PRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD

Save this PDF as:
 WORD  PNG  TXT  JPG

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

Download "PRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD"

Transcripción

1 UNIDAD II PRINCIPIOS ESTADÍSTICOS APLICADOS EN CONTROL DE CALIDAD Por: Prof. Gastón A. Pérez U PROBABILIDAD Y DISTRIBUCIÓN DE PROBABILIDAD 30

2 31

3 (2.3.2) DISTRIBUCIÓN DE PROBABILIDAD ES UNA DESCRIPCIÓN DEL CONJUNTO DE LOS VALORES POSIBLES DE X CON LA PROBABILIDAD ASOCIADA A CADA UNO DE ESTOS VALORES 32

4 VARIABLE ALEATORIA DISCRETA: Es aquella que tiene un rango finito (o infinito numerable) y en donde las características que están siendo medidas pueden tomar sólo ciertos valores específicos. Ej.- Números enteros como 0,1,2 Número de errores de un operador. 33

5 Su distribución de probabilidad se denomina: Distribución de probabilidad discreta. Ej.- La distribución del número de defectos r en una muestra de 5 artículos es una distribución de probabilidad discreta porque r sólo puede ser 0, 1, 2, 3, 4 o 5. PROPIEDADES En este caso la función F(x) = P(X=x) que va del rango de X al intervalo [0,1] recibe el nombre de Función de probabilidad. 1. F(x) = P(X=x) 2. F(x) 0 (para toda x) 3. f(x)=1 (la suma de todos los valores posibles de x=1) Las distribuciones discretas de uso frecuente en calidad son: 1. Poisson 2. Binomial 3. Geométrica 4. Hipergeométrica. VARIABLE ALEATORIA CONTINUA Es aquella que contiene un intervalo finito o infinito de números reales y en donde las características que están siendo medidas pueden tomar cualquier valor. Ej.- Peso, volumen, longitud, etc. las especificaciones de una pieza metálica. Su distribución de probabilidad se llama Distribución de probabilidad continua. PROPIEDADES A. Si F(x) es una función de densidad de probabilidades de la variable aleatoria continua X; entonces, para cualquier intervalo de números reales [x,x ] se cumple: F(x) 0 2. ( ) (el área bajo la curva = 1) 3. P(X X X ) = ( ) (la probabilidad es igual al área bajo la curva entre los 1 2 ) valores X 1 y X 2 La mayoría de las características continuas siguen una de las siguientes distribuciones de probabilidad: 1. Normal 2. Exponencial 3. Weibull Estas distribuciones encuentran las probabilidades asociadas con la ocurrencia de los valores reales. Otras distribuciones continuas como t, F y Chi cuadrada son importantes para el análisis de datos pero no ayudan a predecir directamente la probabilidad de ocurrencia de los valores reales. (2.3.3)- DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Como estudiamos en la sección (2.3.2) cuando se usan datos medibles como metros, kilogramos, voltios, etc. la distribución de probabilidad es continua. En este segmento estudiaremos las tres más utilizadas en control de calidad: normal, exponencial y Weibull. 34

6 A- DISTRIBUCIÓN NORMAL ASPECTOS A CONSIDERAR: La curva para la distribución normal está relacionada con una distribución de frecuencia y su histograma. La forma de un histograma de una muestra de datos proporciona ciertos indicios sobre la distribución de probabilidad de la población. Conforme la muestra se va haciendo más y más grande, y la anchura de cada celda se vuelve más y más pequeño, el histograma se acerca a una curva grande. Si el histograma se asemeja a la forma de una campana como el de la figura anterior, ésta es una base para asumir que la población sigue una distribución de probabilidad normal. Por lo que sí se midiera la población entera y ésta estuviese distribuida normalmente, el resultado sería idéntico al de la figura anterior. Para calcular probabilidades utilizando la distribución normal sólo se requiere conocer la media (µ) y la desviación estándar de la población (σ); de manera que sólo necesitaremos 2 estimaciones y una tabla para predecir: 1. La estimación de µ es (promedio muestral) 2. La estimación de σ es s (desviación estándar muestral) 3. La tabla para la distribución normal contiene un parámetro llamado Z, el cual se calcula con la siguiente ecuación: La tabla ofrece los valores probabilísticos asociados a las estimaciones. (Z negativo) (Z positivo) Existen tablas de distribución normal que presentan valores considerando μ=0 y σ=1; se conoce como distribución normal estándar [N(0,1)] P(Z>z) (los valores de Z son todos positivos) Estudiemos la distribución normal con un ejemplo: Un fabricante llegó a la conclusión de que el tiempo de vida de una bombilla eléctrica sigue una distribución normal. Una muestra de 50 focos se puso a prueba, y el promedio de vida fue de 60 días, 35

