5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD"

Transcripción

1 Distribución normal 5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD La distribución continua de probabilidad más importante en todo el campo de la estadística es la distribución normal. Su grafica, que se denomina curva normal, es la curva con la forma de campana de la figura 2, la cual describe aproximadamente muchos fenómenos que ocurren en la naturaleza, la industria y la investigación. Las mediciones físicas en áreas como los experimentos meteorológicos, estudios de lluvia y mediciones de partes fabricadas a menudo se aplican más que adecuadamente con una distribución normal. Además, los errores en las mediciones científicas se aproximan extremadamente bien mediante una distribución normal. En 1733, Abraham Demoivre desarrollo la ecuación matemática de la curva normal. Proporciona una base sobre la que se fundamenta gran parte de la teoría de la estadística inductiva. La distribución normal a menudo se denomina distribución gaussiana, en honor de Karl Friedrich Gauss ( ), quien también derivo su ecuación a partir de un estudio de errores en mediciones repetidas de la misma cantidad. Figura 2: La curva normal σ µ X Una variable aleatoria continua X que tiene la distribución en forma de campana de la figura 2 se llama variable aleatoria normal. Le ecuación matemática para la distribución de probabilidad de la variable normal depende de los dos parámetros µ y σ, su media y desviación estándar. De aquí, denotamos los valores de la densidad de X con n (x; µ, σ). Distribución normal La función de densidad de la variable aleatoria normal X, con media µ y varianza σ 2, es: n(x; µ,σ) = 1 1 σ 2 e 2πσ [( x µ )/ ] 2, - < x <, donde π = y e = Una vez que se especifiquen µ y σ, la curva normal queda determinada por completo. Por ejemplo, si µ = 50 y σ = 5, entonces se puede calcular las ordenadas n (x; 50, 5) para varios valores de x y dibujar la curva. En la figura 3 dibujamos dos curvas normales que tienen la misma desviación estándar pero diferentes medias. Las dos curvas son idénticas en forma pero están centradas en diferentes posiciones a lo largo del eje horizontal. σ1 σ2 µ1 µ2 x

2 Figura 3. Curvas normales con µ 1 < µ 2 y σ 1 = σ 2 Si trazamos dos curvas normales con la misma media pero con diferentes desviaciones estándar. Esta vez vemos que las dos curvas están centradas exactamente en la misma posición sobre el eje horizontal, pero la curva con la mayor desviación estándar es más baja y se extiende más lejos. Recuerde que el área bajo una curva de probabilidad debe ser igual a 1, y entre mas variable sea el conjunto de observaciones mas baja y ancha será la curva correspondiente. Si trazamos dos curvas normales que tienen diferentes medias y diferentes desviaciones estándar, claramente, están centradas en posiciones diferentes sobre el eje horizontal y sus formas reflejan los dos diferentes valores σ. De una inspección de las anteriores curvas y al examinar la primera y segunda derivadas de n (x; µ, σ), listamos las siguientes propiedades de la curva normal: 1. La moda, que es el punto sobre el eje horizontal donde la curva es un máximo, ocurre en x = µ. 2. La curva es simétrica alrededor de un eje vertical a través de la media µ. 3. La curva tiene sus puntos de inflexión en x = µ + σ, es cóncava hacia abajo si µ - σ < X < µ + σ, y es cóncava hacia arriba en cualquier otro punto. 4. La curva normal se aproxima al eje horizontal de manera asintótica conforme nos alejamos de la media en cualquier dirección. 5. El área total bajo la curva y sobre el eje horizontal es igual a 1. Muchas variables aleatorias tienen distribuciones de probabilidad que se pueden describir de manera adecuada mediante la curva normal una vez que se especifiquen µ y σ 2. En este capitulo supondremos que se conocen estos dos parámetros, quizás de investigaciones previas. Mas tarde haremos inferencias estadísticas cuando se desconozcan µ y σ 2 y se estimen a partir de los datos experimentales disponibles. Señalamos en un principio el papel que juega la distribución normal como una aproximación razonable de variables científicas en experimentos de la vida real. La distribución normal encuentra una gran aplicación como distribución limitante. Bajo ciertas condiciones la distribución normal proporciona una buena aproximación continua a las distribuciones binomial e hipergeometrica. Resulta que la distribución limitante de promedios muéstrales es normal. Esto proporciona una base amplia para la inferencia estadística que es muy valiosa para el analista de datos interesado en la estimación y prueba de hipótesis. Las importantes áreas del análisis de varianza y del control de calidad tienen su teoría basada en suposiciones que hace uso de la distribución normal. Áreas bajo la curva normal La curva de cualquier distribución continua de probabilidad o función de densidad se construye de modo que el área bajo la curva limitada por las dos ordenadas x = x 1 y x = x 2 es igual a la probabilidad de que la variable aleatoria x tome un valor entre x = x 1 y x = x 2. El área bajo la curva entre cualesquiera dos ordenadas también debe depender de los valores µ y σ.

