Problemas de Probabilidad resueltos.

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

Download "Problemas de Probabilidad resueltos."

Transcripción

1 Problemas de Probabilidad resueltos. Problema 1 El profesor Pérez olvida poner su despertador 3 de cada 10 dias. Además, ha comprobado que uno de cada 10 dias en los que pone el despertador acaba no levandandose a tiempo de dar su primera clase, mientras que de cada 10 dias en los que olvida poner el despertador, llega a tiempo a dar su primera clase. (a) Identifica y da nombre a los sucesos que aparecen en el enunciado. (b) Cuál es la probabilidad de que el profesor Pérez llegue a tiempo a dar su primera clase? (c) Si un día no ha llegado a tiempo, que probabilidad hay de que olvidase poner el despertador la noche anterior? Solución: En primer lugar conviene identificar el experimento aleatorio que estamos realizando. Este consiste en tomar un día al azar en la vida del profesor Pérez y analizarlo en base a los siguientes sucesos. (a) Para un día al azar decimos que se ha dado el suceso: O cuando el profesor ha olvidado poner el despertador T cuando el profesor ha llegado tarde a su primera clase. Notemos que tanto {O, Ō} como {T, T } forman un sistema completo de sucesos. A continuación traducimos en términos de probabilidad de los sucesos anteriores todos los datos que nos dan en el enunciado. P (O) = 3 10, P ( T O) = 10, P (Ō) = 7 1, P (T Ō) = (b) El suceso llegar a tiempo a su clase es el complementario de T, por tanto nos piden que calculemos P ( T ). Puesto que {O, Ō} es un sistema completo de sucesos, podemos aplicar la fórmula de la probabilidad total, de donde tenemos que: P ( T ) = P ( T O)P (O) + P ( T Ō)P (Ō). En la expresión anterior aparecen varios de los datos que nos ha proporcionando el enunciado, sin embargo no conocemos directamente el valor de P ( T Ō). Para calcularlo utilizamos que P ( T Ō) = 1 P (T Ō) = = De esta forma, la expresión anterior se puede escribir como: P ( T ) = = = (c) Nos piden calcular la probabilidad del suceso O sabiendo que ha tenido lugar el suceso T, esto es, P (O T ). Como {O, Ō} es un sistema completo de sucesos, podemos utilizar el Teorema de Bayes para calcular P (O T ). Así, P (T O)P (O) P (O T ) = P (T Ō)P (Ō) + P (T O)P (O). En la expresión anterior nos falta por conocer P (T O). Utilizando que P (T O) = 1 P ( T O) = 1, llegamos a que 8 10 P (O T ) = = = 1

2 Problema Un banco local revisa su política de tarjetas de crédito, con el objetivo de cancelar algunas de ellas. En el pasado, el 5% de los clientes con tarjeta ha pasado a ser moroso, esto es ha dejado de pagar sin que el banco pudiera recuperar la deuda. Además, el banco ha comprobado que la probabilidad de que un cliente normal se atrase en un pago es de 0.. Naturalmente, la probabilidad de que un cliente moroso se atrase en un pago es 1. (a) Identifica y da nombre a los sucesos que aparecen en el enunciado. (b) Elegido un clienta al azar, qué probabilidad hay de que el cliente se atrase en un pago mensual? (c) Si un cliente se atrasa en un pago mensual, calcular la probabilidad de que el cliente acabe convirtiendose en moroso. (d) Al banco le gustaría cancelar la línea de crédito de un cliente si la probabilidad de que éste acabe convirtiendose en moroso es mayor de 0.5. De acuerdo con los resultados anteriores, debe cancelar una línea si un cliente se atrasa en un pago? Por qué? Solución: Comenzamos identificando el experimento aleatorio. En este caso consiste en elegir al azar a un cliente del banco que tenga tarjeta de crédito y preguntarnos por los siguientes sucesos. (a) Para un cliente cualquiera decimos que ha sucedido el suceso: M cuando el cliente es moroso, A cuando el cliente se ha atrasado en un pago mensual. Los conjuntos de sucesos {M, M} y {A, Ā} son dos sistemas completos de sucesos. A continuación reescribimos los datos que nos proporciona el enunciado en términos de probabilidades. P (M) = 0.05, P (A M) = 0., P (A M) = 1. (b) Es sencillo darse cuenta de que nos piden calcular P (A). Como {M, M} es un sistema completo de sucesos, aplicamos la fórmula de la probabilidad total y tenemos P (A) = P (A M)P ( M) + P (A M)P (M). De la fórmula anterior, únicamente desconocemos P ( M), que podemos calcularlo mediante P ( M) = 1 P (M) = = Por tanto: P (A) = = 0.4. (c) Nos piden calcular la probabilidad de que el cliente se convierta en moroso (suceso M) sabiendo que se ha atrasado en una mensualidad (suceso A); esto es P (M A). Como {M, M} es un sistema completo de sucesos, aplicando la fórmula de Bayes tenemos que P (A M)P (M) P (M A) = P (A M)P ( M) + P (A M)P (M) = (d) De acuerdo con el resultado anterior, la probabilidad de que un cliente que se atrasa en un pago acabe convirtiendose en moroso es 0.083, que es menor que la probabilidad 0.5 exigida por el banco. Por lo tanto, no debería de cancelarse la cuenta de un cliente que se atrase en un pago.