7 con una desviación estándar de 20 días Cuántas bombillas de la población entera de focos se puede esperar que sigan trabajando después de 100 días de vida? Solución: El área bajo la curva entre 2 límites representa la probabilidad de que ocurra. Para hallar la probabilidad utilizando la tabla de distribución normal debemos calcular primero a Z: Y donde x = valor particular. Buscamos para Z = +2.0 en la tabla de distribución normal y hallamos que la probabilidad de que un foco dure 100 días o menos es de El área total bajo la curva en la distribución normal es = 1, por lo que: P ( > 100 ) = = = 2.27 % << 2.27 % de los focos seguirán funcionando después de 100 días >> B- DISTRIBUCIÓN EXPONENCIAL La curva en la distribución exponencial describe el patrón de carga para algunos miembros estructurales. La curva exponencial también sirve para describir la distribución de los tiempos de falla en los equipos complejos. Una propiedad muy característica de la distribución exponencial es que la desviación estándar es igual a la media. En una población exponencial: 36

8 36.8 % se encuentra por encima del promedio % se encuentran por debajo del promedio. Se utiliza una tabla para hacer una predicción en una distribución exponencial, es decir, para hallar el área bajo la curva. En ella encontramos el valor de la distribución exponencial e -x/µ, el parámetro que presenta la tabla es para diferentes valores de X. Estudiemos la distribución exponencial con un ejemplo: Se mide el tiempo entre las fallas sucesivas de una pieza compleja de equipo reparable y se determina que el histograma resultante se parece a la curva de probabilidad exponencial; para la medición que se hizo, la media del tiempo entre falla (MTBF) es de 100 hr Cuál es la probabilidad de que el tiempo entre 2 fallas sucesivas del equipo sea de al menos 20 hr? Solución: Buscamos en la tabla este valor y encontramos Es decir: 82 % de posibilidad que el equipo opere de manera continúa sin fallas por al menos 20 hr. C- DISTRIBUCIÓN DE WEIBULL La curva de la función varía grandemente dependiendo de los valores numéricos de los parámetros. El parámetro β es el más importante porque refleja el patrón de la curva (parámetro de forma): - β = 1 se acerca a la distribución exponencial - β = 3.5 se acerca a la distribución normal. - En la práctica β varía entre y 5. El parámetro de escala α está vinculado al grado de apuntamiento de la curva, es decir, si α cambia, la curva se vuelve más plana o apuntada. El parámetro de ubicación γ es el valor más pequeño posible de X. Con frecuencia se asume igual a 0, lo cual simplifica la ecuación. Se utiliza una hoja de probabilidad de Weibull (ver figura siguiente): 37

9 Con ella se puede estimar β dibujando una línea paralela a la línea que mejor se adapte y a través de un punto marcado en la escala vertical de 40.0 Entonces, la intersección con el arco da una estimación de β. En la práctica, Weibull es muy popular porque cubre muchas formas de distribución ya que reduce los problemas de examinar una serie de datos y decidir cuál de las distribuciones comunes se adapta mejor 1. Estudiemos la distribución Weibull con un ejemplo: Solución: Se sometieron a prueba 7 mangos tratados con calor hasta que cada uno fallara; la vida de fatiga (# de ciclos hasta la falla) fue como sigue: Utilice Weibull y trate de predecir el % de fallas de la población? 1 Excel de Microsoft es útil para llevar a cabo análisis Weibull. 38

10 1. Diagramar los datos en una hoja Weibull y observar si los puntos caen aproximadamente en una línea recta: 2. En un diagrama Weibull los datos originales se diagraman en comparación con las calificaciones promedios, éstas se calculan con la siguiente formula: Dónde: i = No. de falla correspondiente N = tamaño de la muestra Datos i CP % Valores CP según Tabla (*) % (*) Las calificaciones promedios las podemos encontrar directamente en la tabla de Weibull; para ello buscamos en la escala horizontal los valores asociados a 7 que es el total de muestras sometidas a pruebas. Procedemos a diagramar en la hoja Weibull los valores encontrados: en la escala horizontal la característica de interés (ciclos) y en la vertical los porcentajes (CPx100). Ver figura siguiente: 5 %

11 La grafica indica que cerca del 80% de la población fallará en menos de ciclos. Con Weibull podemos extrapolar para por ejemplo, pronosticar la vida de los mangos. Supongamos que se especificó una vida mínima de fatiga de 8000 ciclos; aparentemente todas cumplieron con la especificación, no obstante, extrapolando en la hoja, vemos que predice que cerca del 5% de la población de mangos fallará en menos de 8000 ciclos; esto a todas luces no es alentador; Weibull actúa en este caso como una señal de alarma destacando un problema potencial. Por último, debemos tomar en cuenta que para diagramar en Weibull se requieren al menos 7 puntos. (2.3.4) DISTRIBUCIONES DE PROBABILIDADES DISCRETAS Como ya estudiamos en la sección (2.3.2), cuando se usan valores específicos como los números enteros (0, 1, 2, 3 ), la distribución de probabilidad es discreta. En esta sección estudiaremos las distribuciones de uso frecuente en control de calidad: binomial, hipergeométrica, Poisson y geométrica. EXPERIMENTO BERNOULLI En calidad es frecuente que se den variables del tipo Pasa/No Pasa; por ejemplo: Se cumple o no con las especificaciones Resiste cierta fuerza o no Una lámpara enciende o no Un experimento aleatorio donde los posibles resultados son éxito o fracaso se denomina: Experimento Bernoulli. Un experimento aleatorio que consiste en una secuencia de `n ensayos Bernoulli y en donde además se cumple que (1) Los ensayos son independientes (2) La probabilidad de éxito en cada ensayo (p) permanece constante se denomina: Experimento Binomial. A- DISTRIBUCIÓN BINOMIAL n r Combinaciones n = No. de pruebas/no. en la muestra r = No. de ocurrencias/cantidad de no conformes en la muestra p = Probabilidad de ocurrencia/proporción de no conformes en la población q = proporción de conformes (1-p) en la población 40

