5.3. Distribuciones Derivadas de la Normal
|
|
- Lorena Naranjo Hidalgo
- hace 6 años
- Vistas:
Transcripción
1 5.3. Distribuciones Derivadas de la Normal El propósito de esta sección es enunciar varios teoremas importantes que nos dirán que realizando diferentes transformaciones de la v.a. normal podremos obtener variables aleatorias como la Ji-cuadrada, la T de Student ó la F de Fisher. Más adelante en los capítulos de Intervalos de Confianza y Pruebas de Hipótesis estas transformaciones serán esenciales para entender los métodos que desarrollaremos. Además, también definiremos los cuantiles de cada una de estas distribuciones y mostraremos la forma de calcularlos utilizando R. Sabemos que si Z N(0,) entonces a partir de ella podemos calcular cualquier probabilidad para cualquier X N(µ,σ 2 ), pues Z = X µ. Anteriormente vimos que utilizando R si buscamos Φ(z) para algún z R, σ podemos usar la función pnorm de la siguiente forma: Φ(z) = F Z (z) = P Z (Z z) = pnorm(z,0,) Además de la probabilidad acumulada, otra cantidad importante son los cuantiles (o percentiles) de la distribución normal estándar. Si Z N(0,) y (0,) sea z el número real que cumple con P(Z > z ) = Φ(z ) = (5.) a z se le llama el 00() percentil ó cuantil de la distribución normal estándar. De 5. vemos que para encontrar el percentil z, podemos despejar Φ(z ), de donde Φ(z ) = y buscar en tablas de la distribución normal estándar el valor z que acumule una probabilidad de. En R podemos calcular z haciendo lo siguiente. El valor z tal que Φ(z ) =, se encuentra directamente con la función z = qnorm(,0,). Por ejemplo si queremos calcular z 0.025, entonces = = 0.975, utilizando la función de R z = qnorm(0.975,0,).96 Y podemos verificar lo anterior de forma muy sencilla Φ(.96) = pnorm(.96, 0, ) De forma general podemos representar al cuantil z como se muestra en la Figura 5.. fz(z) z z Figura 5.: Cuantil z de la normal estándar
2 De la Figura 5. podemos ver claramente el significado del cuantil z. A la izquierda de z hay un área de y a la derecha de z hay un área de. Vamos a pasar a la primer distribución derivada de la normal. Teorema Si Z,Z 2,...,Z n son n variables aleatorias independientes N(0,), entonces n Zi 2 χ 2 n (5.2) i= En donde χ 2 n es una Ji-cuadrada con n grados de libertad. Del Teorema se puede ver que si se tiene una sola v.a. Z N(0,), entonces Z 2 = χ 2 Si W es una v.a. χ 2 n entonces para toda (0,) la cantidad χ 2,n se define P(W > χ 2,n) = P(W χ 2,n) = (5.3) a χ 2,n se le llama el 00( ) percentil ó cuantil de la distribución Ji-cuadrada con n grados de libertad. El significado del cuantil para la Ji-cuadrada con n grados de libertad es exactamente el mismo que para la normal estándar. Esto se muestra en la Figura 5.2 fw(w) 2 χ,n w Figura 5.2: Cuantil χ 2,n de la Ji-cuadrada con n grados de libertad Para calcular los cuantiles de la Ji-cuadrada en R vemos que de la ecuación 5.3, se tiene que P(W χ 2,n) =, entonces el número real χ 2,n que satisface esta ecuación lo calculamos de la siguiente forma χ 2,n = qchisq(,n) Como comentario final acerca de la Ji-cuadrada, sólo tenemos que hacer notar que los valores que la v.a. χ 2 n son todos no negativos pues esta distribución se origina a partir del elevar al cuadrado la normal estándar y sabemos 2
3 que x 2 0 x R. Por lo que con esta distribución jamas tendremos que preocuparnos por los valores negativos. Nuestra siguiente distribución se origina a partir de una transformación de normal estándar y la Ji-cuadrada. Teorema 2 Si Z N(0,), W χ 2 n y además Z y W son v.a. independientes, entonces Z W/n T n En donde T n es la v.a. T de Student con n grados de libertad. La v.a. T de Student se comporta de forma muy parecida a la normal y puede tomar el valor de cualquier número real. De hecho T n para n suficientemente grande y la normal estándar son casi la misma distribución. De este comentario tenemos que la v.a. T n es simétrica y por lo tanto P(T n < t) = P(T n > t) = P(T n t) t R Si T es una v.a. T n entonces para toda (0,) la cantidad t,n se define P(T > t,n ) = P(T t,n ) = (5.4) a t,n se le llama el 00() percentil ó cuantil de la distribución T de Student con n grados de libertad. En R t,n se puede calcular de la siguiente forma t,n = qt(,n) Los cuantiles t,n se puede interpretar viendo la Figura 5.3 ft(t) t,n t Figura 5.3: Cuantil t 2,n de la T de Student con n grados de libertad Por último en esta parte vamos a escribir el teorema que origina la distribución F de Fisher. 3
