TEMA1- DISTRIBUCIONES DE PROBABILIDAD FUNDAMENTALES.
|
|
- Elena Aguilera Méndez
- hace 7 años
- Vistas:
Transcripción
1 TEMA- DISTRIBUCIONES DE PROBABILIDAD FUNDAMENTALES. Tras haber asiilado los teas ateriores sobre teoría de la probabilidad (coteidos de Estadística Epresarial I) se debe estudiar los odelos ás "oportuos". Esta oportuidad se debe a las hipótesis de feóeos reales de iterés y a las distribucioes de estadísticos (que se geerará e el uestreo). Por su eore variedad u estudio detallado de todos los odelos usados sería deasiado aplio y requeriría ucho ás tiepo del dispoible..0.-repaso DE MODELOS DISTRIBUCIÓN BINOMIAL. Se diferecia etre distribució bioial (,p) y distribució bioial (,p). Distribució Bioial (;p) o Distribució de Berouilli. Ejeplo. La distribució B(;p) es la distribució de probabilidad discreta de los feóeos aleatorios deoiados dicotóicos coo lazar ua oeda (iteresa el úero de caras obteidas e ese lazaieto) o coo observar si u aluo supera ua asigatura (iteresa el úero de aprobados para este caso úico o idividual). Hipótesis. Feóeo dicotóico (sólo dos sucesos posibles icopatibles y excluyetes) se puede cocretar e dos sucesos, S y S * ; icopatibles, S S * = ; y cuya uió es el espacio uestral S U S * = E ya que abarca todas las posibilidades. Costrucció. E el odelo, u suceso (elegido arbitrariaete), por ejeplo S, se deoia suceso favorable o suceso éxito, se le asiga valor (uo) e la variable aletoria (al otro suceso que es el copleetario copleetario se le asiga valor 0) y probabilidad p (al copleetario probabilidad q co q=-p): ξ = 0 si ocurres P( ξ = ) = p co. si o ocurres P( ξ = 0) = q = p
2 Se dice, etoces, que ua variate ξ tiee distribució de probabilidad bioial x x (;p) si su fució de cuatía es: P( ξ = x) = p q co x = 0,. Esto sigifica que P (ξ = ) = p y P( ξ = 0) = q = p. La esperaza de ua variate ξ co distribució bioial (;p) es: E(ξ)= µ = p. La variaza de ua variate ξ co distribució bioial (;p) es: V(ξ) = σ = pq. Este odelo uiparaétrico (u solo paráetro que es p) se fija al evaluar el valor de p y es uy útil dada la gra catidad de feóeos dicotóicos existetes y la posibilidad de obteer uevos odelos e base a este tipo de feóeos. EJEMPLO. Se deuestra coo ejeplo la esperaza y la variaza de la distribució bioial (;p): E( ξ) = x i P( ξ = x i ) = p + 0 q = p i V( ξ) = E( ξ ) E( ξ) = x P( ξ = x ) E( ξ ) = p p = p( p) = pq. i EJEMPLO. Si e ua ura hay 0 bolas blacas y 80 rojas, y se extrae ua bola al azar, los dos úicos sucesos posibles so S = Salir bola blaca y S = Salir bola roja. Se verifica que P(S ) = 0, y P(S ) = 0,8 La variable aleatoria ξ = 0 si sale blaca si o sale blaca sigue ua distribució bioial(;0,) o B(;0,). Su esperaza y su variaza se calcula fácilete E( ξ ) = p = 0, y V ( ξ) = pq = 0, 0,8 = 0,6. Distribució bioial (;p). Ejeplo. La distribució B(,p) es la distribució de probabilidad discreta que agrupa o sua feóeos aleatorios dicotóicos idepedietes e iguales coo lazar diez veces ua oeda (iteresa el úero de caras obteidas e los diez lazaietos)
3 o coo observar cuátos aluos de u grupo supera ua asigatura (iteresa el úero de aprobados e el grupo). Hipótesis. Si se repite veces u iso experieto aleatorio dicotóico, siedo las repeticioes idepedietes y co la isa probabilidad asigada al suceso éxito, etoces, la variable aleatoria ξ que represeta el úero de veces que sale el suceso deoiado favorable o éxito sigue ua distribució de probabilidad bioial(;p). Costrucció. La distribució bioial (;p) se obtiee coo sua de variables aleatorias idepedietes co distribució de probabilidad bioial(;p): ξ=ξ +ξ ξ tiee distribució de probabilidad bioial(;p) si ξ, ξ,..., ξ so variables aleatorias idepedietes e iguales co distribució bioial(;p). Coo cosecuecia de lo aterior, ua variable aleatoria ξ tiee distribució de probabilidad bioial (;p) si su fució de cuatía es: P( i i i ξ = i ) = p q para i = 0,,...,. Para evitar cálculos tediosos, los valores de las probabilidades está tabulados (hay tablas estadísticas co los valores de las probabilidades para diferetes cobiacioes de paráetros) y se puede obteer ediate secillos habituales prograas iforáticos (coo hojas de cálculo). La esperaza de ua variate ξ co distribució bioial (;p) es: E(ξ)= µ = p. pq. La variaza de ua variate ξ co distribució bioial (;p) es: V(ξ) = σ = EJEMPLO. Se deuestra coo ejeplo la esperaza y la variaza de la distribució bioial (;p): E(ξ)=µ =E(ξ +ξ ξ )= E(ξ )+E(ξ )+...+E(ξ )= p V(ξ) = σ = V(ξ +ξ ξ )= V(ξ )+V(ξ )+...+V(ξ )= pq. EJEMPLO.
4 Se aaliza el feóeo úero de bolas blacas extraídas si se realiza 0 extraccioes co reeplazaieto de ua ura que cotiee 0 bolas blacas y 80 rojas. Se repite, por tato, el iso experieto = 0 veces. El suceso que llaaos favorable es S = Salir bola blaca co probabilidad p = 0, = P(S ). La variable aleatoria ξ = Nº de bolas blacas de las 0 extraccioes puede toar co probabilidad diferete a cero sólo los valores i=0,,,...,0 y tiee distribució de probabilidad bioial(0;0,) o B(0;0,), co fució de cuatía: P( 0 i i 0 i ξ = i ) = 0, 0,8, i =,, 3,...,0. La probabilidad, por ejeplo, de extraer exactaete 3 bolas blacas (o igualete isa situació, exactaete 7 bolas egras) será: ! 3 7 P ( ξ = 3) = 0, 0,8 = 0, 0,8 = 0, !7! Su esperaza y su variaza se calcula fácilete E( ξ ) = p = 0 0, = y V ( ξ) = p q = 0 0, 0,8 =,6. Este odelo biparaétrico (dos paráetros y p) se fija al evaluar el valor de los paráetros y es uy útil porque costruye ua variable cotador de sucesos éxito sobre u grupo de feóeos dicotóicos repetidos idepedieteete. La distribució bioial (;p) tiee la propiedad aditiva o reproductiva e el paráetro p, esto es, la sua de variables aleatorias idepedietes co distribució bioial ( i ;p) tabié tiee ua distribució bioial (iso coú paráetro p, sua de los diferete paráetros i ).