12 DISTRIBUCIÓN BINOMIAL (n, p): es la que proporciona la probabilidad de observar x éxitos en una secuencia de n experimentos Bernoulli independientes con una probabilidad constante p de éxito. Consideraciones: En la mayor parte de los casos de control de calidad no interesa toda la distribución, sino sólo uno o dos términos del desarrollo binomial; la función de probabilidad binomial (fórmula anterior) se utiliza para calcular un término. Aplicaciones de la distribución: Se usa para el caso infinito (aunque bajo ciertas condiciones puede aproximarse a la distribución hipergeométrica). Se requiere que haya dos y sólo dos resultados posibles (unidad conforme o no conforme), y que no cambie la probabilidad de cada resultado. Requiere que los intentos sean independientes; es decir, si se presenta una unidad no conforme, la probabilidad de que la siguiente sea no conforme no aumenta ni disminuye. En la práctica, la presunción de una probabilidad constante de ocurrencia es considerada razonable cuando el tamaño de la población es de al menos 10 veces el tamaño de la muestra. Se utiliza una tabla donde se presentan valores para `n y `p y con éstos encontramos los valores de `r y sus respectivas probabilidades. Cuando p = q la distribución es simétrica p q la distribución es asimétrica La forma de la distribución siempre es función del tamaño de muestra n, y de la proporción de no conformes p. El cambio de alguno de estos valores causa una distribución diferente. Estudiemos la distribución binomial con un ejemplo: Un lote de 100 unidades de producto se presenta a un vendedor cuya calidad pasada ha tenido 5% de defectos. Se selecciona una muestra aleatoria de 6 unidades del lote Encuentre las posibles probabilidades de piezas con defectos? n = No. de pruebas (muestras) = 6 r = No. de ocurrencias o ensayos con éxito (0-6) p = probabilidad de ocurrencia (no conformidades) = 0.05 q = 1 p = = 0.95 r (x) Y= r ( ( ) ) ( ) (x) Y= r ( ( ) ) ( ) (x) Y= ( ) ( ) ( ) << De manera que por ejemplo la probabilidad de encontrar 2 defectos en la muestra es de.306 >> Utilizando la tabla Binomial para n = 6 y p = 0.05 obtenemos directamente los siguientes valores (comparar con los calculados con la fórmula): Algunos ejemplos típicos de la distribución son los siguientes: 1. Un proceso produce 5% de piezas defectuosas. Sea X el número de piezas defectuosas en las siguientes 20 piezas producidas. 41

13 2. En la prueba final de artículos electrónicos se tiene un historial de que 1% tiene alguna falla que es necesario reparar antes de liberarlo. Sea X la cantidad de artículos con fallas en los siguientes 50 inspeccionados. 3. En una zona costera se ha determinado que el porcentaje de incidencia del cólera es de 20%. Sea X las muestras positivas en los siguientes 15 muestreos. B- DISTRIBUCIÓN HIPERGEOMÉTRICA DEFINICIÓN: es la que da la probabilidad de obtener X éxitos en n experimentos Bernoulli, donde la probabilidad de éxito cambia de un experimento al siguiente. Aplicación: Cuando el tamaño del lote (población finita) es pequeño con respecto al tamaño de la muestra (ésta se toma sin sustitución). Cuando no se puede utilizar la presunción de Poisson o la Binomial. Consta de 3 combinaciones: 1. Combinaciones Totales: 2. Combinaciones No Conformes: 3. Combinaciones Conformes: Su forma es: ( ) - - Dónde: P(d) = Probabilidad de d unidades no conformes en una muestra de tamaño n. = Combinación de todas las unidades. = Combinación de unidades no conformes. = Combinación de unidades conformes. N n D d N-D n-d = No. de unidades en el lote (población). = No. de unidades en la muestra. = No. de unidades no conformes en el lote. = No. de unidades no conformes en la muestra. = No. de unidades conformes en el lote. = No. de unidades conformes en la muestra. La fórmula para resolver combinaciones viene dada por: ( - ) Por definición: 0!=1 Ej. Un lote de 9 termostatos está en una caja que contienen 3 unidades no conformes Cuál es la probabilidad de sacar 1 unidad no conforme, en una muestra aleatoria de 4? Lote: Muestra: N = población = 9 n = tamaño muestra = 4 D = No conformes = 3 d = No conformes = 1 N - D = 9 3 = 6 n d = 4 1 = 3 El cálculo para la 1ra muestra sería: 42

