Práctica 3 vgaribay PRÁCTICA 3. INTERVALOS DE CONFIANZA
|
|
- Eduardo Casado Maidana
- hace 5 años
- Vistas:
Transcripción
1 PRÁCTICA 3. INTERVALOS DE CONFIANZA Práctica 3 vgaribay OBJETIVOS: Comprobación del concepto de intervalo de confianza. Construcción de intervalos de confianza para poblaciones normales. Cálculo del tamaño muestral. Datos en los ficheros: Datos3IC.sgd, Cardata.sgd y Municipios.sgd. 1.- COMPROBACIÓN DEL CONCEPTO DE INTERVALO DE CONFIANZA Construir 100 intervalos de confianza al 95% para la media μde una población Normal de varianza 36, basados en muestras de tamaño 5, y comprobar que aproximadamente 95 contienen al verdadero valor del parámetro μ(desconocido). Intervalo de confianza para μ al nivel α (con σ conocido): 1.1 Generar cinco variables según una distribución N(10, 6). Describe / Distribution Fitting / Probability Distributions o bien Plot / Prob. Distributions Botón disquete / repetir 5 veces cambiando nombre de la columna, desde Rand1 a Rand5 (disquete RAND1 RAND5) 1
2 También pueden generarse las 5 columnas de golpe, generando 5 Normales(10,6) y luego (disquete dist1 dist5) 1.2 Hallar : Describe / Numeric Data / Rowwise Statistics Describe / Numeric Data / Rowwise Statistics 2
3 Cada una de las 100 filas en la hoja de datos constituye una muestra aleatoria simple de tamaño 5 de la distribución N(10,6) Calculemos la media muestral para cada una de estas 100 muestras Botón disquete marcar promedios (Means) Cada una de las 100 muestras de tamaño 5 permite construir un I. de C para ( conocida =6) Para ello necesitamos el percentil zα/2 3
4 1.3 Hallar zα/2: Describe / Distribution Fitting /Probability Distributions Describe / Distribution Fitting / Probability Distributions Pane Options de Inverse CDF: pedimos el valor α/2=0.025 zα/2= z0,025 = 1, Calcular los límites superior e inferior de los intervalos correspondientes a cada una de las 100 muestras de tamaño 5. Se crean 2 nueva variables: lim_inf y lim_sup MEAN±1, *6/sqrt(5) 4
5 1.5 Representar gráficamente los intervalos utilizando el operador count(1;100;1) junto a un Scatterplots / Multiple X-Y plot. Cambiar escala del eje Y a -5 (5) 25 mediante Ventana Plot / Botón derecho / Graphics Options / Y Axis 5
6 Llevar plot a Stat Gallery: Botón derecho > Copy // Botón derecho > Paste y añadir línea a altura 10: Botón dcho>add Item Práctica 3 vgaribay 1.6 Comprobar cuántos de los intervalos contienen el valor 10. Creamos una variable CUBRE_10 que vale 1 si el intervalo para cubre el valor verdadero lim_inf_95 <10 & lim_sup_95 >10 6
7 Proporción de intervalos que realmente aciertan a cubrir el verdadero valor de mu (mu=10) SUM(CUBRE_10) 7
8 2.- INTERVALO DE CONFIANZA CON UNA MUESTRA Y CÁLCULO DEL TAMAÑO MUESTRAL (VARIANZA DESCONOCIDA Y VARIANZA CONOCIDA) Se está investigando el alcance de un nuevo tipo de cartuchos para mortero. Los alcances observados en metros, para 16 cartuchos seleccionados aleatoriamente son: 2216, 2237, 2249, 2204, 2225, 2301, 2281, 2263, 2318, 2255, 2275, 2295, 2250, 2238, 2300, Se considera que el alcance se distribuye normalmente. Introduzco datos o abro el archivo Datos3IC.sgd, que los contienee. 2.0 (Complemento: comprobación de normalidad Describe / Distribution Fitting/ Fitting Uncensored Data alcance Estos datos soportan la hipótesis de normalidad. Son compatibles con ella. 8
9 2.1 a) Elaborar un intervalo de confianza del 95% para el alcance medio. Describe / Numeric Data / One-Variable Analysis alcance Práctica 3 vgaribay Selecciono I de C (y plot de Normalidad) Confidence Intervals for ALCANCE Solución: 95,0% confidence interval for mean: 2257,75 +/- 18,3916 [2239,36; 2276,14] (Para ver otras opciones de IdeC: Botón Secundario / Pane Options ) 2.2 b) Hallar una cota inferior de confianza del 95% para el alcance medio. Describe / Numeric Data / One-Variable Analysis alcance o directamente sobre la tabla salida I. de C. anterior, botón derecho Confidence Bounds for ALCANCE 95,0% lower confidence bound for mean: 2257,75-15,1265 [2242,62] 9
10 2.3 c) Construir un intervalo de confianza del 95% para el alcance medio, considerando que σ=36. Comparar este intervalo con el de a). En la base de datos construiremos los extremos del I.de C. según la fórmula: Para ello, en la ventana de salida de Describe / Numeric Data / One-Variable Análisis alcance Copio la media o la guardo en la hoja de datos mediante Botón Diskete Calculo ahora límites mediante dos nuevas columnas en hoja de datos (z 0,025 = 1, calculado ya en apartado 1.3 ) Solución: Intervalo de confianza = [2240,11; 2275,39] Este intervalo es algo más pequeño que el obtenido en a): [2239,36; 2276,14] al conocer el valor de σ=36 la estimación es ahora más precisa. 2.4 d) Valdría esta muestra si queremos tener una confianza del 95% de que el error al estimar el alcance medio sea menor de 20 metros?; y menor de 5 metros?; y menor de 1 metro? Calcular el tamaño muestral necesario en cada una de las tres situaciones anteriores. Suponer conocida σ=36. Tools / Sample-Size Determination / One Simple 10
11 Marca Normal Mean y escribe Hypothesized Sigma = 36 Práctica 3 vgaribay Absolute Error = 20 (5 en el Segundo caso, 1 en el tercero) Dejar Confidence Level=95% Marcar Sigma known Sample-Size Determination Parameter to be estimated: normal mean Desired tolerance: +- 20,0 Confidence level: 95,0% Sigma: 36,0 (known) The required sample size is n=13 observations. 11