3 Problemas de Variable Aleatoria resueltos. Problema 3 El gimnasio El primo de sumosol ha comprobado que el 0% de sus alumnos se dan de baja durante el primer mes y el 80% restante permanecen todo el año. Supongamos que este año se inscribieron 0 alumnos. (a) Explica con brevedad qué es una variable aleatoria. Identifica la variable aleatoria del problema e indica qué distribución sigue. (b) Cuál es la probabilidad de que o menos se den de baja? (c) Cuál es la probabilidad de que exactamente se den de baja 4 alumnos? (d) Cuál es la probabilidad de que se den de baja más de 3 alumnos? Al hacer la inscripción se realiza un único pago anual de 600 euros. Cada alumno que permanece todo el año genera un gasto anual de 150 euros. (e) Cuál es el beneficio anual esperado? (f) Cuántos alumnos se han dado de baja el primer mes si al final del año el gimnasio ha obtenido el beneficio esperado? Solución: (a) Una variable aleatoria es una aplicación X que hace corresponder un número real a cada suceso básico del espacio muestral. Despues de leer detenidamente todo el enunciado, para este problema elegimos la variable aleatoria X = número de alumnos que se dan de baja el primer mes. Los posibles valores que puede tomar la variable X son 0, 1,..., 0, luego X es una variable aleatoria discreta (V.A.D). El experimento que a cada alumno le asocia un 0 si este alumno permanece durante todo el año; o un 1 si este alumno se da de baja el primer mes es un experimento de Bernouilli de parámetro p = 0.. De esta forma, X es la suma de 0 experimentos de Bernouilli independientes de igual p, por tanto X sigue una distribución binomial de parámetros n = 0 y p = 0., esto es X B(0, 0.). (b) Nos piden la probabilidad de que el número de alumnos que se den de baja el primer mes sea igual o menor de. En lenguaje matemático esto es P (X ). Este valor es el de la función de distribución de la binomial en el punto. Mirando en las tablas tenemos que P (X ) = (c) Nos piden calcular P (X = 4), esto es, la función de probabilidad de la binomial en 4. La función de probabilidad se puede expresar como resta de la función de distribución en dos puntos consecutivos, entonces P (X = 4) = P (X 4) P (X 3). Mirando la tabla de la distribución binomial tenemos que P (X 4) = y P (X 3) = Por tanto P (X = 4) = = (c) Hemos de calcular P (X > 3). Utilizando la probabilidad del suceso complementario tenemos que P (X > 3) = 1 P (X 3) = = (d) Por cada alumno tenemos un ingreso de 600 euros. Como se han inscrito 0 alumnos tenemos un ingreso total de I = = 1000 euros. Cada alumno que permanece todo el año genera un gasto anual de 150 euros. Si X es el número de alumnos que se dan de baja el primer mes, entonces el número de alumnos que permanecen todo el año es 0 X. Por tanto, el gasto anual es G = 150 (0 X). Así, el beneficio anual es B = I G = (0 X). Operando obtenemos B = X. 3

4 El beneficio anual esperado es E(B). Aplicando que E(a + bx) = a + be(x), tenemos que E(B) = E( X) = E(X). Como la variable X sigue una distribución binomial de parámetros n = 0 y p = 0., entonces E(X) = np = 4. Así, E(B) = = (e) Si el beneficio obtenido es el esperado, esto es B = 9600, despejando X en la expresión B = X se sigue que X = = 4, 150 luego se han dado de baja 4 alumnos. Otra forma de resolver este apartado es la siguiente. Notemos que de E(B) = E(X), esto significa que si hemos obtenido el valor esperado para el beneficio, es porque se han dado de baja el número esperado de alumnos, E(X) = 4. 4

5 Problema 4 Un estudio de la DGT estima que el número de horas prácticas necesarias para la obtención del permiso de conducir sigue una distribución normal N (4, 3 ). (a) Qué probabilidad hay de obtener el permiso de conducir con 0 horas de prácticas o menos? (b) Cuántas horas de prácticas ha necesitado un conductor para obtener el permiso si el 68% de los conductores ha necesitado más horas de prácticas que él? La autoescuela D spacio ingresa por alumno una parte fija de 50 euros, más 3 euros por hora de práctica. (c) Calcular el ingreso por alumno esperado. (d) Calcular la desviación típica del ingreso por alumno. Solución: Para este problema escogemos como variable aleatoria X = número de horas de práctica necesarias para obtener el permiso de conducir que nos aseguran que sigue una distribución normal de media µ = 4 y desviación típica σ = 3, esto es X N (4, 3 ). Por tanto X es una variable aleatoria continua (V.A.C.) (a) Nos piden que calculemos P (X 0), que es el valor de la función de distribución de una normal en el punto 0. Como X no sigue una distribución normal estándar, este valor no puede buscarse directamente en la tabla. Hemos de tipificar la variable, esto es, cambiamos a la variable Z = X µ σ = X 4, 3 que sí sigue una distribución normal estándar, Z N (0, 1). Así, ( ) 0 4 P (X 0) = P Z = P (Z 1.33). 3 Utilizando el carácter simétrico de la normal tenemos que P (Z 1.33) = P (Z 1.33), y aplicando la probabilidad del suceso complementario P (Z 1.33) = 1 P (Z 1.33) llegamos a P (X 0) = 1 P (Z 1.33). Como Z sigue una distribución normal estándar, buscando en la tabla, tenemos que P (Z 1.33) = De donde, P (X 0) = = (b) Sea x 0 el número de horas prácticas que buscamos. Nos piden el valor de x 0 de forma que P (X x 0 ) = Utilizando la variable tipificada Z tenemos que ( P (X x 0 ) = P Z x ) 0 4 = Si definimos z 0 = x 0 4, 3 de la expresión anterior tenemos que P (Z z 0 ) = Utilizando la simetría de la normal tenemos que P (Z z 0 ) = Buscando en la tabla obtenemos que la P (Z 0.46) = y P (Z 0.47) = , por tanto z 0 es un valor comprendido entre 0.46 y 0.47, pero más cercano al segundo. Tomamos z 0 = 0.468, de donde z 0 = Despejando x 0 en función de z 0 tenemos que x 0 = 4 + 3z 0 = 4 + 3( 0.468) =.596. (c) Para un alumno cualquiera, X es número de horas de práctica necesarias para obtener el permiso de conducir. Así, el ingreso de la autoescuela por las prácticas de un alumno es 3X. Si añadimos la parte fija tenemos que el ingreso por alumno es I = X. 5

6 El ingreso por alumno esperado es E(I). Aplicando que E(a + bx) = a + be(x), tenemos que E(I) = E(50 + 3X) = E(X). Como X N (4, 3 ), sabemos que E(X) = 4. Por tanto E(I) = = 80. (d) Aplicando que V ar(a + bx) = b V ar(x), tenemos que V ar(i) = V ar(50 + 3X) = 3 V ar(x). Como X N (4, 3 ), sabemos que V ar(x) = 3. Por tanto, V ar(i) = 3 3. Finalmente, la desviación típica del ingreso dt(i) es dt(i) = V ar(i) = 3 3 = 69. 6

