Introducción Teoría de la probabilidad
|
|
- Víctor Manuel Miguélez Morales
- hace 7 años
- Vistas:
Transcripción
1 Grado en Ingeniería Asignatura: Estadística Tema: 2. Probabilidad e inferencia estadística
2 Inferencia. Índice Introducción Teoría de la probabilidad Experimentos aleatorios Probabilidad Variables aleatorias Discretas. Distribución Binomial Continuas. Distribución Normal Inferencia estadística: Ajuste a modelo de probabilidad Identificación de un modelo y estimación de parámetros Diagnosis Utilización del modelo: cálculo de probabilidades Intervalos de confianza y contrastes de hipótesis: Estimadores y su distribución Intervalos de confianza Contraste de hipótesis Número de transparencia: 2
3 Inferencia estadística Muestra Población Inferencia estadística: Proceso mediante el cual se utiliza la información de la muestra para extraer conclusiones de la población Número de transparencia: 3
4 Ejemplo 1: proporción poblacional? Supongamos que somos fabricantes de juguetes para niños. Para la fabricación de nuestra última novedad, dependemos de un proveedor que nos suministra los componentes electrónicos necesarios. La proporción de componentes defectuosos que consideramos admisible es Recibimos un lote de componentes, como no tenemos recursos para inspeccionarlos todos, se decide realizar una inspección de 500 componentes y en función de los resultados de esta inspección decidiremos aceptar o rechazar todo el lote. Frequency Table for Circuitos_Defec Relative Class Value Frequency Frequency Recibimos el lote Inspeccionamos una muestra información de la muestra En la muestra observamos que la proporción de defectuosos es de con la información que nos suministra la muestra podemos rechazar el lote?. Número de transparencia: 4
5 Ejemplo 2: media y varianza poblacional? Supongamos que somos fabricantes de láminas de carbono. Una característica importante que debemos controlar es la resistencia a la rotura. El responsable de la planta ha establecido un valor objetivo, en función de lo que demanda el mercado: la resistencia media de todas las láminas que se fabriquen debe ser igual o superior a 2800 N/mm2 y la desviación típica no superior a 20 N/mm2. Para verificar si se cumple este criterio, y dado que no se pueden inspeccionar todas las láminas porque la prueba para determinar su resistencia supone la destrucción de la misma, se decide realizar la prueba a 80 laminas. Summary Statistics for Resistencia Count = 80 Average = Median = Standard deviation = frequency Histogram for Resistencia Resistencia En la muestra observamos que la resistencia media es de N/mm2, con una desviación de N/mm2 con la información que nos suministra la muestra podemos decir que el proceso de fabricación no cumple con el criterio de calidad establecido por el responsable?. Número de transparencia: 5
6 Ejemplo 3: Comparación de poblaciones Somos responsables de elegir donde se situará un nuevo parque eólico. Tenemos dos posibles localizaciones, dentro del mismo municipio. Para tomar nuestra decisión, recurrimos a la estadística. Se observa la velocidad del viento durante 730 horas de forma simultánea en dos localizaciones alternativas (variables Parque1 y Parque2). Se quiere utilizar estos datos para decidir en qué localización instalar un parque de producción de energía eólica. Summary Statistics Veloc_Parque1 Veloc_Parque Count Average Median Standard deviation Minimum Maximum Lower quartile Upper quartile Skewness Kurtosis Coeff. of variation % % Veloc_Parque1 Veloc_Parque2 Box-and-Whisker Plot Las medias muestrales son distintas. Son distintas la medias poblacionales? A la vista de los datos, qué localización es más aconsejable? Número de transparencia: 6
7 Inferencia. Índice Introducción Teoría de la probabilidad Experimentos aleatorios Probabilidad Variables aleatorias Discretas. Distribución Binomial Continuas. Distribución Normal Inferencia estadística: Ajuste a modelo de probabilidad Identificación de un modelo y estimación de parámetros Diagnosis Utilización del modelo: cálculo de probabilidades Intervalos de confianza y contrastes de hipótesis: Estimadores y su distribución Intervalos de confianza Contraste de hipótesis Número de transparencia: 7
8 Teoría de la probabilidad La probabilidad es el arma que vamos a utilizar para poder generalizar nuestras conclusiones a toda la población de referencia Número de transparencia: 8
9 Teoría de la probabilidad. Introducción Experimento: Proceso de observar una característica. Experimento aleatorio: Experimento cuyo resultado es incierto Ejemplos: Lanzar una moneda 3 veces y observar el numero de caras Medir el peso de un estudiante Medir la corriente en un cable de cobre Medir la temperatura de un fluido en un tanque (proceso industrial) Medir el caudal de un fluido que circula por una tubería El numero mensual de reclamaciones de una compañía El tiempo de atención al cliente de una sucursal bancaria El numero de articulo defectuosos de un lote de materia prima Número de transparencia: 9
10 Teoría de la probabilidad. Introducción Ejemplo: Nº de seis en el lanzamiento de tres dados Si repetimos el experimento en distintos momentos obtenemos distintos resultados, además el resultado es incierto Por qué? Movimiento de la mano Factores ambientales. Factores no controlados El experimento esta sujeto a una componente aleatoria Número de transparencia: 10
11 Teoría de la probabilidad. Introducción Todos tenemos la idea intuitiva de lo que es la probabilidad. Decimos de forma habitual cosas como: La probabilidad de que salga un seis al lanzar un dado es 1 entre 6 Si realizo una apuesta simple la probabilidad de que me toque la primitiva es muy pequeña (1 entre 14 millones) La probabilidad se define sobre un suceso y trata de cuantificar su incertidumbre 0 P(A) 1 Número de transparencia: 11
12 Inferencia. Índice Introducción Teoría de la probabilidad Experimentos aleatorios Probabilidad Variables aleatorias Discretas. Distribución Binomial Continuas. Distribución Normal Inferencia estadística: Ajuste a modelo de probabilidad Identificación de un modelo y estimación de parámetros Diagnosis Utilización del modelo: cálculo de probabilidades Intervalos de confianza y contrastes de hipótesis: Estimadores y su distribución Intervalos de confianza Contraste de hipótesis Número de transparencia: 12
13 Fenómenos y experimentos aleatorios Un experimento es determinista cuando existe un conjunto de circunstancias que, antes de su ejecución, determinan completamente su resultado. Un experimento es aleatorio si no podemos predecir su resultado de antemano: Se conocen previamente y con exactitud los posibles resultados del experimento. Es imposible saber su resultado antes de su realización. Se puede repetir indefinidamente, en las mismas condiciones iniciales, obteniendo resultados distintos. Número de transparencia: 13
14 Sucesos El espacio muestral es el conjunto de todos los posibles resultados del experimento aleatorio, lo denotamos por E. Ejemplo: Experimento, lanzar dado, E={1,2,3,4,5,6} Un suceso es cualquier subconjunto del espacio muestral. Un suceso elemental un elemento del espacio muestral. Ejemplo: (lanzar dado), sale un seis, A={6} Un suceso compuesto es un conjunto de sucesos elmentales. Ejemplo: (lanzar dado), sale un número par B={2,4,6} Número de transparencia: 14
15 Sucesos El suceso seguro es el que siempre ocurre al realizar el experimento, E. Ejemplo: (lanzar dado) E={1,2,3,4,5,6} El suceso imposible es el que nunca ocurre como resultado del experimento. Ejemplo: (lanzar dado) sale un número negativo Número de transparencia: 15
16 Operaciones con sucesos (conjuntos) Operación unión. Dados dos sucesos A y B, el suceso A B (alternativamente A+B) ocurre cuando ocurre A u ocurre B u ocurren ambos simultáneamente. A={1,2} ; B={2,3,4} A B ={1,2,3,4} Número de transparencia: 16
17 Operaciones con sucesos (conjuntos) Operación intersección. Dados dos sucesos A y B, el suceso A B (alt. A B) ocurre cuando ocurren simultáneamente A y B. A={1,2} ; B={2,3,4} A B ={2} Número de transparencia: 17