5 .0..- DISTRIBUCIÓN POISSON. Ejeplo. La distribució Poisso () o Ley de los Casos Raros es ua distribució de probabilidad discreta que puede agrupar uchos (ifiitos e teoría) feóeos aleatorios dicotóicos idepedietes e iguales pero co probabilidad del suceso relevate o éxito uy pequeña, coo observar cuátos aluos de u grupo uy uy grade obtiee Matrícula de Hoor co áxia calificació e ua asigatura difícil (iteresa el úero de Matrículas de Hoor e este ueroso grupo). Hipótesis. Se puede deteriar esta distribució de Poisso (tabié deoiada de los casos raros) coo líite de la distribució bioial (;p) si se platea (partiedo de la distribució bioial co sus hipótesis correspodietes) que el úero de repeticioes del suceso dicotóico tiede a ifiito (a ivel práctico u operativo ás de 00), la probabilidad del suceso éxito tiede a cero (a ivel práctico u operativo eos de 0,05) y el producto de úero de repeticioes por probabilidad del suceso éxito es u valor real (a ivel práctico u operativo eor de 0). Costrucció. Así plateada, la distribució Poisso de paráetro se obtiee coo sua de (co ) variables aleatorias idepedietes co distribució de probabilidad bioial (;p0) y siedo p valor real: ξ=ξ +ξ ξ tiee distribució de probabilidad Poisso de paráetro = p si ξ, ξ,..., ξ so variables aleatorias idepedietes co distribució bioial(;p0). Coo cosecuecia de lo aterior, ua variable aleatoria ξ tiee distribució de probabilidad Poisso de paráetro si su fució de cuatía es: λ i e λ P( ξ = i) =, para i = 0,,...,. i! Auque e teoría e la distribució de probabilidad de Poisso la variate puede toar (co probabilidad o cero) cualquier valor atural ás el cero (uca valores egativos o o eteros), la fora de la fució de cuatía idica que las probabilidades de que la variable toe valores cada vez ayores decrece rápidaete. Esto cofira la tipología de feóeos que se adapta o so represetados por este odelo: feóeos co sucesos que au siedo posibles so uy poco probables, el feóeo se tiee que repetir uchas veces para que se presete (sucesos raros coo siiestros, defectos e producció e serie, partos últiples, etc.).
6 Para evitar cálculos tediosos, los valores de las probabilidades está tabulados (hay tablas estadísticas co los valores de las probabilidades para diferetes valores del paráetro) y se puede obteer ediate secillos habituales prograas iforáticos (coo hojas de cálculo). La esperaza de ua variate ξ co distribució Poisso () es: E(ξ)= µ =. La variaza de ua variate ξ co distribució Poisso () es: V(ξ) = σ =. A veces, esta coicidecia etre valor de esperaza y variaza puede ser u idicio ate u problea para recoocer u distribució de Poisso. EJERCICIO. El ecargado de ua cadea de otaje sospecha que la probabilidad de que u día salga r (r=0,,,3,) artículos defectuosos sigue ua distribució co esperaza y variaza igual a cuatro, ya que la probabilidad de que u artículo sea defectuoso es 0004 y diariaete se produce.000 uidades. Bajo qué hipótesis se justificaría la sospecha del ecargado?. Probabilidad de que e u deteriado día o haya artículos producidos defectuosos. Podría cocluirse que se puede odelar co la ley de Poisso si se adite: que cada eleeto o artículo producido respecto a teer defecto es u feóeo dicotóico (co sólo dos sucesos icopatible y disjutos); si se platea la agrupació de todos los artículos producidos e el día y se cueta los artículos defectuosos co ua B(,p) porque se supoe sua, idepedecia e igual distribució de la variate dicotóica agregada; y, fialete, si se adite que la producció diaria es suficieteete grade, que la probabilidad de que u artículo sea defectuoso es suficieteete pequeña y el producto de uero por probabilidad es estable se llega a la ley de Poisso. 4 i e 4 Co = p=000 0,4=4 se tiee P( ξ = i) =, para i = 0,,..., y i! 4 0 e 4 P( ξ = 0) = =0, ! EJERCICIO PROPUESTO. Se cotrata u seguro de vida para cada uo de los deportistas federados de ua regió. Es razoable esperar que la probabilidad de que cualquiera
7 de estos deportistas fallezca es el 0,00% para u año. Deteriar el úero de ideizacioes por uerte durate el año que previsibleete tedrá que satisfacer la copañía de seguros y la probabilidad de que se produzca dos o eos falleciietos e el año. EJERCICIO PROPUESTO. El resposable de uos ulticies sabe que el 0'5% de los espectadores pasa si etrada. Si se revisa al azar a 000 espectadores, cuál es la probabilidad de que ás de tres haya pasado si etrada?. Si por fallos e la seguridad el 0% pasa si etrada, toado a 000 espectadores, cuál es la probabilidad de que eos de oveta haya pasado si etrada?. Este odelo uiparaétrico (u paráetro ) proporcioa ua variable cotador de casos raros: sucesos éxito uy poco probables o de uy baja posibilidad de acaeciieto sobre u grupo uy grade de feóeos dicotóicos repetidos idepedieteete. La distribució Poisso tiee la propiedad aditiva o reproductiva, esto es, la sua de variables aleatorias idepedietes co distribució Poisso de paráetro i tabié tiee ua distribució Poisso de paráetro (sua de los diferete paráetros = k ). EJERCICIO PROPUESTO. U deteriado país está iteresado e aalizar el problea ecológico que supoe el vertido de la carga de los petroleros. Tras estudiar los ifores técicos dispoibles acepta las siguietes dos coclusioes. Priera, aualete 000 petroleros de doble casco realiza trayectos co carga y la probabilidad de vertido se estia e Seguda, aualete u úero uy alto (pero descoocido) de petroleros oocasco realiza trayectos co carga y la probabilidad de siiestro o se ha calculado, si se sabe que al año hay, por tério edio, accidetes..- Presetar y justificar u odelo que represete el úero de vertidos auales de buques de doble casco. Hallar el úero esperado de vertidos auales y la probabilidad de que o se produzca igú vertido e u año.
8 .- Presetar y justificar u odelo que represete el úero de vertidos auales de buques oocasco. Hallar la probabilidad de que o se produzca igú vertido e u año y la probabilidad de que se produzca eos de cico vertidos. 3.- Presetar y justificar u odelo que represete el úero de vertidos auales de petroleros (tato oocasco coo de doble casco). Hallar el úero esperado de vertidos auales y la probabilidad de que se produzca ás de diez vertidos e u año.
9 DISTRIBUCIÓN UNIFORME. Ejeplo. La distribució Uifore (a,b) o U(a,b) es ua distribució de probabilidad cotiua que puede represetar a feóeos aleatorios sobre los que existe poca iforació y que preseta líites etre sus posibles valores, coo vetas de copoetes e ua seaa, sabiedo sólo que el úero de vetas oscilará etre y uidades o coo se eplea e la siulació por ordeador de los valores de ua variate co ua distribució deteriada. Hipótesis. La distribució uifore surge a ivel ás operativo cuado se cosidera ua variable aleatoria co ifiitos o uchísios valores iteredios, que toa valores e u itervalo fiito deliitado y de aera equiposible o equiprobable. Costrucció. Se dice que ua variable aleatoria cotiua ξ tiee distribució de probabilidad uifore e el itervalo [a,b] co -<a<b<+ si su fució de desidad viee dada por: si a x b f ( x) = b a. 0 resto EJERCICIO PROPUESTO. Deostrar que la fució aterior es fució de desidad. Se cita a cotiuació alguas características relevates.. Su fució de distribució es: 0 si x < a x a F( x) = si a x b. b a si x > b. Su esperaza es: a + b E( ξ ) =. ( ) b a 3. Su variaza es: V ( ξ ) =. Evideteete, al ser ua distribució cotiua todas las probabilidades putuales o P(ξ = x) so cero dado que las probabilidades se busca e los itervalos.