14 ( ) ( - ) ( - ) ( - ) Si efectuamos los cálculos para P(0), P(2) y P(3) (sólo hay 3 unidades no conformes) obtenemos: P(0) = P(2) = P(3) = La suma de todas las probabilidades = 1 (de acuerdo a las propiedades de las distribuciones de probabilidades discretas): P(T) = P(0)+P(1)+P(2)+P(3) = = 1.00 Utilizando la tabla suministrada de probabilidades acumuladas de la distribución Hipergeométrica (en donde D = r ; d = x) con los valores siguientes: N = 9 r = 3 n = 4 x = 1 d=x (No conformes) P(x) acumuladas P(x) individuales = = = =.0476 = 1 De manera que los valores pueden considerarse similares ya que sólo difieren por el número de cifras decimales utilizados. C- DISTRIBUCIÓN DE POISSON En control de calidad es frecuente evaluar variables tales como: No. de defectos por artículos No. de defectos por m 2 No. de defectos por unidad de área No. de impurezas en un líquido No. de errores de un trabajador Lo anterior puede resumirse de la siguiente manera: No. De eventos por unidad (área-volumen-tiempoetc.) Este tipo de variables tiene frecuentemente una distribución de Poisson cuya función viene dada por: 43

15 r = No. de ocurrencias o No. de eventos de determinada clasificación que se presenta en una muestra (artículos defectuosos o no conformidades, etc.). np = cuenta promedio o No. promedio de eventos de determinada clasificación que hay en una muestra. e = 2, Para la distribución de Poisson se cuentan con dos tablas donde se presentan las probabilidades acumulativas o sin acumular (ambas son suministradas como anexo). La tabla contiene en sentido horizontal la probabilidad de r o menos ocurrencias del evento que tiene un número promedio de ocurrencias igual a np (algunos lo llaman λ) en la primera columna (ver figura). np (λ) r Estudiemos la distribución de Poisson con un ejemplo: Un vendedor cuya calidad pasada ha sido aproximadamente 2% de defectos, presenta un lote de 300 unidades de producto. Se selecciona del lote una muestra aleatoria de 40 unidades Cuál es la probabilidad de piezas con defectos? Solución: Para encontrar los valores de `r` en la tabla, necesitamos calcular primero a `np`: n = No. de intentos o pruebas = 40 n.p = 40 x 0.02 = p = probabilidad de ocurrencia = 0.02 Buscamos en la tabla de la distribución de Poisson que presenta la probabilidad de encontrar r (No. de defectos) en una muestra de n unidades. Para el valor calculado de np = Buscamos en la tabla y encontramos r hasta un máximo de 5 defectos (el sexto igual a no se considera); Con los datos obtenidos construimos la siguiente tabla: r (# de eventos) Probabilidad acumulativas r Probabilidades individuales r = = = = = =.1 En la otra tabla suministrada de la distribución de Poisson, los valores de probabilidades individuales son directamente obtenidos sin tener que efectuar los cálculos anteriores (debido a que se utilizan 4 cifras decimales, aparece valor para r = 6). Según la tabla anterior: o La probabilidad de encontrar 2 defectos = (14.4%). o La probabilidad de encontrar 4 defectos = 0.8 (80%). CONSIDERACIONES SOBRE POISSON: 44

16 Poisson es una aproximación de distribuciones más exactas como por ejemplo la binomial; puede utilizarse como una distribución exacta cuando un evento tiene muchas oportunidades de ocurrir. Es útil para calcular las probabilidades asociadas con los procedimientos de muestreo. Se aplica cuando el tamaño de la muestra es de al menos 16 (ej. = 40); el tamaño de la población es de al menos 10 veces el tamaño de la muestra (40 x 10 = 400) y la probabilidad de ocurrencia p en cada intento menor a 0.1 (ej. 0.02). Casi siempre se cumplen estas condiciones. Poisson es la base de las gráficas de Control de atributos y el muestreo de aceptación. D- DISTRIBUCIÓN GEOMÉTRICA DEFINICIÓN: es la que proporciona la probabilidad de requerir X repeticiones independientes de un experimento Bernoulli para observar el primer éxito. ( ) ( ) 45

JUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas

JUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme

Más detalles

Prof. Eliana Guzmán U. Semestre A-2015

Prof. Eliana Guzmán U. Semestre A-2015 Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos

Más detalles

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

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

Más detalles

Estadística Aplicada

Estadística Aplicada Estadística Aplicada Distribuciones de Probabilidad Variables aleatorias Toman un valor numérico para cada resultado de un espacio muestral Discretas. Sus valores posibles constituyen un conjunto discreto.

Más detalles

Distribuciones Paramétricas

Distribuciones Paramétricas Distribuciones Paramétricas Objetivo: Estudiar el uso de formas matemáticas particulares, llamadas distribuciones paramétricas, para representar las variaciones en los datos. Una distribución paramétrica

Más detalles

Modelos de distribuciones discretas y continuas

Modelos de distribuciones discretas y continuas Tema 6 Modelos de distribuciones discretas y continuas 6.1. Modelos de distribuciones discretas 6.1.1. Distribución uniforme sobre n puntos Definición 6.1.2 Se dice que una v.a. X sigue una distribución

Más detalles

Tema 4: Probabilidad y Teoría de Muestras

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

Más detalles

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

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

Más detalles

Algunas Distribuciones Discretas de Probabilidad. UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Algunas Distribuciones Discretas de Probabilidad. UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides Algunas Distribuciones Discretas de Probabilidad UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda

