INFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS
|
|
- Consuelo Palma Escobar
- hace 7 años
- Vistas:
Transcripción
1 INFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS Autor: Clara Laguna 6.1 INTRODUCCIÓN En el tema anterior estudiamos cómo a partir de una muestra podemos obtener una estimación puntual o bien establecer un intervalo más o menos aproximado para encontrar los parámetros que rigen la ley de probabilidad de una variable aleatoria definida sobre la población. En la práctica nos encontramos con situaciones en las que existe una idea preconcebida sobre una característica de la población que estamos estudiando. Por ejemplo, cuando nos planteamos si los niños de las distintas comunidades españolas tienen la misma altura. Este tipo de circunstancias son las que nos llevan al estudio de la parcela de la Estadística Inferencial conocida como Contraste de Hipótesis (también denominado Test de Hipótesis o Contraste de significación). Si lo pensáis, una hipótesis no es más que una creencia sobre la población, principalmente sobre alguno de sus parámetros (media, proporción ). Si queremos contrastarla, se debe establecer antes del análisis. El test será la herramienta que nos permitirá extraer conclusiones a partir de la diferencia entre las observaciones y los resultados que se deberían obtener si la hipótesis de partida fuese cierta. El contraste de hipótesis Implica, en cualquier investigación, la existencia de dos teorías o hipótesis implícitas, que denominaremos hipótesis nula e hipótesis alternativa, que de alguna manera reflejarán esa idea a priori que tenemos y que pretendemos contrastar con la realidad. De la misma manera aparecen, diferentes tipos de errores que podemos cometer durante el procedimiento. No olvidemos que las conclusiones que obtengamos para una población cualquiera, se habrán apoyado en el análisis de sólo una parte de ésta. De la probabilidad con la que estemos dispuestos a asumir estos errores, dependerá, por ejemplo, el tamaño de la muestra requerida. Los contrastes de hipótesis se realizan: Suponiendo a priori que la ley de distribución de la población es conocida. Extrayendo una muestra aleatoria de dicha población. Si la distribución de la muestra es diferente de la distribución de probabilidad que hemos asignado a priori a la población, concluimos que probablemente sea errónea la suposición inicial. 06. Inferencia estadística: Contrastes de hipótesis 1-11
2 Ejemplo 6.1: Una situación en la que podríamos utilizar un contraste de hipótesis sería: Un estudio afirma que la media de las alturas de los chicos aragoneses de 17 años es de 178 cm. Visitamos un instituto y escogemos a diez chicos al azar; su altura media es de 171 cm. Podemos pensar que los muchachos de este instituto tienen una altura diferente de la del conjunto de chicos de Aragón? En la situación anterior suponemos cierta hipótesis y debemos decidir, a partir de nuestras observaciones, si tenemos suficientes evidencias para poder rechazarla. Cómo lo haremos? Utilizaremos probabilidades. 6.2 HIPÓTESIS NULA Y ALTERNATIVA En un contraste de hipótesis se decide si cierta hipótesis H 0 que denominamos hipótesis nula puede ser rechazada o no a la vista de los datos suministrados por una muestra de la población. Para realizar el contraste es necesario establecer previamente una hipótesis alternativa H 1 que será admitida cuando H 0 sea rechazada. Normalmente H 1 es la negación de H 0, aunque esto no es necesariamente así. La hipótesis nula H 0, es la hipótesis de partida (la que contrastamos). Debe recoger el hecho que queramos someter a prueba. La hipótesis alternativa H 1 es la que, como su nombre indica, ofrecemos como alternativa a la nula. Esta hipótesis, representa que se ha producido un cambio con respecto a la situación descrita por la hipótesis nula. Para poder plantear correctamente las hipótesis, debemos entender bien la estructura estadística que se encuentra tras los datos y, por tanto, deberemos conocer qué distribución siguen. Las hipótesis se expresarán normalmente en términos de algún parámetro de la distribución de los datos que estudiamos. Volviendo al ejemplo 6.1: Sabemos, por ejemplo, que la variable altura sigue una distribución normal. Por tanto, una altura es una observación de una variable N(µ,σ 2 ). Supondremos también que σ es conocida y es igual a 3. Entonces, cuando decimos que los chicos de 17 años tienen una altura media de 178 cm, en realidad proponemos que la hipótesis nula expresada en términos del parámetro µ es ésta: H 0: µ = Para detectar si las alturas no siguen esta media, debemos coger como hipótesis alternativa: H 1: µ 178 (hipótesis bilateral) 06. Inferencia estadística: Contrastes de hipótesis 2-11