18 Operaciones con sucesos (conjuntos) Suceso contrario (o complementario). Dado un suceso A, su contrario A c (alt. A ) ocurre cuando A no ocurre. E={1,2,3,4,5,6} ; A={1,2} A c ={3,4,5,6} Número de transparencia: 18
19 Inferencia. Índice Introducción Teoría de la probabilidad Experimentos aleatorios Probabilidad Variables aleatorias Discretas. Distribución Binomial Continuas. Distribución Normal Inferencia estadística: Ajuste a modelo de probabilidad Identificación de un modelo y estimación de parámetros Diagnosis Utilización del modelo: cálculo de probabilidades Intervalos de confianza y contrastes de hipótesis: Estimadores y su distribución Intervalos de confianza Contraste de hipótesis Número de transparencia: 19
20 Definición de probabilidad Una probabilidad es una función P que asigna a cada suceso asociado al experimento un valor real tal que 1. 0 P(A) 1 ; 2. P(E ) = 1 ; 3. Si A y B son mutuamente excluyentes (es decir A B = ) P(Α Β)= P(A)+P(B). De las tres propiedades anteriores, deducimos que cualquier probabilidad satisface: 1. Para cualesquiera A y B, P(A B) = P(A)+P(B) P(A B ) 2. P(A c ) = 1 P(A) Número de transparencia: 20
21 Consideración final Leyes de los Grandes Números. Si repetimos muchas veces un experimento, la frecuencia relativa de un suceso A cualquiera tiende a estabilizarse en torno a un valor (PROBABILIDAD DEL SUCESO) frecuencia relativa ca ara numero lanzamientos Número de transparencia: 21
22 Descripción breve del tema 1. Introducción 2. Fenómenos y experimentos aleatorios Sucesos y operaciones con sucesos (conjuntos) 3. Concepto de probabilidad y propiedades Definición de probabilidad Primeras propiedades de la probabilidad y alguna consideración 4. Asignación de probabilidades en la práctica Equiprobabilidad, regla de Laplace 5. Probabilidad condicionada Concepto de probabilidad condicionada Independencia de sucesos 6. Teorema de Bayes Teoremas de la probabilidad total y de Bayes Número de transparencia: 22
23 Equiprobabilidad, regla de Laplace Si un experimento tiene un número finito de resultados posibles y no hay razón que privilegie un resultado frente a otro, para cualquier A P ( A) = número de casos favorables a número de casos posibles A Número de transparencia: 23
24 La probabilidad condicionada Dados dos sucesos A y B con P(B)>0, definimos la probabilidad de A condicionada a B como la probabilidad de que ocurra A sabiendo que ha ocurrido B,. P(A B) P(A B) P(B) = Α Β Α Β Número de transparencia: 24
25 Independencia entre sucesos Dos sucesos A y B son independientes si P(A B)=P(A) Es decir que ocurra B es irrelevante para que ocurra A Número de transparencia: 25
26 Teorema de la probabilidad total Dados A 1, A 2,,A n mutuamente excluyentes con A 1 A 2 A n =E, entonces la probabilidad de un suceso B cualquiera viene dada por Α 1 Α 2... Α 3 Α n P( B) = n i= 1 P( A i ) P( B A i ) Β Número de transparencia: 26
27 Teorema de la probabilidad total - Ejemplo Supongamos que el mismo artículo es fabricado por dos máquinas: A y B. La probabilidad de que el articulo sea defectuoso varía según la máquina de que provenga, así el 2.2% de los artículos producidos por A son B defectuosos, mientras que en el caso de B, el 1.4% de los artículos son defectuosos. Sabiendo que el 36% de los artículos producidos en una fábrica provienen de la máquina A y el resto de B, calcula la probabilidad de que un artículo de dicha fábrica sea defectuoso. A B D producido por A producido por B defectuoso P( A) = 0.36 P( B) = 0.64 P( D A) = P( D B) = P( D) = P( D A) P( A) + P( D B) P( B) = = Número de transparencia: 27
28 Teorema de Bayes Dados A 1, A 2,,A n mutuamente excluyentes con A 1 A 2 A n =E, y dado un suceso B cualquiera con P(B)>0, entonces se cumple P( A B) i = P( Ai B) P( B) = P( Ai ) P( B Ai ) P( A ) P( B A n j=1 j j ) Número de transparencia: 28
29 Teorema de Teorema de Bayes Bayes Ejemplo (continuación) Ejemplo (continuación) Teorema de Teorema de Bayes Bayes Ejemplo (continuación) Ejemplo (continuación) Un artículo procedente de la fábrica con las máquinas A y B es defectuoso. Calcula la probabilidad de que haya sido producido por la máquina A ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( + = = B P B D P A P A D P A P A D P D P D A P D A P Número de transparencia: ) ( ) ( ) ( ) ( ) ( = + = B P B D P A P A D P D P
30 Inferencia. Índice Introducción Teoría de la probabilidad Experimentos aleatorios Probabilidad Variables aleatorias Discretas. Distribución Binomial Continuas. Distribución Normal Inferencia estadística: Ajuste a modelo de probabilidad Identificación de un modelo y estimación de parámetros Diagnosis Utilización del modelo: cálculo de probabilidades Intervalos de confianza y contrastes de hipótesis: Estimadores y su distribución Intervalos de confianza Contraste de hipótesis Número de transparencia: 30
31 Variables aleatorias Una variable aleatoria es una variable cuyo valor numérico está determinado por el resultado del experimento aleatorio Ε S 2 S 1 X(s 2 )=b X(s 1 )=a X a b Número de transparencia: 31
32 Variables aleatorias Lanzamos 2 veces una moneda. Podemos definir la variable aleatoria X = número de caras Ε XC CX CC XX X(cx)=1 X(cc)=2 X(xc)=1 X(xx)=a T Definimos R X, rango de X, como el conjunto de posibles valores de X Número de transparencia: 32
33 Variables aleatorias. Ejemplos Nº de artículos defectuosos en un lote de materia prima Nº de clientes atendidos al día Nº de BIT transmitidos correctamente Peso de las piezas fabricadas Temperatura del fluido Resistencia del material Corriente que circula por un cable Número de transparencia: 33
34 Variables aleatorias. Clasificación Atendiendo al rango, las variables aleatorias se clasifican como: Discretas: El rango es finito o infinito numerable Nº de artículos defectuosos en un lote de materia prima Nº de clientes atendidos al día Nº de BIT transmitidos correctamente Continuas: El rango es un intervalo de la recta real Peso de las piezas fabricadas Temperatura del fluido Resistencia del material Corriente que circula por un cable Para definir perfectamente una variable aleatoria se necesita conocer: El conjunto de valores que toma la variable, el rango Con que probabilidad toma esos valores, la distribución. Número de transparencia: 34
35 Variables aleatorias Discretas Definimos la función de probabilidad, p(x)=p(x=x). A cada valor de la variable le asocia su probabilidad. E = Lanzar 2 veces una moneda X = Número de caras C C X P X C X 0 ¼=0.25 X C 1 2/4=0.5 X X 2 ¼=0.25 0,6 0,5 0,4 0,3 0,2 0, Número de transparencia: 35
36 Variables aleatorias Discretas Definimos la función de distribución, F(x)=P(X x). A cada valor le asocia la probabilidad de que la variable sea menor o igual a él. Medidas características Media: = = µ = E X ] x p ( x ) [ i i Varianza: 2 σ = E µ 2 2 [( X ) ] = E[ X ] E[ X ] 2 donde E[ X 2 ] 2 = x p( ) i x i Número de transparencia: 36
37 Variables aleatorias continuas Desafortunadamente, el método para describir la distribución de las v.a. discretas es inadecuado para describir una v.a. continuas, no se puede asociar a cada valor de la v.a. su probabilidad. Buscamos una función que nos permita calcular probabilidades Candidatos a funciones de densidad, muchos: 0,4 0,3 density 0,2 0, x Número de transparencia: 37
38 Variables aleatorias continuas La función de densidad describe la distribución de probabilidad de una variable continua f ( x) 0 f ( x)dx = 1 P( a < X < b) b = a f ( x) dx 0,4 0,3 = P ( a < X < b) f ( x) dx b a density 0,2 0,1 0 a x b Número de transparencia: 38
39 Variables aleatorias continuas Ejemplo: Sea X el tiempo de funcionamiento de una maquina en un año (en horas x100) f 0.4 x si 0 < x < ( x) = 0.8 x si 2.5 x < en otro caso Número de transparencia: 39
40 Variables aleatorias continuas Definimos la función de distribución, F(x)=P(X x). A cada valor le asocia la probabilidad de que la variable sea menor o igual a él. Medidas características Media: µ = + E [ X ] = - xf ( x ) d x Varianza: 2 σ = E µ 2 2 [( X ) ] = E[ X ] E[ X ] 2 donde E[ X 2 ] = + - x 2 f ( x) dx Número de transparencia: 40