4 Teorema 3 Si χ 2 n y χ 2 m son dos variables aleatorias independientes con n y m grados de libertad, respectivamente, entonces χ 2 n/n χ 2 m/m F n,m En donde a la v.a. F n,m se le conoce como la F de Fisher con n y m grados de libertad. Una propiedad importante de la F se desprende del teorema anterior F m,n = F n,m. Si F es una v.a. F n,m entonces para toda (0,) la cantidad f,n,m se define P(F > f,n,m ) = P(F f,n,m ) = (5.5) a f,n,m se le llama el 00() percentil ó cuantil de la distribución F de Fisher con n y m grados de libertad. Para calcular el cualtil f,n,m en R lo hacemos de ls siguiente manera f,n,m = qf(,n,m) Para llevar la misma secuencia que en la definición de los cuantiles anteriores, se muestra la Figura 5.4 para tener una interpretación de f,n,m. gf(f) f,n,m f Figura 5.4: Cuantil f,n,m de la F de Fisher con n y m grados de libertad Para cerrar esta sección enunciaremos dos corolarios que hacen uso de los teoremas anteriores. Corolario Sea X,X 2,...,X n una m.a. de una población N(µ,σ 2 ) Como X N(µ, σ2 n ) Z = X µ σ/ N(0,) (Justificación en clase) n Y = n σ 2 i= (X i X) 2 = (n )S2 σ χ 2 2 n (Justificación en clase) V = Z = n( X µ) Y/n S T 2 n (Del Teorema 2 y clase pues S 2 y X son independientes) 4
5 El corolario nos servirá para construir intervalos de confianza y pruebas de hipótesis para µ. Corolario 2 Sea X,X 2,...,X n una m.a. de una población N(µ,σ) 2 y Y,Y 2,...,Y m una m.a. de una población N(µ 2,σ2), 2 por el corolario se tiene que W = n σ 2 i= (X i X) 2 = (n )S 2 σ 2 X χ2 n y W 2 = m σ2 2 i= (Y i Ȳ )2 = (m )S 2 σ2 2 Y χ2 m, si las muestras aleatorias son independientes una de otra entonces W y W 2 son independientes una de otra y por el teorema 3 G = W /n W 2 /m = σ 2 S 2 X σ 2 2 S 2 Y F n,m El corolario 2 nos servirá más adelante para construir intervalos de confianza y pruebas de hipótesis acerca del cociente de varianza de dos poblaciones normales. Es muy importante que el estudiante además de saber cómo se calculan los cuantiles de cada distribución en R también sepa hacerlo utilizando tablas, esto principalmente porque el examen se realizará utilizando tablas, aunque en la práctica el uso de R será el más conveniente. 5
Tema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
Más detallesTema 4: Estimación por intervalo (Intervalos de Confianza)
Tema 4: Estimación por intervalo (Intervalos de Confianza (a partir del material de A. Jach (http://www.est.uc3m.es/ajach/ y A. Alonso (http://www.est.uc3m.es/amalonso/ 1 Planteamiento del problema: IC
Más detallesESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad : Normal, Ji-cuadrado, t de student
Más detallesEstadística I Tema 7: Estimación por intervalos
Estadística I Tema 7: Estimación por intervalos Tema 7: Estimación por intervalos Ideas a transmitir Definición e interpretación frecuentista. Intervalos de confianza para medias y varianzas en poblaciones
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesCap. 5 : Distribuciones muestrales
Cap. 5 : Distribuciones muestrales Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 18 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más 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 detallesEjemplos Resueltos Tema 4
Ejemplos Resueltos Tema 4 01 1. Intervalo de Confianza para la Media µ (con σ conocida Dada una muestra de tamaño n, para un nivel de confianza 1-α y la desviación típica de la población σ, el Intervalo
Más detallesTH. DE CHEBYSHEV DISTRIB. NORMAL.