3 Figura Pero si quisiéramos detectar si los chicos son más altos de 178 cm, la hipótesis alternativa debería ser: H 1: µ > 178 (hipótesis unilateral) Figura Mientras que si quisiéramos detectar si son más bajos de 178 cm, debería ser: H 1: µ < 178 (hipótesis unilateral) Figura 6.3 Por tanto, como acabamos de ver en el ejemplo, la hipótesis alternativa puede ser bilateral (figura 6.1), si el parámetro es diferente del valor correspondiente a la hipótesis nula, o unilateral (figura 6.2 y 6.3), si sólo lo compara en una dirección. Una vez planteadas las hipótesis nula y alternativa, debemos tomar una decisión a partir de las observaciones. Existen dos decisiones posibles: 1) Aceptar la hipótesis nula 2) Rechazar la hipótesis nula 06. Inferencia estadística: Contrastes de hipótesis 3-11
4 Por otro lado, hay dos situaciones posibles: a) La hipótesis nula es cierta b) La hipótesis nula es falsa Esto hace que podamos cometer dos clases de errores diferentes: podemos aceptar la hipótesis nula cuando ésta es falsa o podemos rechazar la hipótesis nula cuando es cierta, tal como se ve en la tabla siguiente: Podemos medir estos errores con la probabilidad de que se den las situaciones respectivas. Así, podemos considerar los errores siguientes: El error de tipo I es la probabilidad de que rechacemos la hipótesis nula cuando ésta es cierta. El error de tipo II es la probabilidad de que aceptemos la hipótesis nula cuando ésta es falsa. Ahora necesitamos una regla de decisión que nos permita determinar si debemos aceptar o rechazar la hipótesis nula a partir de las observaciones. Puesto que podemos cometer dos tipos de errores diferentes, nos interesaría tomar la decisión que minimizara los dos. La solución de este problema no es fácil. Normalmente, la experiencia nos enseña que cuando establecemos una regla de decisión que reduce mucho uno de los errores, el otro aumenta. Dado que no podemos hacer pequeños los dos errores al mismo tiempo, utilizaremos la siguiente estrategia: buscaremos reglas de decisión que nos permitan tener limitado el error de primer tipo, considerado más grave. Es decir, el error que cometemos cuando decidimos rechazar la hipótesis nula y ésta es cierta. Esta estrategia 1 es conservadora, tendemos a no rechazar la hipótesis nula excepto si los resultados son muy poco probables con ésta. Una buena forma de hacer pequeños los dos errores y, por tanto, de mejorar nuestros resultados, es aumentar el tamaño de las muestras que utilizamos. 6.3 EL NIVEL DE SIGNIFICACIÓN El intervalo de aceptación o más precisamente, de no rechazo de la hipótesis nula, se establece fijando una cantidad α suficientemente pequeña denominada nivel de 1 La estrategia de decisión que utilizamos aquí se basa en los resultados de Neyman y Pearson, dos importantes matemáticos del siglo XX. 06. Inferencia estadística: Contrastes de hipótesis 4-11
5 significación, de modo que la probabilidad de que el estadístico que estamos estudiando tome un valor fuera del mismo (región crítica) cuando la hipótesis nula es cierta, sea inferior o al 100 α%. De manera que, si H 0 es correcta el criterio de rechazo sólo se equivoca con probabilidad α, que es la probabilidad de que una muestra ofrezca un valor del estadístico estudiado extraño fuera del intervalo de aceptación (en la región crítica, figura 6.4). El nivel de significación α de un contraste es el error máximo de tipo I (rechazar H 0 cuando es cierta) que estamos dispuestos a asumir. La probabilidad de cometer el error de tipo I es el nivel de significación α, mientras que la probabilidad de cometer el error de tipo II la denotamos por la letra β. α = P [rechazar H 0 H0 es cierta] β = P [no rechazar H 0 H0 es falsa] El nivel de significación hay que fijarlo cuando se comienza el estudio. Se suele utilizar el valor estándar de α=0,05. Otros niveles utilizados son del orden de 0,1, de 0,01 o incluso de 0,001 (si queremos aumentar la precisión). Un nivel α = 0,05 significa que, aunque la hipótesis nula sea cierta, los datos de cinco de cada cien muestras nos harán rechazarla. Es decir, aceptamos que podemos rechazar la hipótesis nula de forma equivocada cinco de cada cien veces. Figura Inferencia estadística: Contrastes de hipótesis 5-11