41 Variables aleatorias continuas Observando conjuntos de datos observamos un patrón, un modelo que se repite con mucha frecuencia. Histogram for altura Histogram for Matematicas frequency frequency altura Altura alumnos Matematicas Nota matemáticas Histogram for Resistencia Histogram for PESO frequency frequency Resistencia Resistencia de láminas fabricadas Peso de piezas Número de transparencia: 41
42 Modelos de distribución de probabilidad Cuando se estudian las variable aleatorias: Definir en cada problema los valores y las probabilidades pueden ser muy complejo. Ejemplo: Niños y niñas en familias de cuatro hijos Ejemplo: Altura de individuos Lo simplificamos mediante distribuciones de probabilidad conocidas : Variables discretas: Distribución Binomial,., Variables continuas: Distribución Normal probability 0,4 0,3 0,2 0,1 Binomial Distribution Event prob.,trials 0,1,10 0,2,10 0,5,10 density 0,2 0,16 0,12 0,08 0,04 Exponential Distribution Mean density 0,4 0,3 0,2 0,1 Normal Distribution Mean,Std. dev. 0,1 0,1,5 0,2 1,1 1, x x x Número de transparencia: 42
43 Proceso de Bernoulli Consideremos un experimento en el que se van realizando pruebas con las siguientes características: Cada prueba tiene dos posibles resultados Aceptable-defectuoso, niño-niña, La probabilidad de éxito en cada prueba es constante Las pruebas son independientes. Ε Ε F E F Ε Ε Número de transparencia: 43
44 Proceso de Bernoulli Ejemplos: Lanzamiento de una moneda: Posible resultado: Cara ó cruz Probabilidades contantes: P(Cara)=0.5; P(Cruz)=0.5 Observaciones independiente Producción de piezas: Posible resultado: Defectuosa o Aceptable. Probabilidades fijas. P(Defectuosa)=0.01 ; P (Aceptable)=0.99 Observaciones independientes (el observar si una pieza es defectuosa o aceptable, no me dice nada de si otra pieza es defectuosa o no) Sexo recién nacidos: Posible resultado: Niño ó Niña. Probabilidades fijas. P(Niño)=0.5 ; P (Niña)=0.5 Observaciones independientes (El saber el sexo del último recién nacido en un hospital, no da información del sexo del próximo) Número de transparencia: 44
45 Proceso de Bernoulli. Distribución Binomial En un proceso de Bernoulli Tomamos una muestra de tamaño n, y contamos el numero de éxitos (por ejemplo, numero de defectuosos en 50 piezas) La distribución Binomial nos da la probabilidad de obtener un numero de éxitos (por ejemplo, nos da la probabilidad de obtener 4 defectos en 50 piezas X~B(n,p) Función de probabilidad Medidas características P X k n p k p µ = k n k ( = ) = (1 ) 2 = np(1 p) σ np Número de transparencia: 45
46 Proceso de Bernoulli. Distribución Binomial Distribución binomial- Función de probabilidad Número de transparencia: 46
47 Proceso de Bernoulli. Distribución Binomial Ejemplo 1: Un aparato electrónico contiene 40 circuitos integrados. La probabilidad de que un circuito sea defectuoso es 0.01 y los circuitos son independientes. El aparato funciona solo si no hay ningún circuito defectuoso. Cuál es la probabilidad de que el aparato funcione? Sea X= Número de circuitos defectuosos en los 40 de un aparato La probabilidad solicitada es P(X=0) Qué distribución sigue X? Se observan 40 pruebas de Bernoulli: Cada prueba, observar un circuito, tiene dos posibles resultados; funciona, no funciona La probabilidad de que un circuito funcione es constante, 0.01 Los circuitos son independientes El número de defectuosos en 40 pruebas es una Binomial (40, 0.01) X B(40,0.01) P 40 = (1 0 ( 0) X = 0.01) 40 Número de transparencia: 47
48 Proceso de Bernoulli. Distribución Binomial Ejemplo 1: Un aparato electrónico contiene 40 circuitos integrados. La probabilidad de que un circuito sea defectuoso es 0.01 y los circuitos son independientes. El aparato funciona solo si no hay ningún circuito defectuoso. Cuál es la probabilidad de que el aparato funcione? Cumulative Distribution Distribution: Binomial Lower Tail Area (<) Variable Dist. 1 Dist Probability Mass (=) Variable Dist. 1 Dist Upper Tail Area (>) Variable Dist. 1 Dist Número de transparencia: 48
49 Proceso de Bernoulli. Distribución Binomial Ejemplo 2: Supongamos que recibimos un lote con muchas piezas y no tenemos recursos para inspeccionarlas todas. Para decidir si aceptamos el lote o lo rechazamos seleccionamos una muestra de 20 unidades y en función de las piezas defectuosas en la muestra rechazamos o aceptamos todo el lote. La regla de decisión es: aceptamos el lote si en la muestra hay como máximo 2 unidades defectuosas. Si la proporción de defectos en el lote fuera 0.05, Cuál sería la probabilidad de calcular la probabilidad de rechazar el lote? Si la proporción de defectos en el lote fuera 0.2, Cuál sería la probabilidad de calcular la probabilidad de rechazar el lote? Número de transparencia: 49
50 Proceso de Bernoulli. Distribución Binomial Ejemplo 2: Cumulative Distribution Distribution: Binomial Lower Tail Area (<) Variable Dist. 1 Dist Probability Mass (=) Variable Dist. 1 Dist Upper Tail Area (>) Variable Dist. 1 Dist Acepto el lote si en la muestra hay 0, 1 ó 2 defectuosos = rechazo el lote si en la muestra hay más de 2 defectuosos Si p(d)=0.05, P(rechazar el lote)= Si p(d)=0.2, P(rechazar el lote)= Dist.1 = Binomial(20, 0.05) Dist.2 = Binomial(20, 0.2) Número de transparencia: 50
51 Variables aleatorias continuas Ejemplo: Sea X el tiempo de funcionamiento de una maquina en un año (en horas x100) P( X < 3.2) = 0.4 xdx f ( x) dx = 0.4 (0.8 x) dx 2.5 = 0.74 Número de transparencia: 51
52 Distribución normal o gaussiana La distribución normal es sin duda la distribución de probabilidad mas importante: Aproxima lo observado en muchos procesos de medición: medidas físicas del cuerpo humano, características psíquicas, medidas de calidad de procesos industriales En muchas situaciones otras distribuciones se pueden aproximar a una Norma Es la base de la inferencia estadística. Aunque una variable aleatoria no sea normal, la media de la muestras sigue una distribución normal Su importancia es una consecuencia del teorema central del límite: cuando los resultados de un experimentos son debidos a un conjunto muy grande de causas independientes, que actúan sumando sus efectos, siendo cada efecto de poca importancia respecto al conjunto, es esperable que los resultados sigan una distribución normal Normal Distribution 0,4 0,3 Mean,Std. dev. 0,1 density 0,2 0, x Número de transparencia: 52
53 Distribución normal Su función de densidad es: 1 ( x µ ) 2 2σ f ( x) = e 2 σ Normal Distribution 2π 2 E( X ) = Var( X ) µ = σ 0,8 0,6 Sta. dev ,4 0,3 Media density 0,4 0,2 0,2 0, Número de transparencia: 53
54 Distribución normal Regla empírica 0,4 0,3 0,2 0, µ-3σ -3µ-2σ µ-σ -1 µ+σ 1 µ+2σ 3 µ+3σ 5 Número de transparencia: 54
55 Distribución normal El tiempo de vida de un semiconductor sigue una distribución Normal con media 7000 horas y desviación típica 600 horas. Cuál es la probabilidad de que el semiconductor falle antes de 6000 horas? Qué tiempo de vida es excedido por el 95.05% de los semiconductores? Cuál es la probabilidad de que el semiconductor falle entre las 6200 y las 7600 horas de vida? Número de transparencia: 55
56 Modelos de distribución de probabilidad Número de transparencia: 56
57 Inferencia. Índice Introducción Teoría de la probabilidad Experimentos aleatorios Probabilidad Variables aleatorias Discretas. Distribución Binomial Continuas. Distribución Normal Inferencia estadística: Ajuste a modelo de probabilidad Identificación de un modelo y estimación de parámetros Diagnosis Utilización del modelo: cálculo de probabilidades Intervalos de confianza y contrastes de hipótesis: Estimadores y su distribución Intervalos de confianza Contraste de hipótesis Número de transparencia: 57
58 Inferencia estadística Muestra Población Inferencia estadística: Proceso mediante el cual se utiliza la información de la muestra para extraer conclusiones de la población Número de transparencia: 58
