PRÁCTICA 2. DISTRIBUCIONES DE PROBABILIDAD OBJETIVOS:
|
|
- Luis Zúñiga Rico
- hace 5 años
- Vistas:
Transcripción
1 PRÁCTICA 2. DISTRIBUCIONES DE PROBABILIDAD OBJETIVOS: Cálculo de probabilidades y percentiles con diferentes modelos. Comprobación de aproximaciones estudiadas entre distribuciones. Simulación de datos de diferentes modelos probabilísticos. Ajuste gráfico de modelos a una muestra. Manipulación de datos por filas. Ilustración de la L.G.N y del T.C.L. Recordatorio de las herramientas del análisis descriptivo univariante. Datos a utilizar, en los ficheros: Cardata.sgd, Municipios.sgd y robles.sgd. Práctica 2 vgaribay 1.- CÁLCULO DE PROBABILIDADES Calcular probabilidades y percentiles, y realizar la gráfica de la función de densidad o de la función de probabilidad con las distribuciones estudiadas. Camino1: Plot / Probability Distributions o Camino2: Describe /Distribution Fitting / Probability Distributions eligiendo inicialmente la distribución normal estándar: Normal (0,1) Abrir todos los análisis numéricos y los dos primeros análisis gráficos 1.1 Calcular P(N(0,1)<z), z=-3, -2, -1, 0, 1, 2, 3 Ventana Cumulative Distribution / Botón secundario / Pane Options y 1
2 1.2 Calcular los percentiles 0,5; 2,5; 5; 10; 90; 95; 97,5; 99,5 Ventana Inverse CDF / Botón secundario / Pane Options 1.3 Comparar cinco v.a. N(,0.5) y otras cinco N(20, ), variando y. Ventana Probaility Distributions / Botón secundario / Analysis Options y 1.4 Calcular probabilidades y percentiles con la distribución binomial b(20,0.4). Barra de Herramientas / Botón Analisis, marco la distribución Binomial Ventana Probaility Distributions / Botón secundario / Analysis Options p=0.4 n=20 2
3 Pane Options en Ventana Cumulative Distribution (probs. acumuladas) e Inverse CDF (percentiles) 1.5 Calcular probabilidades y percentiles con la dist. exponencial con media 2. Barra de Herramientas / Botón Analisis, marco la distribución Exponencial Ventana Probaility Distributions / Botón secundario / Analysis Options media=2 Pane Options en Ventana Cumulative Distribution (probs. acumuladas) e Inverse CDF (percentiles) 3
4 2.- COMPROBACIÓN DE APROXIMACIONES Mediante este ejercicio se pretende verificar con algunos ejemplos las aproximaciones entre distribuciones que hemos estudiado en clase: Binomial-Normal, Binomial-Poisson y Poisson-Normal. Para ello dibujamos las probabilidades o densidades de algunas de estas distribuciones mediante el menú: Describe / Distribution Fitting / Probability Distributions... Llevamos los gráficos a StatGallery para comprobar la bondad de las aproximaciones. Copy pane to Statgallery. Al pegar el segundo o tercer gráfico elegimos Overlay. Conviene hacer una selección adecuada del intervalo de valores en el eje X en los gráficos (Graphic options) para ver las cosas mejor. También calcularemos las probabilidades de algunos sucesos y valoraremos la bondad de la aproximación así como el interés de la corrección por continuidad Aproximación binomial-normal válida: b(n,p) ~ N(np,(npq) 1/2 ), npq> Dibujar b(100;0,5) y N(50;5) superpuestas. Plot / Probability Distributions + Binomial p=0.5 n=100 Ventana Densidad- Mass Function > Botón secundario > Copy Pane to StatGallery Ventana StatGallery > Botón Secundario > Paste Barra de Herramientas / Botón Analisis, marco la distribución Normal o bien, nuevo Plot / Probability Distributions Normal Parámetros Mean=50 Std.Dev=5 4
5 Ventana Densidad- Mass Function > Botón secundario > Copy Pane to StatGallery Ventana StatGallery > Botón Secundario > Paste + Replace Calcular P(X<60) con la binomial 100 0,5 Ventana Cumulative Distribution > Botón Secundario > Pane Options + 60 p(x<60)= 0, (solución exacta) y p(x<60) y P(X<59,5) con la normal. Análisis: Descripción de la N(0,1) / Ventana Cumulative Distribution > Botón Secundario > Pane Options + 60 p(x<60)= 0,97725 (aprox. N sin corrección) Ventana Cumulative Distribution > Botón Secundario > Pane Options p(x<60)= 0, (aprox. N con corrección) 5