6 Observaciones: Cuanto menor sea el valor de α que fijemos, más tendencia tendremos a aceptar la hipótesis nula. El caso extremo sería fijar un nivel de significación 0, de manera que aceptaríamos siempre la hipótesis nula y nunca se daría el error de tipo I, pero está claro que si tenemos que aceptar siempre, el estudio que hemos llevado a cabo no nos aporta nada nuevo. Al tomar un α muy pequeño tendremos que β se puede aproximar a uno. Lo ideal a la hora de definir un test es encontrar un compromiso satisfactorio entre α y β (aunque siempre a favor de H 0). La potencia de un contraste (1-β) es la capacidad de una prueba para detectar una diferencia cuando ésta realmente existe, es decir: Potencia del contraste = 1-β = P [rechazar H 0 H0 es falsa] Los errores de tipo I y II están relacionados de manera que cuando α decrece β crece. Por tanto no es posible encontrar tests que hagan tan pequeños como queramos ambos errores simultáneamente. De este modo es siempre necesario privilegiar a una de las hipótesis, de manera que no será rechazada a menos que su falsedad se haga muy evidente. El hecho de tener acotado el error de tipo I hace que nuestros contrastes sean conservadores y tiendan a aceptar la hipótesis nula, a menos que haya evidencias muy claras de que tenemos que rechazarla. Cuando aceptamos la hipótesis nula, no estamos seguros de que sea realmente cierta, ya que no controlamos el error de tipo II (el error que cometemos cuando aceptamos la hipótesis nula y ésta es falsa). Cuando rechazamos la hipótesis nula, estamos seguros de que tenemos que rechazarla porque tenemos acotado el error de tipo I (el error que cometemos cuando rechazamos la hipótesis nula y ésta es cierta). Aceptamos o no rechazamos? Puesto que cuando aceptamos la hipótesis nula no estamos demasiado seguros, normalmente, en lugar de decir Aceptamos la hipótesis nula, decimos No rechazamos la hipótesis nula. 6.4 EL CONCEPTO DE ESTADÍSTICO DE CONTRASTE Una vez fijadas las hipótesis, así como el error de tipo I que estamos dispuestos a asumir, para decidir si rechazamos la hipótesis nula o no, utilizaremos el llamado estadístico de contraste. Consiste en definir un estadístico T relacionado con la hipótesis que deseamos contrastar. A continuación, suponiendo que H 0 es verdadera se calcula un intervalo, denominado intervalo de aceptación de la hipótesis nula (T i, T s), de manera que al calcular sobre la muestra T = T c el criterio a seguir sea: 06. Inferencia estadística: Contrastes de hipótesis 6-11
7 Si T c (Ti, Ts) no rechazamos H 0 Si T c (Ti, Ts) rechazamos H 0 y aceptamos H 1 Ejemplo 6.2: Recordad que si tenemos una muestra de tamaño n de una distribución N(µ,σ 2 ) _ x entonces la variable sigue una distribución normal estándar. n En el caso de las alturas de los chicos, sabemos que si tenemos una muestra de alturas de n chicos escogidos al azar, bajo la hipótesis nula (µ=178) podemos definir la variable: Este valor es una observación de una ley N(0,1). Si la hipótesis nula es cierta, el valor observado z debería estar en la zona en la que la distribución normal estándar concentra una mayor probabilidad, es decir, alrededor del cero. Si nos sale un valor muy alejado del cero, este valor será poco probable bajo la hipótesis nula, y nos llevará a decidir rechazarla, ya que pensaremos que su aparición no puede ser debida al azar, sino al hecho de que la hipótesis nula debe de ser falsa. Ahora bien, hasta qué punto debe ser poco probable para decidir rechazarla? Esto vendrá dado por el nivel de significación fijado. Si hacemos el contraste H 0: µ = 178 contra H 1: µ 178. Un valor del estadístico de contraste cercano a 0 es más probable bajo H 0 que bajo H 1. De este modo, utilizaremos la regla de decisión siguiente: donde Aceptaremos H 0 si z z 2 Rechazaremos H 0 si z > z 2 z es el llamado valor crítico Inferencia estadística: Contrastes de hipótesis 7-11