10 No preseta la U(a,b) la propiedad aditiva. EJERCICIO PROPUESTO. Deostrar estas características. EJERCICIO. Se cosidera u itervalo dode ua variate se distribuye uiforeete co esperaza igual a ocho y variaza igual a ueve. Hallar fució de desidad y la probabilidad de que la variate toe valores ayores a ueve. Se ecesita coocer la fució de desidad, para ello se aprovecha la iforació sobre valores de la esperaza y de la variaza. a + b E( ξ ) = = 8 y V ( ξ ) = ( b a) = 9 => a=,804 y b=3,96. La fució de desidad es f ( x) = 0,39 0 resto si,804 x 3,96 La probabilidad es 3, 96 P( ξ > 9) = f ( x) dx = dx =0, ,
11 ..- MODELO NORMAL. La distribució oral es el odelo ás iportate por ser la que ejor se ajusta a uchos feóeos reales, por ser buea aproxiació (otros odelos bajo ciertas codicioes sigue u coportaieto oral y la agrupació o sua de uchos feóeos o sigificativos e el cojuto e idepedietes tabié) y por ser base de distribucioes e el uestreo iprescidibles para la iferecia estadística. Es por esto que aparece la distribució oral e todos los capos de las ciecias epíricas. Para ua ás fácil copresió de este odelo se epieza estudiado u caso particular (la oral reducida) para, después, cotiuar co la oral geeral. Distribució Noral (0;) o oral reducida o oral tipificada. Hipótesis. Se dice que ua variable aleatoria cotiua ξ tiee distribució de probabilidad oral co edia 0 y desviació típica o N(0,) si su fució de desidad viee dada por: f ( x ) = e π x co -<x<+. Características. La fució de desidad se represeta gráficaete dado lugar a lo que se cooce coo capaa de Gauss: f(x)
12 A partir de la fució de desidad se deuestra iteresates propiedades que perite eteder ejor la distribució oral reducida:. La fució de desidad es siétrica respecto al eje de ordeadas o recta x=0, esto es, f(-x)=f(x).. Media, ediaa y oda se ecuetra e el valor x=0. 3. Tiee ua asítota horizotal e y=0. 4. Alcaza u áxio absoluto e x=0 y es f ( x) =. π 5. Es creciete para x<0 y decreciete para x>0. 6. Los putos x=- y x=+ so putos de iflexió. 7. Mucha probabilidad e la zoa cetral: e [-,+] probabilidad de 0,955 y e [-3,+3] probabilidad de 0,997. Evideteete, al ser ua distribució cotiua todas las probabilidades putuales o P(ξ = x) so cero dado que las probabilidades se busca e los itervalos. Las probabilidades e itervalos de la recta real puede calcularse ediate la itegral defiida (área bajo la curva f), tal y coo se platea co cualquier variable aleatoria cotiua. Por ejeplo, P(ξ x) es el área a la izquierda del puto x, bajo la curva f(x) f(x) Area x 3 La fució de desidad o tiee priitiva y para calcular probabilidades se debería utilizar procediietos aproxiativos. Para facilitar la operatividad se dispoe de tablas que perite calcular probabilidades de variables aleatorias co distribució Noral(0;). Hay tablas que preseta las probabilidades acuuladas e la cola
13 izquierda respecto u puto x o P(ξ<x) y tablas que preseta las probabilidades acuuladas e la cola derecha respecto u puto x o P(ξ>x). Las tablas sólo da iforació de ua de las colas ya que los itervalos de cualquier otro tipo se puede trasforar para poder buscar e las tablas la probabilidad deseada (recurriedo a la sietría y al suceso copleetario). Otra posibilidad es obteer las probabilidades ediate secillos y habituales prograas iforáticos (coo hojas de cálculo). EJEMPLOS PARA PRACTICAR. P ( ξ 0,47 ) = 0,39 P ( ξ 0,54 ) = P( ξ 0,54 ) = 0,946 = P ( ξ,3 ) = P( ξ,3 ) = 0,9 0, 7054 P ( ξ 0, 73 ) = P( ξ 0, 73 ) = P( ξ 0, 73 ) = 0,37 = 0, 7673 P(,96 ξ,) = P( ξ,) P( ξ,96) = P( ξ,96) P( ξ,) = = ( 0,050 ) 0,070 = 0,958. Distribució Noral(µ;σ) o Noral Geeral. Hipótesis. Se dice que ua variable aleatoria cotiua ξ tiee distribució de probabilidad oral co edia µ y desviació típica σ, si su fució de desidad viee dada por: f ( x ) ( x µ ) σ = e co -<x<+. σ π Dada ua ξ*=n(0,), se dice que ua variable aleatoria cotiua ξ tiee distribució de probabilidad oral co edia µ y desviació típica σ, ξ=n(µ,σ) si se obtiee coo ξ=σ ξ*+µ, es decir, N(µ,σ)=σ N(0,)+µ. Características. La represetació gráfica de esta fució de desidad es:
14 f(x) µ-σ µ µ+σ A partir de la fució de desidad se deuestra iteresates propiedades que perite eteder ejor la distribució oral geeral:. La fució de desidad es siétrica respecto al eje de ordeadas o recta x=µ, esto es, f(µ-x)=f(µ+x).. Media, ediaa y oda se ecuetra e el valor x=µ. 3. Tiee ua asítota horizotal e y=0. 4. Alcaza u áxio absoluto e x=µ y es f ( x) =. σ π 5. Es creciete para x<µ y decreciete para x>µ. 6. Los putos x=µ-σ y x=µ+σ so putos de iflexió. 7. Mucha probabilidad e la zoa cetral: e [µ-σ,µ+σ] probabilidad de 0,955 y e [µ-3σ,µ+3σ] probabilidad de 0,997. Evideteete, al ser ua distribució cotiua todas las probabilidades putuales o P(ξ = x) so cero dado que las probabilidades se busca e los itervalos. Las probabilidades de itervalos correspode, coo se ha expuesto ates, a áreas bajo la curva fució de desidad. Para calcular estas probabilidades os podeos ayudar de las tablas de la distribució Noral(0;) ya que cualquier variable aleatoria oral ξ se puede trasforar e otra oral co edia 0 y desviació típica, si ás que x µ tipificar ediate la relació P ( ξ < x) = P( σξ * + µ < x) = P( ξ* < ). σ EJEMPLO.
15 La duració aleatoria ξ de u deteriado copoete eléctrico sigue ua distribució oral de edia.000 horas y desviació típica 00 horas. Se calcula la probabilidad de que u copoete eléctrico elegido al azar dure etre.000 y.350 horas. ξ es ua variable aleatoria Noral(.000;00). La variable aleatoria tipificada que tiee distribució Noral(0;), a partir de la cual se puede buscar las.000 probabilidades e tablas de la oral es: ξ * = ξ. 00 La probabilidad que se busca resulta: ξ P(.000 ξ.350 ) = P( ) = P (0 ξ * 3,5 ) = P( ξ* 0 ) P( ξ* 3,5 ) = 0,5 0,000 = 0,4998. La distribució Noral tiee la propiedad aditiva o reproductiva para cobiacioes lieales, esto es, la cobiació lieal de variables aleatorias idepedietes co distribució Noral tabié tiee ua distribució Noral. EJERCICIO PROPUESTO. Obteer los paráetros resultates de aplicar la propiedad reproductiva del odelo Noral. T.C.L. Teorea Cetral del Líite. Para teriar co los coceptos relacioados co la distribució Noral se tratará u aspecto de la covergecia de variables aleatorias. U estudio profudo es de gra coplejidad ateática y o se correspode co los fies que se pretede. Sipleete se destacará la iportacia del coportaieto asitótico de la variable edia aritética: si la covergecia es e probabilidad se llega a ua ley débil, si la covergecia es casi segura se llega a ua ley fuerte y si la covergecia es e distribució hacia la oral se llega a los teoreas cetrales del líite que será el objeto de este apartado.