12 Sample-Size Determination Parameter to be estimated: normal mean Desired tolerance: +- 5,0 Confidence level: 95,0% Sigma: 36,0 (known) The required sample size is n=200 observations. Sample-Size Determination Parameter to be estimated: normal mean Desired tolerance: +- 1,0 Confidence level: 95,0% Sigma: 36,0 (known) The required sample size is n=4979 observations. Nota: Si σ es desconocida, como no es posible despejar n en la ecuación se toma σ=sn y tn-1,0.025 z
13 3.- INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE MEDIAS Y PARA EL COCIENTE DE VARIANZAS DE DOS POBLACIONES Normales (VARIANZAS DESCONOCIDAS) 3.1 a) Abrir el fichero de datos Cardata.sgd. Crear dos nuevas columnas de datos: una con los datos de la variable mpg cuando la variable cylinders es menor que 6 y otra con los valores de la variable mpg cuando cylinders es mayor o igual que 6. Para hacerlo se usa el operador select(?;?): Doble click en cabecera de Nueva Columna / Formula select(mpg;cylinders>5) Doble click en cabecera de Nueva Columna / Formula select(mpg;cylinders>6) b) Comparar las medias y las desviaciones típicas de las dos variables creadas antes. Para ello usar: Compare / Two Simples / Independent Samples en Tablas y Gráficos marcar Comparison of Means + Comparison of Standard Deviations 13
14 Comparison of Means 95,0% confidence interval for mean of MPG_C1: 32,1467 +/- 1,0923 [31,0544; 33,239] 95,0% confidence interval for mean of MPG_C2: 21,1596 +/- 1,3286 [19,831; 22,4882] 95,0% confidence interval for the difference between the means assuming equal variances: 10,9872 +/- 1,85688 [9,13027; 12,844] Este intervalo NO contiene el 0 los datos NO soportan la igualdad de medias al 95% t test to compare means Null hypothesis: mean1 = mean2 Alt. hypothesis: mean1 NE mean2 assuming equal variances: t = 11,6902 P-value = 0 Reject the null hypothesis for alpha = 0,05. Comparison of Standard Deviations MPG_C1 MPG_C2 Standard deviation 5,699 4,52503 Variance 32, ,4759 Df Ratio of Variances = 1, ,0% Confidence Intervals Standard deviation of MPG_C1: [5,02421; 6,58495] Standard deviation of MPG_C2: [3,76019; 5,68338] Ratio of Variances: [0,944351; 2,53772] Los datos son compatibles con igualdad de sigmas F-test to Compare Standard Deviations Null hypothesis: sigma1 = sigma2 Alt. hypothesis: sigma1 NE sigma2 F = 1,58618 P-value = 0, Do not reject the null hypothesis for alpha = 0,05. 14
15 3.1.2 b) opción 2) Práctica 3 vgaribay Se llega al mismo resultado directamente con los datos en una sola columna (mpg) y seleccionando las muestras según el valor de cilindres: Compare / Two Simples / Independent Samples Marcar ͼ Data and Code Columns (en lugar de Two Data Columns) y codificar por cylinders>5 15
16 EJERCICIOS Ejercicio 3.1: Repetir el apartado 1 suponiendo la y comparar los intervalos obtenidos en ambos casos. Ahora el intervalo de confianza para μ al nivel α (σ desconocido) es: Hallar S: Describe / Numeric Data / Rowwise Statistics (disquete Desviación Estándar). Hallar tα/2: Describe / Distribution Fitting / Probability Distributions t0,975 = 2, Calcular los límites superior e inferior de los intervalos correspondientes a cada muestra. Se crean 2 nueva variables: lim_inf_descono y lim_sup_descono MEAN +/- 2, *SIGMA/sqrt(5) Error max estimación: 2, *SIGMA/sqrt(5) (era 5,26 en ejercicio 1) Representar gráficamente los intervalos utilizando el operador count junto a un Gráfico X-Y. Comprobar cuántos de los intervalos contienen el valor 10. Nueva variable CUBRE_10 indicadora de cobertura correcta : lim_inf_descono <10 & lim_sup_descono >10 porcentaje de intervalos que aciertan SUM(CUBRE_10) SUM(cubre_mu10) 16
17 Ejercicio 3.2: Repetir el apartado 1 para intervalos de confianza para la varianza. El intervalo de confianza para σ2 al nivel α es: Hallar S 2 en cada una de las 100 muestras de tamaño 5: Describe / Numeric Data / Rowwise Statistics (disquete Varianza : variable S2). Hallar percentiles 0,025 y de la chi-2 (n = 4, α = 0,95): Describe / Distribution Fitting / Probability Distributions : =0, y =11, Calcular los límites superior e inferior de los intervalos correspondientes a cada muestra. Se crean 2 nueva variables: lim_inf_varianza y lim_sup_varianza lim_inf_varianza 5*S2/11, lim_sup_varianza 5*S2/0, Representar gráficamente los intervalos utilizando el operador count junto a un Gráfico X-Y. Comprobar cuántos de los intervalos contienen el valor 36. Variable cubre_sigma_36 : lim_inf_varianza <36 & lim_sup_varianza >36 Cuento aciertos, variable : SUM(cubre_sigma_36) 17
18 Ejercicio 3.3: Suponiendo normalidad, obtener un intervalo de confianza de nivel 0.01 para la media de la variable -2*log(DistanciaCapital/Altitud), obtenida a partir del fichero Municipios.sgd. Abro Municipios.sgd Creo nueva variable: -2*log(DistanciaCapital/Altitud) Describe/ Distribution Fittinf / Fitting Uncensored Data Es medianamente razonable razonable suponer normalidad? Normal Goodness-of-fit Tests y Quantile Plot 18
19 Summary Statistics for -2log_dist_ampli Count 62 Average 3,73213 Standard deviation 0, Confidence Intervals for -2log_dist_ampli 99,0% confidence interval Describe/ Numeric data / One-Variable Analisys Confidence Intervals, Frecuency Histogram y Normal Probability Plot Pane Options Confidence Intervals for Col_10 99,0% confidence interval for mean: 3, /- 0, [3,44288; 4,02137] 19