8 Figura 6.5. Zona de aceptación de H0 En la figura 6.5 vemos que la parte del gráfico con una línea más gruesa corresponde a la zona en la que queremos aceptar la hipótesis nula. La hipótesis alternativa influye a la hora de decidir. En los contrastes bilaterales, se dice que la probabilidad de las dos colas (la parte que corresponde a la zona donde tenemos que rechazar la hipótesis nula) debe ser α. Para determinar el valor crítico zα/2, sólo hay que imponer que el error de tipo I (probabilidad de rechazar H 0 cuando es cierta) sea menor o igual que el nivel de significación α, es decir: Donde Z es la distribución del estadístico de contraste. En este caso, bajo la hipótesis nula, sigue una distribución normal estándar. Por ejemplo, para α=0,05 encontramos (recordad las tablas de la normal) que zα/2=1, LA SIGNIFICACIÓN (p-valor) En muchos casos, para resolver un contraste de hipótesis no calcularemos el valor crítico, sino que utilizaremos el llamado p-valor. La significación o p-valor es la probabilidad del resultado del estadístico de contraste observado o de uno más alejado cuando la hipótesis nula es cierta. Es la probabilidad que tendría una región crítica que comenzase exactamente en el valor de estadístico obtenido en la muestra. El p-valor asociado a una observación del estadístico de contraste es el menor nivel de significación que nos permite rechazar la hipótesis nula. Cuando el p-valor sea pequeño, indicará que el valor del estadístico de contraste que hemos observado tenía una probabilidad pequeña de salir bajo la hipótesis nula y, por tanto, deberemos rechazar la hipótesis nula. En cambio, cuando sea grande, indicará 06. Inferencia estadística: Contrastes de hipótesis 8-11
9 que era un valor bastante probable bajo la hipótesis nula y, por tanto, es lógico que aceptemos H 0. Si el p-valor es inferior al nivel de significación α, rechazaremos la hipótesis nula. Si el p-valor es superior o igual al nivel de significación α, aceptaremos la hipótesis nula. El p-valor siempre es conocido después de realizar el contraste de hipótesis. Se dice que el contraste es estadísticamente significativo si p-valor < α. En caso contrario, si p-valor > α el contraste no es significativo. 2 Siguiendo con el ejemplo de las alturas, podemos ver (figura 6.5) que si el valor obtenido para la altura media extraída de una muestra es de 175 cm, no rechazaríamos nuestra hipótesis nula de partida, ya que la probabilidad de la región crítica que comienza exactamente en ese valor (en color verde) es mayor que la probabilidad α. En este caso el contraste no es significativo (p>α). Figura 6.5. Ejemplo de aplicación del p-valor En el ejemplo de las alturas, imaginad que nuestro estadístico de contraste observado es 1,61 y denotamos por Z una variable aleatoria que tiene una distribución normal estándar, que es la ley del estadístico de contraste bajo la hipótesis nula. Supongamos, además, que hemos fijado un nivel de significación α=0,1. Así: Si hacemos el contraste H 0: µ = 178 contra H 1: µ 178, entonces el p-valor es (probabilidad de las dos colas) 3 : 2 Para entenderlo mejor os recomiendo que veáis la presentación sobre contrastes de hipótesis. 3 El valor P (Z<1,61) para α=0,1 se obtiene de las tablas de la distribución normal. 06. Inferencia estadística: Contrastes de hipótesis 9-11
10 Luego no rechazamos H 0. Fijaos en que para calcular el p-valor, calculamos la probabilidad de que la variable Z tome un valor más alejado que el valor 1,61 observado. Estas probabilidades en muchas ocasiones no se pueden calcular con tablas estadísticas, por lo que hay que utilizar un software estadístico. Podemos describir el procedimiento para plantear y resolver un contraste de hipótesis en cinco etapas: 1) Fijar las hipótesis nula y alternativa. 2) Fijar un nivel de significación. 3) Determinar el estadístico de contraste y su ley. 4) Calcular el p-valor asociado a nuestro estadístico de contraste calculado. 5) Comparar el p-valor con el nivel de significación y tomar una decisión. 