6 2.2- Aproximación binomial-normal no válida: npq<5. Práctica 2 vgaribay Dibujar b(300;0,01) y N(3;1,7234) superpuestas. Cambiar los parámetros de la Binomial y la Normal, repitiendo los pasos del apartado anterior Ventana Prob. Distributions > Botón Secundario > Analysis Options nuevos parámetros En las descripciones Binomial y Normal Calcular P(X<4) con la binomial y P(X<4) y P(X<3,5) con la normal. Ventana Cumulative Distribution > Botón Secundario > Pane Options + 4 p(x<4)= 0, (solución exacta) y ahora p(x<4) y P(X<3,5) con la normal. Análisis: Descripción de la N(0,1) / Ventana Cumulative Distribution > Botón Secundario > Pane Options + 4 p(x<4)= 0, (aprox. N sin corrección) Ventana Cumulative Distribution > Botón Secundario > Pane Options p(x<4)= 0, (aprox. N con corrección) 6
7 2.3- Aproximación binomial-poisson válida b(n,p) ~ P(np), p<0,1 y 1<np< Dibujar superpuestas b(300;0,01), N(3;1,7234) y P (3). Plot / Probability Distributions Normal 3 1,7234 gráfico densidad a StatGallery Plot / Probability Distributions Binomial 0, gráfico probs. a StatGallery Overlay Plot / Probability Distributions Poisson 3 gráfico probs. a StatGallery Overlay Calcular P(X<4) con la binomial y con la Poisson. En el Análisis Plot Poisson Ventana Cumulative Distribution > Botón Secundario > Pane Options + 4 p(x<4)= 0, (aprox. Poisson) (Casi perfecta) 7
8 2.4- Aproximación Poisson-normal válida: P ( ) ~ N(, 1/2 ), >5. Práctica 2 vgaribay Dibujar P (9) y N(9;3) superpuestas. Plot / Probability Distributions Normal 9 3 gráfico densidad a StatGallery Plot / Probability Distributions Poisson 3 gráfico probs. a StatGallery Overlay Calcular P(X<10) con la Poisson y P(X<10) y P(X<9,5) con la normal. Poisson / Ventana Cumulative Distribution > Botón Secundario > Pane Options + 10 p(x<10)= 0, (valor exacto) Normal / Ventana Cumulative Distribution > Botón Secundario > Pane Options + 10 p(x<10)= 0, (aprox. Noram sin corrección) Normal / Ventana Cumulative Distribution > Botón Secundario > Pane Options + 9,5 p(x<9,5)= 0, (aprox. Noram sin corrección) 8
9 3.- SIMULACIÓN DE DATOS ASOCIADOS A DISTRIBUCIONES Generar o simular una muestra aleatoria de un modelo. 3.1 Genera tres muestras de tamaño 500 de la distribución N(3; 1). Práctica 2 vgaribay Dos alternativas: forma 1- Generate Data con operadores (en tabla de datos) (sólo algunas distribuciones) REXPONENTIAL(n,mean) RGAMMA(n,shape,scale) RINTEGER(n,min,max) RLOGNORMAL(n,mu,sigma) RNORMAL(n,mu,sigma) RUNIFORM(n,min,max) RWEIBULL(n,shape,scale) Datos / selecciono columna / Botón secundario en cabecera / Generate Data RNORMAL(500;3;1) Repito en Columnas 2 y 3 forma 2- Describe / Distribution Fitting / Probability Distributions ( o Plot / Probability Distributions) Normal (3,1) Marcar opción Random Numbers Ventana Random Numbres / Botón Secundario / Pane Options poner n=500 (100 por defercto) Barra Herramientas / Botón Disquete seleccionar destino en la hoja y nombre de la nueva variable Repetir dos veces Save (botón Disquete) hasta crerar 3 columnas (con 500 observaciones cada una) 9
10 3.2 Generar dos muestras de tamaño 500 de la distribución U(0; 1). forma 1- Repetir el proceso de 3.1 pero cambiando RNORMAL(500;3;1) por RUNIFORM(500;0;1) forma 2- Repetir el proceso de 3.1 pero seleccionando Uniform (01) en lugar de Normal (3,1) ( o Herramientas / Botón Analisis Uniform), 3.3 Generar 200 números aleatorios de la distribución de Poisson (2). forma 2- Repetir el proceso de 3.1 pero seleccionando Poisson (2) en lugar de Normal (3,1) Herramientas / Botón Analisis Poisson, + Botón Parametros 2 Ventana Random Numbers / Botón secundario / Size= Botón Save 3 veces 10
11 3.4 Realizar un análisis estadístico descriptivo de las muestras anteriores comprobando visualmente el parecido del histograma con el modelo. Describe / Numeric data / One Variable Analysis normal1 Plot / Probability Distributions Normal (3,1) Superpuestos los listogramas acumulados: Teórico y Muestral 11
12 4.- AJUSTE GRÁFICO Describe / Distribution Fitting / Fitting Uncensored Data Práctica 2 vgaribay 4.1 Ajustar las variables anteriores por modelos correctos e incorrectos. Muestra1 Normal (3,1) 12
13 Muestra1 Unifrome (0,1) Práctica 2 vgaribay Muestra1 Poisson (2) 13
