Academia de Matemáticas. Apuntes para la Materia de Estadística II. Guía Básica para el Estudio de la Estadística Inferencial.
|
|
- José Caballero Rey
- hace 8 años
- Vistas:
Transcripción
1 UNIVERSIDAD MICHOACANA DE SAN NICOLÁS DE HIDALGO Facultad de Contaduría y Ciencias Administrativas Academia de Matemáticas Apuntes para la Materia de Estadística II Guía Básica para el Estudio de la Estadística Inferencial Elaboró: M.A. Asesor en Estrategias de Inversión (Certificación reconocida por la Bolsa Mexicana de Valores) Morelia Mich., Diciembre de 2009
2 ÍNDICE TEMA 1: Fundamentos de Estadística Inferencial Conceptos Básicos Técnicas para Contar Diagrama de la Probabilidad Estadística TEMA 2: Teoría Elemental de Muestreo Distribución Binomial Distribución Normal Muestreo Aleatorio Simple Distribuciones Muéstrales Distribución Muestral de Medias Distribución Muestral de Proporciones Distribución Muestral de Diferencias y Sumas Otros Ejercicios de 110
3 TEMA 3: Teoría de Estimación Estadística Estimación de Parámetros Estimas Insesgadas Estimas Eficientes Estimas por Puntos y Estimas por Intervalos de Seguridad Estimas por Intervalo de Confianza, de Parámetros Poblacionales Sistemas de Medias por Intervalos de Confianza Intervalos de Confianza para Proporciones Intervalos de Confianza para Diferencias y Sumas Intervalos de Confianza para Desviaciones Típicas Error Probable Ejercicios Tema 4: Teoría de la Decisión Estadística (Paramétrica) Conceptos y Definiciones Decisiones Estadísticas Hipótesis Estadística, Hipótesis Nula de 110
4 4.2.- Ensayos de Hipótesis y Significación Error De Tipo I Y Tipo II Nivel de Significación Ensayos Referentes a la Distribución Normal Ensayos de Una y Dos Colas Ensayos Especiales Ejercicio de Inferencia de Medias BIBLIOGRAFÍA de 110
5 TEMA 1: Fundamentos de Estadística Inferencial Conceptos Básicos. A la estadística inferencial la podemos definir a través de cuatro puntos muy importantes los cuales son los siguientes. 1. Materia de las ciencias sociales: - licenciado en contaduría - licenciado en administración - licenciado en informática administrativa 2. Tomar decisiones: La estadística: tomar decisiones de una población con base de datos muéstrales. Esta se requiere para tomar decisiones estadísticas. Tomar decisiones Diseño experimental Cómo voy a encontrar esos MORELIA 200 datos? 1, 300,000 EDAD Estimar 200 X POBLACION Inferir MUESTRA DE DE DATOS DATOS 4 de 110
6 3. Probabilidad: Estudia los experimentos y fenómenos aleatorios. Interviene el hombre No interviene el hombre 4. Que es un experimento o fenómeno aleatorio: Tiene que ver con resultados que puedan ocurrir y que antes de que ocurran no sabemos cual va a ocurrir Técnicas para Contar. En esta ocasión utilizaremos tres tipos de técnicas para contar las cuales son: CASO 1: En donde: La formula de este caso seria: - Si me importa el orden y nor r = n r - Si se puede repetir. 5 de 110
7 Ejemplo: a b c d a,a b,a c,a d,a a,b b,b c,b d,b a,c b,c, c,c, d,c, a,d b,d c,d d,d = 16 resultados Para el caso anterior de la población de Morelia tendríamos que hacer lo mismo pero seria muy difícil con esa cantidad. En cambio si utilizamos la formula es mas rápido y sencillo, norr = n r norr = n r norr = 4 2 norr = 1, 300, norr = 16 norr = CASO 2: En donde: La formula de este caso seria: - Si me importa el orden nor = n! - No se pueden repetir (n-r)! 6 de 110
8 Ejemplo: 2 a b c d a,b b,a c,a d,a,c b, a,c b,c c,b d,c = 12 Resultados a,d b,d c,d d,d Solución con la formula: nor = n! 4O2 = 4! (n-r)! (4-2)! nor = 24! nor = 1 2 CASO 3: En donde: La formula de este caso seria: - No hay orden - No se pueden repetir ncr = n! r! (n r)! Por lo tanto el resultado es: ncr = n! ncr = 24! ncr = 6 r! (n r)! 2 (2!) ncr = 4! ncr = 24 2! (4 2)! 4 7 de 110
9 Ejemplo 2: realizar el siguiente ejercicio por los tres casos en el que n sea 5 y r 3. a b c d e Caso1: FORMULA: SUSTITUCION: norr = n r norr = 5 3 norr = 125 Caso 2: FORMULA: SUSTITUCION: nor = n! nor = 5! nor = 120 (n-r)! (5 3)! 2! nor = 120 nor = 60 2 Caso3: FORMULA: SUSTITUCION: ncr = n! ncr = 5! ncr = 120 r! (n r)! 3! (5-3)! 6 ( 2!) ncr = 120 ncr = (2) 12 ncr = 10 8 de 110
10 1.3.- Diagrama de la Probabilidad Estadística. EXPERIMENTOS: (Influyen personas) Tienen que ver con resul- LA PROBABILIDA tados que puedan ocurrir y ESTADISTICA ALEATORIOS que antes de que ocurran No sabemos cual va a ocurrir. FENÓMENOS: (No influyen personas) Para estudiarlos se Construyen. Modelo probabilística Que representa el compor- MODELOS DEVIDO tamiento de un fenómeno (Distribuciones) o experimento aleatorio. Existen en el universo millones de experimentos y fenomenos aleatorios. PERO Muchos se parecen POR LO QUE entre ellos. SE LE PONE Estos modelos Toman el mismo modelo NOMBRE PROPIO o distribuciones de EJEMPLO: distribución de probabilidad Binomial o Bernoulli Principal 1 experimento con 2 resul- Característica tados se repite n veces. Normal Ejemplo: Poisson de 110
11 TEMA 2: Teoría Elemental de Muestreo Distribución Binomial. La distribución Binomial: Si p es la probabilidad de ocurrencia de un suceso en un solo ensayo (llamada probabilidad de éxito) y q = 1 P es la probabilidad de que el suceso no ocurra en un solo ensayo (llamada probabilidad de fallo), entonces la probabilidad de que el suceso se presente exactamente X veces en N ensayos, (es decir, X éxitos y N X fallos) viene dada por: p(x) = N C X p x q N-X = N! X! (N X)! pxqn X Algunas propiedades de la distribución binomial son dadas en la siguiente tabla. Media M = Np Varianza σ 2 = Npq Desviación típica Coeficiente de sesgo Coeficiente de curtosis σ = Npq α 3 = q - p Npq 1 6pq α 4 = 3 + Npq 10 de 110
12 EJEMPLOS: 1. Hallar la probabilidad de que lanzando una moneda 6 veces aparezcan (a) 0, (b) 1, (c) 2, (d) 3, (e) 4, (f) 5, (g) 6 caras. Paso 1: Describir El Experimento Aleatorio. R= lanzar una moneda 6 veces Paso 2: Construir El Espacio Muestral. R= S = (s,s,s,s,s,s) (s,s,s,s,s,a) (s,s,s,s,a,a,) NOTA: Como son muchos resultados mejor usamos la formula que es: R= norr = n r norr = 2 6 norr = 64 Paso 3: Definir Una Variable Aleatoria. R= X = numero de caras Paso 4: Construir El Espectro De La Variable Aleatoria. R= Sx = { 0,1,2,3,4,5,6 } 11 de 110
13 Paso 5: Construir El Modelo O Distribución De Probabilidad Del Experimento. R= Modelo binomial por que tiene dos resultados ya sea fracaso o éxito. P = posible éxito. 1/2 q = probable fracaso. 1-P = 1-1/2 = 1/2 N= 6 FORMULA: P(x) = N! X! (N-X)! (P X ) (q n-x ) SOLUCION: (A) P (0) = 6! 0! (6-0)! [(1/2) 0 ] [(1/2) 6-0 ] P (0) = (6)! (1/1) [(1/2) 6 ] P (0) = (720) (1/1) [(1/64)] P (0) = (1/1) [(1/64)] P (0) = (1) (1/1) (1/64) P (0) = 1/64 12 de 110
14 (B) P (1) = 6! 1! (6-1)! [(1/2) 1 ] [(1/2) 6-1 ] P (1) = (5)! (1/2) [(1/2) 5 ] P (1) = (120) (1/2) (1/32) P (1) = (1/2) (1/32) P (1) = (6) (1/2) (1/32) P (1) = 6/64 (C) P (2) = 6! 2! (6-2)! [(1/2) 2 ] [(1/2) 6-2 ] P (2) = (4)! (1/4) [(1/2) 4 ] P (2) = (24) (1/4) [(1/2) 4 ] P (2) = (1/4) (1/16) P (2) = (15) (1/4) (1/16) P (2) = 15/64 13 de 110
15 (D) P (3) = 6! 3! (6-3)! [(1/2) 3 ] [(1/2) 6-3 ] P (3) = (4)! (1/8) [(1/2) 3 ] P (3) = 720 (6) (6) (1/8) (1/8) P (3) = (1/8) (1/8) P (3) = (20) (1/8) (1/8) P (3) = 20/64 (E) P (4) = 6! 4! (6-4)! [(1/2) 4 ] [(1/2) 6-4 ] P (4) = (2)! (1/16) [(1/2) 2 ] P (4) = 720 (24) (2) (1/16) (1/4) P (4) = (1/16) (1/4) P (4) = (15) (1/16) (1/4) P (4) = 15/64 14 de 110
16 (F) P (5) = 6! 5! (6-5)! [(1/2) 5 ] [(1/2) 6-5 ] P (5) = (1)! (1/32) [(1/2) 1 ] P (5) = 720 (120) (1) (1/32) (1/2) P (5) = (1/32) (1/2) P (5) = (6) (1/32) (1/2) P (5) = 6/64 (G) P (6) = 6! 6! (6-6)! [(1/2) 6 ] [(1/2) 6-6 ] P (6) = (0)! (1/64) [(1/2) 0 ] P (6) = 720 (120) (1) (1/64) (1/1) P (6) = (1/64) (1/1) P (6) = (1) (1/64) (1/1) P (6) = 1/64 TABLA DEL EJERCICIO: Caras X P(x) 1/64 6/64 15/64 20/64 15/64 6/64 1/64 15 de 110
17 2. Hallar la probabilidad de (a) 2 o más caras (b) menos de 4 caras en un lanzamiento de 6 monedas. (A) Hallar la probabilidad de 2 o mas caras: R= 15/ / /64 + 6/64 + 1/64 = 57/64 (B) Menos de 4 caras: R= 20/ /64 + 6/64 + 1/64 = 42 2 = Si X denota el numero de caras en un solo lanzamiento de 4 monedas, hallar (a) p{x = 3}, (b) p{x 2}, (c) p{x 2}, (d) p{ 1 X 3}. Paso 1: Describir El Experimento Aleatorio. R= lanzar 4 monedas Paso 2: Construir El Espacio Muestral. R= S = (c,c,c,c,) (a,a,a,a) (c,c,a,a,) (c,c,c,a) (a,a,a,c) (c,a,a,a) NOTA: Como son muchos resultados mejor usamos la formula que es: R= norr = n r norr = 2 4 norr = de 110