6.6 CONTRASTES DE HIPÓTESIS FRENTE A INTERVALOS DE CONFIANZA Se recomienda que nunca se presenten en las publicaciones sólo valores p como resumen de la información estadística de una investigación, sino que se acompañen siempre de Intervalos de Confianza. La ventaja del I.C. sobre la significación estadística es que pasamos de expresar el resultado en una escala dicotómica a expresarlo en una escala continua, que aporta mucha más información. El valor p será significativo, sólo cuando el I.C. no incluya el 0 (no incluya la H 0). Si el intervalo de confianza que hemos calculado no contiene al valor correspondiente a la Hipótesis nula, se puede afirmar que el contraste es significativo. Ejemplo 6.3: El peso en gramos de las manzanas de una explotación agraria sigue una distribución normal de desviación típica 3,5. Un estudio nos dice que el peso medio es de 155gr y queremos comprobar si eso es cierto. Queremos contrastar H 0: µ = 155 contra H 1: µ 155 Para hacerlo, hemos cogido una muestra aleatoria de 42 manzanas y hemos obtenido una media de 163,8. Primero debemos encontrar un intervalo de confianza del 95% para la media de la distribución. Recordad que se puede obtener a partir de la fórmula siguiente: 06. Inferencia estadística: Contrastes de hipótesis 10-11
11 que en nuestro caso nos da el intervalo (162,74, 164,85). Sabemos que de cada cien muestras que consideremos, el valor auténtico de la µ estará, como mínimo, en noventa y cinco de los intervalos correspondientes. Por eso, si el valor que queremos contrastar a la hipótesis nula cae dentro del intervalo, aceptaremos la hipótesis nula. En este caso, puesto que 155 (162,74, 164,85), debemos rechazar la hipótesis nula. 06. Inferencia estadística: Contrastes de hipótesis 11-11
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 detallesObjetivos del tema. Qué es una hipótesis? Test de Hipótesis Introducción a la Probabilidad y Estadística. Contrastando una hipótesis
Objetivos del tema Conocer el proceso para contrastar hipótesis y su relación con el método científico. Diferenciar entre hipótesis nula y alternativa Nivel de significación Test de Hipótesis Introducción
Más detallesINFERENCIA 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 detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesContraste 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 detallesINTERVALO 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 detallesCurso de Estadística Aplicada a las Ciencias Sociales. Tema 12. Contraste de hipótesis. Introducción. Introducción
Curso de Estadística Aplicada a las Ciencias Sociales Tema 12. Contraste de (Cap. 22 del libro) Tema 12. Contraste de 1. Tipos de 2. La nula y la Ejercicios Tema 12, Contraste de 2 En muchas investigaciones
Más detallesESTADÍSTICA. 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 detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesCONTRASTES 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 detallesEstructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo
Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,
Más detallespara 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 detallesGermán Jesús Rubio Luna Catedrático de Matemáticas del IES Francisco Ayala
Decisión estadística. Contraste de hipótesis Nota.- Cuando tratábamos la estimación de parámetros, intentábamos obtener un valor o un intervalo de valores que constituyesen la mejor estimación del parámetro
Más detallesPRUEBAS 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 detalles1 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 detallesTabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 )
Test de Hipótesis II Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ conocida: Suponga que X, X,, X n, es una m.a.(n) desde N( µ, σ ) Estadística de Prueba X - μ Z 0 = σ / n ~ N(0,)
Más detallesMatemáticas 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 detallesCONCEPTOS 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 detallesConceptos básicos estadísticos
Conceptos básicos estadísticos Población Población, en estadística, también llamada universo o colectivo, es el conjunto de elementos de referencia sobre el que se realizan las observaciones. El concepto
Más detallesUNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)
UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) 1. ESTADÍSTICA: CLASES Y CONCEPTOS BÁSICOS En sus orígenes históricos, la Estadística estuvo ligada a cuestiones de Estado (recuentos, censos,
Más detallesIntervalos de confianza y contrastes de hipótesis. Intervalo de confianza de la media.