59 Inferencia. Índice Introducción Teoría de la probabilidad Experimentos aleatorios Probabilidad Variables aleatorias Discretas. Distribución Binomial Continuas. Distribución Normal Inferencia estadística: Ajuste a modelo de probabilidad Identificación de un modelo y estimación de parámetros Diagnosis Utilización del modelo: cálculo de probabilidades Intervalos de confianza y contrastes de hipótesis: Estimadores y su distribución Intervalos de confianza Contraste de hipótesis Número de transparencia: 59
60 Ajuste a modelo de probabilidad Consiste en identificar el modelo de probabilidad que sigue la variable de interés. Qué modelo ha generado los datos observados? Para ajustar un modelo de probabilidad para la variable: 1. Analizar el tipo de variable y la información que suministra la muestra. 2. Proponer un modelo adecuado de distribución de probabilidad para la variable de interés (Normal, Exponencial, Poisson,..). 3. Estimar los parámetros desconocidos del modelo propuesto 4. Comprobar que el modelo propuesto es adecuado El modelo ajustado te ayuda a tomar decisiones respecto a la población. 100 Histogram for Azucar frequency Azucar Número de transparencia: 60
61 Ajuste de modelo: Identificación de modelo. Se observa la aceleración en 155 coches (Seconds from 0 to 60 millas/hora). Teniendo en cuenta el tipo de variable y la información que suministra la muestra, Fuente: Archivo de datos del Statgraphics,Cardata.sf3 Número de transparencia: 61
62 Ajuste de modelo: Identificación de modelo. Se observa la aceleración en 155 coches. La distribución normal (función de densidad, una campaña de Gauss) parece que se ajusta bien. Fuente: Archivo de datos del Statgraphics,Cardata.sf3 Número de transparencia: 62
63 Ajuste a modelo: Estimación de parámetros A la vista del histograma parece razonable proponer la distribución normal La distribución normal depende de dos parámetros, la media y la varianza poblacional, ambos desconocidos (recordar que solo hemos observado una muestra, no toda la población). Para dar valores a los parámetros, estimarlos, utilizamos la información que suministra la muestra. Count = 155 Average = Median = 15.8 Variance = Standard deviation = Minimum = 11.2 Fuente: archivo de datos del statgraphics,cardata Número de transparencia: 63
64 Ajuste de modelo: Estimación parámetros Estimación de parámetros N ( µ, σ ) = N(Media muestra, varianza muestra) Histog ram fo r accel frequenc cy Summary Statistics for accel Count = 155 Average = Median = 15.8 Variance = Standard deviation = Minimum = accel N(16.27;2.52) Fuente: Archivo de datos del Statgraphics,Cardata.sf3 Número de transparencia: 64
65 Ajuste a modelo: Diagnosis el modelo de probabilidad estimado es idóneo? los datos aportan evidencia suficiente en contra del modelo de probabilidad asumido? Gráficamente. Si observamos el grafico parece que los datos observados confirman el modelo propuesto Histog ram fo r accel y frequency accel hay alguna forma de verificar que el modelo propuesto es adecuado? Número de transparencia: 65
66 Ajuste a modelo: Diagnosis El test de Bondad de Ajuste de Chi-Cuadrado de Pearson compara la frecuencia observada con la frecuencia esperada bajo el modelo propuesto, si existe mucha discrepancia entre lo observado y lo esperado entonces rechazamos el modelo propuesto Goodness-of-Fit Tests for accel Chi-Square Test Lower Upper Observed Expected Limit Limit Frequency Frequency Chi-Square at or below above Chi-Square = with 12 d.f. P-Value = Cuanto mas pequeño sea el p-valor mas evidencia tenemos en contra del modelo propuesto. Si p-valor < 0.05, rechazamos el modelo propuesto Número de transparencia: 66
67 Ajuste de modelo: Cálculo de probabilidades Aceleración N(16.27;2.52) Conocer el modelo de probabilidad nos permite responder a preguntas relacionadas con la población. Cuál es la probabilidad de que la aceleración de un coche sea superior a 17 (Seconds from 0 to 60)? Tail Areas for accel area below 17.0 = area below = area below = area below = area below = Fuente: Archivo de datos del Statgraphics,Cardata.sf3 Número de transparencia: 67
68 Ajuste a modelo. Ejemplo 2: Proporción de defectos Los artículos fabricados los clasifico en defectuosos y no defectuosos. Observo 5000 artículos. Frequency Table for defecto Relative Cumulative Cum. Rel. Class Value Frequency Frequency Frequency Frequency No defectuoso Defectuoso Ejercicio: Identifica modelo de probabilidad Estima parámetro o parámetros desconocidos Calcular la probabilidad de que en un lote de 50 piezas haya mas de 3 defectuosas. Número de transparencia: 68
69 Inferencia. Índice Introducción Teoría de la probabilidad Experimentos aleatorios Probabilidad Variables aleatorias Discretas. Distribución Binomial Continuas. Distribución Normal Inferencia estadística: Ajuste a modelo de probabilidad Identificación de un modelo y estimación de parámetros Diagnosis Utilización del modelo: cálculo de probabilidades Intervalos de confianza y contrastes de hipótesis: Estimadores y su distribución Intervalos de confianza Contraste de hipótesis Número de transparencia: 69
70 Estimadores y su distribución Definiciones del Tema 1 (Estadística Descriptiva) Población: conjunto de individuos sobre el cual estamos interesados en sacar conclusiones (habitualmente demasiado grande para abarcarlo). Muestra: subconjunto de la población al que tenemos acceso y sobre el que realizamos las observaciones. Parámetro: cantidad numérica calculada sobre la población (ejemplos: media µ, varianza σ 2 y proporción p). Determina completamente un modelos paramétricos. Estadístico: cantidad numérica calculada sobre la muestra. Cuando un estadístico conduce a un valor aproximado de un parámetro se le llama estimador del parámetro. Número de transparencia: 70
71 Estimadores y su distribución Una muestra aleatoria simple X 1, X 2,, X n está compuesta por n variables aleatorias independientes con la misma distribución. Estimadores Media muestral: La utilizamos para estimar la media poblacional µ. X n 1 = X n i= 1 i N ( µ, σ n ) Proporción muestral: La utilizamos para estimar la proporción poblacional p. número de X i con cierta característica p(1 p) pˆ = N p, n n Varianza muestral: La utilizamos para estimar la varianza poblacional σ 2. n 2 2 ( X i X ) S = n 1 i= 1 Número de transparencia: 71
72 Inferencia. Índice Introducción Teoría de la probabilidad Experimentos aleatorios Probabilidad Variables aleatorias Discretas. Distribución Binomial Continuas. Distribución Normal Inferencia estadística: Ajuste a modelo de probabilidad Identificación de un modelo y estimación de parámetros Diagnosis Utilización del modelo: cálculo de probabilidades Intervalos de confianza y contrastes de hipótesis: Estimadores y su distribución Intervalos de confianza Contraste de hipótesis Número de transparencia: 72
73 Intervalos de confianza Los intervalos de confianza proporcionan una zona en la que previsiblemente estará el valor autentico del parámetro. Se calculan con una confianza determinada. Normalmente 95% Casos que veremos: Intervalo de confianza para la media Intervalo de confianza para la desviación típica (población normal) Intervalo de confianza para la proporción Número de transparencia: 73
74 Intervalos de confianza Supongamos que somos fabricantes de laminas de carbono. Una característica importante que debemos controlar es la resistencia a la rotura. La resistencia observada en 80 laminas. Summary Statistics for Resistencia 40 Histogram for Resistencia Count = 80 Average = Median = Standard deviation = requency fr Resistencia Es el verdadero valor de la resistencia media de todas las laminas fabricadas ? Número de transparencia: 74
75 Intervalo de confianza Un intervalo de confianza proporciona una zona en la que con una confianza predeterminada estará el verdadero valor del parámetro El verdadero valor de la resistencia media de todas las laminas fabricadas es con un nivel de confianza del 95%: Confidence Intervals for Resistencia 95.0% confidence interval for mean: / [ ; ] Número de transparencia: 75
76 Intervalos de confianza Las formulas para calcular los intervalos de confianza están en cualquiera de los libros indicados en la bibliografía. Por ejemplo: Número de transparencia: 76