18 Paso 3: Definir Una Variable Aleatoria. R= X = numero de caras Paso 4: Construir El Espectro De La Variable Aleatoria. R= Sx = { 0,1,2,3,4 } Caras Paso 5: Construir El Modelo O Distribución De Probabilidad Del Experimento. R= Modelo binomial por que tiene dos resultados ya sea fracaso o éxito. P = Éxito (1/2) q = fracaso (1/2) N = Cuantas monedas 4 FORMULA: P(x) = N! X! (N-X)! (P X ) (q n-x ) SOLUCION: (A) P (3) = 4! 3! (4-3)! [(1/2) 3 ] [(1/2) 4-3 ] P (3) = 24 6 (1)! (1/8) [(1/2) 1 ] P (3) = 24 (6) (1) (1/8) (1/2) P (3) = 24 6 (1/8) (1/2) P (3) = (4) (1/8) (1/2) P (3) = 4/16 4 = ¼ 17 de 110
19 (B) 1.- P (0) = 4! 0! (4-0)! [(1/2) 0 ] [(1/2) 4-0 ] P (0) = 24 1 (4)! (1/1) [(1/2) 4 ] P (0) = 24 1 (24) (1/1) [(1/16) ] P (0) = (1/1) [(1/16) ] P (0) = (1) (1) (1/16) P (0) = 1/ P (1) = 4! 1! (4-1)! [(1/2) 1 ] [(1/2) 4-1 ] P (1) = 24 1 (3)! (1/2) [(1/2) 3 ] P (1) = 24 1 (6) (1/2) (1/8) P (1) = 24 6 (1/2) (1/8) P (1) = (4) (1/2) (1/8) P (1) = 4/16 18 de 110
20 (C) 3. - P (2) = 4! 2! (4-2)! [(1/2) 2 ] [(1/2) 4-2 ] P (2) = 24 2 (2)! (1/4) [(1/2) 2 ] P (2) = 24 2 (2) (1/4) (1/4) P (2) = 24 4 (1/4) (1/4) P (2) = (4) (1/2) (1/8) P (2) = 4/16 TABLA DEL EJERCICIO: Caras X P(x) 1/16 4/16 6/16 1/4 5/8 19 de 110
21 4. De un total de 800 familias con 5 hijos cada una, cuantas cabe esperar que tengan (a) 3 niños (b) 5 niñas (c) 2 o 3 niños. Suponer iguales la probabilidad de niño o Nina Paso 1: Describir El Experimento Aleatorio. R= Que nazcan 5 criaturas Paso 2: Construir El Espacio Muestral. R= norr = n r norr = 2 5 norr = 32 Paso 3: Definir Una Variable Aleatoria. R= X = numero de niños que nazcan Paso 4: Construir El Espectro De La Variable Aleatoria. R= Sx = { 0,1,2,3,4,5 } niños P = Éxito (1/2/) q = fracaso (1/2) N = 5 niños requeridos 20 de 110
22 FORMULA: P(x) = N! X! (N-X)! (P X ) (q n-x ) SOLUCION: P (0) = 5! 0! (5-0)! [(1/2) 0 ] [(1/2) 5-0 ] P (0) = (5)! (1/1) [(1/2) 5 ] P (0) = (120) (1/1) [(1/32)] P (0) = (1/1) [(1/32)] P (0) = (1) (1/1) (1/32) P (0) = 1/32 = x 800 = 25 P (1) = 5! 1! (5-1)! [(1/2) 1 ] [(1/2) 5-1 ] P (1) = (4)! (1/2) [(1/2) 4 ] P (1) = (24) (1/2) (1/16) P (1) = (1/2) (1/16) P (1) = (5) (1/2) (1/16) P (1) = 5/32 = x 800 = de 110
23 P (2) = 5! 2! (5-2)! [(1/2) 2 ] [(1/2) 5-2 ] P (2) = (3)! (1/4) [(1/2) 3 ] P (2) = (6) (1/4) [(1/8)] P (2) = (1/4) (1/8) P (2) = (10) (1/4) (1/8) P (2) = 10/32 = x 800 = 250 (A) P (3) = 5! 3! (5-3)! [(1/2) 3 ] [(1/2) 5-3 ] P (3) = (2)! (1/8) [(1/2) 2 ] P (3) = 120 (6) (2) (1/8) (1/4) P (3) = (1/8) (1/4) P (3) = (20) (1/8) (1/8) P (3) = 10/32 = x 800 = 25 P (4) = 5! 4! (5-4)! [(1/2) 4 ] [(1/2) 5-4 ] P (4) = (1)! (1/16) [(1/2) 1 ] 22 de 110
24 P (4) = 120 (24) (1) (1/16) (1/2) P (4) = (1/16) (1/2) P (4) = (5) (1/16) (1/2) P (4) = 5/32 = X 800 = 125 (B) P (5) = 5! 5! (5-5)! [(1/2) 5 ] [(1/2) 5-5 ] P (5) = (0)! (1/32) [(1/2) 0 ] P (5) = 120 (120) (1) (1/32) (1/1) P (5) = (1/32) (1/1) P (5) = (1) (1/32) (1/1) P (5) = 1/32 = x 800 = 25 TABLA DEL EJERCICIO: Caras X P(x) 1/32 5/32 10/32 10/32 5/32 1/32 23 de 110
25 5. Cuál es la probabilidad de obtener 9 una vez en 3 lanzamientos de un por de dados? Paso 1: Describir El Experimento Aleatorio. R= Lanzar un par de dados 3 veces Paso 2: Construir El Espacio Muestral. R= norr = n r norr = 11 3 norr = 1331 Paso 3: Definir Una Variable Aleatoria. R= X = numero de caras Paso 4: Construir El Espectro De La Variable Aleatoria. R= Sx = { 1,2,3,4,5,6,7,8,9, } Paso 5: Construir El Modelo O Distribución De Probabilidad Del Experimento. P = Éxito (1/2/) q = fracaso (1/2) N = 5 niños requeridos 24 de 110
26 FORMULA: P(x) = N! X! (N-X)! (P X ) (q n-x ) SOLUCION: P (9) = 9! 9! (9-9)! [(1/2) 9 ] [(1/2) 9-9 ] P (9) = (0)! (1/1) [(1/2) 0 ] P (9) = (1) (1/512) (1) P (9) = (1/512) (1) P (9) = (1) (1/512) (1) P (9) = 1/ Hallar la probabilidad de contestar correctamente al menos 6 de las 10 preguntas de un examen falso-verdadero. Paso 1: Describir El Experimento Aleatorio. R= Contestar correctamente 6 preguntas 25 de 110
27 Paso 2: Construir El Espacio Muestral. R= norr = n r norr = 2 10 norr = 1024 Paso 3: Definir Una Variable Aleatoria. R= X = numero de caras Paso 4: Construir El Espectro De La Variable Aleatoria. R= Sx = { 6,7,8,9,10 } Contestar 6 respuestas por lo menos Paso 5: Construir El Modelo O Distribución De Probabilidad Del Experimento. R= Modelo binomial por que tiene dos resultados ya sea verdadero y falso. P = Éxito (1/2) q = fracaso (1/2) N = Cuantas monedas de 110
28 FORMULA: P(x) = N! X! (N-X)! (P X ) (q n-x ) P (6) = 10! 6! (10-6)! [(1/2) 6 ] [(1/2) 10-6 ] P (6) = (4)! (1/64) [(1/2) 4 ] P (6) = (720) (24) (1/64) (1/16) P (6) = (1/64) (1/16) P (6) = (210) (1/64) (1/16) P (6) = 210/1024 = 105/512 P (7) = 10! 7! (10-7)! [(1/2) 7 ] [(1/2) 10-7 ] P (7) = (3)! (1/128) [(1/2) 3 ] P (7) = (5040) (6) (1/128) (1/8) P (7) = (1/128) (1/8) P (7) = (120) (1/128) (1/8) P (7) = 120/1024 = 15/ de 110
29 P (8) = 10! 8! (10-8)! [(1/2) 8 ] [(1/2) 10-8 ] P (8) = (2)! (1/256) [(1/2) 2 ] P (8) = (40320) (2) (1/256) (1/4) P (8) = (1/256) (1/4) P (8) = (45) (1/256) (1/4) P (8) = 45/1024 P (9) = 10! 9! (10-9)! [(1/2) 9 ] [(1/2) 10-9 ] P (9) = (2)! (1/256) [(1/2) 1 ] P (9) = (362880) (2) (1/256) (1/2) P (9) = (1/256) (1/2) P (9) = (5) (1/256) (1/2) P (9) = 5/ de 110
30 P (10) = 10! 10! (10-9)! [(1/2) 10 ] [(1/2) ] P (10) = (1)! (1/1024) [(1/1) 0 ] P (10) = (362880) (1) (1/1024) (1/1) P (10) = (1/1024) (1/1) P (10) = (1) (1/1024) (1/1) P (10) = 1/1024 Caras X P(x) 105/512 15/128 45/1024 5/512 1/1024 = 193/512 Muestra de Dos Elementos con Reemplazo: 6 4 PARAMETRO 2 3 UNIVERSO 29 de 110
31 Paso 1: Describir El Experimento Aleatorio. R= Sacar muestras de 2 elementos con reemplazo. Paso 2: Construir El Espacio Muestral. R= S = 2,2 3,2 4,2 6,2 (estadístico) 2,3 3,3 4,3 6,3 = 16 2,4 3,4 4,4 6,4 2,6 3,6 4,6 6,6 NOTA: Como son muchos resultados mejor usamos la formula que es: R= norr = n r norr = 4 2 norr = 16 Paso 3: Definir Una Variable Aleatoria. R= X = La media de cada muestra Paso 4: Construir El Espectro De La Variable Aleatoria. R= Sx = { 2, 2.5, 3, 3.5, 4, 4.5, 5, 6 } 30 de 110
32 Paso 5: Construir El Modelo O Distribución De Probabilidad Del Experimento. X SUMA Px(x) 1/16 2/16 3/16 2/16 3/16 2/16 2/16 1/16 16/16 = 1 Paso 6: Calcular la media de la distribución muestral de media. 2 (1/16) (2/16) + 3 (3/16) (2/16) + 4 (3/16) (2/16) + 5 (2/16) + 6 (1/16) = 2/16 + 5/16 + 9/16 + 7/ /16 + 9/ /16 + 6/16 = 60/16 = 3.75 Comprobación: = 15/4 = 3.75 Distribución Muestral de Medias: Con Reemplazo: Media: Mx = M D. Estándar: Qx = Q N 31 de 110
33 Formula De La Desviación Estándar: n (X μ) 2 i = 1 n X μ X- μ (X- μ) μ= Q = = Q = Q Qx = Qx = N Qx = Qx = de 110
34 X μ X- μ (X- μ) 2 Px(X) (Px(x))((x- μ) 2 ) / / / / / / / / Q 2 = Q = Q = Distribución Normal. DISTRIBUCIÓN NORMAL. SON NORMALES NO SON NORMALES PERO SE COMPORTAN DE MANERANORMAL CONTINUAS SIMETRICAMENTE VALOR MAS COMUN-MEDIA. 1 Y = e -1/2 (x μ) 2/ σ 2 σ 2 π μ = Media σ = Desviación estándar o desviación típica 33 de 110
35 TRANSFORMAR μ = 0 Z X σ = 1 Por lo tanto la formula para resolver problemas de distribución normal es: Z = X - μ σ Uno de los mas importantes ejemplos de una distribución de probabilidad continua es la distribución normal, curva normal o distribución de gauss dada por la ecuación. 1 2 / σ 2-1/2 (X M ) Y = e σ 2 π 34 de 110
36 Algunas propiedades de la distribución normal se indican en la siguiente tabla: Media Varianza σ 2 μ Desviación Típica σ Coeficiente de sesgo α 3 = 0 Coeficiente de curtosis α 4 = 3 Desviación Media σ 2 / π = σ EJEMPLOS: 1. En un examen de estadística la media fue 7.8 y la desviación típica 10 (a) Determinar las referencias tipificadas de dos estudiantes cuyas puntuaciones fueron 93 y 62, respectivamente, (b) Determinar las puntuaciones de dos estudiantes cuyas referencias tipificadas fueron -0.6 y 1.2 respectivamente. X = μ + Z σ x 2 = 62 μ = 78 x 1 = 93 z 2= -1.6 μ = 0 z 1= 1.5 σ = σ = 1 FORMULAS: Z = x - μ σ 35 de 110
37 PROCEDIMIENTO: X = μ + Z σ (A) Z= (B) Z= Z= 15 Z= Z = 1.5 Z = -1.6 (X 1 ) X 1 = μ + Z σ (X 2 ) X 2 = μ + Z σ X1 = 78 + (-0.6) (10) X 2 = 78 + (1.2) (10) X1 = 78-6 X 2 = X1 = 72 X 2 = Hallar (a) la media y (b) la desviación típica de un examen en e que as puntuaciones de 70 y 88 tienen una referencias tipificadas de -0.6 y 1.4 respectivamente. DATOS: X 1 = 70 Z 1 = -0.6 X 2 = 88 Z 2 = 1.4 FORMULA: μ = X - Z σ SUSTITUCIÓN: μ = X 1 - Z 1 σ μ = X 2 - Z 2 σ σ = σ μ = 70 (-0.6) σ μ = σ = 0.6 σ σ = μ = σ 2 σ = 18 σ = 18/2 σ = 9 36 de 110