3 Por fortuna es posible transformar todas las observaciones de cualquier variable aleatoria normal X en un nuevo conjunto de observaciones de una variable aleatoria normal Z, con media 0 y varianza 1, esto puede realizarse por medio de la transformación: Z = X µ σ Donde: Z se lee en las tablas A3. X es la variable aleatoria, µ es la media de la población y σ es la desviación estándar. La distribución de una variable aleatoria normal con media cero y varianza 1 se llama distribución normal estándar. Hemos reducido ahora el número que se requiere de tablas de áreas de curva normal a una, la de la distribución normal estándar. La tabla A.3 indica el área bajo la curva normal estándar que corresponde a P (Z < z) para valores de z que van de a Para ilustrar el uso de esta tabla encontremos la probabilidad de que Z sea menor que Primero, localizamos un valor de z igual a 1.7 en la columna izquierda, después nos movemos a lo largo del renglón a la columna bajo 0.04, donde leemos Por tanto, P (Z < 1.74) = Para encontrar un valor z que corresponda a una probabilidad dada, el proceso se invierte. Por ejemplo, el valor z que deja un área de bajo la curva a la izquierda de z se ve que es Ejemplo 1: Dada una distribución normal estándar, encuentre el área bajo la curva que yace (a) a la derecha de z = 1.84 y (b) entre z = y z = 0.86 (a) El área en la figura 4 (a) a la derecha de z = 1.84 es igual a 1 menos el área en la tabla A.3 a la izquierda de z = 1.84 a saber, es decir, = (b) El área en la figura 4 (b) entre z = y z = 0.86 es igual al área a la izquierda de z = 0.86 menos el área a la izquierda de z = De la tabla A.3 encontramos que el área que se desea es = (a) z (b) z Figura 4. Áreas del ejemplo 1. Ejemplo 2: Dada una distribución normal estándar, encuentre el valor de k tal que (a) P (Z > k) = , y (b) P (k < Z < -0.18) =

4 (a) En la figura 5 (a) vemos que el valor k que deja un área de a la derecha debe dejar entonces un área de a la izquierda. De la tabla A.3 se sigue que k = (a) 0 k z (b) k z Figura 5. Áreas del ejemplo 2 (b) De la tabla A.3 notamos que el área total a la izquierda de es igual a En la figura 5 (b) vemos que el área entre k y es por lo que el área a la izquierda de k debe ser = Por lo tanto, de la tabla A.3 tenemos k = Ejemplo 3: Dada una distribución normal con µ = 50 y σ = 10, encuentre la probabilidad de que X tome un valor entre 45 y 62. Los valores z que corresponden a x 1 = 45 y x 2 = 62 son Z 1 = 10 = -0.5 Z 2 = = 1.2 Por tanto, P ( 45 < X < 62)= P ( -0.5 < Z < 1.2) Figura 6. Área del ejemplo z La P( -.05 < Z < 1.2) se muestra por el área de la región sombreada de la figura Esta área se puede encontrar al restar el área a la izquierda de z = 1.2. Con el uso de la tabla A.3, tenemos P (45 < X < 62) = P (-0.5 < Z < 1.2) = P (Z < 1.2) P (Z < -0.5) = =

5 Ejemplo 4: Dada una distribución normal con µ = 300 y σ = 50, encuentre la probabilidad de que x tome un valor mayor que 362. La distribución de probabilidad normal que muestra el área que se desea se representa en la figura Para encontrar la P(X > 362), necesitamos evaluar el área bajo la curva normal a la derecha de x = 362, Esto se puede realizar al transformar x = 362 al valor z correspondiente, al obtener el área a la izquierda de z de la tabla A.3 y después restar esta área de 1. Encontramos que Z = 50 = 1.24 Por lo que, P(X > 362) = P (Z > 1.24) = 1 P (Z < 1.24) = = σ = 50 Figura 7. Área del ejemplo x En ocasiones se nos pide encontrar el valor de z que corresponde a una probabilidad especifica que cae entre los valores que se listan en la tabla A.3 (véase ejemplo 5). Por conveniencia, siempre elegiremos el valor z que corresponde a la probabilidad tabular que esta mas cerca de la probabilidad que se especifica. Sin embargo, si la probabilidad dada cae a la mitad entre dos probabilidades tabulares, debemos elegir para z el valor que cae a la mitad entre los valores correspondientes de z. Por ejemplo, para encontrar el valor z que corresponde a una probabilidad de , que cae entre y en la tabla A.3, elegimos z = 0.83, pues es mas cercano a Por otro lado, para una probabilidad de , que cae en la mitad entre y , tomamos z= Los anteriores dos ejemplos se resolvieron al ir primero de un valor de x a un valor z y después calcular el área que se desea. En el ejemplo 6.6 invertimos el proceso y comenzamos con un área o probabilidad conocida, encontramos el valor z y después determinamos x reacomodando la formula: µ Z = X Para dar x = σ z + µ σ Ejemplo 5: Dada una distribución normal con µ = 40 y σ = 6, encuentre el valor de x que tiene (a) 45% del área a la izquierda y (b) 14% del área a la derecha.