77 Intervalo de confianza para la media Calculo del intervalo de confianza para la media. Menú Statgraphics: Describe / Numerical data / One-Variable Analysis Tabular Option / Confidencel Intervals Confidence Intervals for Resistencia 95.0% confidence interval for mean: / [ ; ] 95.0% confidence interval for standard deviation: [ ; ] Número de transparencia: 77
78 Intervalo de confianza para la desviación típica Supongamos que somos fabricantes de laminas de carbono. Una característica importante que debemos controlar es la resistencia a la rotura (distribuida según modelo normal). Se observa la resistencia en 80 laminas Summary Statistics for Resistencia Count = 80 Average = Median = Standard deviation = frequency Resistencia El verdadero valor de la Deviación Típica de la resistencia de todas las laminas fabricadas es con un nivel de confianza del 95%: Confidence Intervals for Resistencia 95.0% confidence interval for mean: / [ ; ] 95.0% confidence interval for standard deviation: [ ; ] Número de transparencia: 78
79 Intervalo de confianza para la desviación típica Calculo del intervalo de confianza para la desviación típica Menú Statgraphics: Describe / Numerical data / One-Variable Analysis Tabular Option / Confidencel Intervals Confidence Intervals for Resistencia 95.0% confidence interval for mean: / [ ; ] 95.0% confidence interval for standard deviation: [ ; ] Número de transparencia: 79
80 Intervalo de confianza para la proporción Los artículos fabricados los clasifico en defectuosos y no defectuosos. Observo 5000 artículos. Codificamos los valores. 0=No defectuoso, 1=Defectuoso Frequency Table for defecto Relative Cumulative Cum. Rel. Class Value Frequency Frequency Frequency Frequency No defectuoso Defectuoso Intervalo de confianza para la proporción de artículos defectuosos fabricados Confidence Intervals for Art_defect 95.0% confidence interval for mean: / [ ; ] Número de transparencia: 80
81 Interpretación de los intervalos de confianza En todo intervalo de confianza hay una noticia buena y otra mala: La buena: hemos usado una técnica que en % alto de casos acierta. La mala: no sabemos si ha acertado en nuestro caso. Confidence Intervals for Resistencia 95.0% confidence interval for mean: / Número de transparencia: 81
82 Inferencia. Índice Introducción Teoría de la probabilidad Experimentos aleatorios Probabilidad Variables aleatorias Discretas. Distribución Binomial Continuas. Distribución Normal Inferencia estadística: Ajuste a modelo de probabilidad Identificación de un modelo y estimación de parámetros Diagnosis Utilización del modelo: cálculo de probabilidades Intervalos de confianza y contrastes de hipótesis: Estimadores y su distribución Intervalos de confianza Contraste de hipótesis Número de transparencia: 82
83 Contraste de Hipótesis En investigaciones empíricas muchas veces existe una teoría preconcebida relativa a la característica de la población sometida a estudio. Este tipo de circunstancias es estudiado mediante un contraste de hipótesis, e implica la existencia de dos hipótesis que reflejan esta idea a priori y que tendremos que contratar con la realidad observada.
84 Contrastando una hipótesis Son demasiados... es la edad media 40años? Gran diferencia! Muestra aleatoria Rechazo la hipótesis X = 20 años Número de transparencia: 84
85 Contraste de Hipótesis: analogía con juicio penal 1. Establecemos las hipótesis H : El acusado es inocente 0 H : El acusado es culpable 1 La hipótesis nula es la hipótesis que mantendremos a no ser que haya suficiente evidencia para rechazarla (nunca se prueba) 2. Se observan las pruebas Si las pruebas aportan suficiente evidencia en contra de H 0, entonces rechazamos H 0 Si las pruebas no aportan suficiente evidencia, entonces no rechazamos H 0 Es decir si hay mucha discrepancia entre las pruebas y H 0, entonces rechazamos H 0 3. Errores Decisión Realidad Inocente culpable inocente - Error II Culpable Error I - El error que más nos preocupa es Error tipo I (rechazar H 0, siendo cierta). Realizaremos el contraste intentando controlar este error α=p(e I )=P(rechazar H 0 / H 0 es cierta) β= P(EI)=P(aceptar H 0 / H 0 es falsa) Número de transparencia: 85
86 Contraste de hipótesis Contraste de hipótesis en estadística es contestar a preguntas Siempre se contesta en términos de probabilidad Es semejante a los intervalos de confianza. Hay contrastes que se pueden resolver utilizando intervalos de confianza Número de transparencia: 86
87 Contraste de Hipótesis. Etapas Definir el contraste: Definir la hipótesis nula (H 0 ) y hipótesis alternativa (H 1 ) Decidir: Rechazo H 0 y acepto H 1 (la muestra aporta suficientes pruebas en contra de la hipótesis nula) o Aceptar H 0 (la muestra no aporta suficientes pruebas en contra de la hipótesis nula) La herramienta que vamos a utilizar para tomar la decisión es el p-valor. Si p-valor es pequeño rechazamos H 0 Número de transparencia: 87
88 Contraste de hipótesis Un ingeniero esta interesado en la tasa de combustión de un combustible sólido. Él sospecha, y es lo que quiere demostrar que la tasa de combustión es en media superior a 40. Tomare una muestra y realizaré un contraste para demostrar mi Summary Statistics for Combustion Count = 100 Average = Median = Variance = Standard deviation = Minimum = sospecha Maximum = Range = Lower quartile = Upper quartile = Stnd. skewness = Stnd. kurtosis = Histogram for Combustion frequency Combustion Número de transparencia: 88
89 Contraste de hipótesis. Definir hipótesis Definir la Hipótesis nula y alternativa. Tipos de contrastes H H 0 : µ = µ : µ µ 0 H H : µ µ : µ > µ Contrate Bilateral Contrastes unilaterales 0 0 H H 0 : µ µ : µ < µ 0 0 Hipótesis nula Hipótesis alternativa a) La que contrastamos a) Niega a la hipótesis nula Lo que queremos demostrar b) Los datos pueden refutarla b) Los datos pueden demostrar evidencia a favor c) No debería ser rechazada sin una buena razón c) No debería ser aceptada sin una gran evidencia a favor Número de transparencia: 89
90 Contrate de hipótesis. Definir hipótesis Definir el contraste: definir hipótesis nula e hipótesis alternativa es la tasa de combustión media del solido superior a 40? H 0 : µ = 40 H 1 : µ > 40 Número de transparencia: 90
91 Contrate de hipótesis. Decisión es la tasa de combustión media del s superior a 40 H H 0 1 : µ = : µ > Intuitivamente rechazaremos H 0 si la media muestral es mucho más grande que 40 rechazamos H0 si X >> 40. Gran diferencia entre lo observado y lo esperado Para establecer un criterio para aceptar o rechazar la hipótesis nula utilizaremos el p-valor Número de transparencia: 91
92 Contrate de hipótesis. Herramienta de decisión: p-valor El p-valor da una idea de lo verosímil que es la hipótesis nula con los datos que tenemos P-valor es bajo (menor que 0.05) poco razonable que H 0 sea verdad P-valor alto(mayor que 0.05) es bastante posible que H 0 se verdad Acepto Η Rechazo Η 0 Número de transparencia: 92
93 Contrate de hipótesis. Decisión es la tasa de combustión media del s superior a 40 H H 0 1 : µ = : µ > Hypothesis Tests for Combustion Sample mean = Sample median = t-test Null hypothesis: mean = 40.0 Alternative: greater than Computed t statistic = P-Value = E-7 Reject the null hypothesis for alpha = Tenemos evidencia suficiente para rechazar Η 0 Número de transparencia: 93
94 Contrastes de hipótesis Casos que veremos: Intervalo de confianza para la media Intervalo de confianza para la desviación típica (población normal) Intervalo de confianza para la proporción Comparación de poblaciones Comparación de medias Comparación de varianzas (poblaciones normales) Comparación de proporciones Número de transparencia: 94
95 Contraste media Un fabricante de bolsas asegura que sus bolsas soportan al menos 17 Kg. Nosotros sospechamos que soportan menos. Tomamos una muestra de 238 datos. A la vista de los datos, tenemos evidencia en contra del fabricante. Summary Statistics for Bolsas Count = 238 Average = Standard deviation = Definimos contraste H : µ 0 frequency Histogram for Bolsas Bolsas H 1 : µ < Calculamos el p-valor. Statgraphics (Describe / Numerical data / One-Variable 17 Analysis/ Tabular Option / Confidencel Intervals) t-test Null hypothesis: mean = 17.0 Alternative: less than Computed t statistic = P-Value = Do not reject the null hypothesis for alpha = Número de transparencia: 95