38 μ = X 1 - Z 1 σ μ = X 2 - Z 2 σ μ = (9) μ = (9) μ = μ = μ = 75.4 μ = Hallar el área bajo la curva normal entre (a) z = y z = 2.40, (b) z = 1.23 y z = 1.87, (c) z = y z RESULTADOS: (A) μ x z 1 = Z= 0 z 2 = 2.40 Z 1 = Tabla = Z 2 = 2.40 Tabla = R = NOTA: Los porcentajes se sacan de la tabla de áreas bajo la curva normal tipificada de 0 a Z. (B) Z 1 = 1.23 Tabla = Z 2 = 1.87 Tabla = μ Z= 0 z 1 = z 2 = 37 de
39 (C) R = Z 1 = Tabla = Z 2 = Tabla = R = μ z 1 = z 2 = Z= Hallar el área bajo la curva normal (a) a la izquierda de z = (b) a la izquierda de z = 0.56 (c) a la derecha de z = (d) correspondiente a z > 2.16, (e) correspondiente a 0.80 < z < 1.53, (f) a la izquierda de z = y a la derecha de z = RESULTADOS: (A) 50% 50% μ z 1 = Z= 0 Z 1 = Tabla = NOTA: Los porcentajes se sacan de la tabla de áreas bajo la curva normal tipificada de 0 a Z. 38 de 110
40 (B) 50% 50% μ Z= 0 z 1 = Z 1 = 0.56 Tabla = (C) 50% 50% μ z 1 = Z= 0 Z 1 = Tabla = de 110
41 (D) 50% 50% μ Z= 0 z 1 = 2.16 Z 1 = 2.16 Tabla = (E) 50% 50% μ z 1 = Z= 0 z 2 = Z 1 = Tabla = Z 1 = 1.53 Tabla = de 110
42 (E) 50% 50% μ z 1 = Z= 0 z 2 = Z 1 = Tabla = Z 2 = 1.83 Tabla = R = = Si la altura de 300 estudiantes se distribuyen normalmente con media 68.0 pulgadas y desviación típica 3.0 pulgadas, cuantos estudiantes tienen alturas (a) mayor de 72 pulgadas, (b) menor o igual a 64 pulgadas, (c) entre 65 y 71 pulgadas inclusive, (d) igual a 68 pulgadas. Supóngase las medidas, registradas con aproximación de pulgada. 1 pulgada = 2.54cm x 1.30 pulg. = cm. = 3.30 mts. Paso 1: Describir El Experimento Aleatorio. R= Seleccionar uno de los 300 estudiantes aleatoriamente y medirlo. Paso 2: Construir El Espacio Muestral. R= S = {e / 0 < e < 130} 41 de 110
43 Paso 3: Definir Una Variable Aleatoria. R= X= estatura de los estudiantes Paso 4: Construir El Espectro De La Variable Aleatoria. R= Sx = {X / 0 < X < 130} La estatura de cualquier estudiante que mida de 0 a 130. Paso 5: Construir El Modelo O Distribución De Probabilidad Del Experimento. R= Calcular la probabilidad de interés. (A) Mayor de 72 pulgadas. 50% 50% μ= μ = 0 z = 1. 5 σ= 3.0 FORMULA: Z = X - μ σ 42 de 110
44 SUSTITUCION: Z = Z = 1.5 Tabla = Z = Z = x 300 Z = = 20 (B) Menor o igual a % 50% 64.5 μ= z = μ = 0 σ= 3.0 FORMULA: Z = X - μ σ SUSTITUCION: Z = Z = Tabla = Z = Z = x 300 Z = = de 110
45 (C) Entre 65 y 71 pulgadas inclusive. 50% 50% 64.5 μ= z = μ = 0 σ= 3.0 X = 68 FORMULA: Z = X - μ σ SUSTITUCION: Z = Z = Z = Z = Z = Z = P (65 < X < 71) = = 75% N. de estudiantes = 300 (0.7580) = 227 % 44 de 110
46 (D) Igual a 68 pulgadas μ= μ = 0 σ= 3.0 X = 68 FORMULA: X - μ Z = σ SUSTITUCION: Z = Z = Z = Z = Z = 0.17 Z = P (x = 68) = = 13.5 N. de estudiantes = 300 (0.1350) = de 110
47 6. Si los diámetros de cojinetes de bolas se distribuyen normalmente con media pulgadas y desviación típica pulgadas, determinar el porcentaje de cojinetes de bolas con diámetros (a) entre y pulgadas inclusive (b) mayor de pulgadas, (c) menor de pulgadas, (d) igual a pulgadas. (A) Entre y μ= μ = 0 σ= 3.0 FORMULA: Z = X - μ σ SUSTITUCION: Z 1 = Z 2 = Z 2 = Z 1 = Z 2 = 1.8 Z 1 = % = 93% 46 de 110
48 (B) Mayor de μ= μ = 0 σ= 3.0 X = 1.4 FORMULA: Z = X - μ σ SUSTITUCION: Z = Z = x 100 = 8.08 = Z = de 110
49 (C) Menor de pulg = % μ= z = μ = 0 σ= X = 1.4 FORMULA: Z = X - μ σ SUSTITUCION: Z = Z = x 100 = 0.47% Z = -2.6 = de 110
50 (D) Igual a pulg. x 1 = x 2 = % z 2 = -0.6 μ= μ = 0 z 1= -0.2 σ= FORMULA: Z = X - μ σ SUSTITUCION: Z1 = Z2 = Z1 = Z2 = Z1 = -0.2 = Z2 = -0.6 = de 110
51 7. La puntuación media en un examen fue 72 y la desviación típica 9. El 10% superior de los alumnos reciben la calificación A. Cuál es la puntuación mínima que un estudiante debe tener para recibir una A? DE ATRÁS HACIA DELANTE: DATOS: FORMULA: M= 72 Q= 9 X = Z1 Q + M Z1= 1.28 Tabla %=? % SUSTITUCION: X = 1.28 (9) + 72 X = X = X = 84 AHORA DE ADELANTE HACIA ATRÁS: μ= 72 X= 84 μ = 0 z = 1.28 FORMULA: SUSTITUCION: Z = X - μ σ Z = Z = x 100 = 10% 9 Z = 1.28 = de 110
52 2.3.- Muestreo Aleatorio Simple. Teoría De Muestreo La teoría de muestreo es un estudio de las relaciones existentes entre una población y muestras extraídas de la misma. Tiene gran interés en muchos aspectos de la estadística. Por ejemplo, permite estimar cantidades desconocidas de la población (tales como la media poblacional, la varianza, etc.), frecuentemente llamadas parámetros poblacionales o brevemente parámetros, a partir del conocimiento de las correspondientes cantidades muéstrales (tales como la media muestral, la varianza, etc.), a menudo llamadas estadísticos muéstrales o brevemente estadísticos. La teoría de muestreo es también útil para determinar si las diferencias que se puedan observar entre dos muestras son debidas a la aleatoriedad de las mismas o si por el contrario son realmente significativas. Tales preguntas surgen, por ejemplo, al ensayar un nuevo suero para el tratamiento de una enfermedad, o al decidir si un proceso de producción es mejor que otro. Estas decisiones envuelven a los llamados ensayos e hipótesis de significación, que tienen gran importancia en teoría de la decisión. 51 de 110
53 En general, un estudio de inferencias, realizado sobre una población mediante muestras extraídas de la misma, junto con las indicaciones sobre la exactitud de tales inferencias aplicadas a la teoría de la misma, junto con las indicaciones sobre la exactitud de tales inferencias aplicadas a la teoría de la probabilidad, se conoce como inferencia estadística. Muestras Al Azar. (Números Aleatorios) Para que las conclusiones de la teoría del muestreo e inferencia estadística sean validas, las muestras deben elegirse de forma que sean representativas de la población. Un estudio sobre métodos de muestreo y los problemas que tales métodos implican, se conoce como diseños de experimentos. El proceso mediante el cual se extrae de una población una muestra representativa de la misma se conoce como muestreo al azar, deacuerdo con ello cada miembro de la población tiene la misma posibilidad de ser incluido en la muestra. Una técnica para obtener una muestra al azar es asignar números a cada miembro de la población, escritos estos números en pequeños papeles, se introducen en una urna y después se extraen números de la urna, teniendo cuidado de de mezclarlos bien antes de cada extracción. Esto puede ser sustituido por el empleo de una tabla de números aleatorios. 52 de 110
54 Muestreo Con Y Sin Remplazamiento Si se extrae un numero de una urna, se puede volver o no el numero a la urna antes de realizar una segunda extracción. En el primer caso, un mismo número puede salir varias veces, mientras que en el segundo un número determinado solamente puede salir una vez. El muestreo, en el que cada miembro de la población puede elegirse más de una vez, se llama muestreo con remplazamiento, mientras que si cada miembro no puede ser elegido más de una vez se tiene el muestreo sin remplazamiento. Las poblaciones pueden ser finitas o infinitas. Si, por ejemplo, se extraen sucesivamente 10 bolas sin remplazamiento de una urna que contiene 100, se esta tomando una muestra de una población finita, mientras que si se lanza al aire una moneda 50 veces, anotándose el numero de caras, se esta muestreando en una población infinita. Una población finita, en la que se realiza un muestreo con remplazamiento, puede teóricamente ser considerada como infinita, puesto que puede extraerse cualquier número de muestras sin agotar la población. E muchos casos prácticos, el muestreo de una población finita que es muy grande, pueden considerarse como muestreo de una población infinita. 53 de 110
55 2.4.- Distribuciones Muéstrales Considerándose todas las posibles muestras de tamaño N que pueden extraerse de una población dada (con o sin remplazamiento). Para cada muestra se puede calcular un estadístico, tal como la media, la desviación típica, etc., que variara de una muestra a otra. De esta forma se obtiene una distribución del estadístico que se conoce como distribución muestral. Si, por ejemplo, el estadístico de que se trata es la media muestral, la distribución se conoce como distribución muestral de medias o distribución muestral de la meda. Análogamente se obtendría las distribuciones muéstrales de las desviaciones típicas, etc. Así, pues, se puede hablar de la media y desviación típica de la distribución muestral de medias, etc. 54 de 110