14 4.2 Hacer la transformación 2X+3 a la muestra de la N(3; 1) y comprobar la normalidad. Datos / Nueva Columna / Doble Click en cabecera / Formula Define 2*normal Hacer la transformación X 2 a la muestra de la N(3;1) y comprobar que no se ajusta a la normal. Datos / Nueva Columna / Doble Click en cabecera / Formula Define normal1^2 P-Value=0, Combinar linealmente las tres variables normales y comprobar el ajuste a la normalidad. Datos / Nueva Columna / Doble Click en cabecera / Formula Define 3* normal1-2,5*normal2+1,5*normal3 P-Value=0,
15 4.5 Sumar las dos variables uniformes y ver que no se ajustan a un modelo uniforme. Datos / Nueva Columna / Doble Click en cabecera / Formula Define uni1+uni2 P-Value= 4.6 Comprobar qué distribución ajusta gráficamente mejor las variables mpg y accel del fichero Cardata.sgd. Doble click sobre él para abrit con Statgraphics Describe / Distribution Fitting / Fitting Uncensored Data mpg Selecciono ajustes a varias distribuciones: Normal, Uniforme, Exponencial, Log-Normal con Quantile Plot en el menú de Gráficos 15
16 Describe / Distribution Fitting / Fitting Uncensored Data accel 5.- CONVERGENCIA DE LA MEDIA MUESTRAL Comprobar el cumplimiento de la Ley Fuerte de los Grandes Números: la media muestral converge a la media poblacional. 5.1 Generar 500 datos de una exponencial de media 2 Seleccionar la columna / Generate Data / rexponential(?;?) o Plot / Prob. Distributions exponential(2) Ventana Random Numbers / Botón Secundario / Pane Options Size=500 Botón Diskete guardo las 500 observaciones independientes de la exponencial(2) 16
17 5.2 En la siguiente columna generar una variable contador Seleccionar la columna / Generate Data / count(?;?;?) o bien Data Book / Seleccionar Col_2 / Doble Click en cabecera / Formula / Define / COUNT(1;500;1) 5.3 Crear una columna donde cada celda i guarde el valor resultado de sumar las celdas 1 hasta i de la variable exponencial creada Data Book / Seleccionar la columna3 / Botón secundario/generate Data / runtot(?) 5.4 Dividir la última columna por la columna contador. Data Book /Seleccionar Col_4 /Doble Click en cabecera /Formula/Define/ exp2_acumulada/contador 17
18 5.5 Plot de la última columna y ver la convergencia a la media muestral a la teórica (2): Plot /Scatterplots / X-Y Plot, x=contador Y= Media_Muestral_i o bien Plot /Time Sequencie Plots /X Plot media_muestral_i 18
19 6.- CONVERGENCIA A LA DISTRIBUCIÓN NORMAL Práctica 2 vgaribay Comprobar el cumplimiento del Teorema Central del Límite: la distribución de la suma y de la media muestral convergen a la distribución normal. 6.1 Generar una a una 10 columnas con 500 datos de una distribución de U(0,1) Seleccionar la columna / Generate Data / runiform(?;?) o Seleccionar la columna / Generate Data / runiform (?;?) o Plot / Prob. Distributions Uniform(0,1) Ventana Random Numbers / Botón Secundario / Pane Options Size=500 Botón Diskete guardo las 500 observaciones independientes de la Uniform(0,1) Repetir hasta 10 veces poniendo nombre a cada columna: uniform1, uniform2 hasta uniform Describir una de las columnas y ajustarla al modelo uniforme. Describe / Distribution Fitting / Fitting Uncensored Data uniform1 ajuste Uniforme 19
20 6.3 Generar columnas con las sumas de las 2, 5, 10 primeras columnas. Describe / Numeric Data / Rowwise Statistics (disquete suma)). Columnas 1 y 2 Repetir para suma de las columnas 1 a 5 y finalmente, calculo y guardo las 500 medias de las columnas 1 a 10 20
21 6.4 Hacer un ajuste a un modelo normal de la primera columna y de las sumas creadas. Describe / Distribution Fitting / Fitting Uncensored Data uniform1 ajuste Normal Analisis Uniform1 Ventana Histograma / Copy to StataGallery / Paste Ajuste de la variable Media2 a la Normal Botón Analisis / variable Media2 Ajuste de la variable Media5 a la Normal Botón Analisis / variable Media5 21
22 Ajuste de la variable Media10 a la Normal Botón Analisis / variable Media Pegar los cuatro histogramas ajustados en los paneles de StatGallery. Hemos reunido los histogramas de cada análisis en StatGallery mediante Analisis Uniform1 Ventana Histograma / Copy to StataGallery / Paste Analisis Media2 Ventana Histograma / Copy to StataGallery / Paste Analisis Media5 Ventana Histograma / Copy to StataGallery / Paste Analisis Media10 Ventana Histograma / Copy to StataGallery / Paste 22