7 Problemas de Intervalos de Confianza y Contraste de Hipótesis resueltos. Problema 5 La cantidad de horas que duermen los estadounidenses cada noche varía mucho. Consideremos la siguiente muestra de las horas que duermen cada noche 16 personas (a) Calcula una estimación puntual para la media de horas que se duerme cada noche y para la desviación típica. Qué estimadores utilizas? Por qué? Suponer que la población sigue una distribución normal. (b) Determinar un intervalo de confianza del 80% para la media de horas que se duerme cada noche. (c) Determinar un intervalo de confianza del 95% para la varianza. Solución: Sobre la población de estadounidenses definimos la variable aleatoria continua X = número de horas que duerme que sigue una distribución normal de media y varianza desconocidas. (a) Para estimar la media de horas que duermen los estadounidenses utilizamos la media muestral, P n i=1 X = xi n, por ser un estimador insesgado y eficiente para la media poblacional µ X. Para la muestra que nos proporcionan obtenemos que X = Luego una estimación puntual de la media poblacional es µ X Para estimar la desviación típica de X utilizamos la desviación típica muestral ŜX por ser un estimador insesgado y eficiente, donde ŜX = n ( n ) i=1 x i x. n 1 n Para la muestra proporcionada obtenemos que ŜX desviación típica poblacional es σ X = Luego una estimación puntual de la (b) Los extremos del intervalo de confianza para una variable normal de varianza desconocida y tamaño de la muestra pequeño vienen dados por Ŝ X ± t n 1, α X n donde t n 1, α es el valor con probabilidad acumulada del 1 α distribución t-student con n 1 grados de libertad. de una variable aletoria que sigue una Como n = 16 y α = 0., buscando en la tabla de la distribución t-student con 15 grados de libertad el valor que tiene una probabilidad acumulada de 0.9 obtenemos que t n 1, α = Por tanto, el intervalo de confianza del 80% para la media µ X es: ( , ) = (6.6178, ) (c) Los extremos del intervalo de confianza para la varianza de una población normal son (n 1)Ŝ X χ n 1,1 α y (n 1)Ŝ X χ n 1, α 7

8 donde χ n 1,1 es el valor que tiene una probabilidad acumulada de 1 α α para una variable que sigue una distribución χ con n 1 grados de libertad y χ n 1, es el valor que acumula una probabilidad de α para la misma distribución. α Como n = 16 y α = 0.05, buscando en las tablas de la distribución χ con 15 grados de libertad los valores con probabilidad acumulada de y 0.05, obtenemos que χ n 1,1 = 7.5 y χ α n 1, = 7.6, α respectivamente. Por tanto, el intervalo de confianza del 95% para la varianza σ X es ( ) 15(0.6374), 15(0.6374) = (0.16, )

9 Problema 6 La empresa BBM afirma que nueva gama de neumáticos duran en promedio más de km. Las pruebas con 64 neumáticos dan como resultado una duración media de km, con una desviación típica muestral de km. (a) Si se usa un nivel de significación del 5%, comprobar si hay evidencia suficiente para rechazar la afirmación de la empresa. Establecer claramente la hipótesis nula y alternativa. (b) Explica brevemente qué es el p valor. Cuál es el p-valor? Solución: Sobre la población de los neumáticos definimos la variable aleatoria X = duración en kilometros. De esta variable desconocemos la distribución que sigue y los valores de los parámetros µ X y σ X. (a) La decisión sobre la afirmación de la empresa la tomaremos en base a un contraste de hipótesis sobre la media poblacional µ X H 0 : µ X = 8000 con hipótesis alternativa unilateral por la izquierda (ya que el exceso en la duración de los neumáticos favorece la afirmación de la empresa) H 1 : µ X < Puesto que el contraste es unilateral por la izquierda, la región crítica tendrá la forma RC = (, z 0 ) y por la región de aceptación RA = (z 0, + ). Para calcular el valor z 0 aplicamos que el nivel de significación es la probabilida de que el estadístico de contraste caiga en la región crítica, esto es P (Z z 0 ) = α = 0.05 siendo Z el estadíıstico de contraste. Por tratarse el problema de un contraste sobre la media de una población con muestras grandes sabemos que el estadístico de contraste es: Z = X µ X Ŝ X n N (0, 1). Como en la tabla de la normal no aparecen probabilidades menores que 0.5 aplicando la simetría de la distribución normal se sigue que P (Z z 0 ) = 1 P (Z z 0 ) = = 0.95 El 0.95 no aparece en la tabla de la normal, sin embargo tenemos que P (Z 1.64) = y P (Z 1.65) = , que se encuentran a igual distancia por abajo y por arriba del valor deseado, por lo que podemos considerar z 0 = La región crítica y la región de aceptación quedan pues como: RC = (, 1.645) y RA = ( 1.645, ). Calculamos ahora el valor del estadístico que se obtiene con la muestra Z = X µ X n = 64 = 1.6. Ŝ X 1000 Como el valor del estadístico cae dentro de la región de aceptación concluimos que se acepta la hiṕotesis nula y, por tanto, no hay evidencias suficientes para rechazar la afirmación de la empresa. (b) El p valor, α p, es el menor nivel de significación para el que se rechaza la hipótesis nula. Como el contraste es unilateral por la izquierda, el p valor viene dado por P (Z 1.6) = α p. De nuevo este valor no aparece en las tablas. Utilizando la simetria de la distribución tenemos que α p = P (Z 1.6) = 1 P (Z 1.6) = =

10 Problema 7 Una línea de producción funciona con un peso de llenado de 16 gr por envase. De acuerdo con datos anteriores, se sabe que el peso sigue una distribución normal. El exceso o defecto de peso en el llenado son problemas graves, y la linea de producción debe parar si se presenta alguno de ellos. Un inspector de calidad toma una muestra de 30 artículos y de acuerdo con los resultados toma la decisión de parar la línea o dejarla trabajando. (a) Para un nivel de significación α = 0.05, si se encuentra que x = 16.3 gr y ŜX = 0.8 gr qué acción recomendarías? Cuál es el p valor? (b) Para el mismo nivel de significación y el mismo valor de ŜX qué acción recomendarías si se obtiene que x = 15.8 gr? Solución: Sobre la población de los envases producidos aplicamos la variable aleatoria continua X = peso de llenado que sigue una distribución normal, X N(µ X, σ X ). (a) La decisión a tomar la basaremos en un contraste de hipótesis sobre la media poblacional µ X con nivel de significación α = Tomamos como hipótesis nula el peso de llenado de referencia: H 0 : µ X = 16. Puesto que tanto el exceso como el defecto de llenado son defectos de funcionamiento, planteamos un contraste bilateral: H 1 : µ X 16. Al ser el contraste bilateral, la región crítica RC está formada por dos intervalos, uno a cada lado de la región de aceptación RA y por tanto: RC = (, t 0 ) (t 0, + ) y RA = ( t 0, t 0 ). Como la probabilidad de que el estadístico de contraste se encuentre en la región crítica es α, tenemos que sobre cada uno de los intervalos que forma RC la probabilidad es α, esto es P (T t 0) = α, siendo T el estadístico de contraste, que por tratarse de un contraste sobre la media de una población normal de varianza desconocida es T = X µ X Ŝ X n tn 1. De α = 0.05 y por la simetría de la distribución t-student, P (T t 0 ) = 1 P (T t 0 ) = 1 α = Buscando en la tabla de la t-student con n 1 = 9 grados de libertad el valor con probabilidad acumulada obtenemos que t 0 =.04. Así: es RC = (,.04) (.04, + ) y RA = (.04,.04). Para los valores muestrales X = 16.3 y ŜX = 0.8, tenemos que el valor del estadístico de contraste T = X µ X Ŝ X n tn 1 = = que pertenece a la región crítica, luego hemos de rechazar la hipótesis nula en favor de la hipótesis alternativa. Concluimos por tanto que existe un problema grave en el llenado y debe pararse la línea de producción. Al ser el contraste bilateral, el p valor α p viene dado por la expresión P (T.191) = αp. Por la simetría de la t Student tenemos que P (T.191) = 1 P (T.191) = 1 α p. 10

