una v.a. X es definida para cada número real x como

Más detalles

P (X 5) = P (x = 5) + P (X = 6) + P (X = 7) + P (X = 8) = 0.005416467 + 0.051456432 + 0.79334918 + 0.663420431 = 0.999628249

P (X 5) = P (x = 5) + P (X = 6) + P (X = 7) + P (X = 8) = 0.005416467 + 0.051456432 + 0.79334918 + 0.663420431 = 0.999628249 Hoja 3: robabilidad y variables aleatorias 1. La probabilidad de que un enfermo se recupere tomando un nuevo fármaco es 0.95. Si se les administra a 8 enfermos, hallar: a La probabilidad de que se recuperen

Más detalles

Propiedades en una muestra aleatoria

Propiedades en una muestra aleatoria Capítulo 5 Propiedades en una muestra aleatoria 5.1. Conceptos básicos sobre muestras aleatorias Definición 5.1.1 X 1,, X n son llamadas una muestra aleatoria de tamaño n de una población f(x) si son variables

Más detalles

DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL

DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL 3.1 INTRODUCCIÓN Como ya sabes, una distribución de probabilidad es un modelo matemático que nos ayuda a explicar los

Más detalles

Relación de Problemas. Modelos de Probabilidad

Relación de Problemas. Modelos de Probabilidad Relación de Problemas. Modelos de Probabilidad 1. Sabemos que en una ciudad, de cada 50000 personas, 1500 están viendo un cierto programa de TV. Cuál es la probabilidad de que de 100 personas elegidas

Más detalles

Hemos visto que si se tira una moneda (con p = P (cruz)) n veces, entonces el número de cruces se distribuye como binomial.

Hemos visto que si se tira una moneda (con p = P (cruz)) n veces, entonces el número de cruces se distribuye como binomial. La distribución geométrica Hemos visto que si se tira una moneda (con p = P (cruz)) n veces, entonces el número de cruces se distribuye como binomial. Consideramos otro experimento relacionado. Vamos a

Más detalles

Distribución Normal Curva Normal distribución gaussiana

Distribución Normal Curva Normal distribución gaussiana Distribución Normal La distribución continua de probabilidad más importante en todo el campo de la estadística es la distribución normal. La distribución normal tiene grandes aplicaciones prácticas, en

Más detalles

Propuesta A. 2 0 b) Dada la ecuación matricial: X = , despeja y calcula la matriz X. (0.75 ptos) 2 1

Propuesta A. 2 0 b) Dada la ecuación matricial: X = , despeja y calcula la matriz X. (0.75 ptos) 2 1 Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (015) Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II El alumno deberá contestar a una de las dos opciones propuestas A o B. Se

Más detalles

DISTRIBUCIONES DE PROBABILIDAD

DISTRIBUCIONES DE PROBABILIDAD DISTRIBUCIONES DE PROBABILIDAD Se llama variable aleatoria a toda función que asocia a cada elemento del espacio muestral E un número real. Una variable aleatoria discreta es aquella que sólo puede tomar

Más detalles

LA DISTRIBUCIÓN NORMAL

LA DISTRIBUCIÓN NORMAL LA DISTRIBUCIÓN NORMAL En estadística y probabilidad se llama distribución normal, distribución de Gauss o distribución gaussiana, a una de las distribuciones de probabilidad que con más frecuencia aparece

Más detalles

Distribución muestral de proporciones. Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua

Distribución muestral de proporciones. Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Distribución muestral de proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Distribución muestral de Proporciones Existen ocasiones

Más detalles

Tema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:

Tema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema: Tema 4: Variables aleatorias Tema 4: Variables Aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno

Más detalles

2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria

2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria 2. Probabilidad y variable aleatoria Curso 2011-2012 Estadística 2. 1 Probabilidad 2 Experimento Aleatorio EL término experimento aleatorio se utiliza en la teoría de la probabilidad para referirse a un

Más detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 5. Muestreo y distribuciones muestrales Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:

Más detalles

La distribución normal o gaussiana es la distribución. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si

La distribución normal o gaussiana es la distribución. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si La distribución normal La distribución normal o gaussiana es la distribución continua más importante. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si f(x) = 1

Más detalles

Estadística Avanzada y Análisis de Datos

Estadística Avanzada y Análisis de Datos 1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son

