CONCEPTO Y DEFINICIÓN PROPIEDADES PROBABILIDAD CONDICIONADA INDEPENDENCIA DE SUCESOS DAGOBERTO SALGADO HORTA
|
|
- Aurora Muñoz Benítez
- hace 6 años
- Vistas:
Transcripción
1 PROBABILIDAD CONCEPTO Y DEFINICIÓN PROPIEDADES PROBABILIDAD CONDICIONADA INDEPENDENCIA DE SUCESOS DAGOBERTO SALGADO HORTA
2 PROBABILIDAD: CONCEPTOS CONCEPTOS Experiencia aleatoria: aquella experiencia afectada por las leyes del azar: impredecibilidad regularidad estadística. Resultado elemental de una experiencia aleatoria. Suceso: conjunto de resultados elementales de una experiencia aleatoria. A veces se le llama también resultado. Espacio muestral: conjunto de sucesos asociados a una experiencia aleatoria.
3 PROBABILIDAD: CONCEPTO CONCEPTO DE PROBABILIDAD DEFINICIÓN DE LAPLACE: LA PROBABILIDAD DE UN SUCESO ASOCIADO A UNA EXPERIENCIA ALEATORIA ES EL COCIENTE ENTRE EL NÚMERO DE RESULTADOS ELEMENTALES FAVORABLES Y EL NÚMERO DE RESULTADOS ELEMENTALES POSIBLES QUE PUEDEN DARSE
4 PROBABILIDAD: CONCEPTO CONCEPTO DE PROBABILIDAD DEFINICIÓN FRECUENCIALISTA: PROBABILIDAD DE UN SUCESO ASOCIADO A UNA EXPERIENCIA ALEATORIA ES EL COCIENTE ENTRE EL NÚMERO DE VECES QUE SE PRESENTA ESE SUCESO Y EL NÚMERO DE ENSAYOS REALIZADOS CUANDO EL NÚMERO DE ENSAYOS CRECE INDEFINIDAMENTE
5 PROBABILIDAD: CONCEPTO CONCEPTO DE PROBABILIDAD DEFINICIÓN SUBJETIVA: LA PROBABILIDAD DE UN SUCESO ES EL GRADO DE CREENCIA QUE SE TIENE EN QUE ESE SUCESO ES CIERTO.
6 PROBABILIDAD: DEFINICIÓN DEFINICIÓN Un número P asociado a un resultado de una experiencia aleatoria es una probabilidad si cumple los siguientes axiomas: Todo suceso tiene una probabilidad no negativa. P(A) 0 La probabilidad del suceso seguro es 1 P(E)=1 La probabilidad de la unión de cualquier grupo de sucesos disjuntos es la suma de las probabilidades de cada uno de esos sucesos. P( Ai)= P(Ai) con Ai Aj=
7 PROBABILIDAD: PROPIEDADES PROPIEDADES La probabilidad del suceso imposible es 0: P( )=0 Una probabilidad nunca puede ser menor que 0 ni mayor que 1: 0 P(A) 1 Si un suceso A incluye a un suceso B, la probabilidad de A siempre es mayor o igual que la de B: Si B A P(B) P(A) La probabilidad del suceso complementario es: P(A)=1-P(A) La probabilidad de la unión de dos sucesos es: P(A B)=P(A)+P(B)-P(A B) Y en general podemos decir que: P A I = P( A i ) + P( A i A j ) + + ( 1) n 1 P A i i j i i i i=1,,...,n
8 PROBABILIDAD CONDICIONADA PROBABILIDAD CONDICIONADA CON ELLA SE PRETENDE VALORAR EL EFECTO QUE TIENE SOBRE LA PROBABILIDAD DE UN SUCESO EL HECHO DE DISPONER DE INFORMACIONES PARCIALES SOBRE EL MISMO SE DEFINE COMO PROBABILIDAD DEL SUCESO B CONDICIONADA A QUE HA OCURRIDO EL SUCESO A A LA SIGUIENTE P(B/A) = P(A B) / P(A)
9 INDEPENDENCIA DE SUCESOS SUCESOS INDEPENDIENTES DOS SUCESOS SE DICEN INDEPENDIENTES SI EL CONOCIMIENTO DE QUE HA OCURRIDO UNO DE ELLOS NO MODIFICA LA PROBABILIDAD DEL OTRO: P(B/A) = P(B) P(A/B) = P(A) P(A B) = P(A) P(B)