16 Coo se dijo, u aspecto destacable del odelo Noral cosiste e que es distribució líite de ultitud de sucesioes de variables aleatorias, discretas y cotiuas. Esto se deuestra a través del teorea cetral del líite, que de aera ituitiva y operativa se puede describir de la siguiete fora: Si teeos ua sucesió de variables aleatorias idepedietes (que se orgaiza coo ua sua de uerosas variables aleatorias), co la isa distribució y, co edia y variaza fiitas, la edia aritética de ellas (o la sua de las variates) coverge a ua variable aleatoria co distribució oral. Por ello, el teorea cetral de líite justifica que e deteriadas codicioes suas de variables aleatorias sigue ua distribució aproxiadaete oral. Sea ξ,...ξ, variables aleatorias idepedietes igualete distribuidas co edia E(ξ j ) y variaza V(ξ j ) fiita, si 50 se puede escribir la variate sua S coo P( S x) = P( ξ ξ x) P( N( µ, σ ) x) siedo E(S)=E(ξ +ξ ξ )= E(ξ )+E(ξ )+...+E(ξ )= E(ξ j )=µ V(S)=V(ξ +ξ ξ )= V(ξ )+V(ξ )+...+V(ξ )= V(ξ j )= σ. Si ξ B(, p) => S B(, p) B(, p) N( p, pq), j j = si ξ Poisso λ => S Poisso λ N( λ, λ ), j ( ) si a + b b a ξ (, ) =>????, j U a b S N. EJERCICIO PROPUESTO. Razoar que, siguiedo las ideas expuestas, para cualquier població co edia fiita µ y desviació típica σ, las distribucioes uestrales de la sua uestral y de la edia uestral so aproxiadaete orales si el taaño de la uestra es suficieteete grade. EJERCICIO PROPUESTO. Se laza u dado perfecto. Hallar y justificar la elecció del odelo utilizado para la probabilidad de obteer resultados pares o eos al efectuar 0 lazaietos y, para la probabilidad de obteer pares o ás al efectuar lazaietos.
17 ..- MODELO DE PEARSON. Hipótesis. Si se tiee variables aleatorias idepedietes, ξ,...,ξ, cada ua de ellas co distribució Noral Reducida (edia 0 y desviació típica ), etoces la variable aleatoria ξ = ξ ξ recibe el obre de χ co grados de libertad. De otra fora, se dice que ua variable aleatoria cotiua ξ tiee distribució de probabilidad χ de Pearso si se puede escribir coo ξ = ξ ξ, dode, ξ,...,ξ, so variates Norales idepedietes de edia 0 y desviació típica. Tabié se dice que ua variable aleatoria cotiua ξ tiee distribució de probabilidad χ de Pearso si si su fució de desidad es: f ( x ) = x Γ x e co -<x<+. Características. Es u odelos que se tiee a partir de las distribucioes e el uestreo, o correspode a u feóeo real y por eso se dice que es, juto co otras distribucioes derivadas de la oral y resultado del uestreo, ua distribució o odelo ficticio. Esta distribució es de carácter cotiuo, su fució de desidad toa valores (doiio) e el itervalo [ 0, ). Su fució de desidad será: f ( x ) = x Γ x e co -<x<+. La fució de desidad depede de los grados de libertad,. A odo de ejeplo se preseta e el siguiete gráfico la fució de desidad para distitos grados de libertad:
18 g.l. 4 g.l. 0 g.l. El cálculo de probabilidades se realiza a través de tablas de la distribució χ. Alguas características so E =, V χ =. χ La distribució χ tiee la propiedad aditiva para sua de variates, esto es, la sua de variables aleatorias idepedietes co distribució χ tabié tiee ua distribució χ : Dadas { } k... i X i χ = k E relació co la oral se puede expoer: k X i i= χ i idepedietes si X χ, etoces Y = X N(, ) si es grade.
19 .3.- MODELO t DE STUDENT. Hipótesis. La distribució t de Studet co grados de libertad se puede costruir a partir de + variables aleatorias idepedietes co distribució N(0, σ), ξ 0, ξ,...ξ, de la siguiete fora: ξ0 N( 0,) ξ = =. ξ ξ χ Se dice que ua variable aleatoria cotiua ξ tiee distribució de probabilidad t de Studet si su fució de desidad es: f ( x ) = + Γ + π Γ x + co -<x<+. Características. Es u odelos que se tiee a partir de las distribucioes e el uestreo, o correspode a u feóeo real y por eso se dice que es, juto co otras distribucioes derivadas de la oral y resultado del uestreo, ua distribució o odelo ficticio. Esta distribució es de carácter cotiuo y toa valores e el itervalo ( ),. Su fució de desidad es: f ( x ) = + Γ + π Γ x + co -<x<+. Esta fució es siétrica respecto al eje de ordeadas y su fora depede de los grados de libertad,. A odo de ejeplo se copara e el siguiete gráfico tres fucioes diferetes:
20 g.l. 4 g.l. 9 g.l. La fució de desidad resulta difícil de aejar, para calcular probabilidades se utiliza tablas. Otra posibilidad es obteer las probabilidades ediate secillos y habituales prograas iforáticos (coo hojas de cálculo). Alguas características so: [ T ] = 0 E para > (si = o existe edia) y Var [ T ] = para >3. E relació co la oral se puede expoer que la distribució t de Studet coverge a ua oral cuado los grados de libertad tiede a ifiito (sirve para >30).
21 .4.- MODELO F, DE FISHER-SNEDECOR. Hipótesis. Si se tiee + variables aleatorias idepedietes, cada ua de ellas co distribució Noral Reducida (edia 0 y desviació típica ), etoces la variable aleatoria ) ( ) ( ) ; ( F χ χ = recibe el obre F de Fisher-Sedecor co y grados de libertad. Se dice que ua variable aleatoria cotiua ξ tiee distribució de probabilidad si su fució de desidad es: ) ( ) ( x x x f + + Γ Γ + Γ = co -<x<+. Características. Esta distribució es de carácter cotiuo, su fució de desidad toa valores (doiio) e el itervalo [ ), 0. Su fució de desidad es: ) ( ) ( x x x f + + Γ Γ + Γ = co -<x<+. La fució de desidad resulta difícil de aejar, para calcular probabilidades se utiliza tablas. Otra posibilidad es obteer las probabilidades ediate secillos y habituales prograas iforáticos (coo hojas de cálculo).