56 Distribución Muestral de Medias. Supóngase que son extraídas de una población finita todas las posibles muestras sin remplazamiento de tamaño N, siendo el tamaño de la población Np > N. Si se denota la media y la desviación típica de la distribución muestral de medias por μx y σx y la media y la desviación típica de la población por µ y σ, respectivamente se tiene: Μ x = μ y σx = Σ Np - N N Np - 1 Si la población es infinita o si el muestreo es con remplazamiento, los resultados anteriores se convierten en: σ Μ x = μ y σx = N 55 de 110
57 Para valores grandes de N(N > 30) la distribución muestral de medias se aproxima a una distribución normal con media Μx y desviación típica σx independientemente de la población de que se trate (siempre que la media y la varianza poblacional sean finitas y el tamaño de la población sea la menos dos veces el tamaño de la muestra ). Este resultado en una población infinita es un caso especial del teorema central del límite de teoría de probabilidad superior, que demuestra que la aproximación es tanto mejor conforme N se hace mayor. Esto se indica diciendo que la distribución muestral es sintéticamente normal. En caso de que la distribución se distribuya normalmente, la distribución muestral de medias se distribuye también normalmente, incluso para pequeños valores de N (es decir, N < 30) Distribución Muestral de Proporciones Supóngase una población infinita y que la probabilidad de ocurrencia de un suceso (conocido como su éxito) es p, mientras que la probabilidad de no ocurrencia del suceso es q = 1 p. Por ejemplo, la población pueden ser todos los posibles lanzamientos de una moneda, en la que la probabilidad del suceso (cara) es p = ½. 56 de 110
58 Se consideran todas las posibles muestras de tamaño N extraídas de esta población y para cada muestra se determina la proporción p de éxito. En el caso de la moneda, P seria la proporción de caras aparecidas en los N lanzamientos. Entonces se obtiene una distribución muestral de proporciones cuya media µp y desviación t6ipica σp vienen dadas por: Pq p(1 p) Μ x = μ y σx = N = N Que pueden obtenerse de (2) sustituyendo μ por q y σ por pq. Para grandes valores de N (es decir, N < 30) la distribución muestral se aproxima mucho a una distribución normal. Nótese que la población se distribuye binominalmente. Las ecuaciones (3) son igualmente validas para una población finita en la que el muestreo se hace con remplazamiento. Para poblaciones finitas y muestreo sin remplazamiento, las ecuaciones (3) pasan a ser como las ecuaciones (1) con μ = p y σ = pq. Adviértase que las ecuaciones (3) se obtienen mas fácilmente dividiendo la media y la desviación típica (Np y Npq) de la distribución binominal por N. 57 de 110
59 Distribución Muestral de Diferencias y Sumas. Supónganse que se tienen dos poblaciones. Para cada muestra de tamaño N1, extraída de la primera población se calcula un estudio S1. Esto proporciona una distribución muestral del estadístico S1 cuya medida y desviación típica vienen dadas por μs1 y σs1, respectivamente. Análogamente, para cada muestra de tamaño N2, extraída de la segunda población, se calcula un estadístico S2. Esto igualmente proporciona una distribución muestral del estadístico S2, cuya media y desviación típica vienen dadas por μs2 y σs2. De todas las posibles combinaciones de estas muestras de las dos poblaciones se puede obtener una distribución de las diferencias, S1 S2 que se conoce como distribución muestral de diferencias de los estadísticos. La medida y la varianza de esta distribución muestral se denotan, respectivamente, por μs1- S2 y σs1 S2 y son dadas por μs1 S2 = μs1 μs2 y σs1 S2 = σ2s1 + σ2s2 (4) Con tal de que las muestras no dependan de ninguna forma una de otra, es decir, las muestras sean independientes. 58 de 110
60 Si S1 y S2 son las medidas muéstrales de las dos poblaciones, las cuales vienen dadas por X1 y X2, entonces la distribución muestral de la diferencias de medias para poblaciones infinitas con medidas y desviaciones típicas μ1, σ1 y μ2, σ2, respectivamente, tienen por media y desviación típica. μx1-x2 = μx1 μx2 = μ1 μ2 y σx1- σx2 = σ2x1 + σ2x2 = σ2+ σ2 1 2 (5) N1 N2 Usando las ecuaciones (2). El resultado se mantiene valido para poblaciones finitas si el muestreo es con remplazamiento. Resultados similares pueden obtenerse para poblaciones finitas en las que el muestreo se realiza sin remplazamiento partiendo de las ecuaciones (1). Resultados correspondientes pueden deducirse para las distribuciones muéstrales de diferencias de proporción de dos poblaciones distribuidas binominalmente con parámetros p1, q1 y p2, q2, respectivamente. En este 59 de 110
61 caso S1 y S2 corresponden a las proporciones de éxito, P1 y P2, y las ecuaciones (4) dan los resultados. μp1 p2 = μp1 μp2 = p1 p2 y σp1-p2 = σ2p1 + σ2p2 = p1q1 p2q2 N1 N2 (6) Si N1 y N2 son grandes (N1, N2 = 30), las distribuciones muéstrales de diferencia de medias o proporciones se distribuyen muy aproximadamente como un normal. A veces, es útil hablar de la distribución muestral de la suma de estadísticos. La media y la desviación típica de esta distribución viene dada por μs1+s2 = μs1 + μs2 y σs1+s2 = σ2s1 + σ2s2 (7) Suponiendo que las muestras son independientes. 60 de 110
62 2.5.- Otros Ejercicios. 1) Muestra De Dos Elementos Con Reemplazo: 6 4 PARAMETRO 2 3 UNIVERSO Paso 1: Describir El Experimento Aleatorio. R= Sacar muestras de 2 elementos con reemplazo. Paso 2: Construir El Espacio Muestral. R= S = 2,2 3,2 4,2 6,2 (estadístico) 2,3 3,3 4,3 6,3 = 16 2,4 3,4 4,4 6,4 2,6 3,6 4,6 6,6 NOTA: Como son muchos resultados mejor usamos la formula que es: R= norr = n r norr = 4 2 norr = 16 Paso 3: Definir Una Variable Aleatoria. R= X = La media de cada muestra 61 de 110
63 Paso 4: Construir El Espectro De La Variable Aleatoria. R= Sx = { 2, 2.5, 3, 3.5, 4, 4.5, 5, 6 } Paso 5: Construir El Modelo O Distribución De Probabilidad Del Experimento. X SUMA Px(x) 1/16 2/16 3/16 2/16 3/16 2/16 2/16 1/16 16/16 = 1 Paso 6: Calcular la media de la distribución muestral de media. 2 (1/16) (2/16) + 3 (3/16) (2/16) + 4 (3/16) (2/16) + 5 (2/16) + 6 (1/16) = 2/16 + 5/16 + 9/16 + 7/ /16 + 9/ /16 + 6/16 = 60/16 = 3.75 Comprobación: = 15/4 = de 110
64 Distribución Maestral De Medias: Con Reemplazo: Media: Mx = M D. Estándar: Qx = Q N Formula De La Desviación Estándar: n (X μ) 2 i = 1 n X μ X- μ (X- μ) de 110
65 8.75 μ= Q = = Q = Q Qx = Qx = N Qx = Qx = X μ X- μ (X- μ) 2 Px(X) (Px(x))((x- μ) 2 ) / / / / / / / / Q 2 = Q = Q = de 110
66 2) Muestra De Dos Elementos sin Reemplazo: PARAMETRO UNIVERSO Paso 1: Describir El Experimento Aleatorio. R= Sacar muestras de 2 elementos sin reemplazo. Paso 2: Construir El Espacio Muestral. R= S = 2,3 3,2 4,2 6,2 (estadístico) 2,4 3,4 4,3 6,3 = 12 2,6 3,6 4,6 6,4 NOTA: Como son muchos resultados mejor usamos la formula que es: R= nor = 4! nor = 24/2 (4 2)! nor = 12 nor = 24 2! nor = 24/2 Paso 3: Definir Una Variable Aleatoria. R= X = La media de cada muestra 65 de 110
67 Paso 4: Construir El Espectro De La Variable Aleatoria. R= Sx = { 2.5, 3, 3.5, 4, 4.5, 5 } Paso 5: Construir El Modelo O Distribución De Probabilidad Del Experimento. X TOTAL Px(x) 2/12 2/12 2/12 2/12 2/12 2/12 12/12 = 1 Paso 6: Calcular la media de la distribución muestral de media. Mx = 2.5 (2/12) + 3 (2/12) (2/12) + 4 (2/12) (2/12) + 5 (2/12) = Mx = 5/12 + 6/12 + 7/12 + 8/12 + 9/12 +10/12 = 3.75 COMPROBACIÓN: = 15/4 = 3.75 Distribución Maestral De Medias: Sin Reemplazo: Media: Mx = M Q D. Estándar: Qx = NP - N N NP de 110
68 Formula De La Desviación Estándar: X μ X- μ (X- μ) 2 Px(X) (Px(x))((x- μ) 2 ) / / / / / / Q 2 = Q = Q = ) Una población esta formada por los cuatro números 3, 7, 11, 15. Considerar todas la s posibles muestras de tamaño dos que pueden extraerse de esta población con remplazamiento. Hallar (a) la media poblacional, (b) la desviación típica poblacional, (c) la media de la distribución muestral de medias, (d) la desviación típica de la distribución muestral de medias. Encontrar (c) y (d) directamente de (a) y (b) mediante las formulas adecuadas. 3 7 PARAMETRO UNIVERSO Paso 1: Describir El Experimento Aleatorio. R= Sacar muestras de 2 elementos con reemplazo. 67 de 110