96 Contraste varianza. Solo para poblaciones normales La temperatura ideal para una sala es 22 grados. El sistema refrigeración intenta mantener la temperatura alrededor de este valor objetivo. El sistema de refrigeración será de alta calidad si la desviación típica de la temperatura en menor de 0.3 grados. Sospechamos que este sistema no es de calidad alta Se realizan 67 observaciones. (hemos comprobado que se ajusta a una normal) Summary Statistics for Temperatura: Count = 67 Average = Standard deviation = Definimos contraste H 0 : σ 0.3 H : σ > Calculamos el p-valor. Statgraphics (Describe / Hyphotesis tests) 0 1 Hypothesis Tests Sample standard deviation = Sample size = % lower confidence bound for sigma: [ ] Null Hypothesis: standard deviation = 0.3 Alternative: greater than Computed chi-squared statistic = P-Value = E-13 Reject the null hypothesis for alpha = Número de transparencia: 96
97 Contraste Proporciones (muestras grandes) El porcentaje de pupitres para zurdos en la Universidad es del 3% Suponemos que no hay pupitres para zurdos suficientes. Tomamos una muestra de 223 alumnos. Frequency Table for zurdos Relative Cumulative Cum. Rel. Value Frequency Frequency Frequency Frequency diestros zurdos Definimos contraste H H 2. Calculamos el p-valor. Statgraphics (Describe / Hyphotesis tests) Hypothesis Tests Sample proportion = Sample size = : : p p > Approximate 95.0% lower confidence bound for p: [ ] Null Hypothesis: proportion = 0.03 Alternative: greater than P-Value = Do not reject the null hypothesis for alpha = Número de transparencia: 97
98 Comparación de proporciones El porcentaje de alumnos y alumnas zurdas es igual? Tomamos una muestra de 223 alumnos, y 212 alumnas: 7.62% de chicos zurdos 3.76% de chicas zurdas 1. Definimos contraste H H 0 1 : p : p chi cos chi cos = = p p chicas chicas 2. Calculamos el p-valor. Statgraphics (Compare / Hyphotesis tests) Número de transparencia: 98
99 Comparación de proporciones 2. Calculamos el p-valor. Statgraphics (Compare / Hyphotesis tests) Hypothesis Tests Sample proportions = and Sample sizes = 223 and 212 Approximate 95.0% confidence interval for difference between proportions: [ ; ] Null Hypothesis: difference between proportions = 0.0 Alternative: not equal Computed z statistic = P-Value = Do not reject the null hypothesis for alpha = Warning: normal approximation may not be appropriate for small sample sizes. Número de transparencia: 99
100 Comparación de poblaciones Normales Dos proveedores suministran bombillas Hay diferencias significativas entre la duración de las bombillas de los dos proveedores? Tomamos una muestra de 200 bombillas de cada proveedor Box-and-Whisker Plot Bombillas1 bombillas Summary Statistics Bombillas1 bombillas Count Average Standard deviation Número de transparencia: 100
101 Comparación de poblaciones Normales Hay diferencias significativas entre la duración de las bombillas de los dos proveedores? 1. Definimos los contrastes H H 0 1 : µ : µ 1 1 = µ µ Calculamos el p-valor. Statgraphics (Compare / Two Sample) H H 0 1 : σ : σ 1 1 = σ σ a) Comparación desviaciones típicas b) Comparación de medias 2 2 Número de transparencia: 101
102 Comparación de poblaciones Normales Hay diferencias significativas entre la duración de las bombillas de los dos proveedores? a) Comparación desviaciones típicas (las poblaciones deben ser normales) H H Comparison of Standard Deviations : σ 1 = σ 2 Bombillas1 bombillas2 1 : σ 1 σ Standard deviation Variance Df Ratio of Variances = % Confidence Intervals Standard deviation of Bombillas1: [ ;67.026] Standard deviation of bombillas2: [ ; ] Ratio of Variances: [ ; ] F-test to Compare Standard Deviations Null hypothesis: sigma1 = sigma2 Alt. hypothesis: sigma1 NE sigma2 F = P-value = Número de transparencia: 102
103 Comparación de poblaciones Normales Hay diferencias significativas entre la duración de las bombillas de los dos proveedores? b) Comparación de medias H H 0 1 : µ : µ 1 1 = µ µ 2 2 Comparison of Means % confidence interval for mean of Bombillas1: / [ , ] 95.0% confidence interval for mean of bombillas2: / [ , ] 95.0% confidence interval for the difference between the means assuming equal variances: / [ , ] t test to compare means Null hypothesis: mean1 = mean2 Alt. hypothesis: mean1 NE mean2 assuming equal variances: t = P-value = 0.0 Número de transparencia: 103
104 Ahora podemos responder a las cuestiones planteadas en los ejemplos iniciales
105 Ejemplo 1: proporción poblacional? Supongamos que somos fabricantes de juguetes para niños. Para la fabricación de nuestra última novedad, dependemos de un proveedor que nos suministra los componentes electrónicos necesarios. La proporción de componentes defectuosos que consideramos admisible es Recibimos un lote de componentes, como no tenemos recursos para inspeccionarlos todos, se decide realizar una inspección de 500 componentes y en función de los resultados de esta inspección decidiremos aceptar o rechazar todo el lote. Frequency Table for Circuitos_Defec Relative Class Value Frequency Frequency Recibimos el lote Inspeccionamos una muestra) información de la muestra En la muestra observamos que la proporción de defectuosos es de con la información que nos suministra la muestra podemos rechazar el lote?. Número de transparencia: 105
Má M s á ter e Se S c e tor o Fa F r a ma m c a éu é t u ico Es E tad a í d stica a ap a l p icad a a d Teresa Villagarcía
Máster Sector Farmacéutico Estadística aplicada Teresa Villagarcía Indice Probabilidad intuitiva Distribución normal Estimación de la normal Intervalos de confianza Contraste de hipótesis: Una media Dos
Más detallesSociología. Estadística stica MUY aplicada. Teresa Villagarcía
Sociología Estadística stica MUY aplicada Teresa Villagarcía Probabilidad Por qué estudiamos probabilidad? Proporción de piezas defectuosas producidas en un proceso industrial o a favor de una ley. Tomamos
Más detallesIntervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
Más detallesIntroducción a la Probabilidad
Introducción a la Probabilidad Tema 3 Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III 2 Objetivos Entender el concepto de experimento
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detalles6. Inferencia con muestras grandes. Informática. Universidad Carlos III de Madrid
6. Inferencia con muestras grandes 1 Tema 6: Inferencia con muestras grandes 1. Intervalos de confianza para μ con muestras grandes 2. Determinación del tamaño muestral 3. Introducción al contraste de
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesProcesos estocásticos
Procesos estocásticos Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos del curso 1. Introducción. 2. Procesos a tiempo discreto:
Más detallesContraste de hipótesis con STATGRAPHICS
Contraste de hipótesis con STATGRAPHICS Ficheros empleados: Transistor.sf3, Estaturas.sf3 1. Introducción: Una forma habitual de hacer inferencia acerca de uno o más parámetros de una población consiste
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 detallesEstadística. 2 o examen parcial
Apellidos: Nombre: Computadores Software Estadística. 2 o examen parcial. 14-11-2013 Test (20 % de la nota del examen) Tiempo para esta parte del examen: 1 hora y 10 minutos. El test y la teoría se recogerán
Más detallesTema 8: Introducción a la Teoría sobre Contraste de hipótesis
Tema 8: Introducción a la Teoría sobre Contraste de hipótesis Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Introducción a la Teoría
Más detallesAplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas
Aplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas Apellidos, nombre Capilla Romá, Carmen 1 (ccapilla@eio.upv.es) Departamento Centro 1 Estadística e Investigación
Más detallesTEMA 10: DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL.