3. Distribuciones de probabilidad
3. Distribucioes de probabilidad Estudiamos a cotiuació las pricipales distribucioes de probabilidad que se ecuetra e las aplicacioes del cálculo de probabilidades. Clasificaremos las distribucioes atediedo
Más detallesObjetivos. 1. Inferencia Estadística. INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo. M. Iniesta Universidad de Murcia
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo Objetivos Tratar co muestras aleatorias y su distribució muestral e ejemplos de tamaño reducido. Tratar co la distribució de la
Más detallesINFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS
INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS Població E el cotexto de la estadística, ua població es el cojuto de todos los valores que puede tomar ua característica medible e particular, de u cojuto correspodiete
Más detallesMEDIDAS DE DISPERSION
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Uiversidad del Perú, DECANA DE AMERICA) MEDIDAS DE DISPERSION 14/06/008 Ig. SEMS .3 MEDIDAS DE DISPERSIÓN Todos los valores represetativos discutidos e las seccioes
Más detallesT ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos:
T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Variable aleatoria: defiició y tipos: Ua variable aleatoria es ua fució que asiga u úmero real, y sólo uo, a cada uo de los resultados de u eperimeto aleatorio.
Más detallesMODELOS DE PROBABILIDAD
3 MODELOS DE PROBABILIDAD.- VARIABLES ALEATORIAS DISCRETAS E ocasioes, alguas variables aleatorias sigue distribucioes de probabilidad uy cocretas, coo por ejeplo el estudio a u colectivo ueroso de idividuos
Más detalles) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1
ESTIMACIÓN PUNTUAL. ESTIMACIÓN POR INTERVALOS DE CONFIANZA. 1. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA El objetivo básico de la iferecia estadística es hacer iferecias o sacar coclusioes sobre la població
Más detallesLÍMITES DE FUNCIONES REALES CON TENDENCIA A REAL
INSTITUCION EDUCATIVA LA PRESENTACION NOMBRE ALUMNA: AREA : MATEMÁTICAS ASIGNATURA: MATEMÁTICAS DOCENTE: JOSÉ IGNACIO DE JESÚS FRANCO RESTREPO TIPO DE GUIA: CONCEPTUAL - EJERCITACION PERIODO GRADO N FECHA
Más detallesPráctica 2 VARIABLES ALEATORIAS CONTINUAS
Práctica. Objetivos: a) Apreder a calcular probabilidades de las distribucioes Normal y Chi-cuadrado. b) Estudio de la fució de desidad de la distribució Normal ~ N(µ;σ) c) Cálculo de la fució de distribució
Más detallesAutomá ca. Capítulo6.LugardelasRaíces. JoséRamónLlataGarcía EstherGonzálezSarabia DámasoFernándezPérez CarlosToreFerero MaríaSandraRoblaGómez
Autoáca Capítulo6.LugardelasRaíces JoséRaóLlataGarcía EstherGozálezSarabia DáasoFerádezPérez CarlosToreFerero MaríaSadraRoblaGóez DepartaetodeTecologíaElectróica eigeieríadesisteasyautoáca Lugar de las
Más detallesIntroducciónalaInferencia Estadística
Capítulo 6 ItroduccióalaIferecia Estadística 6.1. Itroducció El pricipal objetivo de la Estadística es iferir o estimar características de ua població que o es completamete observable (o o iteresa observarla
Más detallesProbabilidad y Estadística 2003 Intervalos de Confianza y Test de Hipótesis paramétricos
Probabilidad y Estadística 3 Itervalos de Cofiaza y Test de Hipótesis paramétricos Itervalos de Cofiaza Defiició Dada ua muestra aleatoria simple es decir, u vector de variables aleatorias X co compoetes
Más detallesCAPÍTULO I. Conceptos Básicos de Estadística
CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia
Más detallesIES SANTIAGO RAMÓN Y CAJAL. PRIMER TRIMESTRE. EJERCICIOS DE REPASO.
IES SANTIAGO RAMÓN Y CAJAL PRIMER TRIMESTRE EJERCICIOS DE REPASO Falta ejercicios del Tea Estos ejercicios so eraete orietativos - Hallar los siguietes líites: a) b) c) - E ua progresió geoétrica sabeos
Más detalles2. LEYES FINANCIERAS.
TEMA : CONCEPTOS PREVIOS. INTRODUCCIÓN. Se va a aalizar los itercabios fiacieros cosiderado u abiete de certidubre. El itercabio fiaciero supoe que u agete etrega a otro u capital (o capitales) quedado
Más detallesDISEÑO Y ANÁLISIS DE DATOS II. NOVIEMBRE con la variable Y. Disponemos de las puntuaciones observadas en Y y de las puntuaciones residuales.
DIEÑO ANÁLII DE DATO II. NOVIEMBRE 00 Problea.- Relacioaos la variable X co la variable. Dispoeos de las putuacioes observadas e de las putuacioes residuales. ) Deteriar R. OL: Calculeos la sua de cuadrados
Más detallesDISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS ESPACIO MUESTRAL. El cojuto de todos los resultados posibles de u eperimeto estadístico deotado por S o Ω VARIABLE. Se deomia variable a la
Más detallesCapítulo 5. Oscilador armónico
Capítulo 5 Oscilador aróico 5 Oscilador aróico uidiesioal 5 Reescalaieto 5 Solució e series 53 Valores propios 54 Noralizació 55 Eleetos de atriz 5 Operadores de creació y de aiquilació 5 Ecuació de valores
Más detallesPrincipio de multiplicación. Supongamos que un procedimiento designado como 1, puede hacerse de n 1
MÉTODOS DE ENUMERACIÓN Y CONTEO. Pricipio de ultiplicació. Supogaos que u procediieto desigado coo puede hacerse de aeras. Supogaos que u segudo procediieto desigado coo se puede hacer de aeras. Tabié
Más detallesEstimación de Parámetros. Estimación de Parámetros
Uiversidad Técica Federico Sata María Capítulo 7 Estimació de Parámetros Estadística Computacioal II Semestre 007 Prof. Carlos Valle Págia : www.if.utfsm.cl/~cvalle e-mail : cvalle@if.utfsm.cl C.Valle
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO Objetivos geerales del tema E este tema se itroducirá el cocepto de estadístico como medio para extraer iformació acerca de la ley de
Más detallesIntervalos de Confianza basados en una sola muestra. Denotaremos al parámetro de interés con la letra θ y con θ un estimador para θ.
Itervalos de Cofiaza basados e ua sola muestra Ua estimació putual sólo os proporcioa u valor umérico, pero NO proporcioa iformació sobre la precisió y cofiabilidad de la estimació del parámetro. Etoces
Más detallesTécnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20
Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra
Más detallesTEORÍA DE LA ESTIMACIÓN
TEORÍA DE LA ESTIMACIÓN Objetivo: El objetivo de la estimació putual es usar ua muestra para obteer úmeros (estimacioes putuales) que sea la mejor represetació de los verdaderos parámetros de la població.
Más detallesEstimación de Parámetros
Igacio Cascos Ferádez Departameto de Estadística Uiversidad Carlos III de Madrid Estimació de Parámetros Estadística I curso 008 009 Veremos cómo costruir valores aproximados de los parámetros de los modelos
Más detallesPRÁCTICAS Nº 10 Y 11
PRÁCTICA Nº 10 Y 11 CONTRATE DE HIPOTEI E INTERVALO DE CONFIANZA ETADÍTICA E INTRODUCCIÓN A LA ECONOMETRÍA º LADE CURO 008-09 Profesorado: Prof. Dra. Mª Dolores Gozález Galá Prof. M ª Mar Roero Mirada
Más detalles2 Algunos conceptos de convergencia de sucesiones de variables aleatorias
INTRODUCCIÓN A LA CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIAS Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció Se puede utilizar diferetes coceptos de covergecia para las sucesioes
Más detalles1 x 1 0,1666. sabiendo que 506, 508, 499, 503, 504, 510, 497, 512, 514, 505, 493, 496, 506, 502, 509, 496.