10 TEOREMA DE BAYES TEOREMA DE BAYES Si los Ai son una partición del espacio muestral y el suceso B es de probabilidad no nula, se cumple: P(A i ) P(B/A i ) P(A i /B) = Σ P(A i )P(B/A i ) LOS Ai SUELEN INTERPRETARSE COMO LAS CAUSAS U ORÍGENES DE B, QUE A SU VEZ ES EL RESULTADO O CONSECUENCIA DE ALGUNO(S) DE LOS Ai EL TEOREMA DE BAYES PERMITE EVALUAR LA PROBABILIDAD DE LAS CAUSAS VISTO EL EFECTO
11 OTROS COMENTARIOS SOBRE PROBABILIDAD VARIOS Sucesos independiente y sucesos excluyentes no es lo mismo. La reunión de sucesos equivale al o lógico, la disyunción no exclusiva: A B = A o B = [o A, o B, o ambos] La intersección de sucesos equivale al y lógico, la conjunción: A B = A y B = [A y B simultáneamente] Método del árbol para la solución de problemas de probabilidad: Es una representación gráfica de la secuencia de acontecimientos que definen el problema estudiado
12 VARIABLES ALEATORIAS CONCEPTO Y TIPOS CARACTERIZACIÓN PRINCIPALES DISTRIBUCIONES DE PROBABILIDAD APROXIMACIONES
13 VARIABLES ALEATORIAS VARIABLE ALEATORIA LLAMAREMOS ALEATORIA A AQUELLA VARIABLE QUE TOMA VALORES INFLUIDA POR EL AZAR PODRÍAMOS CONTRAPONER VARIABLES Y FENOMENOS DETERMINISTAS CON VARIABLES Y FENÓMENOS ALEATORIOS
14 VARIABLES ALEATORIAS TIPOS DE VARIABLE ALEATORIA DISCRETA: Toma valores de un conjunto discreto y cada valor posible xi tiene asignada una probabilidad p(xi) CONTINUA: Toma valores en un conjunto continuo y la distribución de la probabilidad a lo largo del mismo viene dada por una función f(x)
15 VARIABLES ALEATORIAS FUNCIONES: p(xi) se llama función de probabilidad f(x) se llama función de densidad F(x) se llama función de distribución: F(x) = P(X x) existe para variables discretas (F(xi)) o continuas
16 VARIABLES ALEATORIAS FUNCION DE PROBABLIDAD Asignar probabilidades en una variable discreta significa definir P(xi) en cada punto de la variable cumpliéndose: P(xi) 0 i ΣP(xi) = 1
17 VARIABLES ALEATORIAS Qué probabilidad hay de que aparezcan X uds defectuosas en una muestra de 10, cuando la producción tiene un 30% de defectuosas? Binomial Distribution 0.3 Event prob.,tria 0.3, x
18 FUNCIÓN DE DENSIDAD VARIABLES ALEATORIAS En el caso continuo la caracterización de la variable se realiza mediante la FUNCIÓN DE DENSIDAD f(x) Para comprender su significado puede ser útil recurrir a la analogía mecánica: La distribución de probabilidad es similar a una distribución de masa, y en el caso unidimensional la distribución de la masa a lo largo del eje es imagen de la distribución de la probabilidad. Al igual que la masa en un punto es nula, también lo es la probabilidad en un punto: ambas requieren intervalos para tomar valores no nulos
19 Cómo se distribuye la longitud de las Normal Distribution Mean,Std. dev. 850, density VARIABLES ALEATORIAS barras de una pata de mesa de tubo metálico cortado? El valor objetivo es 850 mm x