TEMA 10: DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL. 10.1 Experimentos aleatorios. Sucesos. 10.2 Frecuencias relativas y probabilidad. Definición axiomática. 10.3 Distribuciones de
Más detallesIntroducción a la probabilidad. Introducción a la probabilidad. Introducción a la probabilidad. Introducción. Objetivos del tema:
Introducción a la probabilidad Introducción a la probabilidad Introducción Objetivos del tema: l final del tema el alumno será capaz de: Comprender y describir los sucesos de un experimento mediante gráficos,
Más detalles(b) Entre qué valores se encontrará la verdadera media, µ, del tiempo que dura el viaje en tren de A a B, a un nivel de confianza al 95%?
LEC/LADE/LECD/LADED CURSO 2006/07 HOJA DE PROBLEMAS 4 CONTRASTES DE HIPÓTESIS Y DIAGNOSIS DEL MODELO 1.- El tiempo en minutos que dura un viaje en tren entre dos ciudades A y B, es una variable aleatoria
Más detallesPRÁCTICA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS
PRÁCTICA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS Objetivos Plantear y resolver problemas mediante la técnica de contraste de hipótesis. Asimilar los conceptos relativos a contrastes de hipótesis, tales
Más detallesTema 3. Probabilidad y variables aleatorias
1 Tema 3. Probabilidad y variables aleatorias En este tema: Probabilidad: Experimentos aleatorios, espacio muestral, sucesos. Interpretaciones de la probabilidad. Propiedades de la probabilidad. Probabilidad
Más detallesCap. 7 : Pruebas de hipótesis
Cap. 7 : Pruebas de hipótesis Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 20 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de sistemas,
Más detallesAxiomática de la Teoría de Probabilidades
Axiomática de la Teoría de Probabilidades Modelos matemáticos Según el experimento Cada ejecución del experimento se denomina prueba o ensayo Determinísticos Aleatorios Conjunto de resultados posibles
Más detallesEstadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
Más detallesTeorema 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 detallesEstadística. Generalmente se considera que las variables son obtenidas independientemente de la misma población. De esta forma: con
Hasta ahora hemos supuesto que conocemos o podemos calcular la función/densidad de probabilidad (distribución) de las variables aleatorias. En general, esto no es así. Más bien se tiene una muestra experimental
Más detallesTema 7. Contrastes de Hipótesis
7.1. Conceptos básicos Tema 7. Contrastes de Hipótesis Uno de los problemas comunes en inferencia consiste en contrastar una hipótesis estadística. Ejemplo: El fabricante de un determinado tipo de piezas
Más detalles1 CÁLCULO DE PROBABILIDADES
1 CÁLCULO DE PROBABILIDADES 1.1 EXPERIENCIAS ALEATORIAS. SUCESOS 1.1.1 Definiciones Experiencia aleatoria: experiencia o experimento cuyo resultado depende del azar. Suceso aleatorio: acontecimiento que
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más detalles4. Prueba de Hipótesis
4. Prueba de Hipótesis Como se ha indicado anteriormente, nuestro objetivo al tomar una muestra es extraer alguna conclusión o inferencia sobre una población. En nuestro interés es conocer acerca de los
Más detallesInferencia Estadística
ESTADISTICA INFERENCIA ESTADÍSTICA. TITULO: AUTOR: Una corta introducción teórica de inferencia estadística Test o Pruebas de hipótesis CHI-CUADRADO. Ejercicios resueltos y propuestos JUAN VICENTE GONZÁLEZ
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesVariables aleatorias 1. Problema 1
Variables aleatorias 1 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Estadística Variables aleatorias Problema 1 La dimensión de ciertas piezas sigue una distribución normal
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 detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesManual de bolsillo del MegaStat * * MegaStat es un complemento estadístico para el Excel elaborado por el profesor J. B. Orris de Butler University.
Manual de bolsillo del MegaStat * * MegaStat es un complemento estadístico para el Excel elaborado por el profesor J. B. Orris de Butler University. Estadísticas con MegaStat AgeCat Gender Seconds 1 2
Más detallesMódulo de Estadística
Módulo de Estadística Tema 8: Introducción a los contrastes de hipótesis Tema 6: Contrastes de hipótesis 1 Objetivos del tema Introducir el concepto de contraste de hipótesis Diferenciar entre hipótesis
Más detallesRepaso de Probabilidad y Estadística
Repaso de Probabilidad y Estadística Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2011 Probabilidad 2 Definición.............................................................
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesACTIVIDAD 3: Intervalos de Confianza para 1 población
ACTIVIDAD 3: Intervalos de Confianza para 1 población CASO 3-1: REAJUSTE DE MÁQUINAS Trabajamos como supervisores de una máquina dedicada a la producción de piezas metálicas cuya longitud sigue una distribución
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesANÁLISIS ESTADÍSTICO PRUEBA DE HIPOTESIS
ANÁLISIS ESTADÍSTICO PRUEBA DE HIPOTESIS Jorge Fallas jfallas56@gmail.com 2010 1 Temario Datos experimentales y distribuciones de referencia Una media poblacional Hipótesis nula, alternativa y nivel de
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesEstadística. Convocatoria ordinaria
Estadística. Convocatoria ordinaria Nombre Número de Examen Titulación... Grupo... Este examen puntúa sobre 20 puntos Problema 1. En un grupo de familias, un 10% ha cambiado de coche y también ha cambiado
Más detallesUnidad 15 Estadística inferencial. Estimación por intervalos. Pruebas de hipótesis
Unidad 15 Estadística inferencial. Estimación por intervalos. Pruebas de hipótesis PÁGINA 353 SOLUCIONES 1. El peso de azúcar por confitura se distribuye según la normal N (465;30). Veamos el porcentaje
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesPROBABILIDAD. Profesor: Rafael Núñez Nogales CÁLCULO DE PROBABILIDADES. Experimentos y sucesos
PROBABILIDAD CÁLCULO DE PROBABILIDADES Experimentos y sucesos Experimento aleatorio Es aquel cuyo resultado depende del azar, es decir no se puede predecir de antemano qué resultado se va a obtener aunque
Más detallesSe quiere medir la dispersión de una muestra a través de su localización. En primer lugar, definimos una medida relacionada con la media.
Medidas de dispersión Se quiere medir la dispersión de una muestra a través de su localización. En primer lugar, definimos una medida relacionada con la media. Ya habiendo calculado la media, x de una
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesProbabilidad Condicional
Probabilidad Condicional Ejemplo: Se tiene que dos bolas son seleccionadas aleatoriamente (sin reemplazo) de un caja que contiene r bolas rojas y b bolas azules. Cuál es la probabilidad de que la primera
Más detallesPRÁCTICA 5: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS
PRÁCTICA 5: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS Objetivos Plantear y resolver problemas mediante la técnica de contraste de hipótesis. Asimilar los conceptos relativos a contrastes de hipótesis, tales
Más detalles1. Ejercicios. 2 a parte
1. Ejercicios. 2 a parte Ejercicio 1 Calcule 1. P (χ 2 9 3 33) 2. P (χ 2 15 7 26). 3. P (15 51 χ 2 8 22). 4. P (χ 2 70 82). Ejercicio 2 Si X χ 2 26, obtenga un intervalo [a, b] que contenga un 95 % de
Más detalles1. Muestreo e Inferencia Estadística
Tema 6: Introducción a la Inferencia Estadística Objetivos Introducir los conceptos elementales en esta parte de la asignatura. Tratar con muestras aleatorias y su distribución muestral en ejemplos de
Más detallesMétodos Estadísticos de la Ingeniería Tema 11: Contrastes de Hipótesis Grupo B
Métodos Estadísticos de la Ingeniería Tema 11: Contrastes de Hipótesis Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Abril 2010 Contenidos...............................................................