Más detalles

viii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos

viii 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 detalles

Curso de Probabilidad y Estadística

Curso de Probabilidad y Estadística Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica

Más detalles

1. La Distribución Normal

1. 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 detalles

MODELOS DISCRETOS DE PROBABILIDAD

MODELOS DISCRETOS DE PROBABILIDAD MODELOS DISCRETOS DE PROBABILIDAD M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Modelo Uniforme Discreto Modelo Uniforme Discreto Sea

Más detalles

Variables aleatorias

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

Más detalles

Tema 5 Algunas distribuciones importantes

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

Más detalles

Discretas. Continuas

Discretas. Continuas UNIDAD 0. DISTRIBUCIÓN TEÓRICA DE PROBABILIDAD Discretas Binomial Distribución Teórica de Probabilidad Poisson Normal Continuas Normal Estándar 0.1. Una distribución de probabilidad es un despliegue de

Más detalles

Estadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri

Estadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de

Más detalles

ESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales

ESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad : Normal, Ji-cuadrado, t de student

Más detalles

Objetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev

Objetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación

Más detalles

Cuáles son las características aleatorias de la nueva variable?

Cuáles son las características aleatorias de la nueva variable? Apuntes de Estadística II. Ingeniería Industrial. UCAB. Marzo 203 CLASES DE ESTADÍSTICA II CLASE 5) UNA TRANSFORMACIÓN DE DOS VARIABLES. Sea Z = g(, ) una función de las variables aleatorias e, tales que

Más detalles

Tema 6: Modelos de probabilidad.

Tema 6: Modelos de probabilidad. Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos

Más detalles

Formulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico

Formulario. 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 detalles

Distribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio

Distribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio Distribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población),

Más detalles

Definición de probabilidad

Definición 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 detalles

Objetivos. Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos. Epígrafes

Objetivos. Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos. Epígrafes Objetivos Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos Epígrafes Introducción a los Gráficos p, np. Interpretación Gráficos c y u. Interpretación 2-1 Gráfico

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7) TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de

Más detalles

INDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso

INDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso INDICE Capítulo I: Conceptos Básicos 1.- Introducción 3 2.- Definición de calidad 7 3.- Política de calidad 10 4.- Gestión de la calidad 12 5.- Sistema de calidad 12 6.- Calidad total 13 7.- Aseguramiento

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@unam.mx T E M A S DEL CURSO 1. Análisis Estadístico de datos muestrales. 2. Fundamentos de la Teoría de la

Más detalles

Teorema del límite central

Teorema del límite central TEMA 6 DISTRIBUCIONES MUESTRALES Teorema del límite central Si se seleccionan muestras aleatorias de n observaciones de una población con media y desviación estándar, entonces, cuando n es grande, la distribución

Más detalles

Modelos de distribuciones discretas y continuas

Modelos de distribuciones discretas y continuas Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas

Más detalles

ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Solución. Curso 2016

ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Solución. Curso 2016 ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico Solución. Curso 016 Ejercicio 1 Suponemos que hay independencia en la concurrencia o no entre las personas. Dado este supuesto y las características

Más detalles

Probabilidad, Variable Aleatoria Pag 1 de 26 PROBABILIDAD

Probabilidad, Variable Aleatoria Pag 1 de 26 PROBABILIDAD Probabilidad, Variable Aleatoria Pag 1 de 6 PROBABILIDAD Actualmente la teoría de probabilidades desempeña un papel importante en el campo de los negocios, la investigación, específicamente en la toma

Más detalles

VARIABLES ALEATORIAS CONTINUAS

VARIABLES 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 detalles

El momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X

El momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X Momentos El momento k-ésimo para una variable aleatoria discreta respecto del origen, es E(x) n = i = 1 k i ( ) x.p x El primer momento centrado en el origen (k=1) es la esperanza matemática de X También

Más detalles

Distribución normal estándar. Juan José Hernández Ocaña

Distribución normal estándar. Juan José Hernández Ocaña Distribución normal estándar Juan José Hernández Ocaña Tipos de variables jujo386@hotmail.com Tipos de variables Cualitativas Son las variables que expresan distintas cualidades, características o modalidades.

Más detalles

DISTRIBUCIÓN PROBABILÍSTICA BINOMIAL APROXIMACIÓN LA CURVA NORMAL. Juan José Hernández Ocaña

DISTRIBUCIÓN PROBABILÍSTICA BINOMIAL APROXIMACIÓN LA CURVA NORMAL. Juan José Hernández Ocaña DISTRIBUCIÓN PROBABILÍSTICA BINOMIAL APROXIMACIÓN LA CURVA NORMAL Juan José Hernández Ocaña DISTRIBUCIÓN PROBABILÍSTICA BINOMIAL Variable discreta.- Es aquella que casi siempre asume solamente un conjunto

Más detalles

Familias de distribuciones

Familias de distribuciones Capítulo 2 Familias de distribuciones 2.1. Introducción Las distribuciones estadísticas son usadas para modelar poblaciones a través de un miembro de una familia de distribuciones. Cada familia se encuentra

Más detalles

5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD

5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD Distribución normal 5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD La distribución continua de probabilidad más importante en todo el campo de la estadística es la distribución normal. Su grafica, que se denomina

Más detalles

METODOS ESTADÍSTICOS

METODOS ESTADÍSTICOS METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.