20 Ejercicio 3.4: Se sabe que la duración en horas de una bombilla eléctrica de 75W se distribuye aproximadamente en forma normal. Para una muestra aleatoria de 20 bombillas se obtienen las siguientes duraciones: 1014, 1015, 1018, 1007, 980, 1001, 971, 1009, 1033, 997, 1003, 1028, 1036, 998, 982, 1011, 998, 1024, 1031, Se pide: a) Elaborar un intervalo de confianza del 95% para la vida media. (mu, sigma desconocida) Describe / Numeric Data / One-Variable Análisis Summary Statistics for DURACION Count 20 Average 1010,7 Variance 440,432 Standard deviation 20,9865 Confidence Intervals for DURACION 95,0% confidence interval for mean: 1010,7 +/- 9,82199 [1000,88; 1020,52] Complemento Normalidad: Describe/ Distribution Fittinf / Fitting Uncensored Data 95,0% confidence interval for mean: 1010,7 +/- 9,82199 [1000,88; 1020,52] 20
21 b) Encontrar una cota inferior de confianza al 99% para la vida media. Describe / Numeric Data / One-Variable Análisis Tabla I.de C Pane Options: 99% y Cota inferior Práctica 3 vgaribay Confidence Bounds for DURACION 99,0% lower confidence bound for mean: 1010,7-11,9171 [998,783] c) Si se desea obtener un intervalo con una confianza del 95% de que el error al estimar la duración media sea menor de 5 horas, cuál debe ser el tamaño muestral? Tools / Sample-Size Determination / One Simple Sample-Size Determination Parameter to be estimated: normal mean Desired tolerance: +- 5,0 Confidence level: 95,0% Sigma: 20,9865 (to be estimated) The required sample size is n=71 observations Absolute Error = 5 Sigma To be estimed Confidence Level 95% 21
22 Ejercicio 3.5: Se recogen 5 muestras de un control antidoping correspondientes a 50 deportistas. Interesa anotar el valor mínimo obtenido por cada deportista. Los valores están en el fichero Datos3IC. Se crea un nueva variable que es el mínimo Describe / Numeric Data / Rowwise Statistics ; (Save Mínimum a Diskete) Suponiendo normalidad, proporcionar un intervalo de confianza al 97% para la media de las anotaciones (valor mínimo de cada atleta). Describe / Numeric Data / One-Variable Análisis Tabla I.de C Pane Options CI alfa=97% Confidence Intervals for MINIMUM 97,0% confidence interval for mean: 16,7531 +/- 0, [16,1429; 17,3632] 22
23 Ejercicio 3.6: A continuación se presentan los tiempos que tardan en consumirse bengalas de dos tipos diferentes: Tipo I: 65, 81, 57, 66, 82, 82, 67, 59, 75, 70. Tipo II: 64, 71, 83, 59, 65, 56, 69, 74, 82, 79. Calcular el intervalo de confianza del 95% para la diferencia de medias y el intervalo de confianza del 95% para el cociente de las varianzas. Los valores están en el fichero Datos3IC. Compare / Two Simples / Independent Samples en Tabulación abrir Comparison of Means y Comparison of Standard Deviations Comparison of Means 95,0% confidence interval for mean of tipo1: 70,4 +/- 6,6271 [63,7729; 77,0271] 95,0% confidence interval for mean of tipo2: 70,2 +/- 6,70048 [63,4995; 76,9005] 95,0% confidence interval for the difference between the means assuming equal variances: 0,2 +/- 8,75246 [-8,55246; 8,95246] t test to compare means Null hypothesis: mean1 = mean2 Alt. hypothesis: mean1 NE mean2 assuming equal variances: t = 0, P-value = 0, Do not reject the null hypothesis for alpha = 0,05. Comparison of Standard Deviations tipo1 tipo2 Standard deviation 9, ,36661 Variance 85, ,7333 Df 9 9 Ratio of Variances = 0, ,0% Confidence Intervals Standard deviation of tipo1: [6,37212; 16,9125] Standard deviation of tipo2: [6,44268; 17,0998] Ratio of Variances: [0,242975; 3,9383] F-test to Compare Standard Deviations Null hypothesis: sigma1 = sigma2 Alt. hypothesis: sigma1 NE sigma2 F = 0, P-value = 0,
24 Do not reject the null hypothesis for alpha = 0,05. Ejercicio 3.7: a) Generar 500 observaciones del número de veces que aparece un 2 al tirar 5 dados, utilizando la distribución binomial. Describe / Distritution Fitting / Probability Distributions 1/6 = 0, Binomial (5, 0, ) Pane Options n=500 Botón Save Datos a disckete 24
25 b) Estimar la probabilidad de sacar exactamente 3 doses en una tirada de 5 dados. Describe / Categorical Data / Frequency Tables Probabilidades Teóricas: Probability Mass (=) Frecuencias en la muestra Frequency Table for Bin(5,1/6) Relative Cumulative Cum. Rel. Class Value Frequency Frequency Frequency Frequency , , , , , , , , , ,0000 Variable Dist , , , , , c) Calcular un I.C. al 90% para dicha proporción. P estimada en esta muestra = 0,0380 en Describe / Categorical Data / Frequency Tables z0,95 = 1, en Describe / Distritution Fitting / Probability Distributions Normal(0,1) dos nuevas variables, para calcular directamente LI y LS 0,0380 +/- 1, *sqrt(0,0380*0,062/100) Límite Inferior: 0, Límite Superior: 0,
Práctica 4 vgaribay PRÁCTICA 4. CONTRASTE DE HIPOTESIS. 1 ESTUDIO DE NORMALIDAD Plot de normalidad. Camino 1
PRÁCTICA 4. CONTRASTE DE HIPOTESIS OBJETIVOS: Estudiar el plot de normalidad Manejar los módulos de contrastes de hipótesis. Obtener las probabilidades de error de tipo I y II, la función de potencia y
Más detallesPRÁCTICA 2. DISTRIBUCIONES DE PROBABILIDAD OBJETIVOS:
PRÁCTICA 2. DISTRIBUCIONES DE PROBABILIDAD OBJETIVOS: Cálculo de probabilidades y percentiles con diferentes modelos. Comprobación de aproximaciones estudiadas entre distribuciones. Simulación de datos