f ( x) 1 2 2 ( x) e 2 2 TH. DE CHEBYSHEV DISTRIB. NORMAL El Desvío Estándar y el Teorema de Chebyshev Es conocida en el área de la probabilidad y estadística, la desigualdad de Chebyshev, matemático Ruso
Más detallesTema 7: Introducción a la Teoría sobre Estimación
Tema 7: Introducción a la Teoría sobre Estimación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Introducción a la Teoría sobre Estimación
Más detallesTema 3: Estimación estadística de modelos probabilistas. (segunda parte)
Tema 3: Estimación estadística de modelos probabilistas. (segunda parte) Estructura de este tema: 1 Técnicas de muestreo y estimación puntual. 2. 3 Contrastes de hipótesis. Planteamiento del problema Sea
Más detallesManejo de las tablas
Manejo de las tablas Pedro González enero de 008 Las tablas descargadas corresponden a las siguientes funciones de distribución, cuyas definiciones y propiedades más importantes se muestran a continuación..
Más detallesTema 6. Variables aleatorias continuas. Distribución Normal
Tema 6. Variables aleatorias continuas. Distribución Normal Indice 1. Distribuciones de probabilidad continuas.... 2 2. Distribución Normal... 5 2.1. Distribución Normal estándar N(0,1).... 5 2.1.1 Utilización
Más detallesEstadísticas y distribuciones de muestreo
Estadísticas y distribuciones de muestreo D I A N A D E L P I L A R C O B O S D E L A N G E L 7/11/011 Estadísticas Una estadística es cualquier función de las observaciones en una muestra aleatoria que
Más detallesTema 1: Distribuciones en el muestreo
Tema 1: Distribuciones en el muestreo 1 (transparencias de A. Jach http://www.est.uc3m.es/ajach/) Muestras aleatorias Estadísticos Concepto de distribución muestral Media muestral Distribución muestral
Más detallesMODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO.
DISTRIBUCIÓN t Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza, en estos casos utilizamos la distribución de t de Student. Si el tamaño de la muestra es suficientemente
Más detallesDISTRIBUCION "F" FISHER
Imprimir INSTITUTO TECNOLOGICO DE CHIHUAHUA > DISTRIBUCION "F" FISHER La necesidad de disponer de métodos estadísticos para comparar las varianzas de dos poblaciones es evidente a partir
Más detallesDistribuciones unidimensionales continuas
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Distribución uniforme continua 2 Estándar 3 Distribución χ 2 de Pearson 4 Distribución uniforme continua Definición Es una variable continua
Más detallesTema 3. VARIABLES ALEATORIAS.
3..- Introducción. Tema 3. VARIABLES ALEATORIAS. Objetivo: Encontrar modelos matemáticos para el trabajo con probabilidad de sucesos. En particular, se quiere trabajar con funciones reales de variable
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
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 detallesFunciones de Variables Aleatorias. UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Funciones de Variables Aleatorias UCR ECCI CI-135 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción En los métodos estadísticos estándar, el resultado de la prueba
Más detallesI. Distribuciones discretas
Probabilidades y Estadística (M) Funciones de densidad o probabilidad puntual, esperanzas, varianzas y funciones características de las variables aleatorias más frecuentes I. Distribuciones discretas Distribución
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES PAUTA DE CORRECCIÓN PRUEBA N 3 Profesor: Hugo S. Salinas. Segundo Semestre 200. Se investiga el diámetro
Más detallesMuestreo e intervalos de confianza
Muestreo e intervalos de confianza Intervalo de confianza para la media (varianza desconocida) Intervalo de confinza para la varianza Grados en Biología y Biología sanitaria M. Marvá. Departamento de Física
Más detallesTema 8: Estimación por intervalos de confianza.