Más detalles

DISTRIBUCIONES DE PROBABILIDAD (RESUMEN)

DISTRIBUCIONES DE PROBABILIDAD (RESUMEN) DISTRIBUCIONES DE PROBABILIDAD (RESUMEN) VARIABLE ALEATORIA: un experimento produce observaciones numéricas que varían de muestra a muestra. Una VARIABLE ALEATORIA se define como una función con valores

Más detalles

PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2004 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS

PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2004 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 004 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Parte II, Opción A Junio, Ejercicio 3, Parte II, Opción B Reserva

Más detalles

Modelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:

Modelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema: Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz

Más detalles

Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias

Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias Estadística Tema 3: Cálculo de Probabilidades Unidad 2: Variables Aleatorias Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Noviembre 2010 Contenidos...............................................................

Más detalles

Problemas resueltos. Temas 10 y 11 11, 9, 12, 17, 8, 11, 9, 4, 5, 9, 14, 9, 17, 24, 19, 10, 17, 17, 8, 23, 8, 6, 14, 16, 6, 7, 15, 20, 14, 15.

Problemas resueltos. Temas 10 y 11 11, 9, 12, 17, 8, 11, 9, 4, 5, 9, 14, 9, 17, 24, 19, 10, 17, 17, 8, 23, 8, 6, 14, 16, 6, 7, 15, 20, 14, 15. Temas 10 y 11. Contrastes paramétricos de hipótesis. 1 Problemas resueltos. Temas 10 y 11 1- las puntuaciones en un test que mide la variable creatividad siguen, en la población general de adolescentes,

Más detalles

Variables aleatòries vectorials Els problemes assenyalats amb un (*) se faran a classe. 1.- Los estudiantes de una universidad se clasifican de acuerdo a sus años en la universidad (X) y el número de visitas

Más detalles

Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones

Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una

Más detalles

Si quisiéramos estudiar también cuánto distan, es decir a b, tendríamos 6 resultados: 0, 1, 2, 3, 4 ó 5, con distribución de probabilidad dada por:

Si quisiéramos estudiar también cuánto distan, es decir a b, tendríamos 6 resultados: 0, 1, 2, 3, 4 ó 5, con distribución de probabilidad dada por: Capítulo 3 Variables aleatorias 3. Definición, tipos En ocasiones de un experimento aleatorio sólo nos interesará medir ciertas características del mismo. En estos casos nos bastará con conocer la distribución

Más detalles

Tema 11: Intervalos de confianza.

Tema 11: Intervalos de confianza. Tema 11: Intervalos de confianza. Presentación y Objetivos. En este tema se trata la estimación de parámetros por intervalos de confianza. Consiste en aproximar el valor de un parámetro desconocido por

Más detalles

Departamento de Matemática Aplicada a la I.T.T.

Departamento de Matemática Aplicada a la I.T.T. Departamento de Matemática Aplicada a la I.T.T. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EXAMEN FINAL Duración: horas Fecha: de Julio de Fecha publicación notas: -7- Fecha revisión examen: 8-7-

Más detalles

Probabilidad y Estadística

Probabilidad y Estadística Probabilidad y Estadística Tema 8 Distribución normal estándar y distribuciones relacionadas Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Explicar los conceptos de la distribución

Más detalles

CONCEPTOS FUNDAMENTALES

CONCEPTOS FUNDAMENTALES TEMA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICAS PRIMERA PARTE: Conceptos fundamentales 8.1. Hipótesis estadística. Tipos de hipótesis 8.2. Región crítica y región de aceptación 8.3. Errores tipo I y tipo

Más detalles

5. VARIABLES ALEATORIAS Y SUS MOMENTOS

5. VARIABLES ALEATORIAS Y SUS MOMENTOS 5. VARIABLES ALEATORIAS Y SUS MOMENTOS Una variable aleatoria Objetivos Introducir la idea de una variable aleatoria y su distribución y sus características como la media, la varianza, los cuartíles etc.

Más detalles

Teorema de Bayes. mientras que B tiene una tasa de defectos del 4%.