6 : (a) En la figura 8 (a) se sombrea un área de 0.45 a la izquierda del valor x deseado. Requerimos un valor z que deja un área de 0.45 a la izquierda. De la tabla A.3 encontramos P (Z < ) = 0.45 por lo que el valor z deseado es De aquí X = (6) (-0.13) + 40 =39.22 (b) En la figura 8 (b) sombreamos un área igual a 0.14 a la derecha del valor que se desea. Esta vez requerimos un valor z que deje 0.14 del área a la derecha y por ello un área de 0.86 a la izquierda. De nuevo, de la tabla A.3, encontramos P (Z <1.08) = 0.86 por lo que el valor z que se desea es 1.08 y, x = (6) (1.08) + 40 = (a) (b) σ = 6 σ = Figura 8. Áreas del ejemplo 5 Aplicaciones de la distribución normal 40 x 40 x Algunos de los muchos problemas para los que es aplicable la distribución normal se tratan en los siguientes ejemplos. Ejemplo 1: Cierto tipo de batería de almacenamiento dura, en promedio, 3.0 años, con una desviación estándar de 0.5 años. Suponga que las duraciones de la batería de distribuyen normalmente, encuentre la probabilidad de que una batería dada dure menos de 2.3 años. Primero construya un diagrama como el de la figura 9, que muestra la distribución dad de duraciones de las baterías y el área que se desea. Para encontrar la P (X < 2.3), necesitamos evaluar el área bajo la curva normal a la izquierda de 2.3. Esto se logra encontrando el área a la izquierda del correspondiente valor de z. Por lo tanto se encuentra que: σ = 0.5 Figura 9. Área del ejemplo x

7 2.3 3 Z = = - 1.4, 0.5 Y entonces con el uso de la tabla A.3 tenemos P(X< 2.3) = P (Z < - 1.4) = Ejemplo 2: Una empresa eléctrica fabrica focos que tiene una duración, antes de fundirse, que se distribuye normalmente con media igual a 800 horas y una desviación estándar de 40 horas. Encuentre la probabilidad de que un foco se funda entre 778 y 834 hora. σ = 40 Figura 10. Área del ejemplo x La distribución de los focos se ilustra en la figura Los valores z que corresponden a x 1 = 778 y x 2 = 834 son: De aquí que: Z 1 = = Z 1 = = P (778 < X < 834) = P (-0.55 < Z 0.859) =P (Z < 0.85) P (Z < ) = = Ejemplo 3: En un proceso industrial el diámetro de un cojinete es una parte componente importante. El comprador establece que las especificaciones en el diámetro sean 3.0 ± 0.01 cm. La implicación es que ninguna parte que caiga fuera de estas especificaciones se aceptara. Se sabe que en el proceso el diámetro de un cojinete tiene una distribución normal con media 3.0 y una desviación estándar σ = En promedio, cuántos cojinetes se descartaran? La distribución de diámetros se ilustra en la figura Los valores que corresponden a los limites especificados son x 1 = 2.99 y x 2 = Los correspondientes valores de z son:

8 Z 1 = = σ = Z 2 = = Figura 11. Área del ejemplo 3 Por lo tanto, P (2.99 < X < 3.01) = P (-20 < Z < 2.0) De la tabla A.3, P (Z < - 20) = Debido a la simetría de la distribución normal, encontramos que P (- 2.0 < Z < 2.0) = 2 (0.0228) = Como resultado se anticipa que, en promedio, 4.56% de los cojinetes fabricados se descartaran. Ejemplo 4: Se utilizan medidores para rechazar todos los componentes donde cierta dimensión no esta dentro de las especificación 1.50 ± d. Se sabe que esta medición se distribuye de forma normal con media 1.50 y desviación estándar 0.2. Determine el valor d tal que las especificaciones cubran 95% de las mediciones. Figura 12. Especificaciones del ejemplo σ = x De la tabla A.3 sabemos que, P (-1.96 < Z < 1.96) = d 1.50 Por lo tanto, 1.96 = ( ) 0. 2 de la cual se obtiene: d = (0.2) (1.96) = Ejemplo 5: Cierta maquina fabrica resistores eléctricos que tiene una resistencia media de 40 ohmios y una desviación estándar de dos ohmios. Suponga que la resistencia sigue una distribución normal y se puede medir con cualquier grado de precisión, que porcentaje de resistores tendrá una resistencia que exceda 43 ohmios? Se encuentra un porcentaje al multiplicar la frecuencia relativa por 100%. Como la frecuencia relativa para un intervalo es igual a la probabilidad de caer en el intervalo, debemos encontrar el

9 área a la derecha de x = 43 en la figura 13. Esto se puede hacer al transformar x = 43 al valor z correspondiente, con lo que se obtiene el área a la izquierda de z de la tabla, A.3, y después se resta esta área de 1. Encontramos que: σ = 2.0 Figura 13. Área del ejemplo Z = = x De aquí que, P(X > 43) = P (Z > 1.5) = 1 P (Z < 1.5) = = Por tanto, 6.68% de los resistores tendrán una resistencia que excede 43 ohmios. Ejemplo 6: Encuentre el porcentaje de revisores que exceden 43 ohmios para el ejemplo anterior si la resistencia se mide al ohm mas cercano. Este problema defiere del ejemplo anterior pues ahora asignamos una media de 43 ohmios a todos los resistores cuyas resistencias sean mayores que 42.5 y menores que Realmente aproximamos una distribución discreta por medio de una distribución continua normal. El área que se requiere es la región sombreada a la derecha de 43.5 en la figura Encontramos ahora que: σ = 2.0 Figura 14. Área del ejemplo Z = = x De aquí que, P(X > 43.5) = P (Z > 1.75) = 1 P (Z < 1.75) = = Por tanto, 4.01% de los resistores exceden 43 ohmios cuando se miden al ohmio mas cercano. La diferencia 6.68% % = 2.67% entre esta respuesta y la del ejemplo anterior representa todos los resistores que tienen una resistencia mayor que 43 y menor que 43.5 que ahora se registran como de 43 ohmios.