69 Paso 2: Construir El Espacio Muestral. R= S = 3,3 7,3 11,3 15,3 (estadístico) 3,7 7,7 11,7 15,7 = 16 3,11 7,11 11,11 15, ,15 11,15 15,15 NOTA: Como son muchos resultados mejor usamos la formula que es: R= norr = n r norr = 4 2 norr = 16 Paso 3: Definir Una Variable Aleatoria. R= X = La media de cada muestra Paso 4: Construir El Espectro De La Variable Aleatoria. R= Sx = { 3, 5, 7, 9, 11, 13, 15} Paso 5: Construir El Modelo O Distribución De Probabilidad Del Experimento. X SUMA Px(x) 1/16 2/16 3/16 4/16 3/16 2/16 1/16 16/16 = 1 68 de 110
70 Paso 6: Calcular la media de la distribución muestral de media. Mx = 3 (1/16) + 5 (2/16) + 7 (3/16) + 9 (4/16) + 11 (3/16) + 13 (2/16) + 15 (1/16) = Mx = 13/ / / / / / /16 = 144/16 = 9 COMPROBACIÓN: = 36/4 = 9 X μ X- μ (X- μ) = 80 Q = 80/4 M = 9 Q = 20 Q= Q= de 110
71 X μ X- μ (X- μ) 2 Px(X) (Px(x))((x- μ) 2 ) / / / / / / Q 2 = 10 Q = 10 Q = ) Los pesos de 1500 cojinetes de bolas se distribuyen normalmente con media de onzas y desviación típica de onzas. Si se extraen 300 muestras de tamaño 36 de esta población, determinar la media esperada y la desviación típica de la distribución muestral de medias, si el muestreo se hace (a) con remplazamiento, (b) sin remplazamiento. CON REMPLAZO: M = Mx = M Q = M = = Muestra = 300 c. Qx = Q Qx = 0.048/ 6 N Qx = Qx = de 110
72 SIN REMPLAZO: Q D. Estándar: Qx = NP - N N NP Qx = Qx = Qx = ( ) Qx = ( ) Qx = Qx = Menor que ) Resolver el problema anterior si la población se compone de 72 cojines. Mx = M Q = = Qx = Q Qx = 0.048/ 6 N Qx = de 110
73 Qx = Qx = N Q Np N Np 1 Qx = Qx = Qx = ( ) Qx = ( ) Qx = de 110
74 TEMA 3: Teoría de Estimación Estadística Estimación de Parámetros. En el ultimo capitulo se vio como la teoría del muestreo podía emplearse para obtener información acerca de muestras extraídas al azar de una población conocida. Sin embargo, desde un punto de vista práctico, es frecuentemente más importante es el poder inferir información sobre una población mediante muestras extraídas de ella. Tales problemas son los tratados en la inferencia estadística, basándose en la teoría del muestreo. Un importante problema de la diferencia estadística es la estimación del parámetro de la población o brevemente parámetros (tales como la media, varianza de la población, etc.) a partir de los correspondientes estadísticos muéstrales o brevemente estadísticos (es decir, media muestral, varianza muestral, etc.). En este capitulo se considera este problema. 73 de 110
75 Estimas Insesgadas. Si la media de la distribución muestral de un estadístico es igual al correspondiente parámetro poblacional, el estadístico se llama estimador insesgado del parámetro, si no es igual se dice estimador sesgado del mismo. Los valores correspondientes de tales estadísticos se conocen, respectivamente, como estimas insesgadas o sesgadas. Ejemplo 1: La media de la distribución muestral es medias μ x = μ, medias poblacional. De aquí que la media muestral X es una estima insesgada de la media poblacional μ. Ejemplo 2: La media de la distribución muestral de varianzas μ s 2 = N 1 σ 2, donde σ 2 N Es la varianza poblacional y N es el tamaño muestral. Así, pues, la varianza muestral s 2 es una estima esesgada de la varianza poblacional σ 2. Utilizando la varianza modificada ŝ 2 = _N s 2, N - 1 Se tiene que μ s 2 = σ 2, de modo que s 2 es una estima no sesgada de σ 2. Sin embargo s es una estima sesgada de σ. 74 de 110
76 En lenguaje de esperanza se puede decir que un estadístico es insesgado si su esperanza es igual al correspondiente parámetro poblacional. Así, X y ŝ 2 son insesgados, puesto que E{X} = μ y E{ŝ 2 } = σ Estimas Eficientes. Si las distribuciones muéstrales de dos estadísticos tienen la misma media (o esperanza), el estadístico que tenga menor varianza de llama estimador eficiente de la media, mientras que el otro estadístico de llama estimador no eficiente. Los valores correspondientes de los estadísticos de llaman estimas eficientes, respectivamente. Si se consideran todos los posibles estadísticos, cuyas distribuciones muéstrales tienen la misma media, al que tiene menor varianza se le llama el más eficiente o mejor estimador de esta media. Ejemplo: Las distribuciones muéstrales e la media y de la mediana tienen las misma media que es la media poblacional. Sin embargo, la varianza de la distribución muestral de medias es menor que la de la distribución muestral de medianas. De aquí que la mediana muestral de una estima eficiente de la media poblacional, mientras que la mediana muestral de una estima no eficiente de ella. 75 de 110
77 De todos los estadísticos que estiman la media poblacional, la media muestral proporciona la estima mejor o más eficiente. En la práctica se utilizan frecuentemente estimas no eficientes, por la relativa facilidad con que algunas de ellas pueden obtenerse Estimas por Puntos y Estimas por Intervalos de Seguridad La estima de un parámetro poblacional dada por un numero se llama estima de punto del parámetro. La estima de un parámetro poblacional dada por dos números entre los cuales se considera que se encuentra dicho parámetro se llama estima de intervalo del parámetro. La estima por intervalo indican la precisión o exactitud de una estima y, por tanto, son preferidas a las estimas puntuales. Ejemplo: si se dice que una distancia viene dada por 5,28 pies, se esta dando una estima de punto. Si, por otra parte, se dice que la distancia es 5,28 ± 0,03 pies, es decir, la distancia real se encuentra entre 5,25 y 5,31 pies, se esta dando una estima de intervalo. La precisión o conocimiento del error de una estima se conoce también como su seguridad. 76 de 110
78 3.3.- Estimas por Intervalo de Confianza, de Parámetros Poblacionales. Sean μs y σs la media y la desviación típica (error típico) de la distribución muestral de un estadístico S. Entonces, si la distribución muestral es S es aproximadamente normal (lo que se ha visto, que es cierto para muchos estadísticos, si el tamaño de muestra es N 30), cabe esperar en muestras extraídas, que el estadístico S se encuentre en los intervalos μ s - σ s a μ s + σ s, μ s - 2σ s a μ s + 2σ s, o μ s - 3σ s a μ s + 3σ s, el 68.27%, 95.45% y 99.73% de las veces, respectivamente. Análogamente cabe esperar o se puede confiar en encontrar, μs en los intervalos S - σ s a S + σ s, S - 2σ s a S + 2σ s o S + 3σ s a S +3σ s en el 68.27%, 95.45% y 99.73% de las veces, respectivamente. Por esto se pueden llamar a estos intervalos los intervalos de confianza del 68.27%, 95.45% y 99.73% para la estima de μs. Los números extremos de estos intervalos (S + σ s, S + 2σ s, S + 3σ s ) son llamados los limites de confianza del 68.27%, 95.45% y 99.73% o, como otras veces se conocen, limites fiduciales. Análogamente, S ± 1,96σs y S± 2.58σs son los limites de confianza del 95% y 99% (o 0.95 y 0.99) para S. El porcentaje de confianza se llama 77 de 110
79 también nivel de confianza. Los números 1.96, 2.58, etc., de los limites de confianza se llaman coeficientes de confianza o valores críticos y se denotan por Z c. De los niveles de confianza se pueden obtener los coeficientes de confianza, y recíprocamente. En la tabla 9-1 se dan los valores de Z c que corresponden a distintos niveles de confianza utilizados en la practica. Para niveles de confianza que no se encuentran en la tabla, los valores de Z c pueden sacarse de las tablas de la curva normal. Nivel de confianza 99.73% 99% 98% 96% 95.45% 95% 90% 80% 68.27% 50% Z c Sistemas de Medias por Intervalos de Confianza Si el estadístico S es la media muestral X, entonces los limites de confianza del 95% y 99% para la estimación de la media poblacional μ, vienen dados por X ± 1.96σx, respectivamente. Mas generalmente, los límites de confianza son dados por X ± z c σ x, donde z c depende del nivel de confianza que en cada caso se desee y pueda 78 de 110
80 obtenerse de la tabla anterior. Utilizando los valores de σ x, y se puede ver que los limites de confianza para la medida poblacional vienen dados por _ X ± z c _ σ N En el caso del muestreo de una población infinita o si el muestreo es con remplazamiento en una población finita, y por Np - N X ± z c σ N Np 1 Si el muestreo es sin remplazamiento de una población finita de tamaño Np. En general la desviación típica poblacional σ es desconocida, de modo que para obtener los limites de confianza anteriores, se utiliza la estima muestral s o s. Esto suministra una aproximación satisfactoria para N 30. Para N < 30, la aproximación es mala y debe emplearse la teoría de pequeñas muestras. 79 de 110