20 Qué porcentaje de las unidades VARIABLES ALEATORIAS producidas está entre 848 y 855 mm?
21 VARIABLES ALEATORIAS FUNCIÓN DE DENSIDAD Entre otros requisitos, una función de densidad f(x) de una variable aleatoria continua debe cumplir: f(x) 0 + x f ( x) dx = 1
22 FUNCIÓN DE DISTRIBUCIÓN VARIABLES ALEATORIAS En variables discretas se cumple que: F(X) = P( x ) x i X i En variables continuas se cumple que: x F( x ) = f ( x ) dx d F( x ) f ( x) = dx
23 Función de cumulative probability Event prob.,trial 0.3, distribución en variable discreta x Función de distribución en variable continua. Normal Distribution cumulative probability VARIABLES ALEATORIAS Binomial Distribution Mean,Std. dev. 850, x
24 PARÁMETROS DE UNA DISTRIBUCIÓN Son similares a los estudiados en PARÁMETROS estadística descriptiva. Son de cuatro tipos: - Parámetros de Posición - Parámetros de Dispersión - Parámetros de Asimetría - Parámetros de Curtosis
25 VALOR MEDIO (MEDIA) Describe la posición de la variable aleatoria X (es decir, su orden de magnitud) si x es variable discreta PARÁMETROS E( x ) = xi P( xi ) i si x es variable continua E( x ) = + x f ( x ) dx En la analogía mecánica es el centro de gravedad de la distribución
26 VARIANZA Describe el grado de dispersión de la variable si x es variable discreta σ = ( x i m) P( x i ) PARÁMETROS si x es variable continua + σ = ( x m) f ( x)dx Su raíz cuadrada es la desviación típica σ En la analogía mecánica es el momento de inercia de la distribución
27 DISTRIBUCIONES DE PROBABILIDAD DISTRIBUCIONES DE PROBABILIDAD ALGUNAS VARIABLES ALEATORIAS PRESENTAN COMPORTAMIENTOS CARACTERÍSTICOS QUE SON ESTÁNDARES DE FRECUENTE USO UNA DISTRIBUCIÓN DE PROBABILIDAD SE CARACTERIZA POR UNA FUNCIÓN DE DISTRIBUCIÓN DADA en el caso discreto se caracterizan también por la función de probabilidad, en el caso continuo por la función de densidad
28 DISTRIBUCIONES DE PROBABILIDAD PRINCIPALES DISTRIBUCIONES DE PROBABILIDAD LAS MÁS IMPORTANTES DENTRO DEL ÁMBITO DE LA CALIDAD SON LAS SIGUIENTES: VARIABLES DISCRETAS DISTRIBUCIÓN HIPERGEOMÉTRICA DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN DE POISSON VARIABLES CONTINUAS DISTRIBUCIÓN NORMAL DISTRIBUCIÓN χ DISTRIBUCIÓN t DISTRIBUCIÓN F
29 DISTRIBUCIONES DISCRETAS DISTRIBUCIÓN HIPERGEOMÉTRICA Considérese: Una población formada por N individuos. Una muestra extraída al azar de esa población y formada por n individuos. Una cierta característica A que identifica a D de los individuos de la población, con lo que p=d/n es la proporción de individuos con esa característica. La variable X que representa al número de individuos de la muestra que tienen esa característica A.