Más detallesIntervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
Más detallesPráctica de INTERVALOS DE CONFIANZA
Práctica de INTERVALOS DE CONFIANZA 1.- Objetivo de la práctica El objetivo de esta práctica es familiarizarse con la estimación por intervalos, el concepto de intervalo de confianza y su aplicación en
Más detallesMá M s á ter e Se S c e tor o Fa F r a ma m c a éu é t u ico Es E tad a í d stica a ap a l p icad a a d Teresa Villagarcía
Máster Sector Farmacéutico Estadística aplicada Teresa Villagarcía Indice Probabilidad intuitiva Distribución normal Estimación de la normal Intervalos de confianza Contraste de hipótesis: Una media Dos
Más detallesPRÁCTICA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS
PRÁCTICA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS Objetivos Plantear y resolver problemas mediante la técnica de contraste de hipótesis. Asimilar los conceptos relativos a contrastes de hipótesis, tales
Más detallesSociología. Estadística stica MUY aplicada. Teresa Villagarcía
Sociología Estadística stica MUY aplicada Teresa Villagarcía Probabilidad Por qué estudiamos probabilidad? Proporción de piezas defectuosas producidas en un proceso industrial o a favor de una ley. Tomamos
Más detallesAplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas
Aplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas Apellidos, nombre Capilla Romá, Carmen 1 (ccapilla@eio.upv.es) Departamento Centro 1 Estadística e Investigación
Más detallesPráctica de MODELOS DE PROBABILIDAD
Práctica de MODELOS DE PROBABILIDAD 1 1. Objetivos: Los objetivos que persigue esta práctica son: Representar distribuciones de probabilidad conocidas e interpretar sus parámetros. Generar variables aleatorias
Más detallesPráctica de SIMULACIÓN
1 Práctica de SIMULACIÓN 1. Objetivos En esta práctica vamos a simular datos procedentes de diversos modelos probabilísticos. En la sección 2, comprobaremos visualmente que los datos que simulamos se ajustan
Más detallesACTIVIDAD 3: Intervalos de Confianza para 1 población
ACTIVIDAD 3: Intervalos de Confianza para 1 población CASO 3-1: REAJUSTE DE MÁQUINAS Trabajamos como supervisores de una máquina dedicada a la producción de piezas metálicas cuya longitud sigue una distribución
Más detallesPRÁCTICA 5: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS
PRÁCTICA 5: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS Objetivos Plantear y resolver problemas mediante la técnica de contraste de hipótesis. Asimilar los conceptos relativos a contrastes de hipótesis, tales
Más detallesEstadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
Más detallesLEC/LADE/LECD/LADED. (a) Deducir la expresión de la desviación típica de la media muestral, y calcularla para esta muestra.
LEC/LADE/LECD/LADED HOJA DE PROBLEMAS 4 CONTRASTES DE HIPÓTESIS Y DIAGNOSIS DEL MODELO 1.- El tiempo en minutos que dura un viaje en tren entre dos ciudades A y B, es una variable aleatoria normal con
Más detallesPrácticas de Fiabilidad
Prácticas de Fiabilidad Práctica : Objetivo: En esta práctica se van a ajustar datos censurados. De los tres tipos de censura existentes se va a trabajar con la censura aleatoria, es decir, el proceso
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detallesPRÁCTICA 1. INTRODUCCION A STATGRAPHICS. ESTADISTICA DESCRIPTIVA
PRÁCTICA 1. INTRODUCCION A STATGRAPHICS. ESTADISTICA DESCRIPTIVA OBJETIVOS: Conocer los fundamentos del programa Statgraphics. Realizar un análisis descriptivo de variables cualitativas y cuantitativas.
Más detallesRelación entre tests de hipótesis bilaterales e intervalos de confianza
Relación entre tests de hipótesis bilaterales e intervalos de confianza Introduciremos esta relación a través de un ejemplo. Sea X 1, X,..., X n una m.a. de una distribución N ( µ, σ ). Sabemos que, cuando
Más detallesAnálisis de dos muestras
Análisis de dos muestras Supongamos el siguiente ejemplo. La resistencia a la rotura de un componente eléctrico constituye una característica importante de un cierto proceso. Un fabricante utiliza un material
Más detallesRESPUESTAS BREVES A LA PRÁCTICA 6
RESPUESTAS BREVES A LA PRÁCTICA 6 EJERCICIO [Prueba bilateral] Se rechaza la hipótesis nula con un nivel de significación del % (z =5). La evidencia muestral sostiene la hipótesis de que el puntaje medio
Más detalles> t.test (datos_x, datos_y =NULL, alternative = "two.sided", mu = 0, paired =FALSE, var.equal = FALSE, conf.level= 0.95)
INTERVALOS DE CONFIANZA Y TEST DE HIPOTESIS CON R Estudiemos ahora la función en el lenguaje R, que nos ofrece tanto estimaciones puntuales y por intervalos de confianza como test de hipótesis, es: > t.test
Más detallesTema 5 - III: Inferencia sobre dos poblaciones: proporciones, varianzas, medias
Tema 5 - III: Inferencia sobre dos poblaciones: proporciones, varianzas, medias Biología y Biología sanitaria - UAH Marcos Marvá Ruiz Para dos poblaciones Se presentan conjuntamente intervalos y contrastes
Más detallesPráctica de CONTRASTES DE HIPÓTESIS
Práctica de CONTRASTES DE HIPÓTESIS 1.- Objetivo de la práctica El objetivo de esta práctica es familiarizarse con los contrastes de hipótesis y su aplicación a diversos casos prácticos. 2.- Contrastes
Más detallesExamen Final de Estadística I, 27 de Mayo de Grados en ADE, DER-ADE, ADE-INF, FICO, ECO, ECO-DER.