GRADO GESTIÓN AERONÁUTICA: EXAMEN ESTADÍSTICA TEÓRICA 9 de Eero de 015. E-7. Aula 104 1.- La fució de desidad de ua variable aleatoria es: a b 0 f() 0 e el resto sabiedo que 1 P 1 0,1666. Determiar a y
Más detallesDesigualdad de Tchebyshev
Desigualdad de Tchebyshev Si la Esperaza y la variaza de la variable X so fiitas, para cualquier úmero positivo k, la probabilidad de que la variable aleatoria X esté e el itervalo La probabilidad de que
Más detallesEVALUACIÓN DE BACHILLERATO PARA EL ACCESO A LA UNIVERSIDAD 207 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. JUNIO 2017
EBAU Juio 07 Matemáticas aplicadas a las ciecias sociales e Murcia EVALUACIÓN DE BACHILLERATO PARA EL ACCESO A LA UNIVERSIDAD 07 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. JUNIO 07 OBSERVACIONES IMPORTANTES:
Más detalles1. Hallar un número cuadrado perfecto de cinco cifras sabiendo que el producto de esas cinco cifras es 1568.
Hoja de Probleas º Algebra. Hallar u úero cuadrado perfecto de cico cifras sabiedo que el producto de esas cico cifras es 568. Solució: Sea x 0 4 x 0 3 x 3 0 x 4 0 x 5 el úero que buscaos y sea a 0 b 0
Más detallesAnálisis de resultados. Independencia de las muestras
Aálisis de resultados Clase ro. 8 Curso 00 Idepedecia de las muestras Los resultados de ua corrida de simulació, so muestras de algua distribució. Esos resultados los llamamos "respuestas". Las respuestas
Más detallesSucesiones I Introducción
Temas Qué es ua sucesió? Notacioes y coceptos relacioados. Maeras de presetar ua sucesió. Gráfico de sucesioes. Capacidades Coocer y compreder el cocepto de sucesió. Coocer y maejar las diferetes maeras
Más detallesTema 14: Inferencia estadística
Tema 14: Iferecia estadística La iferecia estadística es el proceso de sacar coclusioes de la població basados e la iformació de ua muestra de esa població. 1. Estimació de parámetros Cuado descoocemos
Más detallesNúmero de personas que se forman en una fila en 1 hora Número de águilas que se obtienen al lanzar una moneda 5 veces.
Statistics Review Variable Aleatoria o Ua variable aleatoria es ua variable cuyo valor está sujeto a variacioes que depede de la aleatoriedad. o Debe tomar valores uméricos, que depede del resultado del
Más detallesANDALUCÍA / JUNIO 04. LOGSE / MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES / EXAMEN COMPLETO OPCIÓN A
EXAMEN COMPLETO Istruccioes: a) Duració: 1 hora y 30 miutos. b) Elija ua de las dos opcioes propuestas y coteste los ejercicios de la opció elegida. c) E cada ejercicio, parte o apartado se idica la putuació
Más detallesb n 1.8. POTENCIAS Y RADICALES.
.. POTENCIAS Y RADICALES. La potecia es ua epresió ateática que coprede dos partes: la base el epoete. b (b)(b)(b)(b)...dode b es la base el epoete. Para ecotrar el resultado de la potecia, la base se
Más detallesMATEMÁTICA LIC. Y PROF. EN CS. BIOLÓGICAS
Defiició de límite de ua fució (segú Heie) Sea f : D R ua fució y a R (D R) Diremos que se cumple que f() L R a f( ) L si para cualquier sucesió { } D { a} tal que a Ejemplos: ) Probar que Demostració:
Más detallesDISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS)
DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS) www.cedicaped.com DISTRIBUCIÓN DE PROBABILIDAD Recordemos que el Espacio Muestral es el cojuto de todos y
Más detallesProblemas de Estimación de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Problemas de Estimació de Ua y Dos Muestras UCR ECCI CI-35 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviaa Ramírez Beavides Iferecia Estadística La teoría de la iferecia estadística cosiste e aquellos
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribucioes de probabilidad discretas Departameto de Ciecias del Mar y Biología Aplicada Itroducció Iferecia estadística: Parte de la estadística que estudia grades colectivos a partir
Más detallesEjercicios de Combinatoria,
Ejercicios de Cobiatoria, 0 0 00 E ua caja hay bolas blacas, todas iguales e taaño, y otras bolas, de igual taaño que las ateriores pero todas de diferete color (o hay dos que tega el iso) De cuátas foras
Más detallesPreguntas más Frecuentes: Tema 2
Pregutas más Frecuetes: Tema 2 Pulse sobre la preguta para acceder directamete a la respuesta 1. Se puede calcular la media a partir de las frecuecias absolutas acumuladas? 2. Para calcular la media aritmética,
Más detallesMedidas de Tendencia Central
1 Medidas de Tedecia Cetral La Media La media (o promedio) de ua muestra x 1, x,, x de tamaño de ua variable o característica x, se defie como la suma de todos los valores observados e la muestra, dividida
Más detallesUNIDAD 9. PROBABILIDAD Matemáticas II. Ies do Barral.Curso 2017/ Experimentos aleatorios
1. Experimetos aleatorios U experimeto se llama aleatorio cuado o se puede predecir su resultado; además, si se repitiese el mismo experimeto e codicioes aálogas, los resultados puede diferir. a) El resultado
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Primer Semestre. EstadísTICa Curso Primero Graduado e Geomática y Topografía Escuela Técica Superior de Igeieros e Topografía, Geodesia y Cartografía. Uiversidad Politécica de Madrid
Más detallesPráctica 7 CONTRASTES DE HIPÓTESIS
Práctica 7. Cotrastes de hipótesis Práctica 7 CONTRATE DE IPÓTEI Objetivos Utilizar los cotrastes de hipótesis para decidir si u parámetro de la distribució de uos datos objeto de estudio cumple o o ua
Más detalles1.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky 106 1. INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL upogamos que X1,...,X es ua muestra aleatoria de ua
Más detalles6. SUCESIONES Y SERIES NUMÉRICAS 6.1. SUCESIONES NUMÉRICAS
Águeda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM. 6. SUCESIONES Y SERIES NUMÉRICAS 6... Sucesioes de úmeros reales 6.. SUCESIONES NUMÉRICAS Se llama sucesió de úmeros reales a cualquier
Más detallesLa ley de los grandes números
La ley de los grades úmeros "El idicio de que las cosas estaba saliédose de su cauce ormal vio ua tarde de fiales de la década de 1940. Simplemete lo que pasó fue que etre las siete y las ueve de aquella
Más detallesUna sucesión es un conjunto infinito de números ordenados de tal forma que se puede decir cuál es el primero, cuál el segundo, el tercero, etc.
Sucesioes Sucesi o. Ua sucesió es u cojuto ifiito de úmeros ordeados de tal forma que se puede decir cuál es el primero, cuál el segudo, el tercero, etc. Los térmios de ua sucesió se desiga mediate a 1,
Más detallesa n = Ejemplo: Representa las gráficas de las funciones f(x) = 1/x, g(x) = x 2 y h(x) =
TEMA 9: LÍMITE Y CONTINUIDAD DE UNA FUNCIÓN. 9. Cocepto de límite lateral. Límite. 9. Operacioes co fucioes covergetes. 9.3 Cálculo de límites. 9.4 Cotiuidad de ua fució. 9.5 Asítotas: Verticales, horizotales
Más detallesApéndice. A.1. Definición y notaciones.