10 Ejemplo 7: La calificación promedio para un examen es 74 y la desviación estándar es 7. Si 12% de la clase obtiene A y las calificaciones siguen una curva que tiene una distribución normal, Cuál es la A mas baja posible y la B mas alta posible? Figura 15. Área del ejemplo σ = 7 74 x En este ejemplo comenzamos con una área de probabilidad conocida, encontramos el valor z y después determinamos x de la formula x = σ + µ. Un área de 0.12, que corresponde a la fracción de estudiantes que reciben A, se sombrea en la figura Requerimos un valor z que deje 0.12 del área a la derecha y, por ello, un área de 0.88 a la izquierda. De la tabla A.3, P (Z < 1.175) = 0.88, por lo que el valor z que se desea es De aquí : X= (7)(1.175) + 74 = Por tanto, la A mas baja es 83 y la B mas alta es 82

Algunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Algunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda

Más detalles

conocida comúnmente, como la Campana de Gauss ".

conocida comúnmente, como la Campana de Gauss . CURSO DE ESTADÍSTICA INFERENCIAL EJERCICIOS Y PROBLEMAS RESUELTOS DE DISTRIBUCIÓN NORMAL Prof.:MSc. Julio R. Vargas A. La Distribución Normal: La distribución normal N (μ, σ): es un modelo matemático que

Más detalles

LECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.

LECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL. LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante

Más detalles

Tema 4: Probabilidad y Teoría de Muestras

Tema 4: Probabilidad y Teoría de Muestras Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009

Más detalles

Histograma del puntaje de vocabulario y la aproximación por una curva gaussiana.

Histograma del puntaje de vocabulario y la aproximación por una curva gaussiana. 35 Curvas de densidad Existe alguna manera de describir una distribución completa mediante una única expresión? un diagrama tallo-hoja no es práctico pues se trata de demasiados datos un histograma elimina

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

Habilidades Matemáticas. Alejandro Vera

Habilidades Matemáticas. Alejandro Vera Habilidades Matemáticas Alejandro Vera La distribución normal Introducción Una de las herramientas de mayor uso en las empresas es la utilización de la curva normal para describir situaciones donde podemos

Más detalles

La distribución de Probabilidad normal, dada por la ecuación:

La distribución de Probabilidad normal, dada por la ecuación: La distribución de Probabilidad normal, dada por la ecuación: Donde: x = X -, la distancia entre X y en el eje de las X. = la media de la población o universo ( de las X ) fx= La altura de la ordenada

Más detalles

CAPÍTULO 4 TÉCNICA PERT

CAPÍTULO 4 TÉCNICA PERT 54 CAPÍTULO 4 TÉCNICA PERT Como ya se mencionó en capítulos anteriores, la técnica CPM considera las duraciones de las actividades como determinísticas, esto es, hay el supuesto de que se realizarán con

Más detalles

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:

Más detalles

Variable Aleatoria Continua. Principales Distribuciones

Variable Aleatoria Continua. Principales Distribuciones Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables

Más detalles

CUÁL SERIA LA PREDICCION OPTIMA DEL ESTADO DEL TIEMPO AL DIA SIGUIENTE?

CUÁL SERIA LA PREDICCION OPTIMA DEL ESTADO DEL TIEMPO AL DIA SIGUIENTE? TEOREMA DE BAYES Explica como considerar matemáticamente la nueva información en la toma de decisiones. P( AΙB) = P( A B) P( B) = P( A) P( BΙA) P( B) PROBLEMA: En cierto lugar llueve el 40% de los días

Más detalles

DISTRIBUCIÓN N BINOMIAL

DISTRIBUCIÓN N BINOMIAL DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina

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

Contraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste

Contraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste 1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y

Más detalles

Conceptos Básicos de Inferencia

Conceptos Básicos de Inferencia Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos

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

Otra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza

Otra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer

Más detalles

Tema 5 Algunas distribuciones importantes

Tema 5 Algunas distribuciones importantes Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos

Más detalles

2. Calcula las raíces o soluciones para cada ecuación cuadrática.

2. Calcula las raíces o soluciones para cada ecuación cuadrática. Matemáticas 3 Bloque I Instrucciones. Lee y contesta correctamente lo que se te pide. 1. Cuánto tiempo tardará en llegar al suelo un objeto que se deja caer verticalmente desde la azotea de un edificio

Más detalles

Teorema Central del Límite (1)

Teorema Central del Límite (1) Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico

Más detalles

Unidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.

Unidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua. Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,

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

Modelos de PERT/CPM: Probabilístico

Modelos de PERT/CPM: Probabilístico INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE CÓMPUTO Modelos de PERT/CPM: Probabilístico M. En C. Eduardo Bustos Farías 1 Existen proyectos con actividades que tienen tiempos inciertos, es decir,

Más detalles

FACULTAD DE INGENIERÍA UNAM PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@servidor.unam.m T E M A S DEL CURSO. Análisis Estadístico de datos muestrales.. Fundamentos de la Teoría de

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 NORMAL ESTÁNDAR

DISTRIBUCIÓN NORMAL ESTÁNDAR DISTRIBUCIÓN NORMAL ESTÁNDAR INTRODUCCIÓN Las distribuciones de probabilidad están relacionadas con la distribución de frecuencias. De hecho, podemos pensar en la distribución de probabilidad como una

Más detalles

Estadística para la toma de decisiones

Estadística para la toma de decisiones Estadística para la toma de decisiones ESTADÍSTICA PARA LA TOMA DE DECISIONES. 1 Sesión No. 7 Nombre: Distribuciones de probabilidad para variables continúas. Objetivo Al término de la sesión el estudiante

Más detalles

EJERCICIOS RESUELTOS DE ESTADÍSTICA II

EJERCICIOS RESUELTOS DE ESTADÍSTICA II EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES PARTE I POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS V ERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el

Más detalles

JUNIO Bloque A

JUNIO Bloque A Selectividad Junio 009 JUNIO 009 Bloque A 1.- Estudia el siguiente sistema en función del parámetro a. Resuélvelo siempre que sea posible, dejando las soluciones en función de parámetros si fuera necesario.