23 6.6 Comprobar que la media y la varianza muestrales de las sumas se parecen a los valores poblacionales conocidos n y n 1/2 siendo Calculamos las sumas -por ejemplo- a partir de las medias, multiplicando en cada caso por el número de observaciones promediadas (2, 5 o 10). Aparecen así 3 nuevas columnas: suma2, suma5 y suma10 Data Book / Col_4 doble click / Formula / Define 2* media2 ; 5*media5 ; 10*media10 suma2 suma5 suma10 Describe / Numeric Data / One-Variable Analiysis suma2 n=2 n = 2*0,5=2 y n 1/2 =(1/raíz(12)) raíz(2)= 0,408 Describe / Numeric Data / One-Variable Analiysis o Botón Analisis suma5 suma5 23
24 n=5 n = 2*0,5=2,5 y n 1/2 =(1/raíz(12)) raíz(5)= 0,645 Describe / Numeric Data / One-Variable Analiysis o Botón Analisis suma10 suma10 n=10 n = 10*0,5=5 y n 1/2 =(1/raíz(12)) raíz(10)= 0, Repetir el ejercicio con promedios en lugar de sumas. Notar que ahora se tiene Describe / Numeric Data / One-Variable Analiysis o Botón Analisis media2 media2 n=2 = 0,5 y n 1/2 =(1/raíz(12))/ raíz(2)= 0,204 Describe / Numeric Data / One-Variable Analiysis o Botón Analisis media5 media5 n=5 = 0,5 y n 1/2 =(1/raíz(12))/ raíz(5)= 0,129 Describe / Numeric Data / One-Variable Analiysis o Botón Analisis media10 media10 n=10 = 0,5 y n 1/2 =(1/raíz(12))/ raíz(10)= 0,091 24
25 EJERCICIOS Ejercicio 2.1: Sea X es una variable aleatoria N(10,3). a) Halla la gráfica de su función de densidad. b) Calcula la probabilidad P(X<9.5). c) Halla el percentil 97.5%. Ejercicio 2.2: Sea X una variable aleatoria que sigue una distribución exponencial de media 17. a) Calcular la probabilidad P(X>25). b) Hallar x tal que P(X<x) = 0.3 Ejercicio 2.3: Se sabe que la densidad X de ciertos ladrillos cuando se hornean a 125ºC es una variable aleatoria normal con media 3.85 gr/cm3 y desviación típica 0.05 gr/cm3. Si los límites de tolerancia son (3.75 gr/cm3, 4.00 gr/cm3), hallar el porcentaje de ladrillos que se salen de dicho intervalo. Ejercicio 2.4: La tasa de artículos defectuosos producidos por una cadena de producción es del 2%. Hallar la probabilidad de que en una muestra de 500 artículos extraídos al azar e independientemente haya más de 20 defectuosos. Ejercicio 2.5: En cierta factoría de montaje en serie se estima que el 30% de los días de trabajo se produce algún paro parcial por averías menores y se supone que hay independencia entre lo que ocurre en días distintos. Cada vez que se acumulan tres días con paros parciales, la empresa decide hacer un paro total para poner a punto el sistema. Obtener la probabilidad de que transcurran más de 10 días sin producirse un paro total. Ejercicio 2.6: Las llamadas que llegan a cierta centralita telefónica en determinado periodo de tiempo siguen un Proceso de Poisson de tasa 180 llamadas a la hora. La capacidad de la central telefónica permite atender un máximo de 5 llamadas por minuto. Calcular: a) La probabilidad de que en un minuto determinado se reciban más llamadas de las que se pueden atender. b) La probabilidad de que en un intervalo de 5 minutos se produzcan más de 10 llamadas. Ejercicio 2.7: a) Buscar la distribución que mejor se ajusta gráficamente a la variable Poblacion del fichero de datos Municipios.sgd entre la Gamma, la Normal y la Uniforme, y escribe a continuación el valor del/los parámetro/s. b) Con los datos de robles.sgd, buscar la distribución que mejor se ajusta gráficamente a la variable X=(10*Fosforo-Calcio)^2 entre la Normal, la Lognormal, la Uniforme y la Binomial. Usando la distribución elegida, halla el valor de x tal que 25
26 P(X>x)=0.2. ESTADÍSTICA 1er Curso c) Con los datos de robles.sgd, buscar la distribución que mejor se ajusta gráficamente a la variable X=Zinc/Manganeso entre la Poisson, la Gamma, la Exponencial y la Normal. Usando la distribución elegida, halla P(X 1). Ejercicio 2.8: Comprobar la convergencia de la media con las distribuciones Uniforme Discreta en {0,1,,10}, B(1/6) y N(10,5). Observar que en el segundo caso la media es una proporción. Ejercicio 2.9: Comprobar el Teorema Central del Límite con datos procedentes de las distribuciones: U(0,3), (3,1.5) y g(0.1). Tener en cuenta que para el programa la variable con distribución geométrica representa el nº de ensayos antes del primer éxito. Sucede