Estadística 84 Tema 8: Estimación por intervalos de confianza. 8.1 Introducción. Cuando tratamos la estimación puntual, uno de los problemas que se plantearon es que el valor de la estimación es sólo uno
Más detalles6.3. Distribuciones continuas
144 Bioestadística: Métodos y Aplicaciones Solución: Si consideramos la v.a. X que contabiliza el número de personas que padecen la enfermedad, es claro que sigue un modelo binomial, pero que puede ser
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más 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 detallesVariables aleatorias continuas
//2 Análisis de datos y gestión veterinaria Variables aleatorias continuas y distribuciones Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 8 de Noviembre de 2
Más detallesDISTRIBUCION JI-CUADRADA (X 2 )
DISTRIBUCION JI-CUADRADA (X 2 ) En realidad la distribución ji-cuadrada es la distribución muestral de s 2. O sea que si se extraen todas las muestras posibles de una población normal y a cada muestra
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 detallesMarzo 2012
Marzo 2012 http:///wpmu/gispud/ Para determinar la carga transferida a través del tiempo a un elemento, es posible hacerlo de varias formas: 1. Utilizando la ecuación de carga, evaluando en los tiempos
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 detalles1.- Lo primero que debemos hacer es plantear como hasta ahora la hipótesis nula y la alternativa
PRUEBA DE HIPÓTESIS PARA DIFERENCIA DE MEDIAS Introducción Como hemos visto hasta ahora ya sabemos cómo hacer inferencia sobre bases de datos para medias con valores conocidos y desconocidos de desviación
Más detalles( x) Distribución normal
Distribución normal por Oliverio Ramírez La distribución de probabilidad más importante es sin duda la distribución normal (o gaussiana), la cual es de tipo continuo. La distribución de probabilidad para
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesCurso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
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 detallesExamen Final A Total puntos: /100. Buena suerte y éxito! Utilice la siguiente información para responder a las preguntas 1 al 5.
Universidad de Puerto Rico, Recinto de Río Piedras Instituto de Estadística y Sistemas Computarizados de Información Estadísticas para administración de empresas (ESTA 3041) Nombre: Número de estudiante:
Más detallesVariables aleatorias continuas y Teorema Central del Limite
Variables aleatorias continuas y Teorema Central del Limite FaMAF 17 de marzo, 2015 Variables aleatorias continuas Definición Una variable aleatoria X se dice (absolutamente continua) si existe f : R R
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detallesGUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE.
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA. PROPIEDADES DE LOS ESTIMADORES MCO Bibliografía apartados.1,. y.3: Greene, 6.6.1, 6.6.3
Más detallesTécnicas de Inferencia Estadística II. Tema 2. Contrastes de hipótesis en poblaciones normales
Técnicas de Inferencia Estadística II Tema 2. Contrastes de hipótesis en poblaciones normales M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 2. Contrastes
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesEconometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
Más detallesPuntuaciones Estándarizadas, Distribución Normal y Aplicaciones. Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010
Puntuaciones Estándarizadas, Distribución Normal y Aplicaciones Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010 Objetivos de Lección Conocer características principales de una
Más detallesDepartamento de Matemática Aplicada a la I.T.T.
Departamento de Matemática Aplicada a la I.T.T. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EXAMEN FINAL Duración: horas Fecha: de Julio de Fecha publicación notas: -7- Fecha revisión examen: 8-7-
Más detallesMODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.
UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía
Más detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
Más detallesEVAU. Junio matematiib.weebly.com
Propuesta A 1A. x + a si x f(x) = { x + bx 9 si x > a) Se trata de una función definida a trozos a partir de dos funciones polinómicas, por lo que el único punto donde la función podría no ser continua
Más detallesConceptos del contraste de hipótesis
Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de
Más detallesVariable Aleatoria Continua. Principales Distribuciones
Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables
Más detallesMATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN. a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico.
MATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN 1. Conteste las preguntas siguientes: a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico. 1. 2. 3. 4. b. En
Más detallesImprimir INSTITUTO TECNOLOGICO DE CHIHUAHUA << Contenido >> UNIDAD III TEORIA DE PEQUEÑAS MUESTRAS O TEORIA EXACTA DEL MUESTREO
Imprimir INSTITUTO TECNOLOGICO DE CHIHUAHUA > UNIDAD III TEORIA DE PEQUEÑAS MUESTRAS O TEORIA EXACTA DEL MUESTREO En las unidades anteriores se manejó el uso de la distribución z, la cual
Más detallesTema 7 Intervalos de confianza Hugo S. Salinas
Intervalos de confianza Hugo S. Salinas 1 Introducción Hemos definido la inferencia estadística como un proceso que usa información proveniente de la muestra para generalizar y tomar decisiones acerca
Más detallesCuáles son las características aleatorias de la nueva variable?