11 Buscando en la tabla de la t Student con 9 grados de libertad encontramos que P (T.04) = y P (T.46) = Por ser.191 más proximo al primero de ellos tomamos P (T.191) Así = 1 αp, de donde α p = (b) Como ni el contraste ni el nivel de significación han cambiado, las regiones crítica y de aceptación son iguales a las del apartado (a), esto es RC = (,.04) (.04, + ) y RA = (.04,.04). Calculamos ahora el valor del estadístico de contraste para los nuevos valores muestrales: T = X µ X Ŝ X n tn 1 = = que ahora está dentro de la región de aceptación, luego aceptamos la hipótesis nula en contra de la hipótesis alternativa. Concluimos que no se ha producido ningún problema grave en el llenado y que por tanto no es necesario detener la línea de producción. 11

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

MATEMÁTICAS CCSS II Sobrantes 2010 (Modelo 1) SELECTIVIDAD ANDALUCÍA

MATEMÁTICAS CCSS II Sobrantes 2010 (Modelo 1) SELECTIVIDAD ANDALUCÍA IES Fco Ayala de Granada Sobrantes 00 (Modelo ) Soluciones Germán-Jesús Rubio Luna MATEMÁTICAS CCSS II Sobrantes 00 (Modelo ) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO Sea el recinto del plano definido

Más detalles

MATEMÁTICAS CCSS II Sobrantes 2010 (Modelo 1) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO 1

MATEMÁTICAS CCSS II Sobrantes 2010 (Modelo 1) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO 1 IES Fco Ayala de Granada Sobrantes 010 (Modelo ) Soluciones Germán-Jesús Rubio Luna MATEMÁTICAS CCSS II Sobrantes 010 (Modelo 1) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO 1 a 1 1 1 3 Sean las matrices

Más detalles

DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS

DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS 1) Reseña histórica Abrahan De Moivre (1733) fue el primero en obtener la ecuación matemática de la curva normal. Kart Friedrich Gauss y Márquez De Laplece (principios

Más detalles

Problemas. Intervalos de Confianza y Contrastes de Hipótesis

Problemas. Intervalos de Confianza y Contrastes de Hipótesis Problemas. Intervalos de Confianza y Contrastes de Hipótesis Ejemplos resueltos y propuestos Intervalos de Confianza Variable Nomal en la población Se selecciona una muestra de tamaño n de una población

Más detalles

Nombre...Apellidos... Grado en:...grupo:...

Nombre...Apellidos... Grado en:...grupo:... ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA - Soluciones Estadística- Curso 01/1. 9 de Julio de 01 Nombre...Apellidos... Grado en:...grupo:... 1. Considera la variable aleatoria (v.a.) X cuyos posibles

Más detalles

todas especialidades Soluciones de las hojas de problemas

todas especialidades Soluciones de las hojas de problemas Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Ingeniería Técnica Industrial Métodos estadísticos de la ingeniería Métodos estadísticos de la ingeniería Ingeniería Técnica

Más detalles

INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA

INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA Página 75 REFLEXIONA Y RESUELVE Lanzamiento de varios dados Comprueba en la tabla anterior ue: DESV. TÍPICA PARA n DADOS n = 8 1,71 1,1 n = 3 8 1,71 3 0,98

Más detalles

Tipo A Tipo B Min. y Máx. Gambas 2 1 50 Langostinos 3 5 180 Contenedores 1 1 50 Coste 350 550 350x + 550y

Tipo A Tipo B Min. y Máx. Gambas 2 1 50 Langostinos 3 5 180 Contenedores 1 1 50 Coste 350 550 350x + 550y IES Fco Ayala de Granada Sobrantes 010 (Modelo 6) Soluciones Germán-Jesús Rubio Luna MATEMÁTICAS CCSS II Sobrantes 010 (Modelo 6) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO 1 (.5 puntos) Un supermercado

Más detalles

INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA

INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA Páginas 74-75 Lanzamiento de varios dados Comprobación de que: Desviación típica de n dados = (Desv. típica para un dado) / 1,71 n = 1,1 1,71 n = 3 0,98

Más detalles

Inferencia Estadística

Inferencia Estadística MaMaEuSch Management Mathematics for European Schools http://www.mathematik.unikl.de/ mamaeusch Inferencia Estadística Paula Lagares Barreiro * Justo Puerto Albandoz * MaMaEuSch ** Management Mathematics

Más detalles

Tests de hipótesis estadísticas

Tests de hipótesis estadísticas Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para

Más detalles

Statgraphics Centurión

Statgraphics Centurión Facultad de Ciencias Económicas y Empresariales. Universidad de Valladolid 1 Statgraphics Centurión I.- Nociones básicas El paquete Statgraphics Centurión es un programa para el análisis estadístico que

Más detalles

Tema 5. Variables aleatorias discretas

Tema 5. Variables aleatorias discretas Tema 5. Variables aleatorias discretas Resumen del tema 5.1. Definición de variable aleatoria discreta 5.1.1. Variables aleatorias Una variable aleatoria es una función que asigna un número a cada suceso

Más detalles

Pruebas de Acceso a las Universidades de Castilla y León

Pruebas de Acceso a las Universidades de Castilla y León Pruebas de Acceso a las Universidades de Castilla y León MATEMÁTICA APLICADA A LA CIENCIA OCIALE EJERCICIO Nº páginas 2 Tablas OPTATIVIDAD: EL ALUMNO DEBERÁ ECOGER UNA DE LA DO OPCIONE Y DEARROLLAR LA

Más detalles

1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde

1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde Soluciones de la relación del Tema 6. 1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B1, p), donde p = P X = 1) = P la persona presente síntomas)

Más detalles

Solución ESTADÍSTICA. Prueba de evaluación contínua 2 - PEC2

Solución ESTADÍSTICA. Prueba de evaluación contínua 2 - PEC2 Semestre set04 - feb05 Módulos 11-17 Prueba de evaluación contínua 2 - PEC2 Solución Presentación i objetivos Enunciados: descripción teórica de la práctica a realizar Materiales Criterios de evaluación

Más detalles

Problemas. Variables Aleatorias. Modelos de Probabilidad

Problemas. Variables Aleatorias. Modelos de Probabilidad Problemas. Variables Aleatorias. Modelos de Probabilidad Ejemplos resueltos y propuestos Variables Aleatorias Discretas Una variable aleatoria discreta X de valores x 1, x 2,..., x k con función de probabilidad

Más detalles

Tema 10. Estimación Puntual.