Examen Final de Estadística I, 27 de Mayo de 203. Grados en ADE, DER-ADE, ADE-INF, FICO, ECO, ECO-DER. NORMAS: ) Entregar cada problema en un cuadernillo distinto, aunque esté en blanco. 2) Realizar los
Más detallesIntroducción Teoría de la probabilidad
Grado en Ingeniería Asignatura: Estadística Tema: 2. Probabilidad e inferencia estadística Inferencia. Índice Introducción Teoría de la probabilidad Experimentos aleatorios Probabilidad Variables aleatorias
Más detallesTema 7. Introducción Metodología del contraste de hipótesis Métodos no paramétricos
7-1 Tema 7 Contrastes de Hipótesis para una Muestra Introducción Metodología del contraste de hipótesis Métodos no paramétricos Test binomial Test de los signos Test de rango con signos de Wilcoxon Test
Más detallesFigura 1. Generación de variables aleatorias.
PRÁCTICA 3. Ingeniería Técnica Industrial (2º) - Mecánica. Profesores: Javier Faulín y Francisco Ballestín 1. Generación de variables aleatorias. El programa nos permite generar variables aleatorias especificando
Más detallesControl Estadístico de Procesos con Statgraphics Plus Gráficos de Control con Memoria
Control Estadístico de Procesos con Statgraphics Plus Gráficos de Control con Memoria 1 GRAFICOS DE CONTROL CUSUM Statgraphics permite dos tipos de gráficos de control CUSUM: con plantilla V y algorítmico
Más detallesPráctica 5 Prueba de Hipótesis
05/08/08 1 Práctica 5 Prueba de Hipótesis PROGRAMA: SPSS ARCHIVOS: Equinos.sav; Temp.xls, Cabras.xls, Car_boer.xls, Malinois.xls. Conocimientos previos: Conocer y utilizar la distribución normal estándar,
Más detallesIntroducción a pruebas de hipótesis
Introducción a pruebas de hipótesis ESTA 3042 (ESTA 3042) Tests of Significance 1 / 18 Testing de Hipótesis Hemos visto como estimar un parámetro de una población. (ESTA 3042) Tests of Significance 2 /
Más detallesANOVA (Análisis de varianza)
ANOVA (Análisis de varianza) Las pruebas de hipótesis son una herramienta útil cuando se trata de comparar dos tratamientos La experimentación usualmente requiere comparación de más de dos tratamientos
Más detallesEjemplo resistencias (primera parte)
Ejemplo resistencias (primera parte) Un proveedor de materiales de enseñanza entrega un conjunto de resistencias eléctricas y afirma que las resistencias de sus productos, medidos en Ohm, se distribuyen
Más detallesANÁLISIS ESTADÍSTICO PRUEBA DE HIPOTESIS
ANÁLISIS ESTADÍSTICO PRUEBA DE HIPOTESIS Jorge Fallas jfallas56@gmail.com 2010 1 Temario Datos experimentales y distribuciones de referencia Una media poblacional Hipótesis nula, alternativa y nivel de
Más detallesManual de bolsillo del MegaStat * * MegaStat es un complemento estadístico para el Excel elaborado por el profesor J. B. Orris de Butler University.
Manual de bolsillo del MegaStat * * MegaStat es un complemento estadístico para el Excel elaborado por el profesor J. B. Orris de Butler University. Estadísticas con MegaStat AgeCat Gender Seconds 1 2
Más detallesVentanas de SPSS 1 y resultados de los análisis estadísticos descriptivos
Ventanas de SPSS 1 y resultados de los análisis estadísticos descriptivos Al poner en funcionamiento el programado SPSS, aparecen dos ventanas una sobre la otra. La ventana que aparece en el fondo es la
Más detallesIntroducción a pruebas de hipótesis
Introducción a pruebas de hipótesis ESTA 3042 enero 2013 (ESTA 3042) Tests of Significance enero 2013 1 / 18 Testing de Hipótesis Hemos visto como estimar un parámetro de una población. Ahora pasamos a
Más detallesCAPÍTULO 7 INFERENCIA ESTADÍSTICA
CAPÍTULO 7 INFERENCIA ESTADÍSTICA La Inferencia Estadística comprende los métodos que son usados para obtener conclusiones de la población en base a una muestra tomada de ella. Incluye los métodos de estimación
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detalles(b) Entre qué valores se encontrará la verdadera media, µ, del tiempo que dura el viaje en tren de A a B, a un nivel de confianza al 95%?
LEC/LADE/LECD/LADED CURSO 2006/07 HOJA DE PROBLEMAS 4 CONTRASTES DE HIPÓTESIS Y DIAGNOSIS DEL MODELO 1.- El tiempo en minutos que dura un viaje en tren entre dos ciudades A y B, es una variable aleatoria
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Guía práctica #1 Determinar la Distribución de los datos de una Simulación Prof.: MSc. Julio Rito Vargas A. Grupo: Ingeniería Industrial
Más detallesEJERCICIOS DEL CAPITULO 4
EJERCICIO 3: EJERCICIOS DEL CAPITULO 4 En un problema similar al del ejercicio es necesario garantizar que la resistencia minima que tienen un envase de plástico en posición vertical sea de 20kg. Para
Más detallesPráctica 4 EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables
EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables Marco elementos atípicos: b) Obtener la recta de regresión y comprobar
Más detallesEstadística I Curso 2011/2012 Guion de la Práctica 3: Simulación de muestras y bondad de ajuste; Teorema Central del Límite; Intervalos de confianza.