Teorema de Bayes. mientras que B tiene una tasa de defectos del 4%. Teorema de Bayes Ejemplo: En una empresa manufacturera, una máquina A produce el 60% de la producción total, mientras que una máquina B el restante 40%. 71 El 2% de las unidades producidas por A son defectuosas,

Más detalles

Variables aleatorias: problemas resueltos

Variables aleatorias: problemas resueltos Variables aleatorias: problemas resueltos BENITO J. GONZÁLEZ RODRÍGUEZ bjglez@ull.es DOMINGO HERNÁNDEZ ABREU dhabreu@ull.es MATEO M. JIMÉNEZ PAIZ mjimenez@ull.es M. ISABEL MARRERO RODRÍGUEZ imarrero@ull.es

Más detalles

Introducción al Tema 9

Introducción al Tema 9 Tema 2. Análisis de datos univariantes. Tema 3. Análisis de datos bivariantes. Tema 4. Correlación y regresión. Tema 5. Series temporales y números índice. Introducción al Tema 9 Descripción de variables

Más detalles

PRACTICA 2. ERRORES. Ejemplos:

PRACTICA 2. ERRORES. Ejemplos: PRACTICA 2. ERRORES 1. ERRORES EN LAS MEDIDAS. ERRORES ABSOLUTO Y RELATIVO. Siempre que se hace alguna medida, es inherente la comisión de errores, debido a distintas causas. Por ello, al expresar una

Más detalles

Práctica 2 Métodos de búsqueda para funciones de una variable

Práctica 2 Métodos de búsqueda para funciones de una variable Práctica 2 Métodos de búsqueda para funciones de una variable Introducción Definición 1. Una función real f se dice que es fuertemente cuasiconvexa en el intervalo (a, b) si para cada par de puntos x 1,

Más detalles

Soluciones Examen de Estadística Ingeniería Superior de Telecomunicación

Soluciones Examen de Estadística Ingeniería Superior de Telecomunicación Soluciones Examen de Estadística Ingeniería Superior de Telecomunicación 7 de Septiembre, 25 Cuestiones 2 horas C. A partir de los procesos estocásticos X(t e Y (t incorrelados y de media cero, con funciones

Más detalles

Apellidos Nombre DNI / NIE Centro de examen PARTE COMÚN MATERIA: FUNDAMENTOS DE MATEMÁTICAS

Apellidos Nombre DNI / NIE Centro de examen PARTE COMÚN MATERIA: FUNDAMENTOS DE MATEMÁTICAS CALIFICACIÓN: PRUEBAS DE ACCESO A CICLOS FORMATIVOS DE GRADO SUPERIOR DE FORMACIÓN PROFESIONAL SEPTIEMBRE DE 2012 Resolución de 27 de abril de 2012 (DOCM de 30 de abril) Instrucciones Generales PARTE COMÚN

Más detalles

Técnicas Cuantitativas para el Management y los Negocios I

Técnicas Cuantitativas para el Management y los Negocios I Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:

Más detalles

CONTROL DE LOS PROCESOS DE FABRICACIÓN. Introducción a las técnicas de control estadístico de los procesos

CONTROL DE LOS PROCESOS DE FABRICACIÓN. Introducción a las técnicas de control estadístico de los procesos CONTROL DE LOS PROCESOS DE FABRICACIÓN Introducción a las técnicas de control estadístico de los procesos Introducción Departamento de Ingeniería Mecánica de la UPV-EHU ElControlEstadísticodelosProcesos

Más detalles

4. Medidas de tendencia central

4. Medidas de tendencia central 4. Medidas de tendencia central A veces es conveniente reducir la información obtenida a un solo valor o a un número pequeño de valores, las denominadas medidas de tendencia central. Sea X una variable

Más detalles

PARTE II: MUESTREO... 10 6.- CONCEPTOS BÁSICOS... 10 7.- MÉTODOS DE MUESTREO... 10 8.- NÚMERO DE MUESTRAS... 10 9.- DISTRIBUCIONES MUESTRALES...