Tema 10. Estimación Puntual. Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener

Más detalles

Departamento de Matemática Aplicada a la I.T. de Telecomunicación

Departamento de Matemática Aplicada a la I.T. de Telecomunicación Departamento de Matemática Aplicada a la I.T. de Telecomunicación EXAMEN RESUELTO DE ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO / FECHA: de Enero de Duración del examen: 3 horas Fecha publicación

Más detalles

Estadística aplicada y modelización. 10 de septiembre de 2005

Estadística aplicada y modelización. 10 de septiembre de 2005 Estadística aplicada y modelización. 10 de septiembre de 005 SOLUCIÓN MODELO A 1. Una persona se está preparando para obtener el carnet de conducir, repitiendo un test de 0 preguntas. En la siguiente tabla

Más detalles

IES Fco Ayala de Granada Junio de 2012 (General Modelo 4) Soluciones Germán-Jesús Rubio Luna

IES Fco Ayala de Granada Junio de 2012 (General Modelo 4) Soluciones Germán-Jesús Rubio Luna IES Fco Ayala de Granada Junio de 01 (General Modelo 4) Soluciones Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 01 MODELO 4 (COMÚN) OPCIÓN A EJERCICIO 1 (A) Sea el recinto determinado

Más detalles

INFERENCIA ESTADÍSTICA

INFERENCIA ESTADÍSTICA Capítulo 4 INFERENCIA ESTADÍSTICA 4.1. Introducción Inferir: Sacar una consecuencia de una cosa. Sacar consecuencia o deducir una cosa de otra. La estadística, ciencia o rama de las Matemáticas que se

Más detalles

IES Fco Ayala de Granada Septiembre de 2011 (Modelo 5) Soluciones Germán-Jesús Rubio Luna

IES Fco Ayala de Granada Septiembre de 2011 (Modelo 5) Soluciones Germán-Jesús Rubio Luna IES Fco Ayala de Granada Septiembre de 011 (Modelo 5) Soluciones Germán-Jesús Rubio Luna PRUEBA DE ACCESO A LA UNIVERSIDAD SEPTIEMBRE 010-011 ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II

Más detalles

Tema 3. Comparaciones de dos poblaciones

Tema 3. Comparaciones de dos poblaciones Tema 3. Comparaciones de dos poblaciones Contenidos Hipótesis para la diferencia entre las medias de dos poblaciones: muestras pareadas Hipótesis para la diferencia entre las medias de dos poblaciones:

Más detalles

Tema 3: Variable aleatoria 9. Tema 3: Variable aleatoria

Tema 3: Variable aleatoria 9. Tema 3: Variable aleatoria Tema 3: Variable aleatoria 9 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Estadística Tema 3: Variable aleatoria 1. Probar si las siguientes funciones pueden definir funciones

Más detalles

SESIÓN PRÁCTICA 6: CONTRASTES DE HIPÓTESIS PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas

SESIÓN PRÁCTICA 6: CONTRASTES DE HIPÓTESIS PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas SESIÓN PRÁCTICA 6: CONTRASTES DE HIPÓTESIS PROBABILIDAD Y ESTADÍSTICA PROF. Esther González Sánchez Departamento de Informática y Sistemas Facultad de Informática Universidad de Las Palmas de Gran Canaria

Más detalles

4. Se considera la función f(x) =. Se pide:

4. Se considera la función f(x) =. Se pide: Propuesta A 1. Queremos realizar una inversión en dos tipos de acciones con las siguientes condiciones: Lo invertido en las acciones de tipo A no puede superar los 10000 euros. Lo invertido en las acciones

Más detalles

PRUEBAS DE HIPÓTESIS

PRUEBAS DE HIPÓTESIS PRUEBAS DE HIPÓTESIS Muchos problemas de ingeniería, ciencia, y administración, requieren que se tome una decisión entre aceptar o rechazar una proposición sobre algún parámetro. Esta proposición recibe

Más detalles

Capítulo 7: Distribuciones muestrales

Capítulo 7: Distribuciones muestrales Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.

Más detalles

UCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG)

UCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) PAEG Junio 0 Propuesta A Matemáticas aplicadas a las CCSS II º Bachillerato UCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales

Más detalles

Pruebas de Acceso a las Universidades de Castilla y León

Pruebas de Acceso a las Universidades de Castilla y León Pruebas de cceso a las Universidades de Castilla y León MTEMÁTICS PLICDS LS CIENCIS SOCILES EJERCICIO Nº páginas 2 Tablas OPTTIVIDD: EL LUMNO DEBERÁ ESCOGER UN DE LS DOS OPCIONES Y DESRROLLR LS PREGUNTS

Más detalles

Tema 5: Estimación puntual y por intervalos

Tema 5: Estimación puntual y por intervalos Tema 5: Estimación puntual y por intervalos Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Estimación puntual y por intervalos Curso

Más detalles

Inferencia Estadística

Inferencia Estadística Felipe José Bravo Márquez 11 de noviembre de 2013 Para realizar conclusiones sobre una población, generalmente no es factible reunir todos los datos de ésta. Debemos realizar conclusiones razonables respecto

Más detalles

Clase 8: Distribuciones Muestrales

Clase 8: Distribuciones Muestrales Clase 8: Distribuciones Muestrales Distribución Muestral La inferencia estadística trata básicamente con generalizaciones y predicciones. Por ejemplo, podemos afirmar, con base a opiniones de varias personas

Más detalles

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA 5.1 Introducción En este capítulo nos ocuparemos de la estimación de caracteristicas de la población a partir de datos. Las caracteristicas poblacionales

Más detalles

Puedes descargar este examen en pdf desde esta dirección (busca el enlace Dropbox en la parte inferior de la página):

Puedes descargar este examen en pdf desde esta dirección (busca el enlace Dropbox en la parte inferior de la página): Univ. de Alcalá. Estadística 2014-15 Dpto. de Física y Matemáticas Grado en Biología. Examen final. Miércoles, 21 de Enero de 2015. Apellidos: Nombre: INSTRUCCIONES (LEER ATENTAMENTE). Puedes descargar

Más detalles

Ejercicios de inferencia estadística

Ejercicios de inferencia estadística 1. Una población consiste en las edades de los niños en una familia de cuatro hijos. Estas edades son: x 1 = años, x = 4años, x 3 = 6años, x 4 = 8años. (a) Determina la media y la desviación típica de

Más detalles

Tema 1: Test de Distribuciones de Probabilidad

Tema 1: Test de Distribuciones de Probabilidad Tema 1: Test de Distribuciones de Probabilidad 1.- Una compañía de seguros tiene 1000 asegurados en el ramo de accidentes. Si la el modelo mejor para el número de siniestros en un año es: a) Normal (5;,3).