Estadística I Curso 2011/2012 Guion de la Práctica 3: Simulación de muestras y bondad de ajuste; Teorema Central del Límite; Intervalos de confianza. En esta práctica veremos una introducción al empleo
Más detalles06/05/2015. Ángel Serrano Sánchez de León
06/05/2015 Ángel Serrano Sánchez de León 1 Índice Distribuciones muestrales Media Proporción Dibujando la normal estándar Entendiendo el nivel de confianza Estimación de intervalos de confianza (IC) Media
Más detallesEstadística I Solución Examen Final - 28 Mayo de 2009
Estadística I Examen Final - 28 Mayo de 2009 (1 (10 puntos A 16 estudiantes de Filosofía se les preguntó cuántas clases de esta asignatura habían perdido durante el cuatrimestre. Las respuestas obtenidas
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesCómo se hace la Prueba t a mano?
Cómo se hace la Prueba t a mano? Sujeto Grupo Grupo Grupo Grupo 33 089 74 5476 84 7056 75 565 3 94 8836 75 565 4 5 704 76 5776 5 4 6 76 5776 6 9 8 76 5776 7 4 78 6084 8 65 45 79 64 9 86 7396 80 6400 0
Más detallesComparación de poblaciones independientes con STATGRAPHICS -Intervalos de Confianza y Contrastes de Hipótesis-
Comparación de poblaciones independientes con STATGRAPHICS -Intervalos de Confianza y Contrastes de Hipótesis- 1. Introducción Ficheros de datos: longitudclavos.sf3 y reciennacidos.sf3 En las siguientes
Más detalles1. Contraste sobre una media. Intervalo de confianza para la media
UNIVERSIDAD DE MURCIA DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Estadística. I.T.I. Sistemas. Curso 2008-09 Prácticas con Minitab 15 Profesora: Dra. Josefa Marín Fernández Práctica 5: Inferencia
Más detallesIntervalos 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 detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES PAUTA DE CORRECCIÓN PRUEBA N 3 Profesor: Hugo S. Salinas. Segundo Semestre 200. Se investiga el diámetro
Más detallesCAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 1.- ESTIMACIÓN PUNTUAL DE LA MEDIA Y DE LA VARIANZA 2.- INTERVALO DE CONFIANZA PARA LA MEDIA
CAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 1.- ESTIMACIÓN PUNTUAL DE LA MEDIA Y DE LA VARIANZA 2.- INTERVALO DE CONFIANZA PARA LA MEDIA 3.- INTERVALO DE CONFIANZA PARA LA VARIANZA 4.- INTERVALO DE
Más detallesUNIVERSIDAD DE MANAGUA
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Guía práctica #1 Determinar la Distribución de los datos de una Simulación Prof.: MSc. Julio Rito Vargas A. Enero 013 Objetivos: Utilizar
Más detallesPrácticas de Fiabilidad
Prácticas de Fiabilidad Práctica : Objetivo: El objetivo de esta práctica es conocer y aprender a manejar las herramientas que nos van a permitir decidir si nuestros datos de supervivencia se comportan
Más detallesIntroducción a estadística
Introducción a estadística Diego Shalom Laboratorio 5 Abril 2016 Medición = Comparar Comparar a veces es fácil, pero no siempre. Estadística descriptiva: valor representativo y ancho de la distribución
Más detallesLEC/LADE/LECD/LADED CURSO 2006/07 HOJA DE PROBLEMAS 3 INTERVALOS DE CONFIANZA
LEC/LADE/LECD/LADED CURSO 2006/07 HOJA DE PROBLEMAS 3 INTERVALOS DE CONFIANZA 1.-Los dirigentes de una empresa agroalimentaria piensan que el éxito de venta de su producto en Andalucía es el mismo que
Más detallesEjemplos Resueltos Tema 4
Ejemplos Resueltos Tema 4 01 1. Intervalo de Confianza para la Media µ (con σ conocida Dada una muestra de tamaño n, para un nivel de confianza 1-α y la desviación típica de la población σ, el Intervalo
Más detallesModelos Lineales. Regresión Lineal Simple. Práctica 3. Vamos a analizar el problema de contraste de las hipótesis básicas de un modelo de regresión
Práctica 3 Vamos a analizar el problema de contraste de las hipótesis básicas de un modelo de regresión lineal simple. STATGRAPHICS proporciona algunos resultados en este sentido, pero resulta insuficiente.
Más detallesESTADÍSTICA 1º AMBIENTALES TERCERA PRÁCTICA: INTERVALOS DE CONFIANZA & CONTRASTES DE HIPÓTESIS (GUIADA & RESUELTA)
ESTADÍSTICA 1º AMBIENTALES TERCERA PRÁCTICA: INTERVALOS DE CONFIANZA & CONTRASTES DE HIPÓTESIS (GUIADA & RESUELTA) El objetivo de esta práctica es calcular Intervalos de Confianza (IC) y Contrastes de
Más detallesIntroducción. Teoría probabilidad Fenómenos y experimentos aleatorios. Sucesos y operaciones con sucesos (conjuntos) Concepto de probabilidad y
Grado en Ingeniería Asignatura: Estadística Tema: 2. Inferencia estadística Inferencia. Índice Introducción. Teoría probabilidad Fenómenos y experimentos aleatorios. Sucesos y operaciones con sucesos (conjuntos)
Más detallesPráctica 4 TEOREMA CENTRAL DEL LÍMITE
Práctica 4. Teorema Central del Límite 1 Práctica 4 TEOREMA CENTRAL DEL LÍMITE Objetivos: En esta práctica utilizaremos el paquete SPSS para ilustrar el Teorema Central del Límite. Además calcularemos
Más detalles(a) Calculate a point estimate of the mean pull-off force of all connectors in the population. State which estimator you used and why.