Apuntes de Estadística II. Ingeniería Industrial. UCAB. Marzo 203 CLASES DE ESTADÍSTICA II CLASE 5) UNA TRANSFORMACIÓN DE DOS VARIABLES. Sea Z = g(, ) una función de las variables aleatorias e, tales que
Más detallesEXAMEN DE ESTADÍSTICA Septiembre 2011
EXAMEN DE ESTADÍSTICA Septiembre 2011 Apellidos: Nombre: DNI: GRUPO: 1. De una clase de N alumnos se tiene la siguiente información sobre las calificaciones obtenidas del 1 al 8 en una cierta asignatura
Más detallesCurso Práctico de Bioestadística Con Herramientas De Excel
Curso Práctico de Bioestadística Con Herramientas De Excel Fabrizio Marcillo Morla MBA barcillo@gmail.com (593-9) 4194239 Otras Publicaciones del mismo autor en Repositorio ESPOL Fabrizio Marcillo Morla
Más detalles3.3: DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS
3.3: DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS De la misma manera que estudiamos los modelos de distribuciones discretas de probabilidad, lo haremos para distribuciones de probabilidad.
Más detallesPRUEBAS DE BONDAD DE AJUSTE
PRUEBAS DE BONDAD DE AJUSTE Pruebas de bondad de ajuste xi cuadrada y Kolmogorov-Smirnov Facultad de Ciencias Químicas e Ingeniería, UAEM Simulación de Procesos Contenido Prueba de bondad de ajuste χ2...
Más detallesTema 3 Normalidad multivariante
Aurea Grané Máster en Estadística Universidade Pedagógica Aurea Grané Máster en Estadística Universidade Pedagógica Tema 3 Normalidad multivariante 3 Normalidad multivariante Distribuciones de probabilidad
Más detallesEstadística con. Práctica 3: Probabilidad. Introducción. 1. Modelos discretos. M. Iniesta Universidad de Murcia
Estadística con Práctica 3: Probabilidad Introducción En esta práctica vamos a tratar con los modelos de probabilidad más comunes, puesto que ellos pueden describir la mayoría de situaciones eperimentales.
Más detallesAsignatura : INFERENCIA ESTADÍSTICA I Titulación : DIPLOMADO EN ESTADÍSTICA Profesor : ISABEL MOLINA PERALTA Capítulo 5 : INTERVALOS DE CONFIANZA
Asignatura : INFERENCIA ESTADÍSTICA I Titulación : DIPLOMADO EN ESTADÍSTICA Profesor : ISABEL MOLINA PERALTA Capítulo 5 : INTERVALOS DE CONFIANZA Typeset by FoilTEX 5.1 MÉTODO DE LA CANTIDAD PIVOTAL X
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 detalles1) Características del diseño en un estudio de cohortes.
Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Estudios de cohortes CONCEPTOS CLAVE 1) Características del diseño en un estudio de cohortes. ) Elección del tamaño
Más detallesParte de las notas tomadas de: Prof. Edgar Acuña UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ
Estadística stica No Paramétrica Parte de las notas tomadas de: Prof. Edgar Acuña http://math.uprm math.uprm/edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ METODOS ESTADISTICOS
Más detallesSecuencias Aleatorias
Caminantes aleatorios. Secuencias Aleatorias Contenidos. Secuencias aleatorias. Caminantes aleatorios. Movimiento Browniano. La hipótesis de eficiencia de los mercados implica que la cotización de un título
Más detallesEstadística Inferencial. Sesión 4. Estimación por intervalos
Estadística Inferencial. Sesión 4. Estimación por intervalos Contextualización. Como se definió en la sesión anterior la estimación por intervalos es utilizada para medir la confiabilidad de un estadístico.
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesCap. 3 : Variables aleatorias
Cap. 3 : Variables aleatorias Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 16 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de sistemas,
Más detallesTécnicas de Muestreo Métodos
Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad
Más detallesCapítulo 1. Desigualdades
Capítulo 1 Desigualdades 1 Desigualdades Elordenenlosnúmerosreales Cuando discutimos sobre la belleza de dos artistas de cine, no siempre llegamos a un acuerdo, en gustos se rompen géneros ; en cambio,
Más detallesLECTURA 03: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT. MANEJO DE TABLAS ESTADISTICAS.