Apédice. Apédice A.1. Defiició y otacioes. Los polioios de Zerike so u cojuto ifiito de fucioes polióicas, ortogoales e el circulo de radio uidad. So uy útiles para represetar la fora del frete de oda
Más detallesDistribuciones en el muestreo, EMV
Distribucioes e el muestreo, E Tema 6 Descripció breve del tema. Itroducció y coceptos básicos. Propiedades de los estimadores Sesgo, Variaza, Error Cuadrático Medio y Cosistecia 3. Distribució de u estimador
Más detallesUNIDAD 4 MODELOS PROBABILÍSTICOS
Uiversidad Nacioal del Litoral Facultad de Igeiería y Ciecias Hídricas ESTADÍSTICA Igeiería Iformática TEORÍA Mg.Ig. Susaa Valesberg Profesor Titular UNIDAD 4 MODELOS PROBABILÍSTICOS Estadística - Igeiería
Más detallesLa característica más resaltante de la capitalización con tasa de. interés simple es que el valor futuro de un capital aumenta de manera
La Capitalizació co ua Tasa de Iterés Siple El Iterés Siple La característica ás resaltate de la capitalizació co tasa de iterés siple es que el valor futuro de u capital aueta de aera lieal. Sea u pricipal
Más detallesEn el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo:
TEMA 6. Estimació putual. E muchos casos o será posible determiar el valor de u parámetro poblacioal descoocido, aalizado todos los valores poblacioales, pues el proceso a seguir puede ser destructivo,
Más detallesTEMA 4- MODELOS CONTINUOS
TEMA 4- MODELOS CONTINUOS 4.1. Itroducció. 4.2. Distribució uiforme cotiua de parámetros a y b. X Ua, b 4.3. Distribució Gamma de parámetros y. X, Casos particulares: 4.3.1.Distribució Expoecial. X Exp
Más detalles1. Intervalos de Conanza
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.: Itervalos de coaza Objetivos Costruir itervalos de coaza para los parámetros más importates. Aplicar coveietemete los IC atediedo a cada situació
Más detallesTema 4. Estimación de parámetros
Estadística y metodología de la ivestigació Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 4. Estimació de parámetros 1. Estimació putual 1 1.1. Estimació de la proporció e la distribució Bi(m, p).......................
Más detallesEJERCICIO 1. , a partir de las frecuencias observadas, nij. , que se dan en la tabla del ejercicio.
EJERCICIO () Es u problema de idepedecia de criterios y se tedrá que costruir la tabla de cotigecia de frecuecias teóricas (esperadas), t ij, a partir de las frecuecias o observadas, ij, que se da e la
Más detallesHacia dónde tienden los datos? Se agrupan en torno a un valor? o, se dispersan? Su distribución se parece a alguna distribución teórica?
COMPORTAMIENTO DE LAS DISTRIBUCIONES DE FRECUENCIA: Preparadas las TABLAS DE FRECUENCIA de los valores de ua variable resulta iteresate describir su comportamieto. Hacia dóde tiede los datos? Se agrupa
Más detallesTema 2. Medidas descriptivas de los datos
Tema 2. Medidas descriptivas de los datos Resume del tema 2.1. Medidas de posició So valores que os sirve para idicar la posició alrededor de la cual se distribuye las observacioes. 2.1.1. Mediaa La mediaa
Más detallesTEMA 5: Gráficos de Control por Atributos. 1. Gráfico de control para la fracción de unidades defectuosas
TEMA 5: Gráficos de Cotrol por Atributos 1 Gráfico de cotrol para la fracció de uidades defectuosas 2 Gráfico de cotrol para el úmero medio de discoformidades por uidad Selecció del tamaño muestral 3 Clasificació
Más detallesTEMA 2: DISTRIBUCIONES DE PROBABILIDAD
ESTADÍSTICA, CURSO 008 009 TEMA : DISTRIBUCIONES DE PROBABILIDAD LEYES DE PROBABILIDAD. SUCESOS ALEATORIOS Experimetos aleatorios, espacio muestral. Sucesos elemetales y compuestos. Suceso imposible Ø,
Más detallesEstadística Aplicada a las ciencias Sociales Examen Febrero de 2008 segunda semana
Estadística Aplicada a las ciecias Sociales Exame Febrero de 008 seguda semaa Ejercicio 1.- E la siguiete tabla, se tiee el úmero de alumos de educació de adultos matriculados e el curso graduado escolar
Más detallesTEMA 3: INFERENCIA ESTADISTICA
ESTADÍSTICA, CURSO 008 009 TEMA 3: INFERENCIA ESTADISTICA INTRODUCCION oblació. Muestra, muestreo. Objetivos de la iferecia estadística. Métodos paramétricos y o paramétricos. TEORIA ELEMENTAL DEL MUESTREO.
Más detallesINTRODUCCION Teoría de la Estimación
INTRODUCCION La Teoría de la Estimació es la parte de la Iferecia Estadística que sirve para coocer o acercarse al valor de los parámetros, características poblacioales, geeralmete descoocidos e puede
Más detallesRepaso...Último Contenidos NM 4
Cetro Educacioal Sa Carlos de Aragó. Sector: Matemática. Prof.: Ximea Gallegos H. 1 Fucioes y relacioes. Diagrama Sagital. Sea A = { a,b, c} y B = { 1, 2, 3, 4} Repaso...Último Coteidos NM 4 A: Cojuto
Más detallesProbabilidades y Estadística (M) Práctica 8 1 cuatrimestre 2012 Convergencias - Ley de los Grandes Números
robabilidades y Estadística (M) ráctica 8 cuatrimestre 22 Covergecias - Ley de los Grades Números. Ua máquia produce artículos de 3 clases: A, B y C e proporcioes 25 %, 25 % y 5 % respectivamete. Las logitudes
Más detallespropaga en un medio, es decir aquellos rayos que tienen la misma fase. Al referirnos a
Capítulo Coceptos de Óptica Física.1 Frete De Oda El frete de oda se puede defiir coo ua superficie iagiaria que ue todos los putos e el espacio que so alcazados e u iso istate por ua oda que se propaga
Más detallesIES Fco Ayala de Granada Sobrantes de 2004 (Modelo 4) Solución Germán-Jesús Rubio Luna OPCIÓN A
IES Fco Ayala de Graada Sobrates de 004 (Modelo 4) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A ( putos) Sabemos que el precio del kilo de tomates es la mitad que el del kilo de care. Además, el
Más detallesSOLUCIONES DE LA SEGUNDA PRUEBA DE EVALUACION CONTINUA (PEC 2)
Curso 2012-13 PEC2 Pág. 1 SOLUCIONES DE LA SEGUNDA PRUEBA DE EVALUACION CONTINUA (PEC 2) Gráfico 1: E ua ivestigació se compara la eficacia de tres tipos de tratamieto de las fobias, atediedo a si ha habido
Más detallesINTRODUCCIÓN A LA PROBABILIDAD
INTRODUIÓN L PROBBILIDD EXPERIMENTOS LETORIOS Y DETERMINISTS Los experimetos o feómeos cuyo resultado o puede coocerse hasta haber realizado la experiecia se llama aleatorios o estocásticos. uado el resultado
Más detallesPROBLEMA DEL USO DE FERTILIZANTE EN GRANJAS DE PRODUCCIÓN DE TOMATES.