Más detalles

Introducción. Flujo Eléctrico.

Introducción. Flujo Eléctrico. Introducción La descripción cualitativa del campo eléctrico mediante las líneas de fuerza, está relacionada con una ecuación matemática llamada Ley de Gauss, que relaciona el campo eléctrico sobre una

Más detalles

Distribución Chi (o Ji) cuadrada (χ( 2 )

Distribución Chi (o Ji) cuadrada (χ( 2 ) Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably

Más detalles

EJERCICIOS RESUELTOS DE ESTADÍSTICA II

EJERCICIOS RESUELTOS DE ESTADÍSTICA II EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES PARTE II POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS V ERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS

Más detalles

Hoja 6: Estadística descriptiva

Hoja 6: Estadística descriptiva Hoja : Estadística descriptiva Hoja : Estadística descriptiva May Dada la siguiente distribución de frecuencias, halle: a) la mediana; b) la media. Número (x) Frecuencia (y) May De enero a septiembre la

Más detalles

Fase 2. Estudio de mercado: ESTADÍSTICA

Fase 2. Estudio de mercado: ESTADÍSTICA 1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.

Más detalles

ESTRUCTURA DE LINEAS DE ESPERA

ESTRUCTURA DE LINEAS DE ESPERA ESTRUCTURA DE LINEAS DE ESPERA La teoría de las colas es el estudio de líneas de espera. Cuatro características de un sistema de la formación de colas o líneas de espera son: la manera en que los clientes

Más detalles

1 - TEORIA DE ERRORES : distribución de frecuencias

1 - TEORIA DE ERRORES : distribución de frecuencias - TEORIA DE ERRORES : distribución de frecuencias CONTENIDOS Distribución de Frecuencias. Histograma. Errores de Apreciación. Propagación de errores. OBJETIVOS Representar una serie de datos mediante un

Más detalles

Examen de Matemáticas Aplicadas a las CC. Sociales II (Coincidente-Junio 2012) Selectividad-Opción A Tiempo: 90 minutos

Examen de Matemáticas Aplicadas a las CC. Sociales II (Coincidente-Junio 2012) Selectividad-Opción A Tiempo: 90 minutos Examen de Matemáticas Aplicadas a las CC. Sociales II (Coincidente-Junio 1) Selectividad-Opción A Tiempo: 9 minutos Problema 1 (3 puntos) Dadas las matrices A = x y z y B = 1, se pide: 1 1 3 1 k, X = 1.

Más detalles

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

PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 00-.003 - CONVOCATORIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumno debe elegir sólo una de las pruebas (A o B) y, dentro de ella, sólo

Más detalles

Distribuciones de probabilidad

Distribuciones de probabilidad Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir

Más detalles

T1. Distribuciones de probabilidad discretas

T1. Distribuciones de probabilidad discretas Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de

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

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

Mediciones II. Todas las mediciones tienen asociada una incertidumbre que puede deberse a los siguientes factores:

Mediciones II. Todas las mediciones tienen asociada una incertidumbre que puede deberse a los siguientes factores: Mediciones II Objetivos El alumno determinará la incertidumbre de las mediciones. El alumno determinará las incertidumbres a partir de los instrumentos de medición. El alumno determinará las incertidumbres

Más detalles

Variables aleatorias. Examen Junio La función de distribución de una variable continua X es de la forma:

Variables aleatorias. Examen Junio La función de distribución de una variable continua X es de la forma: TEMA 6: Variables aleatorias Examen Junio 003.- La función de distribución de una variable continua X es de la forma: 3 F ( t) = P( X t) = a + bt ct t, Se sabe que la densidad verifica f(-)=f()=0. [ ]

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL MEDIDAS DE TENDENCIA CENTRAL Son valores numéricos que localizan e informan sobre los valores medios de una serie o conjunto de datos, se les considera como indicadores debido a que resumen la información

Más detalles

Estadística Inferencial. Estadística Descriptiva

Estadística Inferencial. Estadística Descriptiva INTRODUCCIÓN Estadística: Ciencia que trata sobre la teoría y aplicación de métodos para coleccionar, representar, resumir y analizar datos, así como realizar inferencias a partir de ellos. Recogida y

Más detalles

Pregunta 1. Pregunta 2. Pregunta 3. Pregunta 4. Pregunta 5. Pregunta 6. Pregunta 7. Comenzado el lunes, 25 de marzo de 2013, 17:24

Pregunta 1. Pregunta 2. Pregunta 3. Pregunta 4. Pregunta 5. Pregunta 6. Pregunta 7. Comenzado el lunes, 25 de marzo de 2013, 17:24 Comenzado el lunes, 25 de marzo de 2013, 17:24 Estado Finalizado Finalizado en sábado, 30 de marzo de 2013, 17:10 Tiempo empleado 4 días 23 horas Puntos 50,00/50,00 Calificación 10,00 de un máximo de 10,00