Más detalles

Unidad IV: Distribuciones muestrales

Unidad IV: Distribuciones muestrales Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia

Más detalles

La distribución de Probabilidad normal, dada por la ecuación:

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

Más detalles

MODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO.

MODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO. DISTRIBUCIÓN t Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza, en estos casos utilizamos la distribución de t de Student. Si el tamaño de la muestra es suficientemente

Más detalles

Probabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid

Probabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X

Más detalles

Tema 7. Variables Aleatorias Continuas

Tema 7. Variables Aleatorias Continuas Presentación y Objetivos. Tema 7. Variables Aleatorias Continuas En este tema se propone el estudio de las variables aleatorias continuas más importantes, desde la más simple incrementando el grado de

Más detalles

Algunas Distribuciones Estadísticas Teóricas. c) Relación entre la Distribuciones de Poisson y Exponencial.

Algunas Distribuciones Estadísticas Teóricas. c) Relación entre la Distribuciones de Poisson y Exponencial. Algunas Distribuciones Estadísticas Teóricas Distribución Continuas: a) Distribución Uniforme b) Distribución de Exponencial c) Relación entre la Distribuciones de Poisson y Exponencial. d) Distribución

Más detalles

ESTADÍSTICA INFERENCIAL

ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 6 Nombre: Distribuciones de probabilidad para variables aleatorias continuas Contextualización Las variables aleatorias discretas son aquellas

Más detalles

DISTRIBUCIÓN N BINOMIAL

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

Más detalles

Part I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas

Part I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando

Más detalles

La distribución de probabilidad de la variable aleatoria (v. a). Bernoulli, está dada por:

La distribución de probabilidad de la variable aleatoria (v. a). Bernoulli, está dada por: Distribución Bernoulli Una rueba o exerimento Bernoulli tiene uno de dos resultados mutuamente excluyentes, que generalmente se denotan S (éxito) y F (fracaso). Por ejemlo, al seleccionar un objeto ara

Más detalles

Objetivos. Epígrafes 3-1. Francisco José García Álvarez

Objetivos. Epígrafes 3-1. Francisco José García Álvarez Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.

Más detalles

Tema 13: Distribuciones de probabilidad. Estadística

Tema 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 detalles

INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica

INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables

Más detalles

8 Resolución de algunos ejemplos y ejercicios del tema 8.

8 Resolución de algunos ejemplos y ejercicios del tema 8. INTRODUCCIÓN A LA ESTADÍSTICA. GRUPO 71 LADE. 29 8 Resolución de algunos ejemplos y ejercicios del tema 8. 8.1 Ejemplos. Ejemplo 49 Supongamos que el tiempo que tarda en dar respuesta a un enfermo el personal

Más detalles

Distribuciones de probabilidad discretas

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

Más detalles

Reporte de práctica. Materia: Procesos Estócasticos. Facilitador: Ing. Pedro Martín García Vite. Integrantes: Armendáriz Flores Adrián

Reporte de práctica. Materia: Procesos Estócasticos. Facilitador: Ing. Pedro Martín García Vite. Integrantes: Armendáriz Flores Adrián Reporte de práctica Materia: Procesos Estócasticos Facilitador: Ing. Pedro Martín García Vite Integrantes: Armendáriz Flores Adrián Cruz Hernández Emmanuel González Manuel Ana Silvia Tema: Gráficas de

Más detalles

Análisis Estadístico de Datos Climáticos. Distribuciones paramétricas de probabilidad (Wilks, cap. 4)

Análisis Estadístico de Datos Climáticos. Distribuciones paramétricas de probabilidad (Wilks, cap. 4) Análisis Estadístico de Datos Climáticos Distribuciones paramétricas de probabilidad (Wilks, cap. 4) 2013 Variables aleatorias Una variable aleatoria es aquella que toma un conjunto de valores numéricos

Más detalles

DISTRIBUCIONES DE PROBABILIDAD

DISTRIBUCIONES DE PROBABILIDAD DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira

Más detalles

PROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9)

PROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9) PROBABILIDAD Y ESTADÍSTICA Sesión 6 (A partir de tema 5.9) 5.9 Muestreo: 5.9.1 Introducción al muestreo 5.9.2 Tipos de muestreo 5.10 Teorema del límite central 5.11 Distribución muestral de la media 5.12

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA PROBABILIDAD Y ESTADÍSTICA 4 horas a la semana 8 créditos Semestre variable según la carrera Objetivo del curso: Analizar y resolver problemas de naturaleza aleatoria en la ingeniería, aplicando conceptos

Más detalles

Concepto de Probabilidad

Concepto de Probabilidad Concepto de Probabilidad Prof. Miguel Hesiquio Garduño. Est. Mirla Benavides Rojas Depto. De Ingeniería Química Petrolera ESIQIE-IPN hesiquiogm@yahoo.com.mx mbenavidesr5@gmail.com PROBABILIDAD En cualquier