R PRÁCTICA IV Intervalos de confianza y contrastes de hipótesis Sección IV.1 Intervalo de confianza de la media. 44. Cargar (abrir) el conjunto de Datos Pulso.rda. Se pide: a) Calcular el de confianza
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detallesINFERENCIA ESTADÍSTICA. Metodología de Investigación. Tesifón Parrón
Metodología de Investigación Tesifón Parrón Contraste de hipótesis Inferencia Estadística Medidas de asociación Error de Tipo I y Error de Tipo II α β CONTRASTE DE HIPÓTESIS Tipos de Test Chi Cuadrado
Más detallesEstadística II Tema 2. Conceptos básicos en el contraste de. Curso 2010/11
Estadística II Tema 2. Conceptos básicos en el contraste de hipótesis Curso 2010/11 Tema 2. Conceptos básicos en el contraste de hipótesis Contenidos Definición de contraste e hipótesis estadística. Hipótesis
Más detallesOPCIÓN 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 detallesHipótesis y decisiones
Hipótesis y decisiones Preparado por Luis M. Molinero (Alce Ingeniería) CorreoE: bioestadistica alceingenieria.net Artículo en formato PDF Abril 2001 Introducción La difusión de la metodología estadística,
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesLIGAMIENTO Y RECOMBINACIÓN
LIGAMIENTO Y RECOMBINACIÓN Los principales apartados de este tema serán: Introducción n y Estimación n de la fracción n de recombinación Ánálisis del ligamiento: Planteamiento directo Planteamiento inverso
Más detallesPregunta 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 detallesPruebas de Hipótesis-ANOVA. Curso de Seminario de Tesis Profesor QF Jose Avila Parco Año 2016
Pruebas de Hipótesis-ANOVA Curso de Seminario de Tesis Profesor Q Jose Avila Parco Año 2016 Análisis de la Varianza de un factor (ANOVA) El análisis de la varianza (ANOVA) es una técnica estadística paramétrica
Más detalles8.2.5. 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 detallesCONTRASTES DE HIPÓTESIS PARAMÉTRICOS. La estadística en cómic (L. Gonick y W. Smith)
CONTRASTES DE HIPÓTESIS PARAMÉTRICOS La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: UN JUICIO INJUSTO 2 APELAREMOS EL VERIDICTO 3 SEÑOR ESTADÍSTICO, PODRÍA EXPLICARNOS LO QUE ESTOS DATOS EVIDENCIAN?
Más detallesTécnicas 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 detallesFase 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 detallesDistribución 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 detallesCAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 1.- ESTIMACIÓN PUNTUAL DE LA MEDIA Y DE LA VARIANZA 2.- INTERVALO DE CONFIANZA PARA LA MEDIA
CAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 1.- ESTIMACIÓN PUNTUAL DE LA MEDIA Y DE LA VARIANZA 2.- INTERVALO DE CONFIANZA PARA LA MEDIA 3.- INTERVALO DE CONFIANZA PARA LA VARIANZA 4.- INTERVALO DE
Más detallesIntroducción. 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 detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesObjetivos. Epígrafes 3-1. Francisco José García Álvarez
Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.
Más detalles3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS
1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias
Más detallesESTRUCTURA 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 detallesTema 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
Más detallesDISTRIBUCIONES BIDIMENSIONALES
La estadística unidimensional estudia los elementos de un conjunto de datos considerando sólo una variable o característica. Si ahora incorporamos, otra variable, y se observa simultáneamente el comportamiento
Más detallesOtra 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 detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesESTADÍSTICA 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 detallesTema 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 detallesTema 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 detallesTema 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 detallesCAPÍTULO I. INTRODUCCIÓN. Cuando se requiere obtener información de una población, y se desean obtener los mejores
CAPÍTULO I. INTRODUCCIÓN I.1 Breve Descripción Cuando se requiere obtener información de una población, y se desean obtener los mejores y más completos resultados, el censo es una opción para dar una respuesta
Más detallesÍNDICE INTRODUCCIÓN... 21
INTRODUCCIÓN... 21 CAPÍTULO 1. ORGANIZACIÓN DE LOS DATOS Y REPRESENTACIONES GRÁFICAS... 23 1. ORGANIZACIÓN DE LOS DATOS... 23 1.1. La distribución de frecuencias... 24 1.2. Agrupación en intervalos...