Más detalles

x 10000 y 8000 x + y 15000 a) La región factible asociada a las restricciones anteriores es la siguiente: Pedro Castro Ortega lasmatematicas.

x 10000 y 8000 x + y 15000 a) La región factible asociada a las restricciones anteriores es la siguiente: Pedro Castro Ortega lasmatematicas. Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Septiembre 2012 - Propuesta A 1. Queremos realizar una inversión en dos tipos

Más detalles

12 Las distribuciones binomial y normal

12 Las distribuciones binomial y normal Las distribuciones binomial y normal ACTIVIDADES INICIALES.I. Calcula la media, la varianza y la desviación típica de la variable X, cuya distribución de frecuencias viene dada por la siguiente tabla:

Más detalles

Algunas Distribuciones de Probabilidad

Algunas Distribuciones de Probabilidad Relación de problemas 7 Algunas Distribuciones de Probabilidad 1. En un hospital se ha comprobado que la aplicación de un tratamiento en enfermos de cirrosis produce una cierta mejoría en el 80 % de los

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA PROBABILIDAD Y ESTADÍSTICA 1. Sean A y B dos sucesos y A, B sus complementarios. Si se verifica que p( B) = 2 / 3, p( A B) = 3 / 4 y p( A B) = 1/ 4, hallar: p( A), p( A B), y la probabilidad condicionada

Más detalles

DESCRIPCIÓN ESPECÍFICA

DESCRIPCIÓN ESPECÍFICA DESCRIPCIÓN ESPECÍFICA NÚCLEO: COMERCIO Y SERVICIO SUBSECTOR: PRODUCCION Y SALUD OCUPACIONAL Nombre del Módulo: Análisis estadístico de datos. total: 45 HORAS. Objetivo General: Analizar la conformidad

Más detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos

Más detalles

CONTRASTES DE HIPÓTESIS DE 1 POBLACIÓN

CONTRASTES DE HIPÓTESIS DE 1 POBLACIÓN CONTRASTES DE IPÓTESIS DE POBLACIÓN Autores: Alicia Vila (avilag@uoc.edu), Máximo Sedano (msedanoh@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu), Anna López (alopezrat@uoc.edu). ESQUEMA DE CONTENIDOS Definición

Más detalles

3. ANÁLISIS ESTADÍSTICOS DE LAS PRECIPITACIONES EN EL MAR CASPIO

3. ANÁLISIS ESTADÍSTICOS DE LAS PRECIPITACIONES EN EL MAR CASPIO Análisis estadístico 31 3. ANÁLII ETADÍTICO DE LA PRECIPITACIONE EN EL MAR CAPIO 3.1. ANÁLII Y MÉTODO ETADÍTICO UTILIZADO 3.1.1. Introducción Una vez analizado el balance de masas que afecta al mar Caspio

Más detalles

REPASO CONCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓN NORMAL.

REPASO CONCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓN NORMAL. REPASO COCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓ ORMAL. Éste es un breve repaso de conceptos básicos de estadística que se han visto en cursos anteriores y que son imprescindibles antes de acometer

Más detalles

Muestreo estadístico. Relación 2 Curso 2007-2008

Muestreo estadístico. Relación 2 Curso 2007-2008 Muestreo estadístico. Relación 2 Curso 2007-2008 1. Para tomar la decisión de mantener un determinado libro como texto oficial de una asignatura, se pretende tomar una muestra aleatoria simple entre los

Más detalles

Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2012 - Propuesta B

Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2012 - Propuesta B Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2012 - Propuesta B 1. Una empresa tiene 3000 bolsas de ajo morado de Las

Más detalles

8. Estimación puntual

8. Estimación puntual 8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores

Más detalles

Práctica 5. Contrastes paramétricos en una población

Práctica 5. Contrastes paramétricos en una población Práctica 5. Contrastes paramétricos en una población 1. Contrastes sobre la media El contraste de hipótesis sobre una media sirve para tomar decisiones acerca del verdadero valor poblacional de la media

Más detalles

PRUEBA DE KOLMOGOROV SMIRNOV (Contraste sobre la forma de la distribución) F(X) es la función de distribución que hipotetizamos.

PRUEBA DE KOLMOGOROV SMIRNOV (Contraste sobre la forma de la distribución) F(X) es la función de distribución que hipotetizamos. PRUEBA DE KOLMOGOROV SMIRNOV (Contraste sobre la forma de la distribución) PRUEBAS NO PARAMÉTRICAS F(X) es la función de distribución que hipotetizamos. Fs(X) es la probabilidad o proporción teórica de

Más detalles

Bioestadística: Inferencia Estadística. Análisis de Dos Muestras

Bioestadística: Inferencia Estadística. Análisis de Dos Muestras Bioestadística: Inferencia Estadística. Análisis de Dos Muestras M. González Departamento de Matemáticas. Universidad de Extremadura MUESTRAS INDEPENDIENTES: TEST PARAMÉTRICO: VARIANZAS POBLACIONALES IGUALES:Test

Más detalles

Tema 12: Contrastes Paramétricos

Tema 12: Contrastes Paramétricos Tema 1 Tema 1: Contrastes Paramétricos Presentación y Objetivos. Se comienza este tema introduciendo la terminología y conceptos característicos de los contrastes de hipótesis, típicamente a través de

Más detalles

Estimación puntual. Estadística II. Curso 2011/2012. Universidad de Salamanca

Estimación puntual. Estadística II. Curso 2011/2012. Universidad de Salamanca Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 3 4 Introducción Una estimación puntual de algún parámetro poblacional θ es un valor único del estadístico θ. Por ejemplo,

Más detalles

6. Sea X una v.a. con distribución N(0,1). Calcular p(x=0)

6. Sea X una v.a. con distribución N(0,1). Calcular p(x=0) 1. La rueda de una ruleta se divide en 25 sectores de igual área que se enumeran del 1 al 25. Encuentra una fórmula para la distribución de probabilidades de la v.a. X que representa el número obtenido

Más detalles

Inferencia Estadística

Inferencia Estadística EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre

Más detalles

Ingeniería Técnica Industrial, todas especialidades. Ingeniería Técnica Telecomunicaciones, Telemática Problemas de examenes