Más detalles

INFERENCIA ESTADISTICA

INFERENCIA ESTADISTICA 1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,

Más detalles

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse

Más detalles

Pruebas de Acceso a las Universidades de Castilla y León

Pruebas de Acceso a las Universidades de Castilla y León Pruebas de Acceso a las Universidades de Castilla y León MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJERCICIO Nº páginas 2 Tablas OPTATIVIDAD: EL ALUMNO DEBERÁ ESCOGER UNA DE LAS DOS OPCIONES Y DESARROLLAR

Más detalles

OPCIÓN A. La empresa A (x) tiene 30 trabajadores, la B (y) 20 trabajadores y la C (z) 13 trabajadores.

OPCIÓN A. La empresa A (x) tiene 30 trabajadores, la B (y) 20 trabajadores y la C (z) 13 trabajadores. PRUEBAS DE ACCESO A LA UNIVERSIDAD PARA EL ALUMNADO DE BACHILLERATO. 159 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. JUNIO 16 EXAMEN RESUELTO POR JAVIER SUÁREZ CABALLERO (@javiersc9) OBSERVACIONES IMPORTANTES:

Más detalles

Teoría de errores -Hitogramas

Teoría de errores -Hitogramas FÍSICA I Teoría de errores -Hitogramas Autores: Pablo Iván ikel - e-mail: pinikel@hotmail.com Ma. Florencia Kronberg - e-mail:sil_simba@hotmail.com Silvina Poncelas - e-mail:flo_kron@hotmail.com Introducción:

Más detalles

ESTADÍSTICA SEMANA 3

ESTADÍSTICA SEMANA 3 ESTADÍSTICA SEMANA 3 ÍNDICE MEDIDAS DESCRIPTIVAS... 3 APRENDIZAJES ESPERADOS... 3 DEFINICIÓN MEDIDA DESCRIPTIVA... 3 MEDIDAS DE POSICIÓN... 3 MEDIDAS DE TENDENCIA CENTRAL... 4 MEDIA ARITMÉTICA O PROMEDIO...

Más detalles

ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.

ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que

Más detalles

Variables aleatorias

Variables aleatorias Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando

Más detalles

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------

Más detalles

Dispone de 1 hora para resolver las siguientes cuestiones planteadas.

Dispone de 1 hora para resolver las siguientes cuestiones planteadas. ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL FACULTAD DE ECONOMÍA Y NEGOCIOS EXAMEN TEÓRICO DE ESTADÍSTICA COMPUTARIZADA NOMBRE: PARALELO: Dispone de 1 hora para resolver las siguientes cuestiones planteadas.

Más detalles

Tema 4: Probabilidad y Teoría de Muestras

Tema 4: Probabilidad y Teoría de Muestras Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009

Más detalles

TALLER 3 ESTADISTICA I

TALLER 3 ESTADISTICA I TALLER 3 ESTADISTICA I Profesor: Giovany Babativa 1. Un experimento consiste en lanzar un par de dados corrientes. Sea la variable aleatoria X la suma de los dos números. a. Determine el espacio muestral

Más detalles

PRUEBAS DE ACCESO A CICLOS FORMATIVOS DE GRADO SUPERIOR DE FORMACIÓN PROFESIONAL JUNIO 2015

PRUEBAS DE ACCESO A CICLOS FORMATIVOS DE GRADO SUPERIOR DE FORMACIÓN PROFESIONAL JUNIO 2015 CALIFICACIÓN: PRUEBAS DE ACCESO A CICLOS FORMATIVOS DE GRADO SUPERIOR DE FORMACIÓN PROFESIONAL JUNIO 201 Apellidos Nombre Centro de examen Instrucciones Generales PARTE COMÚN MATERIA: FUNDAMENTOS DE MATEMÁTICAS

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

MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN

MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MODELO DE EXAMEN CURSO 2014-2015 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES

Más detalles

Distribuciones de probabilidad discretas

Distribuciones de probabilidad discretas Lind, Douglas; William G. Marchal y Samuel A. Wathen (2012). Estadística aplicada a los negocios y la economía, 15 ed., McGraw Hill, China. Distribuciones de probabilidad discretas Capítulo 6 FVela/ McGraw-Hill/Irwin

Más detalles

UNIDAD 6. Estadística

UNIDAD 6. Estadística Matemática UNIDAD 6. Estadística 2 Medio GUÍA N 1 MEDIDAS DE DISPERSIÓN PARA DATOS NO AGRUPADOS ACTIVIDAD Consideremos los siguientes conjuntos de valores referidos a las edades de los jugadores de dos

Más detalles

CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS

CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos

Más detalles

MATEMÁTICA: TRABAJO PRÁCTICO 2. Funciones. 1) Carlos está enfermo. Veamos la gráfica de la evolución de su temperatura.