lo mismo con la Pascal. Ejercicio 2.10: Simular 200 datos de 5 variables con distribución B(0.6) y comprobar que su suma es Binomial. Ídem con las distribuciones Normal, Geométrica y Exponencial. A qué distribución se ajusta la suma en cada caso? Ejercicio 2.11: a) Calcular de forma teórica la probabilidad de obtener 3 doses en 5 tiradas. b) Calcula la misma probabilidad simulando 300 datos binomiales, contando los casos correspondientes a 3 doses y hallando la proporción sobre los 300. (Operadores select y sum, o bien frecuencia relativa de la categoría correspondiente). Ejercicio 2.12: Se pretende obtener la distribución del mayor resultado al lanzar 4 veces un dado legal. Generar 4 columnas de datos resultados de lanzar cuatro dados 100 veces (usar la distribución Uniforme Discreta entre 1 y 6 o bien el operador Rinteger(100;1;6)). En la siguiente columna considerar el estadístico máximo de los cuatro resultados de cada fila (Describir / Datos Numéricos / Estadísticas por Filas). Representarla gráficamente y observar la calidad del ajuste a diferentes distribuciones. Repetir el proceso anterior con el mínimo y la mediana. 26
Práctica 3 vgaribay PRÁCTICA 3. INTERVALOS DE CONFIANZA
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
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 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 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 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 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 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 detallesEstadística I Guión de la Práctica 2 Probabilidad y modelos probabilísticos; Introducción a la inferencia estadística
Estadística I Guión de la Práctica Probabilidad y modelos probabilísticos; Introducción a la inferencia estadística 1. Simulación de las variables aleatorias En Excel podemos simular valores de variables
Más detalles1. Muestras aleatorias de las distribuciones usuales
UNIVERSIDAD DE MURCIA DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Estadística. I.T.I. Sistemas. Curso 2006-07 Prácticas con Minitab 14 Profesora: Dra. Josefa Marín Fernández Práctica 3: Probabilidad.
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 detallesModelos de Probabilidad con Statgraphics
Modelos de Probabilidad con Statgraphics 1. Objetivos Representar funciones de probabilidad/densidad y de distribución de diferentes modelos de variables aleatorias discretas/continuas Calcular probabilidades
Más detallesPráctica 4: Variables Aleatorias y Simulación
Práctica 4: Variables Aleatorias y Simulación Objetivos específicos Al finalizar esta práctica deberás ser capaz de: Calcular las funciones de probabilidad y distribución de las variables discretas Bernoulli,
Más 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 detallesTema 4: Modelos probabilísticos
Tema 4: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más detallesTema 5: Modelos probabilísticos
Tema 5: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
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 detallesTema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:
Tema 4: Variables aleatorias Tema 4: Variables Aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno
Más detallesPráctica de variables aleatorias (modelos)
Grados en Ingeniería en Tecnologías Industriales, Ingeniería Eléctrica, Ingeniería en Electrónica Industrial y Automática e Ingeniería Mecánica Práctica de variables aleatorias (modelos) 1. OBJETIVOS En
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesStatgraphics 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 detallesPRÁCTICAS DE ESTADÍSTICA CON R
PRÁCTICAS DE ESTADÍSTICA CON R PRÁCTICA 3: DISTRIBUCIONES DE PROBABILIDAD DISCRETAS Y CONTINUAS 3.1 Distribuciones discretas Las principales ideas que vamos a ir desarrollando a lo largo de la primera
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 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 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 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 detallesEstadística I Examen extraordinario, 25 de Junio Grados en ADE, DER-ADE, ADE-INF, FICO, ECO, ECO-DER.