PARTE II: MUESTREO... 10 6.- CONCEPTOS BÁSICOS... 10 7.- MÉTODOS DE MUESTREO... 10 8.- NÚMERO DE MUESTRAS... 10 9.- DISTRIBUCIONES MUESTRALES... Contenidos: PARTE I: DISTRIBUCIONES DE PROBABILIDAD... 2 1.- VARIABLES ALEATORIAS... 2 2.- DISTRIBUCIONES DE PROBABILIDAD... 3 3.- LA DISTRIBUCIÓN BINOMIAL... 5 4.- LA DISTRIBUCIÓN NORMAL... 7 5.- USO

Más detalles

Intervalos de Confianza para dos muestras

Intervalos de Confianza para dos muestras Intervalos de Confianza para dos muestras Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Comparación de dos poblaciones La comparación

Más detalles

Tema 5. Variables aleatorias continuas

Tema 5. Variables aleatorias continuas Tema 5. Variables aleatorias continuas Cuestiones de Verdadero/Falso 1. Muchas medidas numéricas de diversos fenómenos, como por ejemplo errores de medida o medidas antropométricas, pueden modelarse mediante

Más detalles

b) Haz otra distribución en 12 intervalos de la amplitud que creas conveniente.

b) Haz otra distribución en 12 intervalos de la amplitud que creas conveniente. Página EJERCICIOS Y PROBLEMAS PROPUESTOS PARA PRACTICAR Deseamos hacer una tabla con datos agrupados a partir de datos, cuyos valores extremos son 9 y. a) Si queremos que sean 0 intervalos de amplitud,

Más detalles

ANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación

ANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación ANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación Francisca José Serrano Pastor Pedro A. Sánchez Rodríguez - Implica siempre a variables

Más detalles

Control 3. Lunes 23 de Junio 2008

Control 3. Lunes 23 de Junio 2008 Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN44A: Investigación Operativa Profesores: R. Caldentey, R. Epstein, P. Rey Prof. Aux.: J. Gacitúa,

Más detalles

DISTRIBUCIONES DE PROBABILIDAD

DISTRIBUCIONES DE PROBABILIDAD DISTRIBUCIONES DE PROBABILIDAD Página 7 REFLEXIONA Y RESUELVE Lanzamiento de monedas Al lanzar cuatro monedas pueden darse posibilidades: CCCC, CCC+, CC+C, CC++, C+CC, Complétalas y justifica los resultados

Más detalles

PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.E.

PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.E. PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.E. CURSO 01-013 CONVOCATORIA: MATERIA: MATEMATICAS APLICADAS A LAS CC. SS. - Cada alumno debe elegir sólo una de las pruebas (A o B). - Cada una de las preguntas

Más detalles

D.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO

D.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos

Más detalles

Tema 7. Aproximación de la distribución Binomial a la Normal

Tema 7. Aproximación de la distribución Binomial a la Normal Tema 7. Aproximación de la distribución Binomial a la Normal Indice 1. Problemas de la distribución binomial... 2 2. Aproximación de la binomial a la normal... 2 Apuntes realizados por José Luis Lorente

Más detalles

Tema 2. Contraste de hipótesis en una población

Tema 2. Contraste de hipótesis en una población Tema 2. Contraste de hipótesis en una población Contenidos Introducción, las hipótesis nula y alternativa El procedimiento de contraste de hipótesis Errores de Tipo I y Tipo II, potencia del contraste

Más detalles

Estadística II Examen Final - Enero 2012. Responda a los siguientes ejercicios en los cuadernillos de la Universidad.

Estadística II Examen Final - Enero 2012. Responda a los siguientes ejercicios en los cuadernillos de la Universidad. Estadística II Examen Final - Enero 2012 Responda a los siguientes ejercicios en los cuadernillos de la Universidad. No olvide poner su nombre y el número del grupo de clase en cada hoja. Indique claramente

Más detalles

La distribución t de student. O lo que es lo mismo: La relación entre la cerveza y los estudios de estadística

La distribución t de student. O lo que es lo mismo: La relación entre la cerveza y los estudios de estadística La distribución t de student O lo que es lo mismo: La relación entre la cerveza y los estudios de estadística La distribución t de student fue descubierta por William S. Gosset en 1908. Gosset era un estadístico

Más detalles

INFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016

INFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016 INFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016 Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 1. COMENTARIOS Y/O ACOTACIONES RESPECTO AL TEMARIO EN RELACIÓN

Más detalles

8.2.5. Intervalos para la diferencia de medias de dos poblaciones

8.2.5. Intervalos para la diferencia de medias de dos poblaciones 8.. INTERVALOS DE CONFIANZA PARA LA DISTRIBUCIÓN NORMAL 89 distribuye de modo gaussiana. Para ello se tomó una muestra de 5 individuos (que podemos considerar piloto), que ofreció los siguientes resultados:

Más detalles