PROBLEMAS DE CLASE Problema 7.22 Data on pull-off force (pounds) for connectors used in an automobile engine application are as follows: 79.3, 75.1, 78.2, 74.1, 73.9, 75.0, 77.6, 77.3, 73.8, 74.6, 75.5,
Más detallesContraste de hipótesis con STATGRAPHICS
Contraste de hipótesis con STATGRAPHICS Ficheros empleados: Transistor.sf3, Estaturas.sf3 1. Introducción: Una forma habitual de hacer inferencia acerca de uno o más parámetros de una población consiste
Más detallesModelos Lineales. Regresión Lineal Múltiple. Práctica 5
Práctica 5 Vamos a analizar con STATGRAPHICS el problema de estimación, descomposición de la variabilidad, contraste de regresión, intervalos de confianza para los parámetros, y predicciones, sobre un
Más detallesESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL.
ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL. Un intervalo de confianza, para un parámetro poblacional θ, a un nivel de confianza 1 α 100 %, no es más que un intervalo L
Más detalles= 134, 5 Tercer cuartil: Q 3 = Pueden considerarse normales. =2 P 10 = 118 horas. f(x) =
SOLUCIONES AL EXAMEN DE MÉTODOS ESTADÍSTICOS 2 0 ITIE. 19 /01/2009 1. X = 132, 25 Mediana: M e = 134 + 135 2 = 134, 5 Tercer cuartil: Q 3 = 140 + 141 2 = 140, 5 11 288 12 11267 13 04566 14 0127 15 12 Pueden
Más detallesParte de las notas tomadas de: Prof. Edgar Acuña UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ
Estadística stica No Paramétrica Parte de las notas tomadas de: Prof. Edgar Acuña http://math.uprm math.uprm/edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ METODOS ESTADISTICOS
Más detallesEstadística I Solución Examen Final- 19 de junio de Nombre y Apellido:... Grupo:...
Estadística I Examen Final- 19 de junio de 2009 Nombre y Apellido:... Grupo:... (1) La siguiente tabla muestra las distribuciones de frecuencias absolutas de la variable altura (en metros) de n = 500 estudiantes
Más detallesEconometría I. Ejercicios de repaso de estadística
Poblaciones y parámetros Econometría I Ejercicios de repaso de estadística 1. Considera una variable aleatoria Z que solo puede tomar cinco valores, todos ellos con la misma probabilidad: Z = {Z 1,, Z
Más detallesInferencia estadística en la EBAU de Murcia INFERENCIA ESTADÍSTICA EN LA EBAU DE MURCIA
INFERENCIA ESTADÍSTICA EN LA EBAU DE MURCIA 1. (Septiembre 2017) El consumo de carne por persona en un año para una población es una variable aleatoria con distribución normal con desviación típica igual
Más detallesTests de Hipótesis basados en dos muestras. ESTADÍSTICA (Q)
139 Retomemos el ejemplo (págs. 13-134) en el que interesa decidir si un espectrofotómetro está calibrado y se obtienen 5 determinaciones de un gas estándar cuya concentración de CO es de 70 ppm (datos:
Más detallesDistribuciones de Probabilidad.
Práctica núm. 3 1 Distribuciones de Probabilidad. 3.1. Distribuciones de Probabilidad en Statgraphics El estudio de las distribuciones de probabilidad en Statgraphics se puede realizar en el menú Descripción/Distribuciones/Distribuciones
Más detallesESTADÍSTICA II UNIDAD I: ESTIMACIÓN DE PARÁMETROS 3RA PARTE (CLASE 20/09)
ESTADÍSTICA II UNIDAD I: ESTIMACIÓN DE PARÁMETROS 3RA PARTE (CLASE 20/09) Estimación de una media de población: σ conocida Requisitos 1. La muestra es aleatoria simple. (Todas las muestras del mismo tamaño
Más detallesTeoría de muestras. Distribución de variables aleatorias en el muestreo. 1. Distribución de medias muestrales
Teoría de muestras Distribución de variables aleatorias en el muestreo 1. Distribución de medias muestrales Dada una variable estadística observada en una población, se puede calcular se media y su desviación
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesEJERCICIOS RESUELTOS
CAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 10.1.- Generar 100 muestras de tamaño 200 de una variable aleatoria N(0,1). Calcular los correspondientes intervalos de confianza para la media al nivel
Más detallesPráctica de Control Estadístico de Procesos Control por Variables
Práctica de Control Estadístico de Procesos Control por Variables Fichero de datos: Sensorpresion.sf3 1. Los datos Un sensor de presión ha de trabajar en condiciones de alta temperatura. Para controlar
Más detallesAnálisis de la Capacidad o Aptitud de un proceso ( Capítulo 8 ) Control Estadístico de Calidad
Análisis de la Capacidad o Aptitud de un proceso ( Capítulo 8 ) Control Estadístico de Calidad Introducción Cuantificar la variabilidad de un proceso. Analizar esta variabilidad en relación con los requisitos
Más detallesMétodos Estadísticos de la Ingeniería Tema 11: Contrastes de Hipótesis Grupo B
Métodos Estadísticos de la Ingeniería Tema 11: Contrastes de Hipótesis Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Abril 2010 Contenidos...............................................................