Más detallesTÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
Más detallesTEST DE HIPÓTESIS. Ejemplo: vamos a analizar los resultados de 5 Servicios de Neonatología de una
TEST DE HIPÓTESIS Ejemplo: vamos a analizar los resultados de 5 Servicios de Neonatología de una provincia según un indicador: mortalidad de recién nacidos con peso 1.000 gr. Supongamos, como ejemplo,
Más detallesTEMA 4: CONTRASTES DE HIPÓTESIS. CONCEPTOS BÁSICOS
ASIGNATURA: ESTADÍSTICA II (Grado ADE,MIM,FBS) TEMA 4: CONTRASTES DE HIPÓTESIS. CONCEPTOS BÁSICOS 4.1. Hipótesis estadística. Tipos de hipótesis 4.2. Región crítica y región de aceptación 4.3. Errores
Más detallesEJERCICIOS 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 detallesESTIMACIÓN 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 detallesModelos 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 detallesMICROSOFT EXCEL PARA DIRECCIÓN FINANCIERA I. 1. Resolución de problemas de simulación de Montecarlo mediante el uso de la hoja de cálculo.
MICROSOFT EXCEL PARA DIRECCIÓN FINANCIERA I. 1. Resolución de problemas de simulación de Montecarlo mediante el uso de la hoja de cálculo. Mediante el modelo de Hertz o Simulación de Montecarlo, trataremos
Más detallesDISTRIBUCIÓN 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 detallesINSTITUTO 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 detallesANALISIS E INTERPRETACION DE DATOS SOBRE PERMANENCIA Y GASTOS DE LOS ALUMNOS EN LA UNIVERSIDAD NACIONAL DE INGENIERIA
ANALISIS E INTERPRETACION DE DATOS SOBRE PERMANENCIA Y GASTOS DE LOS ALUMNOS EN LA UNIVERSIDAD NACIONAL DE INGENIERIA Jack Marlon Martínez Abregu e-mail: marlon_jack@hotmail.com IvánJosé Pazos Alvarado
Más detallesa. 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 detallesCAPÍTULO 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 detallesEJERCICIOS DE ESTADÍSTICA:
EJERCICIOS DE ESTADÍSTICA: 1º/ Una biblioteca desea estimar el porcentaje de libros infantiles que posee. La biblioteca está compuesta de 4 salas (orte, Sur, Este y Oeste) con 2500, 2740, 4000 y 6900 libros,
Más detalles4.12 Ciertos teoremas fundamentales del cálculo de probabilidades
1 de 9 15/10/2006 05:57 a.m. Nodo Raíz: 4. Cálculo de probabilidades y variables Siguiente: 4.14 Tests diagnósticos Previo: 4.10 Probabilidad condicionada e independencia de 4.12 Ciertos teoremas fundamentales
Más detallesMedidas de centralización
1 1. Medidas de centralización Medidas de centralización Hemos visto cómo el estudio del conjunto de los datos mediante la estadística permite realizar representaciones gráficas, que informan sobre ese
Más detallesTema 4. Probabilidad Condicionada
Tema 4. Probabilidad Condicionada Presentación y Objetivos. En este tema se dan reglas para actualizar una probabilidad determinada en situaciones en las que se dispone de información adicional. Para ello
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
Más detallesREGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS)
1 REGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS) 1. EN LA REGIÓN DE DRAKUL DE LA REPÚBLICA DE NECROLANDIA, LAS AUTORIDADES ECONÓMICAS HAN REALIZADO UNA REVISIÓN
Más detallesUNIDAD 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 detallesEste procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros:
STATGRAPHICS Re. 4/d/yyyy Pruebas de Hipótesis (Una Muestra) Este procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros: 1. la media μ de una distribución normal.. la desiación
Más detallesIntroducción: En el contexto de la asignatura, deseo hacer notar que la utilización de herramientas de productividad, tales como las TIC (Tecnologías de la Información y Comunicaciones) en el ámbito de
Más detallesMEDIDAS 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 detallesTema 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 detallesEJERCICIOS 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 detallesMétodo de Sustitución
Método de Sustitución El nombre de este método nos indica qué es lo que vamos a hacer: para resolver el S.E.L. de dos ecuaciones con dos incógnitas vamos a «despejar» una de las incógnitas de una de las
Más detallesCAPÍTULO IV TRABAJO DE CAMPO Y PROCESO DE CONTRASTE DE LAS HIPÓTESIS
CAPÍTULO IV TRABAJO DE CAMPO Y PROCESO DE CONTRASTE DE LAS HIPÓTESIS 1. HIPÓTESIS ALTERNA E HIPÓTESIS NULA Para someter a contraste una hipótesis es necesario formular las Hipótesis Alternas ( H1 ) y formular
Más detallesConceptos 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 detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Una carpintería vende paneles de contrachapado de dos tipos A y B.