Ingeniería Técnica Industrial, todas especialidades. Ingeniería Técnica Telecomunicaciones, Telemática Problemas de examenes Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería, Estadística Problemas de examenes: Métodos estadísticos de la ingeniería Ingeniería Técnica

Más detalles

Pruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León

Pruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León Pruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJECICIO Nº Páginas OPTATIVIDAD: EL ALUMNO DEBEÁ ESCOGE UNA DE LAS DOS OPCIONES

Más detalles

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD

Más detalles

UNIVERSIDAD DE ATACAMA

UNIVERSIDAD DE ATACAMA UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD PAUTA SEGUNDA PRUEBA PARCIAL Profesor: Hugo S. Salinas. Primer Semestre 2009 1. Resolver los siguientes

Más detalles

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

PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.E. PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.E. CURSO 2013-2014 CONVOCATORIA: MATERIA: MATEMATICAS APLICADAS A LAS CC. SS. - Cada alumno debe elegir sólo una de las pruebas (A o B). - Cada una de las preguntas

Más detalles

Clase 5: Variables Aleatorias y Distribuciones de Probabilidad

Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Variables Aleatorias Una variable aleatoria es una función que asocia un número real con cada elemento del EM. Ejemplo 1: El EM que da una

Más detalles

Contrastes de Hipótesis

Contrastes de Hipótesis Capítulo 8 Contrastes de Hipótesis 8.1. Introducción. Conceptos básicos Una hipótesis estadística es una afirmación acerca de una característica poblacional formulada en base a los parámetros de su distribución.

Más detalles

Unidad 6. Distribuciones de probabilidad continua, muestreo y distribución de muestras

Unidad 6. Distribuciones de probabilidad continua, muestreo y distribución de muestras Unidad 6 Distribuciones de probabilidad continua, muestreo y distribución de muestras Introducción La unidad 5 se enfocó en el estudio de las distribuciones de probabilidad discreta, entre las cuales

Más detalles

Explicación de la tarea 3 Felipe Guerra

Explicación de la tarea 3 Felipe Guerra Explicación de la tarea 3 Felipe Guerra 1. Una ruleta legal tiene los números del 1 al 15. Este problema corresponde a una variable aleatoria discreta. La lectura de la semana menciona lo siguiente: La

Más detalles

Indicaciones específicas para los análisis estadísticos.

Indicaciones específicas para los análisis estadísticos. Tutorial básico de PSPP: Vídeo 1: Describe la interfaz del programa, explicando en qué consiste la vista de datos y la vista de variables. Vídeo 2: Muestra cómo crear una base de datos, comenzando por

Más detalles

Tema 3. Variables aleatorias. Inferencia estadística

Tema 3. Variables aleatorias. Inferencia estadística Estadística y metodología de la investigación Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 3. Variables aleatorias. Inferencia estadística 1. Introducción 1 2. Variables aleatorias 1 2.1. Variable

Más detalles

Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales

Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Cuando se analizan datos, el interés del analista suele centrarse en dos grandes objetivos:

Más detalles

Problemas resueltos del Tema 3.

Problemas resueltos del Tema 3. Terma 3. Distribuciones. 9 Problemas resueltos del Tema 3. 3.1- Si un estudiante responde al azar a un examen de 8 preguntas de verdadero o falso Cual es la probabilidad de que acierte 4? Cual es la probabilidad

Más detalles

PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS

PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 003 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Opción A Junio, Ejercicio 3, Opción B Reserva 1, Ejercicio 3,

Más detalles

Pruebas de. Hipótesis

Pruebas de. Hipótesis Pruebas de ipótesis Pruebas de ipótesis Otra manera de hacer inferencia es haciendo una afirmación acerca del valor que el parámetro de la población bajo estudio puede tomar. Esta afirmación puede estar

Más detalles

Selectividad Septiembre 2013 OPCIÓN B

Selectividad Septiembre 2013 OPCIÓN B Pruebas de Acceso a las Universidades de Castilla y León ATEÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJERCICIO Nº páginas Tablas OPTATIVIDAD: EL ALUNO DEBERÁ ESCOGER UNA DE LAS DOS OPCIONES Y DESARROLLAR

Más detalles

"CONTRASTES DE HIPÓTESIS" 4.4 Parte básica

CONTRASTES DE HIPÓTESIS 4.4 Parte básica 76 "CONTRASTES DE HIPÓTESIS" 4.4 Parte básica 77 4.4.1 Introducción a los contrastes de hipótesis La Inferencia Estadística consta de dos partes: Estimación y Contrastes de Hipótesis. La primera se ha

Más detalles

UNIVERSIDAD DE ATACAMA

UNIVERSIDAD DE ATACAMA UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD EJERCICIOS 5 Profesor: Hugo S. Salinas. Primer Semestre 2009 1. Una compañía de seguros utiliza la

Más detalles

ESTIMACION POR INTERVALOS

ESTIMACION POR INTERVALOS ESTIMACION POR INTERVALOS En muchas situaciones, una estimación puntual no proporciona información suficiente sobre el parámetro. Por esta razón se construyen intervalos de confianza en donde el parámetro

Más detalles

Tema 5: Introducción a la inferencia estadística

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

Más detalles

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD. Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables

Más detalles

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009 Índice general 6. Regresión Múltiple 3 6.1. Descomposición de la variabilidad y contrastes de hipótesis................. 4 6.2. Coeficiente de determinación.................................. 5 6.3. Hipótesis

Más detalles

MÓDULO 9 DISTRIBUCIÓN DE PROBABILIDAD NORMAL

MÓDULO 9 DISTRIBUCIÓN DE PROBABILIDAD NORMAL MÓDULO 9 DISTRIBUCIÓN DE PROBABILIDAD NORMAL INTRODUCCIÓN En este módulo se continúa con el estudio de las distribuciones de probabilidad, examinando una distribución de probabilidad continua muy importante:

Más detalles

INFERENCIA ESTADÍSTICA: CONTRASTE DE HIPÓTESIS

INFERENCIA ESTADÍSTICA: CONTRASTE DE HIPÓTESIS INFERENCIA ESTADÍSTICA: CONTRASTE DE HIPÓTESIS Página 311 REFLEXIONA Y RESUELVE Máuina empauetadora El fabricante de una máuina empauetadora afirma ue, si se regula para ue empauete palés con 100 kg, los

Más detalles

TEMA 6: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD 1. VARIABLES ALEATORIAS

TEMA 6: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD 1. VARIABLES ALEATORIAS TEMA 6: VARIABLES ALEATORIAS. DISTRIBUCIONES DE PROBABILIDAD 1. VARIABLES ALEATORIAS 1.1 Variables aleatorias Considera el experimento aleatorio consistente en lanzar dos monedas. El espacio muestral de