PROBLEMA DEL USO DE FERTILIZANTE EN GRANJAS DE PRODUCCIÓN DE TOMATES. E el siguiete ejercicio se tratará de expoer, de forma didáctica, el proceso de solució de u problema de regresió simple. Problema:
Más detallesEl error en general podemos definirlo como la diferencia que tenemos entre el valor obtenido y el verdadero.
Prof. Arturo Aaya M. Se pretede e este capítulo dar ua eplicació de la Teoría de Errores, lo ás soera posible y fudaetalete práctica, que pueda servir al aluo cuado efectúe sus trabajos e el Laboratorio
Más detallesIES Fco Ayala de Granada Sobrantes de 2005 (Modelo 3) Solución Germán-Jesús Rubio Luna OPCIÓN A
IES Fco Ayala de Graada Sobrates de 005 (Modelo 3) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO _A ( putos) Dibuje el recito defiido por las siguietes iecuacioes: + y 6; 0 y; / + y/3 ; 0; ( puto) Calcule
Más detallesDISEÑO Y ANÁLISIS DE DATOS EN PSICOLOGÍA I PRÁCTICA 6
DIEÑO Y ANÁLII DE DATO EN PICOLOGÍA I PRÁCTICA 6 Problea 1.- e desea realizar ua ivestigació que os perita coocer la relació existete etre persoalidad y tiepo de reacció. Coo rasgo de persoalidad se adopta
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EXAMEN FINAL RESOLUCIÓN
Más detallesPermutaciones y combinaciones
Perutacioes y cobiacioes Cotaos posibilidades Coezaos co u secillo ejeplo E España los coches tiee ua atrícula que costa de cuatro dígitos deciales seguidos de tres letras sacadas de u alfabeto de 26 Cuátas
Más detallesCapítulo 3. El modelo de regresión múltiple. Jorge Feregrino Feregrino. Econometría Aplicada Utilizando R
Capítulo 3. El modelo de regresió múltiple. Jorge Feregrio Feregrio Idetificació del modelo La idetificació del objeto de ivestigació permitirá realizar ua búsqueda exhaustiva de los datos para llevar
Más detallesDistribuciones: discretas y continuas
Distribucioes: discretas y cotiuas DISTRIBUCIONES. DISTRIBUCIONES DISCRETAS. Distribució Uiforme.... Distribució Biomial... 3.3 Distribució de Poisso... 6. DISTRIBUCIONES CONTINUAS.. Distribució Uiforme
Más detallesuna sucesión de funciones de A. Formemos una nueva sucesión de funciones {S n } n=1 de A de la forma siguiente:
Tema 8 Series de fucioes Defiició 81 Sea {f } ua sucesió de fucioes de A Formemos ua ueva sucesió de fucioes {S } de A de la forma siguiete: S (x) = f 1 (x) + f 2 (x) + + f (x) = f k (x) Al par de sucesioes
Más detallesUNIDAD 3.- INFERENCIA ESTADÍSTICA I
UNIDAD 3.- INFERENCIA ESTADÍSTICA I 1. ESTADÍSTICA INFERENCIAL. MUESTREO La Estadística es la ciecia que se preocupa de la recogida de datos, su orgaizació y aálisis, así como de las prediccioes que, a
Más detallesACTIVIDADES NO PRESENCIALES
E.T.S.I. Idustriales y Telecomuicació Asigatura: Cálculo I Grado e Igeiería Mecáica Este documeto cotiee las actividades o preseciales propuestas al termiar la clase del día que se idica. Se sobreetiede
Más detalles6. Sucesiones y Series numéricas Sucesiones numéricas DEFINICIONES
6. Sucesioes y Series uméricas 6.. Sucesioes uméricas 6... DEFINICIONES Sucesioes de úmeros reales Se llama sucesió de úmeros reales a cualquier lista ordeada de úmeros reales: a, a 2, a 3,..., a,...,
Más detallesTeoremas de convergencia. Integral sobre... Convergencia... Convergencia...
covergecia este capítulo teemos como objetivo demostrar las propiedades más importates de la Itegral de Lebesgue. teemos que demostrar todavía las propiedades fudametales de liealidad y aditividad respecto
Más detallesEstimadores Puntuales: Propiedades de estimadores Sebastián Court
Estadística Estimadores Putuales: Propiedades de estimadores Sebastiá Court 1.Motivació Cosideremos ua variable aleatoria X co ciertas características, como por ejemplo, u parámetro θ, y ua muestra aleatoria
Más detallesIdentificación de Sistemas
Departameto de Electróica Facultad de Ciecias Eactas Igeiería y Agrimesura Uiversidad Nacioal de osario Idetificació de Sistemas Coceptos Fudametales de robabilidad Variables Aleatorias y rocesos Aleatorios
Más detalles8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS
8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS Sea ua variable aleatoria de ley descoocida co 0,00. Si 0,, emplear la desigualdad de TCHEBYCHEFF para acotar iferiormete la probabilidad E( ) [
Más detallesSELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2012 (MODELO 6)
IES Fco Ayala de Graada Sobrates de 01 (Modelo 6 ) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 01 (MODELO 6) OPCIÓN A EJERCICIO 1_A Ua empresa vede tres artículos diferetes
Más detallesEjercicios Matemáticas I Pendientes 1 BCT
Ejercicios Matemáticas I Pedietes BCT ª Parte Uidad 7 Álgebra. Dado el poliomio P( ) = + k 5, calcula el valor de k para que el valor umérico del poliomio e = sea.. Halla u poliomio de tercer grado cuyo
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 1999-.000 - CONVOCATORIA: SEPTIEMBRE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de
Más detallesEn diferentes campos de la actividad científica se encuentran casos en los que ciertos experimentos u observaciones, pueden repetirse varias veces
CAPÍTULO 5 SUCESOS ALEATORIOS E diferetes capos de la actividad cietífica se ecuetra casos e los que ciertos experietos u observacioes, puede repetirse varias veces bajo siilares codicioes, dado para cada
Más detallesCálculo. 1 de septiembre de Cuestiones
Cálculo. de septiembre de 005 Cuestioes. Si ua fució f(x, y) es cotiua e (0, 0), etoces: a) f(0, 0) = 0. b) f(x, y) = 0. (x,y) (0,0) c) f es difereciable e (0,0). d) igua de las ateriores. Si ua fució
Más detallesESTADÍSTICA. n i Se pide:
ESTDÍSTIC Tercera Prueba de Evaluació cotiua 1 de diciembre de 16 1.- l calcular cico veces la distacia etre dos putos, obteemos los siguietes valores: 17,13m; 17,1m; 17,m; 17,65m; 17,4 a) Itervalo de
Más detallesOPCIÓN A EJERCICIO 1_A
IES Fco Ayala de Graada Sobrates de 005 (Modelo 4) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 1 3 (1 puto) Sea las matrices A= 0 1 y B = 1-1 - 0 1 1 De las siguietes operacioes, alguas o se puede
Más detallesCapítulo VARIABLES ALEATORIAS
Capítulo VI VARIALES ALEATORIAS. Itroducció Detro de la estadística se puede cosiderar dos ramas perfectamete difereciadas por sus objetivos y por los métodos que utiliza: Estadística Descriptiva o Deductiva
Más detallesSEMANA 01. CLASE 01. MARTES 04/10/16
EMANA 0. CLAE 0. MARTE 04/0/6. Experimeto aleatorio.. Defiició. Experimeto e el cual o se puede predecir el resultado ates de realizarlo. Para que u experimeto sea aleatorio debe teer al meos dos resultados
Más detalles