81 Intervalos de Confianza para Proporciones. Si el estadístico S es la proporción de éxitos en una muestra del tamaño N extraída de una población binominal en la que p es la proporción de éxito (es decir, la probabilidad de éxito), los limites de confianza para p vienen dados por P _+ zcσp, es la proporción de éxitos en la muestra de tamaño N con los valores obtenidos de σp, se tiene que los limites de confianza para la proporción poblacional son dados por: P ± z c pq = P ± z c p(1 - p) N N Para el caso de muestreo en una población infinita, o con remplazamiento de una población finita, y por Pq Np N P ± z c N Np 1 Si el muestreo es sin remplazamiento en una población finita de tamaño Np. Para calcular estos limites de confianza puede utilizarse la estima muestral P para p, que generalmente da una aproximación satisfactoria para N de 110
82 Intervalos de Confianza para Diferencias y Sumas. Si S 1 y S 2 son dos estadísticos con distribución muestral aproximadamente normales, los limites de confianza para la diferencia de los parámetros poblacionales a S 1 y S 2 vienen dados por S 1 S 2 _+ zcσs1 s 2 = S 1 S 2 ± z c σ 2 s 1 + σ 2 s 2 Mientras que los limites de confianza para la suma de los parámetros poblacionales son S 1 + S2 _+ zcσs1+s2 = S 1 + S 2 ± z c σ 2 s 1 +σ 2 s 2 Con tal de que las muestras sean independientes. Por ejemplo, los limites de confianza para la diferencia de dos medias poblacionales, en el caso de que las poblaciones sean infinitas, vienen dados por σ2 σ2 X 1 X 2 ± z c σ x1 x 2 = X 1 x 2 ± z c 1 2 N 1 N 2 Donde X 1, σ 1, N 1 y X 2, σ 2, N 2 son las respectivas medias, desviaciones típicas y tamaños de las dos muestras extraídas de las poblaciones. 81 de 110
83 Análogamente, los limites de confianza para la diferencia de dos proporciones poblacionales, siendo las poblaciones infinitas, son dados por P 1 (1 p 1 ) P 2 (1 P 2 ) P 1 P 2 ± z c σ p1 p2 = p 1 p 2 ± z c N 1 N Intervalos de Confianza para Desviaciones Típicas. Los limites para las desviaciones típicas σ de una población que se distribuye normalmente y que es estimada por una muestra con desviación típica s, son dados por s ± z c σ s = s ± z c σ. 2N Para calcular estos limites de confianza se utiliza s o s para estimar σ Error Probable. Los limites de confianza del 50% de los parámetros de la población, correspondientes a un estadístico S son dados por S ± σs. La cantidad σs se conoce como error probable de la estima. 82 de 110
84 3.5.- Ejercicios La media y la desviación típica de las cargas máximas soportadas por 60 cables son dados por ton. Y 0.73 ton., respectivamente. Hallar los límites de confianza del (a) 95% y (b) 99% para la media de las cargas máximas de todos los cables producidos por la compañía. POBLACION INFINITA. Todas las cargas maximas de todos los cables. 60 Cables. X = ton. Q = 0.73 ton. A) 95% Q Me = X + Z c = Media Poblacional. - N Me = ton. ± 1.96 (0.73 ton. / 60 ) Me = ton. ± 1.96 (0.73 ton. / ) Me = ton. ± 1.96 ( ) Me = ton. ± Me = [10.90, 11.27] 83 de 110
85 B) 99% Me = ton. ± 2.58 (0.73 ton. / 60 ) Me = ton. ± 2.58 (0.73 ton. / ) Me = ton. ± 2.58 ( ) Me = ton. ± Me = [10.90, 11.33] C) 50% Me = ton. ± (0.73 ton. / 60 ) Me = ton. ± (0.73 ton. / ) Me = ton. ± ( ) Me = ton. ± Me = [10.90, 11.15] 84 de 110
86 La media de la desviación típica de los diámetros de una muestra de 250 remaches fabricados por una compañía son pulgadas y pulgadas respectivamente hallar los limites de confianza del (a) 99% (b) 98% (c) 95% (d) 90% para el diámetro medio de todos los remaches fabricados por la compañía. M = 250 X = Q = A) 99% Me = ton. ± 2.58 ( ton. / 250 ) Me = ton. ± 2.58 ( ton. / ) Me = ton. ± 2.58 ( ) Me = ton. ± Me = [ , B) 98% Me = ton. ± 2.33 ( ton. / 250 ) Me = ton. ± 2.33 ( ton. / ) Me = ton. ± 2.33 ( ) Me = ton. ± Me = [0.72, 0.72] 85 de 110
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 detallesEduardo Kido 26-Mayo-2004 ANÁLISIS DE DATOS
ANÁLISIS DE DATOS Hoy día vamos a hablar de algunas medidas de resumen de datos: cómo resumir cuando tenemos una serie de datos numéricos, generalmente en variables intervalares. Cuando nosotros tenemos
Más detallesESTIMACIÓN. 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 detalles8.2.2. 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 detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES PAUTA DE CORRECCIÓN: PRUEBA PARCIAL N o 2 Profesor: Hugo S. Salinas. Primer Semestre 20. El gerente
Más detallesT.1 CONVERGENCIA Y TEOREMAS LÍMITE
T.1 CONVERGENCIA Y TEOREMAS LÍMITE 1. CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIA CONVERGENCIA CASI-SEGURA CONVERGENCIA EN PROBABILIDAD CONVERGENCIA EN MEDIA CUADRÁTICA CONVERGENCIA EN LEY ( O DISTRIBUCIÓN)
Más detallesEJERCICIOS RESUELTOS TEMA 3
EJERCICIOS RESUELTOS TEMA 3 Observación: En todos los ejercicios se ha puesto A, como notación de contrario de A. Ejercicio nº 1.- En una urna hay 15 bolas numeradas de 2 al 16. Extraemos una bola al azar
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 7 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD OPCIÓN A
OPCIÓN A (3 puntos) Una imprenta local edita periódicos y revistas. Para cada periódico necesita un cartucho de tinta negra y otro de color, y para cada revista uno de tinta negra y dos de color. Si sólo
Más detallesNÚMEROS NATURALES Y NÚMEROS ENTEROS
NÚMEROS NATURALES Y NÚMEROS ENTEROS Los números naturales surgen como respuesta a la necesidad de nuestros antepasados de contar los elementos de un conjunto (por ejemplo los animales de un rebaño) y de
Más detallesLección 24: Lenguaje algebraico y sustituciones
LECCIÓN Lección : Lenguaje algebraico y sustituciones En lecciones anteriores usted ya trabajó con ecuaciones. Las ecuaciones expresan una igualdad entre ciertas relaciones numéricas en las que se desconoce
Más detallesSoluciones de los ejercicios de Selectividad sobre Probabilidad de Matemáticas Aplicadas a las Ciencias Sociales II
Soluciones de los ejercicios de Selectividad sobre Probabilidad de ntonio Francisco Roldán López de Hierro * Convocatoria de 2007 Las siguientes páginas contienen las soluciones de los ejercicios propuestos
Más detallesEJERCICIOS RESUMEN. Aplicación: INFERENCIA ESTADÍSTICA. Nota técnica preparada por: Mayte Zaragoza Benítez Fecha: 13 de mayo de 2013
Aplicación: INFERENCIA ESTADÍSTICA EJERCICIOS RESUMEN Nota técnica preparada por: Mayte Zaragoza Benítez Fecha: 13 de mayo de 2013 Página1 DESCRIP Ejercicio 1 Los siguientes son los números de cambios
Más detallesTema 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 detallesCapítulo 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 detallesSelectividad 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 detallesTema 1. Inferencia estadística para una población
Tema 1. Inferencia estadística para una población Contenidos Inferencia estadística Estimadores puntuales Estimación de la media y la varianza de una población Estimación de la media de la población mediante
Más detallesInferencia 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 detallesINFERENCIA 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 detallesTema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice
Tema 1: Fundamentos de lógica, teoría de conjuntos y estructuras algebraicas: Apéndice 1 Polinomios Dedicaremos este apartado al repaso de los polinomios. Se define R[x] ={a 0 + a 1 x + a 2 x 2 +... +
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA DE TRABAJO 2 Profesor: Hugo S. Salinas. Primer Semestre 2010 1. La dureza Rockwell de un metal
Más detallesAsignatura: Econometría. Conceptos MUY Básicos de Estadística
Asignatura: Econometría Conceptos MUY Básicos de Estadística Ejemplo: encuesta alumnos matriculados en la UMH Estudio: Estamos interesados en conocer el nivel de renta y otras características de los estudiantes
Más detallesSelectividad Septiembre 2009 SEPTIEMBRE 2009. Opción A
SEPTIEMBRE 2009 Opción A 1.- Como cada año, el inicio del curso académico, una tienda de material escolar prepara una oferta de 600 cuadernos, 500 carpetas y 400 bolígrafos para los alumnos de un IES,
Más detallesTEMA 4. MODELOS DE PROBABILIDAD DISCRETOS
TEMA 4. MODELOS DE PROBABILIDAD DISCRETOS 4.1 Distribución binomial 4.1.1 Definición. Ejemplos 4.1.2 La media y la varianza 4.1.3 Uso de tablas 4.1.4 Aditividad 4.2 Distribución de Poisson 4.2.1 Definición.