Estadística I Examen extraordinario, 25 de Junio 2013. Grados en ADE, DER-ADE, ADE-INF, FICO, ECO, ECO-DER. REGLAS DEL EXAMEN: 1) Usar cuadernillos diferentes para cada problema. 2) Hacer los cálculos
Más detallesTEMA 3.- MODELOS DISCRETOS
TEMA 3.- MODELOS DISCRETOS 3.1. Introducción. 3.2. Distribución uniforme discreta de parámetro n. 3.3.Distribución Bernoulli de parámetro p. 3.4.Distribución Binomial de parámetros n y p. Notación: X Bn,
Más detalles1º BCNySyT Distribuciones binomial y normal Excel
1º BCNySyT - 14. Distribuciones binomial y normal Excel PASO A PASO 1. Calcula los parámetros de la variable aleatoria número de hijas y haz el diagrama de barras de frecuencias relativas. Número de hijas:
Más detallesDistribuciones de probabilidad con R Commander
Distribuciones de probabilidad con R Commander En el menú Distribuciones podemos seleccionar Distribuciones discretas Distribuciones continuas Las distribuciones discretas que aparecen en R Commander son
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más detallesDistribuciones habituales
Distribuciones habituales Tema 5 Eponencial Ignacio Cascos Depto. Estadística, Univerdad Carlos III 1 Ignacio Cascos Depto. Estadística, Univerdad Carlos III 2 Objetivos Adquirir soltura con el manejo
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesDistribuciones de probabilidad
Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E un número real: X: E Ejemplo: Consideremos el experimento
Más detallesElementos de probabilidad e inferencia estadística en el seguro
Elementos de probabilidad e inferencia estadística en el seguro Instructor: Act. Erick Mier Moreno. Director general y profesor de AMAT- Applied Mathematics and Actuary Training. Profesor de asignatura
Más detallesa) La probabilidad de que haya exactamente dos zurdos. b) P(x 2) c) P(x < 2) d) P(1 x 4)
Probabilidad Binomial 1.- Supóngase que el 24 por ciento de cierta población tiene sangre tipo B. A partir de una muestra de 20 individuos extraída esa población, calcular la probabilidad: p = 0.24 n =
Más detallesEstadística aplicada al Periodismo
Estadística aplicada al Periodismo Temario de la asignatura Introducción. Análisis de datos univariantes. Análisis de datos bivariantes. Series temporales y números índice. Probabilidad y Modelos probabilísticos.
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Primer Semestre. EstadísTICa Curso Primero Graduado en Geomática y Topografía Escuela Técnica Superior de Ingenieros en Topografía, Geodesia y Cartografía. Universidad Politécnica
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Guía práctica #1 Pruebas de Bondad de Ajuste con Stat::Fit de Promodel Prof.: Ing. Julio Rito Vargas A. Grupo: Ingenierías/IC-2018 Objetivos:
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesobservar que la distribución colapsa y que las medias calculadas usando 1000 iteraciones están muy próximas a 0.
EJERCICIOS BLOQUE I Ejercicio 1.- Para cada una de las distribuciones comentadas realizar un gráfico ilustrativo de la PDF y la CDF. Elije valores comunes para los parámetros que definen a cada distribución:
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesTema 6: Modelos probabilísticos
Tema 6: Modelos probabilísticos 1. Variables aleatorias: a) Concepto. b) Variables discretas y continuas. c) Función de probabilidad (densidad) y función de distribución. d) Media y varianza de una variable
Más detallesTema 4: VECTORES ALEATORIOS
Tema 4: VECTOES ALEATOIOS 1 Concepto de variable aleatoria bidimensional Sea Ω el espacio muestral de un experimento aleatorio. Definimos variable aleatoria bidimensional, como una aplicación ( ):Ω tal
Más detallesEstadística. 2 o examen parcial
Apellidos: Nombre: Computadores Software Estadística. 2 o examen parcial. 14-11-2013 Test (20 % de la nota del examen) Tiempo para esta parte del examen: 1 hora y 10 minutos. El test y la teoría se recogerán
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #3 Tema: Distribución Discreta Prof.: MSc. Julio Rito Vargas A. Grupo:CCEE y ADMVA /2016 Objetivos: Definir la función de probabilidad
Más detallesSimulación. La mayoría de los procesos de simulación tiene la misma estructura básica:
Simulación La mayoría de los procesos de simulación tiene la misma estructura básica: 1 Indentificar una variable de interés y escribir un programa para simular dichos valores Generar una muestra independiente
Más detallesLongitud = Calcular la media, la mediana, la moda y la desviación estándar de la muestra en Matlab.