30 DISTRIBUCIONES DISCRETAS DISTRIBUCIÓN HIPERGEOMÉTRICA N A X = H(N, n, p) N-D D n X A
31 DISTRIBUCIONES DISCRETAS DISTRIBUCIÓN HIPERGEOMÉTRICA EN ESTAS CONDICIONES, DIREMOS QUE LA VARIABLE X SIGUE UNA DISTRIBUCIÓN HIPERGEOMÉTRICA DE PARÁMETROS N, n, p: X H (N, n, p) x = {0, 1,, n} SUS CARACTERÍSTICAS SON: D N D x n x P( x ) = N n E( x ) = np N n σ ( x) = np(1 p) N 1
32 DISTRIBUCIONES DISCRETAS DISTRIBUCIÓN BINOMIAL Considérese: Una población formada por individuos. Una muestra extraída al azar de esa población y formada por n individuos. Una cierta característica A que identifica a una proporción p de individuos de la población. La variable X que representa al número de individuos de la muestra que tienen esa característica A. EN ESTAS CONDICIONES, DIREMOS QUE LA VARIABLE X SIGUE UNA DISTRIBUCIÓN BINOMIAL DE PARÁMETROS n, p: X B (n, p) x = {0, 1,, n}
33 DISTRIBUCIONES DISCRETAS DISTRIBUCIÓN BINOMIAL X = Número de defectuosas en la muestra X B(n,p) P P P P P P P P PP P P
34 DISTRIBUCIONES DISCRETAS DISTRIBUCIÓN BINOMIAL X B (n, p) x = {0, 1,, n} SUS CARACTERÍSTICAS SON: n x n-x P(x) = p (1-p) x E(x) = n p σ(x) = n p (1-p)
35 DISTRIBUCIONES DISCRETAS DISTRIBUCIÓN de POISSON Considérese: Una muestra de tamaño infinito extraída al azar de una población. Una cierta característica A que se presenta con una probabilidad muy pequeña ( 0) en los individuos de la población. Un promedio finito λ de individuos de la muestra con esa característica. La variable X que representa al número de individuos de la muestra que tienen esa característica A.
36 DISTRIBUCIONES DISCRETAS DISTRIBUCIÓN de POISSON Se aplican mucho en análisis de defectos superficiales, donde la probabilidad de que aparezca un defecto en un punto concreto es muy baja, hay muchos puntos posibles donde aparecer el defecto y tenemos un promedio de defectos determinado. Poisson
37 DISTRIBUCIONES DISCRETAS DISTRIBUCIÓN de POISSON EN ESTAS CONDICIONES, DIREMOS QUE LA VARIABLE X SIGUE UNA DISTRIBUCIÓN DE POISSON DE PARÁMETRO λ: X Ps (λ) x = {0, 1,, } SUS CARACTERÍSTICAS SON: P(x) = (e-λ λx) / x! E(x) = λ σ(x) = λ
38 APROXIMACIONES ENTRE LAS DISTRIBUCIONES DISCRETAS H(N,n,p) N/n 10 n 50 N B(n,p) n p 0 p < 0.1 np 5* Ps(λ) np = λ
39 DISTRIBUCIONES CONTINUAS DISTRIBUCIÓN NORMAL ES LA MÁS IMPORTANTE Y ÚTIL DE LAS DISTRIBUCIONES CONTINUAS E INCLUSO, BAJO CIERTAS CONDICIONES, DE LAS DISCRETAS. FUE DESCRITA POR GAUSS, Y SE DENOMINA TAMBIÉN DISTRIBUCION GAUSSIANA