LECTURA 3: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT MANEJO DE TABLAS ESTADISTICAS 1 INTRODUCCION Se dice que una variable aleatoria T tiene una distribución t de
Más detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
Más detallesIntervalos de Confianza
Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de
Más detallesBioestadística. El resultado de un experimento aleatorio puede ser descrito en ocasiones como una cantidad numérica.
Bioestadística Tema 5: Modelos probabilísticos Tema 5: Modelos probabilísticos 1 Variable aleatoria El resultado de un experimento aleatorio puede ser descrito en ocasiones como una cantidad numérica.
Más detallesCaso particular: Contraste de homocedasticidad
36 Bioestadística: Métodos y Aplicaciones 9.5.5. Caso particular: Contraste de homocedasticidad En la práctica un contraste de gran interés es el de la homocedasticidad o igualdad de varianzas. Decimos
Más detallesCapítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved
Capítulo 37 Distribución de probabilidad normal 2010 Pearson Prentice Hall. All rights 2010 reserved Pearson Prentice Hall. All rights reserved La distribución de probabilidad uniforme Hasta ahora hemos
Más detallesRepaso de Probabilidad y Estadística
Repaso de Probabilidad y Estadística Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2011 Probabilidad 2 Definición.............................................................
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 detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Recuerdo que Conceptos estadísticos Población y muestra Población es una colección de posibles individuos, especímenes, objetos o medidas de interés sobre
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesb) dado que es en valor absoluto será el área entre -1,071 y 1,071 luego el resultado será F(1,071)-(1-F(1,071)=0,85-(1-0,85)=0,7
EJERCICIOS T12-MODELOS MULTIVARIANTES ESPECÍFICOS 1. Un determinado estadístico J se distribuye según un modelo jhi-dos de parámetro (grados de libertad) 14. Deseamos saber la probabilidad con la que dicho
Más detallesIntervalo para la media si se conoce la varianza
178 Bioestadística: Métodos y Aplicaciones nza para la media (caso general): Este se trata del caso con verdadero interés práctico. Por ejemplo sirve para estimar intervalos que contenga la media del colesterol
Más detallesFORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD
FORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD Jorge M. Galbiati pág. DISTRIBUCION BINOMIAL 2 DISTRIBUCION POISSON 4 DISTRIBUCION HIPERGEOMETRICA 5 DISTRIBUCION GEOMETRICA 7 DISTRIBUCION NORMAL 8 DISTRIBUCION
Más detallesSumas/promedios de variables aleatorias
Sumas/promedios de variables aleatorias Dadas unas variables aleatorias X 1,..., X n, interesa considerar las variables S n = X i o bien Z n = 1 n X i. De las variables S n y Z n querremos calcular sus
Más detallesSistemas de ecuaciones lineales dependientes de un parámetro
Vamos a hacer uso del Teorema de Rouché-Frobenius para resolver sistemas de ecuaciones lineales de primer grado. En particular, dedicaremos este artículo a resolver sistemas de ecuaciones lineales que
Más detallesMATEMÁTICAS APLICADAS A LAS CC. SS. I
DISTRIBUCIÓN NORMAL Carl Friedrich Gauss (1777-1855), físico y matemático alemán, uno de los pioneros en el estudio de las propiedades y utilidad de la curva normal. MATEMÁTICAS APLICADAS A LAS CC. SS.
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesDistribuciones Fundamentales de Muestreo y Descripciones de Datos
Distribuciones Fundamentales de Muestreo y Descripciones de Datos UCR ECCI CI-135 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Muestreo Aleatorio En este tipo de muestreo, todos
Más detallesTema 8. Muestreo. Indice
Tema 8. Muestreo Indice 1. Población y muestra.... 2 2. Tipos de muestreos.... 3 3. Distribución muestral de las medias.... 4 4. Distribución muestral de las proporciones.... 6 Apuntes realizados por José
Más detallesDISTRIBUCIÓN NORMAL. Modelo matemático: f ( x ) = σ 2 π
DISTRIBUCIÓN NORMAL. Es la más importante de las distribuciones teóricas, es también conocida con los nombres de curva normal y curva de Gauss. De Moivre publico en 1773 su trabajo sobre la curva normal
Más 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 detallesEstadística. Generalmente se considera que las variables son obtenidas independientemente de la misma población. De esta forma: con
Hasta ahora hemos supuesto que conocemos o podemos calcular la función/densidad de probabilidad (distribución) de las variables aleatorias. En general, esto no es así. Más bien se tiene una muestra experimental
Más detalles