LABORATORIO 1 LABORATORIO INFORMÁTICO Un fabricante de hormigón preparado tiene su proceso de producción bajo control. Está interesado en conocer cuál es la distribución de los valores de la resistencia
Más detallesApellido y Nombres: Fecha: Carrera: Calificación 1ª Parte: Legajo: Calificación 2ª Parte: DNI: Calificación Definitiva:
Cátedra: Probabilidad y Estadística Apellido y Nombres: Fecha: Carrera: Calificación 1ª Parte: Legajo: Calificación 2ª Parte: DNI: Calificación Definitiva: Atención! Para aprobar el examen se debe alcanzar
Más detallesPROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA
UNIDAD 1 PROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA Variables aleatorias continuas = función de densidad de probabilidad 1 Variables aleatorias continuas = función
Más detallesTratamiento de datos y azar
Tratamiento de datos y azar Programa de Estudios Área(s): Electricidad y electrónica Mantenimiento e instalación Procesos de producción y transformación física Procesos de producción y transformación químico-biológicos
Más detallesVariables aleatorias 1. Problema 1
Variables aleatorias 1 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Estadística Variables aleatorias Problema 1 La dimensión de ciertas piezas sigue una distribución normal
Más detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Guía práctica #1 Pruebas de Bondad de Ajuste con Stat::Fit de Promodel Prof.: MSc. Julio Rito Vargas A. Grupo: Ingenierías/2016 Objetivos:
Más detallesPROGRAMA DE ASIGNATURA. CARÁCTER: Obligatoria CARRERA: Licenciatura en Ciencias de la Computación Profesorado en Física Profesorado en Matemática
PROGRAMA DE ASIGNATURA ASIGNATURA: Probabilidad y Estadística Introducción a la Probabilidad y Estadísitica AÑO: 2012 CARÁCTER: Obligatoria CARRERA: Licenciatura en Ciencias de la Computación Profesorado
Más detallesAlgunas Distribuciones EstadísticasTeóricas. Aproximación de la Distribución Binomial por la Distribución de Poisson
Algunas Distribuciones EstadísticasTeóricas Distribución de Bernoulli Distribución de Binomial Distribución de Poisson Aproximación de la Distribución Binomial por la Distribución de Poisson Distribución
Más detallesMÓDULO I. TEORÍA DE LA PROBABILIDAD
UNIVERSIDAD NACIONAL EXPERIMENTAL DE LOS LLANOS OCCIDENTALES EZEQUIEL ZAMORA VICE-RECTORADO DE PLANIFICACIÓN Y DESARROLLO SOCIAL PROGRAMA CIENCIAS SOCIALES Y JURIDICAS SUBPROGRAMA ADMINISTRACIÓN SUBPROYECTO:
Más detallesÍNDICE CAPÍTULO 1. INTRODUCCIÓN
ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.
Más detallesESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES DISCRETAS Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES DISCRETAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad de: Binomial, Hipergeometrica y Poisson
Más detallesMatemáticas Aplicadas I: Ev2 Recuperación febrero 2018
Matemáticas Aplicadas I: Ev2 Recuperación febrero 2018 PARTE 1: ESTADÍSTICA UNIDIMENSIONAL Y BIDIMENSIONAL 1. La siguiente tabla recoge las edades de las personas que han subido a un avión. Edad [0, 18)
Más detallesTema 7. Variables Aleatorias Continuas
Presentación y Objetivos. Tema 7. Variables Aleatorias Continuas En este tema se propone el estudio de las variables aleatorias continuas más importantes, desde la más simple incrementando el grado de
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesSumario Prólogo Unidad didáctica 1. Introducción a la estadística. Conceptos preliminares Objetivos de la Unidad...
ÍNDICE SISTEMÁTICO PÁGINA Sumario... 5 Prólogo... 7 Unidad didáctica 1. Introducción a la estadística. Conceptos preliminares... 9 Objetivos de la Unidad... 11 1. Población y muestra... 12 2. Parámetro
Más detallesB0. Distribuciones de probabilidad
B0. Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Distribución Normal X N( µ, σ ) Dada una variable aleatoria caracterizado por la función
Más detallesIntroducción al Diseño de Experimentos.