Más detalles

PROYECTO DE CARRERA: INGENIERÍA INDUSTRIAL ASIGNATURA: ESTADÍSTICAS II GUÍA DE EJERCICIOS N 2

PROYECTO DE CARRERA: INGENIERÍA INDUSTRIAL ASIGNATURA: ESTADÍSTICAS II GUÍA DE EJERCICIOS N 2 PROYECTO DE CARRERA: INGENIERÍA INDUSTRIAL ASIGNATURA: ESTADÍSTICAS II GUÍA DE EJERCICIOS N 2 UNIDAD II: DISTRIBUCIONES MUESTRALES OBJ. 2.1 2.2 2.3 2.4 1.- Un plan de muestreo para aceptar un lote, para

Más detalles

Práctica 4: Variables Aleatorias y Simulación

Práctica 4: Variables Aleatorias y Simulación Práctica 4: Variables Aleatorias y Simulación Objetivos específicos Al finalizar esta práctica deberás ser capaz de: Calcular las funciones de probabilidad y distribución de las variables discretas Bernoulli,

Más detalles

Distribuciones de probabilidad

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

Más detalles

Modelado de la aleatoriedad: Distribuciones

Modelado de la aleatoriedad: Distribuciones Modelado de la aleatoriedad: Distribuciones Begoña Vitoriano Villanueva Bvitoriano@mat.ucm.es Facultad de CC. Matemáticas Universidad Complutense de Madrid I. Distribuciones Discretas Bernoulli (p) Aplicaciones:

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad

Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Facultad de Ciencias Sociales Universidad de la República Curso 2016 Índice 2.1. Variables aleatorias: funciones de distribución,

Más detalles

Variable Aleatoria Continua. Principales Distribuciones

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

Más detalles

Tema 4: Variables Aleatorias

Tema 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 detalles

EJERCICIOS RESUELTOS DE ESTADÍSTICA II

EJERCICIOS 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 detalles

Probabilidad Condicional

Probabilidad Condicional Probabilidad Condicional Independencia condicional Como hemos dicho, las probabilidades condicionales tienen las mismas propiedades que las probabilidades no condicionales. Un ejemplo más es el siguiente:

Más detalles

Muchas variables aleatorias continuas presentan una función de densidad cuya gráfica tiene forma de campana.

Muchas variables aleatorias continuas presentan una función de densidad cuya gráfica tiene forma de campana. Página 1 de 7 DISTRIBUCIÓN NORMAL o campana de Gauss-Laplace Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su propio nombre indica su extendida utilización, justificada

Más detalles

Cálculo y EstadísTICa. Primer Semestre.

Cálculo y EstadísTICa. Primer Semestre. Cálculo y EstadísTICa. Primer Semestre. EstadísTICa Curso Primero Graduado en Geomática y Topografía Escuela Técnica Superior de Ingenieros en Topografía, Geodesia y Cartografía. Universidad Politécnica

Más detalles

La distribución normal

La distribución normal La Distribución Normal Es una distribución continua que posee, entre otras, las propiedades siguientes: Su representación gráfica tiene forma de campana ( campana de Gauss ) -6-4 -2 0 2 4 6 2 4 6 8 10

Más detalles

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

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

Más detalles

CAPÍTULO 6: VARIABLES ALEATORIAS

CAPÍTULO 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 detalles

Unidad Temática 3 UT3-1: Variable Aleatoria

Unidad Temática 3 UT3-1: Variable Aleatoria Autoevaluación UT3 Unidad Temática 3 UT3-1: Variable Aleatoria Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una F si la rechaza.

Más detalles

PROGRAMA DE ESTADÍSTICA DESCRIPTIVA

PROGRAMA DE ESTADÍSTICA DESCRIPTIVA PROGRAMA DE ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS DE ESTADÍSTICA Definición de Estadística Origen del concepto. Evolución histórica de la Estadística Estadística Descriptiva y Estadística Inferencial

Más detalles

INTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)

INTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith) INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que

Más detalles

Preparación de los datos de entrada

Preparación de los datos de entrada Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:

Más detalles

EJERCICIOS RESUELTOS DE ESTADÍSTICA II

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

Más detalles

Intervalos de Confianza

Intervalos de Confianza Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de

Más detalles

DISTRIBUCIÓN NORMAL. Modelo matemático: f ( x ) = σ 2 π

DISTRIBUCIÓN NORMAL. Modelo matemático: f ( x ) = σ 2 π DISTRIBUCIÓN NORMAL. Es la más importante de las distribuciones teóricas, es también conocida con los nombres de curva normal y curva de Gauss. De Moivre publico en 1773 su trabajo sobre la curva normal

Más detalles

( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE

( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE Estudiamos algunos ejemplos de distribuciones de variables aleatorias continuas. De ellas merecen especial mención las derivadas de la distribución normal (χ, t de Student y F de Snedecor), por su importancia

Más detalles

Puntuaciones Estándarizadas, Distribución Normal y Aplicaciones. Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010

Puntuaciones Estándarizadas, Distribución Normal y Aplicaciones. Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010 Puntuaciones Estándarizadas, Distribución Normal y Aplicaciones Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010 Objetivos de Lección Conocer características principales de una