Más detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
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 detallesTEMA 1.- PROBABILIDAD.- CURSO
TEMA 1.- PROBABILIDAD.- CURSO 2016-2017 1.1.- Introducción. Definición axiomática de probabilidad. Consecuencias de los axiomas. 1.2.- Probabilidad condicionada. 1.3.- Independencia de sucesos. 1.4.- Teoremas
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesVariables 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 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 detallesAl conjunto de todos los sucesos que ocurren en un experimento aleatorio se le llama espacio de sucesos y se designa por S. Algunos tipos de sucesos:
1.- CÁLCULO DE PROBABILIDADES. Un experimento aleatorio es aquel que puede dar lugar a varios resultados, sin que pueda ser previsible enunciar con certeza cuál de éstos va a ser observado en la realización
Más detallesINGENIERÍA INFORMÁTICA DE GESTIÓN Junio 2005
INGENIERÍA INFORMÁTICA DE GESTIÓN Junio 2005 1. En una pequeña empresa con 60 empleados, 25 son personal de fábrica y están cobrando unos sueldos semanales (en euros) en función a su antigüedad de: 300
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p
Más detallesObjetivo: Que el alumno conozca y aprenda a usar algunos de los métodos no paramétricos mas importantes.
DEPARTAMENTO DE CIENCIAS BASICAS AREA DE ESTADISTICA DISEÑO DE EXPERIMENTOS PRACTICA DE-3 ESTADISTICA NO PARAMETRICA Objetivo: Que el alumno conozca y aprenda a usar algunos de los métodos no paramétricos
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 detallesTema 3: Cálculo de Probabilidades Unidad 1: Introducción y Concepto
Estadística Tema 3: Cálculo de Probabilidades Unidad 1: Introducción y Concepto Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Octubre 2010 Contenidos...............................................................
Más detallesTema 2 Modelos de probabilidad
Tema 2 Modelos de probabilidad José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Estructura de este tema Conceptos básicos de probabilidad. Modelos discretos: la distribución
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detallesContrastes de hipótesis. 1: Ideas generales
Contrastes de hipótesis 1: Ideas generales 1 Inferencia Estadística paramétrica población Muestra de individuos Técnicas de muestreo X 1 X 2 X 3.. X n Inferencia Estadística: métodos y procedimientos que
Más detallesPráctica de AJUSTE DE DISTRIBUCIONES II (ajuste de datos)
Práctica de AJUSTE DE DISTRIBUCIONES II (ajuste de datos) 1 1. Objetivos de la práctica En esta práctica vamos a ajustar modelos de distribución a datos reales. Un vez que hayamos hecho esto, podremos
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 detallesTEMA 6: CÁLCULO DE PROBABILIDADES. 6.1 Concepto de suceso aleatorio. Terminología y definiciones.
I.E.S. Salvador Serrano Dto. de Matemáticas (Daniel García) 2º CCSS 202 / TEMA : CÁLCULO DE PROBABILIDADES.. Concepto de suceso aleatorio. Terminología y definiciones. La probabilidad se centra en los
Más detallesPodemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad para
VII. Pruebas de Hipótesis VII. Concepto de contraste de hipótesis Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad
Más detallesUNIDAD III VARIABLEA ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDADES
UNIDAD III VARIABLEA ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDADES VARIABLE ALEATORIA DISCRETA. Definición. Se dice que una v.a es discreta si el conjunto de todos los valores que puede tomar es un conjunto,
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesHipótesis Alternativa H 1 : ϑ Θ 1
INFERENCIA ESTADÍSTICA Tema 3.3: Contrastes de signicación Objetivos Dominar el esquema conceptual y el lenguaje propios de los contrastes de hipótesis. Construir contrastes de hipótesis para los parámetros
Más detallesINFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS
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
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 detallesUnidad II: Fundamentos de la teoría de probabilidad
Unidad II: Fundamentos de la teoría de probabilidad 2.1 Teoría elemental de probabilidad El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos que se denominan aleatorios, cuya característica
Más detallesCAPÍTULO 6: VARIABLES ALEATORIAS
Página 1 de 11 CAPÍTULO 6: VARIABLES ALEATORIAS En el capítulo 4, de estadística descriptiva, se estudiaron las distribuciones de frecuencias de conjuntos de datos y en el capítulo 5 se trataron los fundamentos
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesDefinición de variable aleatoria
Variables aleatorias Instituto Tecnológico Superior de Tepeaca Agosto-Diciembre 2015 Ingeniería en Sistemas Computacionales M.C. Ana Cristina Palacios García Definición de variable aleatoria Las variables
Más detalles1. Lanzamos una moneda 400 veces. Halla la probabilidad de que el número de caras sea mayor que 200.
1. Lanzamos una moneda 400 veces. Halla la probabilidad de que el número de caras sea mayor que 200. 2. Lanzamos una moneda 400 veces. Halla la probabilidad de que el número de caras esté entre 180 y 220.
Más detallesTema 7: Estadística y probabilidad
Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro
Más detallesEXAMEN DE ESTADÍSTICA Septiembre 2011
EXAMEN DE ESTADÍSTICA Septiembre 2011 Apellidos: Nombre: DNI: GRUPO: 1. De una clase de N alumnos se tiene la siguiente información sobre las calificaciones obtenidas del 1 al 8 en una cierta asignatura
Más detallesTEMA 1.- PROBABILIDAD.-CURSO 2016/2017
TEMA 1.- PROBABILIDAD.-CURSO 2016/2017 1.1.- Introducción. Definición axiomática de probabilidad. Consecuencias de los axiomas. 1.2.- Probabilidad condicionada. 1.3.- Independencia de sucesos. 1.4.- Teoremas
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
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 detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA 5)
TEMA 5 NOCIONES BÁSICAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer los conceptos de experimento aleatorio y espacio muestral. Distinguir los distintos tipos de sucesos que forman parte del espacio
Más detallesCap. 5 : Distribuciones muestrales
Cap. 5 : Distribuciones muestrales Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 18 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de
Más detallesLa idea de probabilidad comienza con la observación: las frecuencias relativas de los resultados de los experimentos aleatorios se estabilizan.
6.1 Ideas básicas de probabilidad 47 Experimento aleatorio (ε) Diremos que un experimento es aleatorio, cuando el resultado de una realización del experimento es incierto pero las frecuencias relativas
Más detallesAnálisis de dos muestras
Análisis de dos muestras Supongamos el siguiente ejemplo. La resistencia a la rotura de un componente eléctrico constituye una característica importante de un cierto proceso. Un fabricante utiliza un material
Más detallesTema 4. MODELOS DE DISTRIBUCIONES DISCRETOS.
Estadística Tema 4 Curso /7 Tema 4. MODELOS DE DISTRIBUCIONES DISCRETOS. Objetivos Conceptos: Conocer los siguientes modelos discretos de probabilidad: uniforme, binomial, geométrico y Poisson. De cada
Más detallesESTADISTICA Estimación puntual
Resumen estadístico Describir y sintetizar Tablas de frecuencias y Gráficos ESTADISTICA Estimación puntual Analizar e inferir Intervalos de confianza Contrastes de hipótesis Qué es una hipótesis? Una creencia
Más detallesTema 3. VARIABLES ALEATORIAS.
3..- Introducción. Tema 3. VARIABLES ALEATORIAS. Objetivo: Encontrar modelos matemáticos para el trabajo con probabilidad de sucesos. En particular, se quiere trabajar con funciones reales de variable
Más detallesBloque I: Estadística y Probabilidad
Bloque I: Estadística y Probabilidad 1. Probabilidad 1. Teoría de la probabilidad 2. Probabilidad condicionada 3. Dependencia e independencia de sucesos 4. Técnicas de recuento: diagramas de árbol, tablas
Más detalles