Introducción al Diseño de Experimentos www.academia.utp.ac.pa/humberto-alvarez Introducción Una población o universo es una colección o totalidad de posibles individuos, especímenes, objetos o medidas
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Guía práctica #1 Pruebas de Bondad de Ajuste con Stat::Fit de Promodel Prof.: Ing. Julio Rito Vargas A. Grupo: Ingenierías/IC-2017 Objetivos:
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesTema 4. MODELOS DE DISTRIBUCIONES DISCRETOS.
Estadística Tema 4 Curso /7 Tema 4. MODELOS DE DISTRIBUCIONES DISCRETOS. Objetivos Conceptos: Conocer los siguientes modelos discretos de probabilidad: uniforme, binomial, geométrico y Poisson. De cada
Más detallesMuchas variables aleatorias continuas presentan una función de densidad cuya gráfica tiene forma de campana.
Página 1 de 7 DISTRIBUCIÓN NORMAL o campana de Gauss-Laplace Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su propio nombre indica su extendida utilización, justificada
Más detallesSOLUCIONES AL EXAMEN DE SEPTIEMBRE DE ESTADÍSTICA EXAMEN DE MATEMÁTICAS II
SOLUCIONES AL EXAMEN DE SEPTIEMBRE DE 4. ESTADÍSTICA EXAMEN DE MATEMÁTICAS II Estadística (primer parcial). Septiembre de 4.- El coeficiente de determinación R nos determina a) el % de la varianza de Y
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 detallesTEMA 5 Estadística descriptiva. Análisis de datos
TEMA 5 Estadística descriptiva. Análisis de datos Florence Nightingale (1820-1910) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales 3.
Más detallesUnidad Académica de Ingeniería Eléctrica. Programa del curso: Probabilidad y estadística Clave:
Universidad Autónoma de Zacatecas Unidad Académica de Ingeniería Eléctrica Programa del curso: Probabilidad y estadística Clave: Carácter Semestre recomendado Obligatoria 3º Carreras: IE, ICE, IC Sesiones
Más detallesCuando la distribución viene dada por una tabla: 2. DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA.
1. DISTRIBUCIONES ESTADÍSTICAS. El siguiente grafico corresponde a una distribución de frecuencias de variable cuantitativa y discreta pues solo puede tomar valores aislados (0, 1, 2, 3, 10). Se trata
Más detallesPrácticas y problemas básicos de Inferencia Estadística.
Capítulo 1 Prácticas y problemas básicos de Inferencia Estadística. En este capítulo se proponen diferentes prácticas y problemas con el objetivo de repasar la estadística descriptiva de una variable unidimensional,
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesRESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
RESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con
Más detallesPráctica 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 detallesPrograma Oficial de Asignatura. Ficha Técnica. Presentación. Competencias y/o resultados del aprendizaje. Estadística
Ficha Técnica Titulación: Grado en Administración y Dirección de Empresas Plan BOE: BOE número 67 de 19 de marzo de 2014 Asignatura: Módulo: Métodos cuantitativos de la empresa Curso: 1º Créditos ECTS:
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesIntroducción al Tema 7. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 7 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
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 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 detallesDefinición de variable aleatoria
Variables aleatorias Instituto Tecnológico Superior de Tepeaca Agosto-Diciembre 2015 Ingeniería en Sistemas Computacionales M.C. Ana Cristina Palacios García Definición de variable aleatoria Las variables
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesVARIABLES ALEATORIAS CONTINUAS 1º Bto. CC.SS.
VARIABLE ALEATORIA CONTINUA VARIABLES ALEATORIAS CONTINUAS º Bto. CC.SS. Una variable aleatoria es continua si puede tomar, al menos teóricamente, todos los valores comprendidos en un cierto intervalo
Más detallesTema 5 Modelos de distribuciones de Probabilidad
Tema 5 Modelos de distribuciones de Probabilidad Variable aleatoria unidimensional Dado un espacio de Probabilidad (E, F, P), una variable aleatoria es una aplicación del espacio muestral E al conjunto
Más detallesTEMA 3. Algunos modelos de probabilidad de tipo discreto. 3.1 Al finalizar el tema el alumno debe conocer...
TEMA 3. Algunos modelos de probabilidad de tipo discreto En este capítulo se abordan «familias» muy específicas de probabilidad, que con cierta frecuencia se nos presentan en el mundo real. Van a ser distribuciones
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 detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesPROBABILIDAD Y ESTADÍSTICA SEGUNDO EXAMEN FINAL SOLUCIÓN
FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PROBABILIDAD Y ESTADÍSTICA SEGUNDO EXAMEN FINAL SOLUCIÓN Usando las frecuencias relativas, se tiene: b) La
Más detalles