MATEMÁTICA: TRABAJO PRÁCTICO 2. Funciones. 1) Carlos está enfermo. Veamos la gráfica de la evolución de su temperatura. ILSE-2º Año- MATEMÁTICA: TRABAJO PRÁCTICO 2 Funciones 1) Carlos está enfermo. Veamos la gráfica de la evolución de su temperatura. a) Cuántos días ha estado enfermo el paciente? (Se considera normal una

Más detalles

PROBLEMAS ESTADÍSTICA I

PROBLEMAS ESTADÍSTICA I PROBLEMAS ESTADÍSTICA I INGENIERÍA TÉCNICA EN INFORMÁTICA CURSO 2002/2003 Estadstica Descriptiva Unidimensional 1. Un edificio tiene 45 apartamentos con el siguiente número de inquilinos: 2 1 3 5 2 2 2

Más detalles

UNIVERSIDAD AUTONOMA DE SANTO DOMINGO

UNIVERSIDAD AUTONOMA DE SANTO DOMINGO UNIVERSIDAD AUTONOMA DE SANTO DOMINGO FACULTAD DE CIENCIAS ECONOMICAS Y SOCIALES DEPARTAMENTO DE ESTADISITICA CATEDRA Estadística Especializada ASIGNATURA Estadística Industrial (EST-121) NUMERO DE CREDITOS

Más detalles

Matemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis

Matemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL MEDIDAS DE TENDENCIA CENTRAL Al describir grupos de observaciones, con frecuencia es conveniente resumir la información con un solo número. Este número que, para tal fin, suele situarse hacia el centro

Más detalles

f: D IR IR x f(x) v. indep. v. dependiente, imagen de x mediante f, y = f(x). A x se le llama antiimagen de y por f, y se denota por x = f -1 (y).

f: D IR IR x f(x) v. indep. v. dependiente, imagen de x mediante f, y = f(x). A x se le llama antiimagen de y por f, y se denota por x = f -1 (y). TEMA 8: FUNCIONES. 8. Función real de variable real. 8. Dominio de una función. 8.3 Características de una función: signo, monotonía, acotación, simetría y periodicidad. 8.4 Operaciones con funciones:

Más detalles

Expliquemos con exactitud qué queremos decir con valores máximos y mínimos.

Expliquemos con exactitud qué queremos decir con valores máximos y mínimos. Introducción: Ahora que conocemos las reglas de derivación nos encontramos en mejor posición para continuar con las aplicaciones de la derivada. Veremos cómo afectan las derivadas la forma de la gráfica

Más detalles

Precálculo 1 - Ejercicios de Práctica. 1. La pendiente de la línea (o recta) que pasa por los puntos P(2, -1) y Q(0, 3) es:

Precálculo 1 - Ejercicios de Práctica. 1. La pendiente de la línea (o recta) que pasa por los puntos P(2, -1) y Q(0, 3) es: Precálculo 1 - Ejercicios de Práctica 1. La pendiente de la línea (o recta) que pasa por los puntos P(2, -1) y Q(0, 3) es: a. 2 b. 1 c. 0 d. 1 2. La ecuación de la línea (recta) con pendiente 2/5 e intercepto

Más detalles

ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ

ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El

Más detalles

JUNIO Opción A

JUNIO Opción A Junio 010 (Prueba Específica) JUNIO 010 Opción A 1.- Discute y resuelve según los distintos valores del parámetro a el siguiente sistema de ecuaciones: a x + a y + az 1 x + a y + z 0.- Una panadería se

Más detalles

DE LA GRÁFICA A LA EXPRESIÓN ALGEBRAICA

DE LA GRÁFICA A LA EXPRESIÓN ALGEBRAICA De la gráfica a la expresión algebraica DE LA GRÁFICA A LA EXPRESIÓN ALGEBRAICA Rectas, Parábolas, Hipérbolas, Exponenciales Logarítmicas LA RECTA Comencemos localizando el punto donde la recta corta al

Más detalles

Facultad de Ciencias Sociales - Universidad de la República

Facultad de Ciencias Sociales - Universidad de la República Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura

Más detalles

M i. Los datos vendrán en intervalos en el siguiente histograma de frecuencias acumuladas se ilustra la mediana.

M i. Los datos vendrán en intervalos en el siguiente histograma de frecuencias acumuladas se ilustra la mediana. Medidas de tendencia central y variabilidada para datos agrupados Media (media aritmética) ( X ) Con anterioridad hablamos sobre la manera de determinar la media de la muestra. Si hay muchos valores u

Más detalles

FUNCION CUADRATICA. f(x)=ax 2 + bx + c, a 0. El dominio de toda función cuadrática es el conjunto de los números reales, decir que D f = IR

FUNCION CUADRATICA. f(x)=ax 2 + bx + c, a 0. El dominio de toda función cuadrática es el conjunto de los números reales, decir que D f = IR FUNCION CUADRATICA Se llama función cuadrática a una función poli nómica real de variable real, que tiene grado dos. La función cuadrática tiene la forma: Ejemplos: f(x)=ax + bx + c, a 0 = x + 3x + = 3x

Más detalles

CBC. Matemática (51) universoexacto.com 1

CBC. Matemática (51) universoexacto.com 1 CBC Matemática (51) universoexacto.com 1 PROGRAMA ANALÍTICO 1 :: UNIDAD 1 Números Reales y Coordenadas Cartesianas Representación de los números reales en una recta. Intervalos de Distancia en la recta

Más detalles

Variables aleatorias

Variables aleatorias Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,

Más detalles

2.- Tablas de frecuencias

2.- Tablas de frecuencias º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II TEMA 3.- ESTADÍSTICA DESCRIPTIVA PROFESOR: RAFAEL NÚÑEZ -----------------------------------------------------------------------------------------------------------------------------------------------------------------