40 DISTRIBUCIONES CONTINUAS DISTRIBUCIÓN NORMAL UNA VARIABLE NORMAL DE PARÁMETROS m, σ SE DEFINE POR SU FUNCIÓN DE DENSIDAD: 1 f ( x) = e σ π ( x m ) σ DIREMOS ENTONCES QUE X N (m, σ) con x ]-, + [ SUS CARACTERÍSTICAS SON: E(x) = m σ(x) = σ
41 DISTRIBUCIONES CONTINUAS DISTRIBUCIÓN NORMAL TIPIFICADA SE LLAMA NORMAL TIPIFICADA N (0, 1) A AQUELLA EN QUE: m=0 σ=1 LA FUNCIÓN DE DENSIDAD QUEDA AHORA: 1 f (x) = e π x LA FUNCIÓN DE DISTRIBUCIÓN DE LA NORMAL TIPIFICADA ESTÁ TABULADA, PUES LA INTEGRAL QUE LA DEFINE A PARTIR DE f(x) NO TIENE PRIMITIVA
42 DISTRIBUCIONES CONTINUAS TABLA DE LA NORMAL TIPIFICADA LA TABLA DA VALORES DE F(x) ENTRANDO CON EL VALOR DE x A ESTA FUNCIÓN DE DISTRIBUCIÓN SE LE LLAMA CON FRECUENCIA φ(x)
43 TABLA DE LA NORMAL TIPIFICADA P(z<1.75) =
44 DISTRIBUCIONES CONTINUAS TABLAS DE LA NORMAL EL CÁLCULO DE LA FUNCIÓN DE DISTRIBUCIÓN EN UNA NORMAL GENERAL REQUERIRÍA INTEGRAR LA FUNCIÓN DE DENSIDAD NUMERICAMENTE O DISPONER DE UNA TABLA PARA CADA N(m,σ) EN LUGAR DE ELLO, SE PREFIERE UN PROCEDIMIENTO LLAMADO TIPIFICACIÓN QUE CONSISTE EN CONVERTIR LA NORMAL N(m,σ) EN UNA NORMAL N(0,1) Y EMPLEAR LAS TABLAS DE ESTA NORMAL TIPIFICADA: Si x N (m, σ) z= x m σ N (0, 1) con lo cual sólo es necesaria una tabla para calcular probabilidades en la distribución normal.
45 Normal tipificada
46 X=N(850,4) P(846.5 < X <855)? P = P = P( X 846.5) = P Z = φ( 0.875) P( X 855) = P Z = φ(1.5) 4
47 DISTRIBUCIONES CONTINUAS DISTRIBUCIÓN χ de PEARSON SE DEFINE LA VARIABLE CHI CUADRADO CON n GRADOS DE LIBERTAD () COMO LA SUMA DE LOS CUADRADOS DE n VARIABLES ALEATORIAS NORMALES TIPIFICADAS INDEPENDIENTES Zi = N(0,1) i = 1...n X= Z =χn i i ESTÁ DEFINIDA COMO NO NEGATIVA SU FUNCIÓN DE DENSIDAD ES ASIMÉTRICA
48 DISTRIBUCIÓN χ X= χ9 P(X>.7) = χ9,0.10=
49 DISTRIBUCIONES CONTINUAS DISTRIBUCIÓN t de STUDENT SE DEFINE COMO EL COCIENTE ENTRE UNA NORMAL TIPIFICADA Y LA RAIZ CUADRADA DE UNA CHI CUADRADO DIVIDIDA POR SUS GRADOS DE LIBERTAD, AMBAS INDEPENDIENTES : tn = donde : z χn /n tn ]-, + [ z = N(0,1), χ n = Chi cuadrado con n g.l. E(tn) = 0 D(tn) = n/(n-)
50 DISTRIBUCIÓN X=t6 t de STUDENT P(X>1.44)= 0.10 t6,0.01= 3.143
51 DISTRIBUCIONES CONTINUAS DISTRIBUCIÓN t de STUDENT Next time you have a beer, thank William Gosset, and next time you perform a t-test, have a Guiness. (La próxima vez que tomes una cerveza, agradéceselo a William Gosset, y la próxima vez que use la distribución t de Student, tómate una Guiness.)