Más detalles

Cátedra: Estadística Técnica Facultad de Ingeniería UNCuyo. Índice D. Fernández & M. Guitart TABLA DE CONTENIDOS

Cátedra: Estadística Técnica Facultad de Ingeniería UNCuyo. Índice D. Fernández & M. Guitart TABLA DE CONTENIDOS Cátedra: TABLA DE CONTENIDOS INTRODUCCIÓN Qué es la Probabilidad? Qué es la Estadística? La evolución histórica de la Estadística Algunos conceptos imprescindibles Fuentes de datos Tipos de datos y escalas

Más detalles

Definición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo un intervalo (finito o infinito) de números

Definición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo un intervalo (finito o infinito) de números IV. Variables Aleatorias Continuas y sus Distribuciones de Probabilidad 1 Variable Aleatoria Continua Definición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo

Más detalles

Tema 5. Variables Aleatorias

Tema 5. Variables Aleatorias Tema 5. Variables Aleatorias Presentación y Objetivos. En este tema se estudia el concepto básico de Variable Aleatoria así como diversas funciones fundamentales en su desarrollo. Es un concepto clave,

Más detalles

METODOLOGÍA SEIS SIGMA A TRAVÉS DE EXCEL

METODOLOGÍA SEIS SIGMA A TRAVÉS DE EXCEL METODOLOGÍA SEIS SIGMA A TRAVÉS DE EXCEL María Pérez Marqués Metodología Seis Sigma a través de Excel María Pérez Marqués ISBN: 978-84-937769-7-8 EAN: 9788493776978 Copyright 2010 RC Libros RC Libros es

Más detalles

Curso Práctico de Bioestadística Con Herramientas De Excel

Curso Práctico de Bioestadística Con Herramientas De Excel Curso Práctico de Bioestadística Con Herramientas De Excel Fabrizio Marcillo Morla MBA barcillo@gmail.com (593-9) 4194239 Otras Publicaciones del mismo autor en Repositorio ESPOL Fabrizio Marcillo Morla

Más detalles

Fundamentos de Estadística y Simulación Básica

Fundamentos de Estadística y Simulación Básica Fundamentos de Estadística y Simulación Básica TEMA 4 Distribución de Probabilidades Distribución de Probabilidades Distribución de Probabilidades Variables Aleatorias: Discreta y Continua Función Densidad

Más detalles

PLANES CURRICULARES GRADO9º/ 01 PERIODO

PLANES CURRICULARES GRADO9º/ 01 PERIODO PLANES CURRICULARES GRADO9º/ 01 PERIODO Grado: 9º Periodo: 01 PRIMERO Aprobado por: G. Watson - Jefe Sección Asignatura: MATEMATICAS Profesor: Gloria rueda y Jesús Vargas ESTANDARES P.A.I. I.B. A. Conocimiento

Más detalles

TEMA 3: Probabilidad. Modelos. Probabilidad

TEMA 3: Probabilidad. Modelos. Probabilidad TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un

Más detalles

Variables aleatorias continuas, TCL y Esperanza Condicional

Variables aleatorias continuas, TCL y Esperanza Condicional Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función

Más detalles

Teoría de la decisión

Teoría de la decisión 1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia

Más detalles

Técnicas de Muestreo Métodos

Técnicas de Muestreo Métodos Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad

Más detalles

Control Estadístico de la Calidad. Gráficos de Control. Estadistica Básica

Control Estadístico de la Calidad. Gráficos de Control. Estadistica Básica Control Estadístico de la Calidad Gráficos de Control Estadistica Básica Control de Calidad Calidad significa idoneidad de uso, Es la interacción de la calidad: Del diseño Nivel de desempeño, de confiabilidad

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 6)

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 6) TEMA Nº 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Ser capaz de definir correctamente una o más variables aleatorias sobre los resultados de un experimento aleatorio y determinar

Más detalles

ENUNCIADO y SOLUCIONES. Problema 1

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

Más detalles

Variables Aleatorias Discretas

Variables Aleatorias Discretas Profesor Alberto Alvaradejo Ojeda 9 de septiembre de 2015 Índice 1. Variable aleatoria 3 1.1. Discretas...................................... 3 1.2. Continuas..................................... 3 1.3.

Más detalles

SESION 12 LA DISTRIBUCIÓN BINOMIAL

SESION 12 LA DISTRIBUCIÓN BINOMIAL SESION LA DISTRIBUCIÓN BINOMIAL I. CONTENIDOS:. La distribución omial.. Variables aleatorias en una distribución omial. 3. Descripciones de la distribución omial. 4. Distribución de Poisson. II. OBJETIVOS:

Más detalles

GLOSARIO ESTADÍSTICO. Fuente: Murray R. Spiegel, Estadística, McGraw Hill.

GLOSARIO ESTADÍSTICO. Fuente: Murray R. Spiegel, Estadística, McGraw Hill. GLOSARIO ESTADÍSTICO Fuente: Murray R. Spiegel, Estadística, McGraw Hill. CONCEPTOS Y DEFINICIONES ESPECIALES Es el estudio científico de los métodos para recoger, organizar, resumir y analizar los datos

Más detalles