Más detalles

INTEGRAL DEFINIDA. APLICACIONES

INTEGRAL DEFINIDA. APLICACIONES COLEGIO SAN ALBERTO MAGNO MATEMÁTICAS II INTEGRAL DEFINIDA. APLICACIONES. 008 MODELO OPCIÓN A. Ejercicio. [ 5 puntos] Dadas las funciones f : [0,+ ) R y g : [0, + ) R definidas por y calcula el área del

Más detalles

ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO

ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO El examen presentará dos opciones diferentes entre las que el alumno deberá elegir una y responder

Más detalles

para una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua

para una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua Pruebas de hipótesis para una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua Las secciones anteriores han mostrado cómo puede estimarse un parámetro de

Más detalles

Distancia focal de una lente convergente (método del desplazamiento) Fundamento

Distancia focal de una lente convergente (método del desplazamiento) Fundamento Distancia focal de una lente convergente (método del desplazamiento) Fundamento En una lente convergente delgada se considera el eje principal como la recta perpendicular a la lente y que pasa por su centro.

Más detalles

Tema 4 Variables Aleatorias

Tema 4 Variables Aleatorias Tema 4 Variables Aleatorias 1 Introducción En Estadística Descriptiva, se estudiaron las distribuciones de frecuencias de conjuntos de datos y posteriormente se vimos los fundamentos de la teoría de probabilidades.

Más detalles

UNIVERSIDAD DEL NORTE

UNIVERSIDAD DEL NORTE UNIVERSIDAD DEL NORTE 1. IDENTIFICACIÓN DIVISIÓN ACADÉMICA DIVISIÓN DE CIENCIAS BÁSICAS DEPARTAMENTO MATEMÁTICAS Y ESATADÍSTICA. PROGRAMA ACADÉMICO ESTADÍSTICA I-AD CÓDIGO DE LA ASIGNATURA EST 1022 PRE-REQUISITO

Más detalles

1 SISTEMAS DE ECUACIONES LINEALES Y MATRICES

1 SISTEMAS DE ECUACIONES LINEALES Y MATRICES Capítulo 1 SISTEMAS DE ECUACIONES LINEALES Y MATRICES 1.1 INTRODUCCIÓN Este libro trata del álgebra lineal. Al buscar la palabra lineal en el diccionario se encuentra, entre otras definiciones, la siguiente:

Más detalles

INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016

INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016 ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una

Más detalles

MATEMÁTICAS APLICADAS A LAS CC. SOCIALES I. Examen de la tercera evaluación. Nombre y apellidos Fecha: 10 de junio de 2010

MATEMÁTICAS APLICADAS A LAS CC. SOCIALES I. Examen de la tercera evaluación. Nombre y apellidos Fecha: 10 de junio de 2010 IES ATENEA San Sebastián de los Rees MATEMÁTICAS APLICADAS A LAS CC. SOCIALES I Eamen de la tercera evaluación Nombre apellidos Fecha: 0 de junio de 00.- (, 5 puntos) En seis modelos de zapatillas deportivas

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 2012-2013 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

TRATAMIENTO DE PUNTAJES

TRATAMIENTO DE PUNTAJES TRATAMIENTO DE PUNTAJES Andrés Antivilo B. Paola Contreras O. Jorge Hernández M. UNIDAD DE ESTUDIOS E INVESTIGACIÓN Santiago, 2015 [Escriba texto] TABLA DE CONTENIDO TRATAMIENTO DE LOS PUNTAJES... 4 1.1.

Más detalles

Polinomios y Estadística

Polinomios y Estadística Funciones polinomiales Universidad de Concepción, Chile Departamento de Geofísica Programación Científica con Software libre Primavera, 2011 Universidad de Concepción Contenidos Funciones polinomiales

Más detalles

a. N(19 5, 1 2) P(19 X 21) = P( Z ) = = P = P P = = P P = P = = = El 55 72% no son adecuados.

a. N(19 5, 1 2) P(19 X 21) = P( Z ) = = P = P P = = P P = P = = = El 55 72% no son adecuados. El diámetro de los tubos de cartón para un envase ha de estar entre 19 y 21mm. La maquina prepara tubos cuyos diámetros están distribuidos como una manual de media 19 5mm y desviación típica 1 2mm. Qué

Más detalles

UNIDAD III: APLICACIONES ADICIONALES DE LA DERIVADA

UNIDAD III: APLICACIONES ADICIONALES DE LA DERIVADA UNIDAD III: APLICACIONES ADICIONALES DE LA DERIVADA Estimado estudiante continuando con el estudio, determinaremos el comportamiento de una función en un intervalo, es decir, cuestiones como: Tiene la

Más detalles

Tema 5: Introducción a la inferencia estadística

Tema 5: Introducción a la inferencia estadística Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas

Más detalles

MEDICIÓN Y PROPAGACIÓN DE ERRORES. Comprender el proceso de medición y expresar correctamente el resultado de una medida realizada.

MEDICIÓN Y PROPAGACIÓN DE ERRORES. Comprender el proceso de medición y expresar correctamente el resultado de una medida realizada. LABORATORIO Nº 1 MEDICIÓN Y PROPAGACIÓN DE ERRORES I. LOGROS Comprender el proceso de medición y expresar correctamente el resultado de una medida realizada. Aprender a calcular el error propagado e incertidumbre

Más detalles