Más detallesProblemas 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 detalles6. Estimación, DISTRIBUCIONES MUESTREO, Y PRUEBA DE
6. Estimación, DISTRIBUCIONES MUESTREO, Y PRUEBA DE HIPÓTESIS. 6.1 INFERENCIA ESTADISTICA La estadística está dividida en descriptiva e inferencial donde La estadística Descriptiva se relaciona principalmente
Más detallesEstadística con. Práctica 5: Intervalos de Conanza. Test de Hipótesis. Objetivo. 1. Intervalos y test (una sola muestra)
Estadística con Práctica 5: Intervalos de Conanza. Test de Hipótesis Objetivo En esta práctica aprendemos a aplicar e interpretar las técnicas de intervalos de con- anza y test de hipótesis, seleccionando
Más detallesEstadística para investigadores: todo lo que siempre quiso saber y nunca se atrevió a preguntar
Estadística para investigadores: todo lo que siempre quiso saber y nunca se atrevió a preguntar Módulo 2. Estadística Descriptiva: Medidas de síntesis Mª Purificación Galindo Villardón Mª Purificación
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesTécnicas 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 detallesJUNIO 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 detallesTécnicas 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 detallesMÉTODOS NUMÉRICOS PARA INGENIERÍA ERROR GUIÓN PARA EL TEMA CONCEPTOS BÁSICOS
ERROR GUIÓN PARA EL TEMA CONCEPTOS BÁSICOS REPASO de conceptos de dígito significativo y de orden, para números en notación decimal. Para señalar la diferencia entre el concepto de dígito significativo
Más detallesPráctica 2: Intervalos de confianza y contrastes con SPSS 1
Estadística Aplicada Curso 2010/2011 Diplomatura en Nutrición Humana y Dietética Práctica 2: Intervalos de confianza y contrastes con SPSS 1 El objetivo de esta práctica es aprender a calcular intervalos
Más detallesCifras significativas
Cifras significativas No es extraño que cuando un estudiante resuelve ejercicios numéricos haga la pregunta: Y con cuántos decimales dejo el resultado? No es extraño, tampoco, que alguien, sin justificación,
Más detallesTécnicas 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 detallesSemana03[1/17] Funciones. 16 de marzo de Funciones
Semana03[1/17] 16 de marzo de 2007 Introducción Semana03[2/17] Ya que conocemos el producto cartesiano A B entre dos conjuntos A y B, podemos definir entre ellos algún tipo de correspondencia. Es decir,
Más detallesAlgunas 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 detallesPrueba 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 detallesSucesiones Introducción
Temas Límites de sucesiones. convergentes. Sucesiones divergentes. Sucesiones Capacidades Conocer y manejar conceptos de sucesiones convergentes y divergentes. Conocer las principales propiedades de las
Más detallesESTADISTICA GENERAL. INFERENCIA ESTADISTICA Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL INFERENCIA ESTADISTICA Profesor: Celso Celso Gonzales Objetivos Entender los conceptos de estimación puntual y estimación por intervalos. Calcular e interpretar intervalos de confianza
Más detalles4. FUNCIONES COMO MODELO MATEMÁTICO
4. FUNCIONES COMO MODELO MATEMÁTICO El aplicar las matemáticas a los problemas de la vida real comprende tres etapas. Primero se traduce el problema a términos matemáticos, entonces decimos que tenemos
Más detallesEs importante recordar el concepto de intervalo abierto notado. (a, b)={x R/a x bt} donde a y b no pertenecen al intervalo abierto
INICIACION AL CALCULO LIMITE DE UNA FUNCION EN UN PUNTO Cuando se inicia un trabajo de cálculo, es importante aclarar,que históricamente a partir del siglo xviii y con los trabajos de Newton en Inglaterra
Más detallesBLOQUE I: GEOMETRÍA PLANA Y FIGURAS GEOMÉTRICAS. Ecuaciones y sistemas. 2 (20 horas) Funciones y gráficas. 2 (20 horas) Estadística y probabilidad
PROGRAMACIÓN DIDÁCTICA Materia IV Período FBPI Tramo II Ámbito Científico-Tecnológico Bloque I Geometría plana y figuras geométricas Créditos 3 (30 horas) Bloque II Créditos Ecuaciones y sistemas 2 (20
Más detalles