Más detallesTema 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 detalles13Soluciones a los ejercicios y problemas PÁGINA 280
Soluciones a los ejercicios y problemas PÁGINA 0 Pág. P RACTICA Muy probable, poco probable Tenemos muchas bolas de cada uno de los siguientes colores: negro (N), rojo (R), verde (V) y azul (A), y una
Más detallesDistribuciones discretas. Distribución Binomial
Boletín: Distribuciones de Probabilidad IES de MOS Métodos estadísticos y numéricos Distribuciones discretas. Distribución Binomial 1. Una urna contiene 3 bolas blancas, 1 bola negra y 2 bolas azules.
Más detallesMATEMÁTICAS aplicadas a las Ciencias Sociales II
MATEMÁTICAS aplicadas a las Ciencias Sociales II UNIDAD 1: SISTEMAS DE ECUACIONES. MÉODO DE GAUSS Sistemas de ecuaciones lineales Sistemas equivalentes. Transformaciones que mantienen la equivalencia.
Más detallesExplicación 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 detallesRelación de problemas: Variables aleatorias
Estadística y modelización. Ingeniero Técnico en Diseño Industrial. Relación de problemas: Variables aleatorias 1. Se lanza tres veces una moneda y se observa el número de caras. (a) Calcula la distribución
Más detallesEjercicios Resueltos de Teorema Central de Límite (TCL) Ejercicios 1 y 2: Resolución de Ejercicios propuestos del Tema 5.
EJERCICIOS DE PROBABILIDAD EJERCICIOS ADECUADOS PARA SECUNDARIA O BACHILLER TITULO: AUTOR: Ejercicios Resueltos de Teorema Central de Límite (TCL) JUAN VICENTE GONZÁLEZ OVANDO Ejercicio 15: Ejercicios
Más detallesMADRID / JUNIO 06 LOGSE / MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES / OPCIÓN A/ EXAMEN COMPLETO
EXAMEN COMPLETO INSTRUCCIONES GENERALES Y VALORACIÓN INSTRUCCIONES: El examen presenta dos opciones: A y B. El alumno deberá elegir una de ellas y contestar razonadamente a los cuatro ejercicios de que
Más detallesTema 9 Estadística Matemáticas B 4º E.S.O. 1 TABLAS DE FRECUENCIAS Y REPRESENTACIONES GRÁFICAS EN VARIABLES DISCRETAS
Tema 9 Estadística Matemáticas B º E.S.O. TEMA 9 ESTADÍSTICA TABLAS DE FRECUENCIAS Y REPRESENTACIONES GRÁFICAS EN VARIABLES DISCRETAS EJERCICIO : En un grupo de personas hemos preguntado por el número
Más detallesOPCIÓN A 0 1 X = 1 12. Podemos despejar la matriz X de la segunda ecuación ya que la matriz. 1 1 ; Adj 0 1 X =
Selectividad Junio 011 Pruebas de Acceso a las Universidades de Castilla y León MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES EJERCICIO Nº páginas Tablas OPTATIVIDAD: EL ALUMNO/A DEBERÁ ESCOGER UNO DE
Más detallesREPASO 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 detallesERRORES CONCEPTUALES DE ESTADÍSTICA EN ESTUDIANTES
ERRORES CONCEPTUALES DE ESTADÍSTICA EN ESTUDIANTES DE BÁSICA PRIMARIA EN LA CIUDAD DE PEREIRA José R. Bedoya Universidad Tecnológica de Pereira Pereira, Colombia La formación estadística en la ciudadanía,
Más detallesCUESTIONES DE AUTOEVALUACIÓN (TEMA 1)
CUESTIONES DE AUTOEVALUACIÓN (TEMA 1) Cuestiones de Verdadero/Falso 1. Un estadístico es una característica de una población. 2. Un parámetro es una característica de una población. 3. Las variables discretas
Más detalles12 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 detalles1. 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 detalles5. 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 detallesMétodos generales de generación de variables aleatorias
Tema Métodos generales de generación de variables aleatorias.1. Generación de variables discretas A lo largo de esta sección, consideraremos una variable aleatoria X cuya función puntual es probabilidad
Más detallesUniversidad del País Vasco
Universidad del País Vasco eman ta zabal zazu Euskal Herriko Unibertsitatea INSTRUCCIONES. El examen consta de 50 cuestiones. Hay una única respuesta correcta para cada cuestión. Las cuestiones respondidas
Más detallesINSTITUTO VALLADOLID PREPARATORIA página 9
INSTITUTO VALLADOLID PREPARATORIA página 9 página 10 FACTORIZACIÓN CONCEPTO Para entender el concepto teórico de este tema, es necesario recordar lo que se mencionó en la página referente al nombre que
Más detallesMATEMÁTICAS CON LA HOJA DE CÁLCULO
MATEMÁTICAS CON LA HOJA DE CÁLCULO Podemos dar a esta aplicación un uso práctico en el aula de Matemáticas en varios sentidos: Como potente calculadora: sucesiones, límites, tablas estadísticas, parámetros
Más detallesMatemáticas 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 detallesEJERCICIOS DE PROBABILIDAD
EJERCICIOS DE PROBABILIDAD 1. Se extrae una carta de una baraja española, calcula la probabilidad de que: a) Sea un rey; b) Sea un oro; c) Sea el rey de oros; d) Sea un rey o un oros; e) Sea un rey o una
Más detallestodas 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 detallesClase 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 detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesEstimación. Intervalos de Confianza para la Media y para las Proporciones
Estimación. Intervalos de Confianza para la Media y para las Proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Estimación El objetivo
Más detallesMOOC UJI: La Probabilidad en las PAU
3. Definición intuitiva de probabilidad: ley de Laplace La palabra probabilidad, que usamos habitualmente, mide el grado de creencia que tenemos de que ocurra un hecho que puede pasar o no pasar. Imposible,
Más detallesINFERENCIA 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 detallesMatrices Invertibles y Elementos de Álgebra Matricial
Matrices Invertibles y Elementos de Álgebra Matricial Departamento de Matemáticas, CCIR/ITESM 12 de enero de 2011 Índice 91 Introducción 1 92 Transpuesta 1 93 Propiedades de la transpuesta 2 94 Matrices
Más detallesUNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES GUÍA 2: PROBABILIDADES Profesor: Hugo S. Salinas Segundo Semestre 2010 1. Describir el espacio muestral
Más detalles7.- PRUEBA DE HIPOTESIS
7.- PRUEBA DE HIPOTEI 7.1. INTRODUCCIÓN La estadística inferencial es el proceso de usar la información de una muestra para describir el estado de una población. in embargo es frecuente que usemos la información
Más detalles1.4 Cálculo de Probabilidades con Métodos de Conteo. Considerere un espacio muestral finito,
1 1.4 Cálculo de Probabilidades con Métodos de Conteo Considerere un espacio muestral finito, y defina, Luego, Ω = {ω 1,..., ω n }, P ({ω i }) = p i, i = 1,..., n P (A) = ω i A p i, A Ω Ω se dice equiprobable
Más detallesTema 07. LÍMITES Y CONTINUIDAD DE FUNCIONES
Tema 07 LÍMITES Y CONTINUIDAD DE FUNCIONES Límite de una función en un punto Vamos a estudiar el comportamiento de las funciones f ( ) g ( ) ENT[ ] h ( ) i ( ) en el punto Para ello, damos a valores próimos
Más detallesIntroducción a la Teoría de Probabilidad
Capítulo 1 Introducción a la Teoría de Probabilidad Para la mayoría de la gente, probabilidad es un término vago utilizado en el lenguaje cotidiano para indicar la posibilidad de ocurrencia de un evento
Más detallesTema 3. Concepto de Probabilidad
Tema 3. Concepto de Probabilidad Presentación y Objetivos. El Cálculo de Probabilidades estudia el concepto de probabilidad como medida de incertidumbre. En situaciones donde se pueden obtener varios resultados
Más detallesTema 7: Estadística y probabilidad
Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro
Más detalles5 Ecuaciones lineales y conceptos elementales de funciones
Programa Inmersión, Verano 206 Notas escritas por Dr. M Notas del cursos. Basadas en los prontuarios de MATE 300 y MATE 3023 Clase #6: martes, 7 de junio de 206. 5 Ecuaciones lineales y conceptos elementales
Más detallesSoluciones de los ejercicios de Selectividad sobre Probabilidad de Matemáticas Aplicadas a las Ciencias Sociales II
Soluciones de los ejercicios de Selectividad sobre Probabilidad de Antonio Francisco Roldán López de Hierro * Convocatoria de 2008 Las siguientes páginas contienen las soluciones de los ejercicios propuestos
Más detallesLección 1-Introducción a los Polinomios y Suma y Resta de Polinomios. Dra. Noemí L. Ruiz Limardo 2009