Más detalles

PRUEBAS PARAMETRICAS Y PRUEBAS NO PARAMETRICAS. Juan José Hernández Ocaña

PRUEBAS PARAMETRICAS Y PRUEBAS NO PARAMETRICAS. Juan José Hernández Ocaña PRUEBAS PARAMETRICAS Los métodos paramétricos se basan en el muestreo de una población con parámetros específicos, como la media poblacional, la desviación estándar o la proporción p. Además deben de reunir

Más detalles

Detergente Lavad.1 Lavad.2 Lavad.3 Media A 45 43 51 46.3 B 47 44 52 47.6 C 50 49 57 52 D 42 37 49 42.6. Media 46 43.2 52.2 47.16

Detergente Lavad.1 Lavad.2 Lavad.3 Media A 45 43 51 46.3 B 47 44 52 47.6 C 50 49 57 52 D 42 37 49 42.6. Media 46 43.2 52.2 47.16 3. DISEÑO EN BLOQUES ALEATORIZADOS En muchos experimentos además de que interesa investigar la influencia de un factor controlado sobre la variable de respuesta, como en la sección anterior, existe una

Más detalles

5. DISTRIBUCIONES DE PROBABILIDADES

5. DISTRIBUCIONES DE PROBABILIDADES 5. DISTRIBUCIONES DE PROBABILIDADES Dr. http://academic.uprm.edu/eacunaf UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES DE PROBABILIDADES Se introducirá el concepto de variable

Más detalles

8.2.2. Intervalo para la media (caso general)

8.2.2. Intervalo para la media (caso general) 182 Bioestadística: Métodos y Aplicaciones 100 de ellos se obtiene una media muestral de 3 kg, y una desviación típica de 0,5 kg, calcular un intervalo de confianza para la media poblacional que presente

Más detalles

Pruebas de Hipótesis de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Pruebas de Hipótesis de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Pruebas de ipótesis de Una y Dos Muestras UCR ECCI CI-35 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides ipótesis Estadísticas Conceptos Generales En algunos casos el científico

Más detalles

Botella-Rocamora, P.; Alacreu-García, M.; Martínez-Beneito, M.A.;

Botella-Rocamora, P.; Alacreu-García, M.; Martínez-Beneito, M.A.; Inferencia estadística (intervalos de confianza y p-valor). Comparación de dos poblaciones (test t de comparación de medias, comparación de dos proporciones, comparación de dos varianzas). Botella-Rocamora,

Más detalles

Estadística aplicada y modelización. 15 de junio de 2005

Estadística aplicada y modelización. 15 de junio de 2005 Estadística aplicada y modelización. 15 de junio de 2005 SOLUCIÓN MODELO A 1. En una población de fumadores se quiere examinar la relación entre el número de cigarrillos que consumen diariamente y el número

Más detalles

Práctica 3. Distribuciones de probabilidad

Práctica 3. Distribuciones de probabilidad Práctica 3. Distribuciones de probabilidad Estadística Facultad de Física Objetivos Distribuciones Representaciones gráficas Ejercicios Aplicaciones 1 Introducción En esta práctica utilizaremos una herramienta

Más detalles

Introducción a la Econometría

Introducción a la Econometría Introducción a la Econometría Curso 2009/2010 Seriedeproblemas1 1.- Considere la siguiente distribución de probabilidad: Llueve (X=0) No llueve (X=1) Total Tiempo de viaje largo (Y=0) 0.15 0.07 0.22 Tiempo

Más detalles

DISTRIBUCIÓN DE LA MEDIA MUESTRAL. b) Las medias muestrales de tamaño n se distribuyen según la normal

DISTRIBUCIÓN DE LA MEDIA MUESTRAL. b) Las medias muestrales de tamaño n se distribuyen según la normal 1 DISTRIBUCIÓN DE LA MEDIA MUESTRAL La mayoría de estos problemas han sido propuestos en exámenes de selectividad de los distintos distritos universitarios españoles. 1. Considérese una población en la

Más detalles

DISTRIBUCIONES DISCRETAS CON EXCEL Y WINSTATS

DISTRIBUCIONES DISCRETAS CON EXCEL Y WINSTATS DISTRIBUCIONES DISCRETAS CON EXCEL Y WINSTATS A) INTRODUCCIÓN Una distribución de probabilidad es una representación de todos los resultados posibles de algún experimento y de la probabilidad relacionada

Más detalles

Curso de Estadística no-paramétrica

Curso de Estadística no-paramétrica Curso de Estadística no-paramétrica Sesión 1: Introducción Inferencia no Paramétrica David Conesa Grup d Estadística espacial i Temporal Departament d Estadística en Epidemiologia i Medi Ambient i Investigació

Más detalles

En una plantación de manzanos, el peso en kg de la fruta producida anualmente por cada manzano sigue una distribución normal N(50; 10).

En una plantación de manzanos, el peso en kg de la fruta producida anualmente por cada manzano sigue una distribución normal N(50; 10). MODELOS DE PROBABILIDAD En una plantación de manzanos, el peso en kg de la fruta producida anualmente por cada manzano sigue una distribución normal N(50; 10). (a) Si tomamos dos manzanos al azar, cuál

Más detalles

Ejercicios distribuciones discretas probabilidad

Ejercicios distribuciones discretas probabilidad Ejercicios distribuciones discretas probabilidad 1. Una máquina que produce cierta clase de piezas no está bien ajustada. Un porcentaje del 4.2% de las piezas están fuera de tolerancias, por lo que resultan

Más detalles

ESTIMACION DE INTERVALOS DE CONFIANZA

ESTIMACION DE INTERVALOS DE CONFIANZA pag 3. Prohibida su reproducción ESTIMACION DE INTERVALOS DE CONFIANZA Una muestra permite realizar estimaciones puntuales de los parámetros de la población. Utilizando las propiedades de las distribuciones

Más detalles

1.- CONCEPTO DE ESTADÍSTICA 2.- TABLA ESTADÍSTICA Y PARÁMETROS ESTADÍSTICOS

1.- CONCEPTO DE ESTADÍSTICA 2.- TABLA ESTADÍSTICA Y PARÁMETROS ESTADÍSTICOS TEMA 6.- ESTADÍSTICA 1.- CONCEPTO DE ESTADÍSTICA Considera el conjunto formado por todos los alumnos del instituto. Supongamos que queremos estudiar, por ejemplo, el color del pelo, la estatura ó el nº

Más detalles

TEMA 4: Introducción al Control Estadístico de Procesos

TEMA 4: Introducción al Control Estadístico de Procesos TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción

Más detalles