Más detallesPROBLEMAS DE ESTIMACIÓN PUNTUAL Y POR INTERVALOS
Estadística 1 PROBLEMAS DE ESTIMACIÓN PUNTUAL Y POR INTERVALOS 1. Obtener un estimador insesgado para p en una m.a.s. de tamaño n de una distribución binomial B(m,p) con m conocido y calcular su error
Más detallesTeorema Central del Límite
Teorema Central del Límite TCL: indica que, en condiciones muy generales, la distribución de la suma de v.a. tiende a una distribución normal cuando la cantidad de variables es muy grande. 156 Sea X 1,
Más detallesGUÍA DE STATGRAPHICS 5.1
UNIVERSIDAD POLITÉCNICA DE MADRID ESCUELA UNIVERSITARIA DE ARQUITECTURA TÉCNICA DEPARTAMENTO DE MATEMÁTICA APLICADA A LA ARQUITECTURA TÉCNICA GUÍA DE STATGRAPHICS 5.1 (Versión castellana) GUÍA DE STATGRAPHICS
Más detallesMÉTODO BOOTSTRAP PROPUESTO PARA HIPÓTESIS CONCERNIENTES A LA DIFERENCIA DE MEDIAS EN VARIABLES INDEPENDIENTES.
MÉTODO BOOTSTRAP PROPUESTO PARA HIPÓTESIS CONCERNIENTES A LA DIFERENCIA DE MEDIAS EN VARIABLES INDEPENDIENTES. Antonio Meneses-Freire 1, Lourdes Zuñiga-Lema, Arquimides Haro 1 Universidad Nacional de Chimborazo
Más detallesDEPARTAMENTO DE CIENCIAS BASICAS AREA DE ESTADISTICA
DEPARTAMENTO DE CIENCIAS BASICAS AREA DE ESTADISTICA PRACTICA EI-3 ANALISIS DE VARIANZA Y REGRESION ESTADISTICA INFERENCIAL Objetivo: Que el alumno conozca y comprenda el manejo de un paquete estadístico
Más detallesObjetivo: Que el alumno conozca y aprenda a usar algunos de los métodos no paramétricos mas importantes.
DEPARTAMENTO DE CIENCIAS BASICAS AREA DE ESTADISTICA DISEÑO DE EXPERIMENTOS PRACTICA DE-3 ESTADISTICA NO PARAMETRICA Objetivo: Que el alumno conozca y aprenda a usar algunos de los métodos no paramétricos
Más detallesBioestadística: Inferencia Estadística. Análisis de Una Muestra
Bioestadística: Inferencia Estadística. Análisis de Una Muestra M. González Departamento de Matemáticas. Universidad de Extremadura Estimación Puntual e Intervalos de Confianza Planteamiento del Problema
Más detallesR E S O L U C I Ó N. a) La distribución de las medias muestrales es: N µ, = N 17 '4, = Como el nivel de confianza es del 95%, podemos calcular.
En una muestra aleatoria de 56 individuos se ha obtenido una edad media de 17 4 años. Se sabe que la desviación típica de la población normal de la que procede esa muestra es de años. a) Obtenga un intervalo
Más detallesPROBABILIDAD Y ESTADÍSTICA ININ4010 Prof. DAVID GONZÁLEZ BARRETO SOLUCIÓN ASIGNACIÓN 6
PROBABILIDAD Y ESTADÍSTICA ININ4 Prof. DAVID GONZÁLEZ BARRETO SOLUCIÓN ASIGNACIÓN 6. Con base en probabilidades de la distribución normal a, 2 y 3 desviaciones, determine para una variable con μ = 5 y
Más detalles11.5. Septiembre Opción A
.5. Septiembre 200 - Opción A Problema.5. (3 puntos) Se considera el siguiente sistema lineal de ecuaciones dependiente de un parámetro real a: 2 x + 3 2 4 a ( y z a) Discútase el sistema para los diferentes
Más detallesPRÁCTICA 6: CONTASTE DE HIPÓTESIS
PRÁCTICA 6: CONTASTE DE HIPÓTESIS Los contenidos están organizados para que pueda avanzar a la vez que hacer los ejercicios propuestos en la práctica 5 del cuadernillo de prácticas. Asegúrate de entender
Más detallesESTADÍSTICA I Tema 4: Estimación por intervalos de confianza
ESTADÍSTICA I Tema 4: Estimación por intervalos de confianza El concepto de intervalo de confianza (IC) IC aproximados basados en el TCL: intervalos para una proporción Determinación del mínimo tamaño
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Más detallesAnálisis Estadísticos con R
Análisis Estadísticos con R Ibon Martínez http://fdesnedecor.wordpress.com/ µ ¹ ½ http://fdesnedecor.wordpress.com/, Agosto 2011 p. 1/22 Los datos Vamos a plantear una serie de análisis estadísticos con
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesR E S O L U C I Ó N. σ σ a) El intervalo de confianza de la media poblacional viene dado por: IC.. μ zα
Un estudio realizado sobre 100 usuarios revela que un automóvil recorre anualmente un promedio de 15.00 Km con una desviación típica de.50 Km. a) Determine un intervalo de confianza, al 99%, para la cantidad
Más detallesAnálisis comparativo, seguimiento y control de dos modelos de Policultivo de Bocachico (Prochilodus magdalenae) - Tilapia Roja (Oreochromis spp),
Análisis comparativo, seguimiento y control de dos modelos de Policultivo de Bocachico (Prochilodus magdalenae) - Tilapia Roja (Oreochromis spp), apoyado en la aplicación de las TIC, en los departamentos
Más detallesEsquema Matemáticas CCSS
Esquema Matemáticas CCSS 4. Inferencia Conocer el vocabulario básico de la Inferencia Estadística: población, individuos, muestra, tamaño de la población, tamaño de la muestra, muestreo aleatorio. Conocer
Más detallesESTADÍSTICA Y PROBABILIDAD
(distribución normal) 1 1.- Calcular las probabilidades de los siguientes intervalos, empleando para ello las tablas de la distribución de probabilidad normal estándar N(0, 1): (1) P(z 2 14) (2) P(z 0
Más detallesNombre: Solución: a) N(
1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media µ = 100 meses y desviación típica σ = 12 meses. Determínese el mínimo tamaño
Más detalles