Lección 1-Introducción a los Polinomios y Suma y Resta de Polinomios Dra. Noemí L. Ruiz Limardo 2009 Objetivos de la Lección Al finalizar esta lección los estudiantes: Identificarán, de una lista de expresiones
Más detallesTEMA 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 detallesClase 4: Probabilidades de un evento
Clase 4: Probabilidades de un evento Definiciones A continuación vamos a considerar sólo aquellos experimentos para los que el EM contiene un número finito de elementos. La probabilidad de la ocurrencia
Más detallesTema 2 Límites de Funciones
Tema 2 Límites de Funciones 2.1.- Definición de Límite Idea de límite de una función en un punto: Sea la función. Si x tiende a 2, a qué valor se aproxima? Construyendo - + una tabla de valores próximos
Más detallesOBJETIVOS CONTENIDOS PROCEDIMIENTOS
008 _ 0-048.qxd 9/7/08 9:07 Página 405 4 Probabilidad INTRODUCCIÓN En la vida cotidiana tienen lugar acontecimientos cuya realización es incierta y en los que el grado de incertidumbre es mayor o menor
Más detallesProbabilidad. Relación de problemas 5
Relación de problemas 5 Probabilidad 1. Una asociación consta de 14 miembros, de los cuales 6 son varones y 8 son mujeres. Se desea seleccionar un comité de tres hombres y tres mujeres. Determinar de cuántas
Más detallesSelectividad Junio 2008 JUNIO 2008 PRUEBA A
Selectividad Junio 008 JUNIO 008 PRUEBA A 3 a x + a y =.- Sea el sistema: x + a y = 0 a) En función del número de soluciones, clasifica el sistema para los distintos valores del parámetro a. b) Resuélvelo
Más detallesR PRÁCTICA II. Probabilidad-Variables Aleatorias. Probabilidad
R PRÁCTICA II Probabilidad-Variables Aleatorias Sección II.1 Probabilidad 15. En el fichero sintomas.dat se encuentran 9 columnas con los resultados de una estadística médica. Cada columna corresponde
Más detallesTEMA 2 EXPERIMENTOS ALEATORIOS Y CÁLCULO DE PROBABILIDADES
TEMA 2 EXPERIMENTOS ALEATORIOS Y CÁLCULO DE PROBABILIDADES EXPERIMENTOS: EJEMPLOS Deterministas Calentar agua a 100ºC vapor Soltar objeto cae Aleatorios Lanzar un dado puntos Resultado fútbol quiniela
Más detallesTEMA 5. MUESTREO PARA LA ACEPTACIÓN.
TEMA 5. MUESTREO PARA LA ACEPTACIÓN. Introducción. Planes de muestreo por atributos simple, doble, múltiple y rectificativos Dodge-Romig, Norma militar 1000STD-105D. Pautas a seguir para el cambio de rigor
Más detallesMATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II
MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 2º BACHILLERATO (Modalidad: Humanidades y Ciencias Sociales) Desarrollado en Decreto 67/2008, de 19 de junio. B.O.C.M.: 27 de junio de 2008. PROGRAMACIÓN
Más detallesOtras medidas descriptivas usuales
Tema 7 Otras medidas descriptivas usuales Contenido 7.1. Introducción............................. 1 7.2. Medidas robustas.......................... 2 7.2.1. Media recortada....................... 2 7.2.2.
Más detallesTema 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 detallesEn 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 detallesMétodos estadísticos y numéricos Contraste de hipótesis pag. 1 PROBLEMAS RESUELTOS DE CONTRASTE DE HIPÓTESIS
Métodos estadísticos y numéricos Contraste de hipótesis pag. 1 PROBLEMA REUELTO DE CONTRATE DE HIPÓTEI 1 Un investigador quiere contrastar si el peso medio de ciertas hortalizas está en los 1,9 Kg. que
Más detallesINFERENCIA ESTADISTICA: CONTRASTE DE HIPÓTESIS
UNIVERSIDAD CENTROCCIDENTAL LISANDRO ALVARADO DECANATO DE MEDICINA DEPARTAMENTO DE MEDICINA PREVENTIVA Y SOCIAL SECCIÓN DE EPIDEMIOLOGÍA-BIOESTADÍSTICA INFERENCIA ESTADISTICA: CONTRASTE DE HIPÓTESIS Objetivo:
Más detallesUNIDAD I NÚMEROS REALES
UNIDAD I NÚMEROS REALES Los números que se utilizan en el álgebra son los números reales. Hay un número real en cada punto de la recta numérica. Los números reales se dividen en números racionales y números
Más detallesTest ( o Prueba ) de Hipótesis
Test de Hipótesis 1 Test ( o Prueba ) de Hipótesis Ejemplo: Una muestra de 36 datos tiene una media igual a 4.64 Qué puede deducirse acerca de la población de donde fue tomada? Se necesita contestar a
Más detalles"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 detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Universidad de Cádiz Departamento de Matemáticas MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Tema 4 La recta en el plano Elaborado por la Profesora Doctora María Teresa
Más detallesINFERENCIA 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 detallesCORRELACIÓN Y PREDICIÓN
CORRELACIÓN Y PREDICIÓN 1. Introducción 2. Curvas de regresión 3. Concepto de correlación 4. Regresión lineal 5. Regresión múltiple INTRODUCCIÓN: Muy a menudo se encuentra en la práctica que existe una
Más detallesProblemas a la carta
Problemas a la carta Enseñanza Alfinio Flores Peñafiel y Nora G. Ramírez Arizona State University Maricopa Community Colleges resumen Se presentan cinco problemas que pueden ser resueltos mediante la utilización
Más detallesx 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 detallesÍNDICE. Ficha técnica... 4. Encuesta y cuestionario... 6. Finalidad y resultados de la encuesta... 10 10. Primera parte: conocimiento...
ÍNDICE Ficha técnica... 4 Encuesta y cuestionario... 6 Finalidad y resultados de la encuesta... 10 10 Primera parte: conocimiento... 12 Segunda parte: modo de conocimiento y valoración... 18 Tercera parte:
Más detalles2. Probabilidad. Estadística. Curso 2009-2010. Ingeniería Informática. Estadística (Aurora Torrente) 2. Probabilidad Curso 2009-2010 1 / 24
2. Probabilidad Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 2. Probabilidad Curso 2009-2010 1 / 24 Contenidos 1 Experimentos aleatorios 2 Algebra de sucesos 3 Espacios
Más detallesLíneas de espera. Introducción.
Líneas de espera. Introducción. En este capítulo se aplica la teoría de colas. Una Cola es una línea de espera y la teoría de colas es una colección de modelos matemáticos que describen sistemas de líneas
Más detallesTema 2: Estimación puntual
Tema 2: Estimación puntual 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: estimador y estimación Insesgadez
Más detalles1.3 Números racionales
1.3 1.3.1 El concepto de número racional Figura 1.2: Un reparto no equitativo: 12 5 =?. Figura 1.3: Un quinto de la unidad. Con los números naturales y enteros es imposible resolver cuestiones tan simples
Más detallesPRUEBAS 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 detallesESTIMACION 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 detallesVariables aleatorias continuas
Variables aleatorias continuas Hemos definido que una variable aleatoria X es discreta si I X es un conjunto finito o infinito numerable. En la práctica las variables aleatorias discretas sirven como modelos
Más detallesNombre...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 detallesLA MEDIDA Y SUS ERRORES
LA MEDIDA Y SUS ERRORES Magnitud, unidad y medida. Magnitud es todo aquello que se puede medir y que se puede representar por un número. Para obtener el número que representa a la magnitud debemos escoger
Más detallesUNIDAD 4 PROCESOS DE MARKOV
UNIDAD 4 PROCESOS DE MARKOV Anteriormente se han cubierto modelos estáticos, esto es, modelos cuyos parámetros permanecen sin cambio a través del tiempo. Con excepción de programación dinámica donde se
Más detallesSENA: CENTRO BIOTECNOLOGIA INDUSTRIAL PROGRAMA DE FORMACIÓN: TECNOLOGO GESTION LOGISTICA
Por población o universo se entiende como un conjunto de medidas, cuando estas son aplicadas a una característica cuantitativa, o como el recuento de todas las unidades que presentan una característica
Más detallesPARTE 1 PROBLEMAS PROPUESTOS FACTORIAL. 2. 31 Calcular:
PARTE 1 FACTORIAL 2. 31 Calcular: PROBLEMAS PROPUESTOS i. 9!, (9)(8)(7)(6)(5)(4)(3)(2)(1) = 362880 ii. 10! (10)(9)(8)(7)(6)(5)(4)(3)(2)(1) = 3628800 iii. 11! (11)(10)(9)(8)(7)(6)(5)(4)(3)(2)(1) = 39916800
Más detallesEstructuras de Datos y Algoritmos
Estructuras de Datos y Algoritmos Año 205 Deducción de algunos esfuerzos para una Distribución pseudo-aleatoria de datos Introducción Vamos a desarrollar algunos de los esfuerzos para estructuras que utilizan
Más detalles