52 DISTRIBUCIONES CONTINUAS DISTRIBUCIÓN F de SNEDECOR SE DEFINE COMO EL COCIENTE DE DOS CHI CUADRADOS INDEPENDIENTES DIVIDIDAS POR SUS GRADOS DE LIBERTAD : Fn1,n = χ n1 / n1 χ n / n Toma valores no negativos Su función de densidad es asimétrica Su función de distribución se obtiene de tablas
53 DISTRIBUCIÓN X F3,10 F de SNEDECOR P(X>6.6)= 0.01
54 DISTRIBUCIÓN X F3,10 F de SNEDECOR F3,10(0.05)= 3.71
55 APROXIMACIONES ENTRE VARIABLES H (N, n, p) (N /n) >10 B (n, p) n > 50 p < 0.1 np < 5 Ps(np) = Ps(λ) np > 5* λ>5* NORMAL n>30 χ n n1>30 n>30 n>30 tn Fn1,n
56 binomial a normal x/index.html
57 INFERENCIA ESTADÍSTICA CONCEPTO DISTRIBUCIONES EN EL MUESTREO TIPOS DE INFERENCIA ESTADÍSTICA ESTIMACION PUNTUAL ESTIMACION POR INTERVALOS CONTRASTE DE HIPÓTESIS
58 INFERENCIA ESTADÍSTICA INFERENCIA ESTADÍSTICA CONJUNTO DE TÉCNICAS ESTADÍSTICAS QUE NOS PERMITEN EXTRAER CONCLUSIONES A PARTIR DE DATOS MUESTRALES?
59 INFERENCIA ESTADÍSTICA INFERENCIA ESTADÍSTICA TÉCNICAS DE INFERENCIA : ESTIMACIÓN PUNTUAL POR INTERVALOS CONTRASTE DE HIPÓTESIS SOBRE PARÁMETROS SOBRE DISTRIBUCIONES
60 DISTRIBUCIONES EN EL MUESTREO DISTRIBUCIONES EN EL MUESTREO Los parámetros de una población no suelen ser conocidos. Su estudio requiere la toma de muestra y su estimación a través de métodos estadísticos. Al estar calculados en base a información muestral (sujeta a variaciones aleatorias) estos parámetros muestrales son variables aleatorias.
61 DISTRIBUCIONES EN EL MUESTREO DISTRIBUCIONES EN EL MUESTREO POBLACION MUESTRA PARÁMETROS PARÁMETROS POBLACIONALES VALORES EXACATOS PERO DESCONOCIDOS CONSTANTE MUESTRALES VALORES APROXIMADOS PERO CONOCIDOS VARIABLE ALEATORIA
62 DISTRIBUCIONES EN EL MUESTREO DISTRIBUCIÓN DE LA MEDIA MUESTRAL La media muestral se calcula mediante: n Xi x= i =1 n media y varianza de la media muestral son: E(x) = μ σ D ( x) = n es decir: la media poblacional de la media muestral coincide con la media poblacional de X. La varianza de la media muestral decrece con el tamaño de muestra
63 DISTRIBUCIONES EN EL MUESTREO DISTRIBUCIÓN DE LA MEDIA MUESTRAL Si la variable es normal, se cumple: σ x N(μ, σ) x N μ, n Aunque X no fuera una distribución Normal, si n es lo suficientemente grande, según el Teorema de Lindenberg-Levy, la media muestral seguiría teniendo una distribución normal.
64 DISTRIBUCIONES EN EL MUESTREO DISTRIBUCIÓN DE LA VARIANZA MUESTRAL La varianza muestral se determina mediante: ( Xi x ) s = n i =1 n n ( Xi x ) = n 1 i =1 n n 1 s Características en poblaciones normales: n s χn 1 σ n [ ] n 1 Es = σ n n (n 1) s σ n 1 χ E[s ] = σ n 1 n 1
65 DISTRIBUCIONES EN EL MUESTREO DISTRIBUCIÓN DE LA DIFERENCIA DE MEDIAS MUESTRALES Si tenemos X1=N(μ1,σ1) y X=N(μ,σ) x1 x = N μ1 μ, σ1 n1 + σ n
66 DISTRIBUCIONES EN EL MUESTREO DISTRIBUCIÓN DEL COCIENTE DE VARIANZAS MUESTRALES Si tenemos dos variables aleatorias independientes con distribuciones normales X1=N(μ1,σ1) y X=N(μ,σ) la distribución del cociente entre sus varianzas muestrales es: s1 / σ1 = Fn1 1,n 1 s / σ
67 DISTRIBUCIONES EN EL MUESTREO DISTRIBUCIÓN DE LA PROPORCIÓN MUESTRAL Si X=B(n,p), la media y la varianza de la proporción muestral son E(p ) = p p (1 p) D (p ) = n Si X=Ps(λ) la media y la varianza de la proporción muestral son E(p ) = p p D (p ) = n
68 ESTIMACIÓN PUNTUAL ESTIMACIÓN PUNTUAL SE PRETENDE AVERIGUAR EL VALOR DE UN PARÁMETRO DE UNA DISTRIBUCIÓN COMO ESTIMACIÓN DE LOS PARÁMETROS POBLACIONALES SE USAN LOS CORRESPONDIENTES ESTADÍSTICOS MUESTRALES
69 ESTIMACIÓN PUNTUAL ESTIMACIÓN PUNTUAL CARACTERÍSTICA DESEABLES EN UN ESTIMADOR: DEBE SER INSESGADO DEBE TENER VARIANZA MÍNIMA DEBE SER CONSISTENTE POR EJEMPLO : MEDIA POBLACIONAL... MEDIA MUESTRAL VARIANZA POBLACIONAL... ID. MUESTRAL (n-1) PROPORCIÓN POBLACIONAL... ID MUESTRAL
70 INTERVALOS DE CONFIANZA ESTIMACIÓN POR INTERVALOS DE CONFIANZA SE PRETENDE ENCONTRAR UN INTERVALO TAL QUE CONTENGA CON UNA PROBABILIDAD DADA AL VALOR VERDADERO DEL PARÁMETRO ESTIMADO: HALLAR DOS ESTADÍSTICOS L1 Y L TALES QUE DEFINEN UN INTERVALO [L1, L] QUE INCLUYE AL VALOR VERDADERO DEL PARÁMETRO CON PROBABILIDAD (1- α) 1 - α = NIVEL DE CONFIANZA α = NIVEL DE SIGNIFICACIÓN Intervalos de confianza
71 INTERVALOS DE CONFIANZA POBLACIONES NORMALES Para la media de una población normal de varianza conocida: x ± zα σ n de varianza desconocida: / x ± t nα 1 s n
72 INTERVALOS DE CONFIANZA POBLACIONES NORMALES Para la diferencia de medias de dos poblaciones normales de varianzas conocidas: ( x1 x ) ± z α σ 1 σ + n1 n de varianzas desconocidas, pero iguales: ( x1 x ) ± t nα1/ + n 1 S n1 n + ( n ) s ( n ) s S = 1 n1 + n
73 INTERVALOS DE CONFIANZA POBLACIONES NORMALES Para la varianza de una población normal: (n 1) s (n 1) s, χ χ n 1, α n 1,1 α Para la razón de varianzas de dos poblaciones normales: s / s s / s 1 1, Fnα / 1,n 1 Fn1 ( α1,/n) 1 1 1
74 INTERVALOS DE CONFIANZA POBLACIONES BINOMIALES Con aproximación a la Normal (np>5) pˆ ±z α pˆ (1 pˆ ) n Método exacto: Usar gráfica, entrando con p (estimada) y n y leyendo Li y Ls.
75 TEST DE HIPÓTESIS TEST DE HIPÓTESIS SE PRETENDE COMPROBAR SI SE VERIFICAN DETERMINADAS HIPÓTESIS ESTABLECIDAS SOBRE EL VALOR DE ALGÚN PARÁMETRO DE UNA DISTRIBUCIÓN O SOBRE LA PROPIA DISTRIBUCIÓN DE UNA VARIABLE, Y HACERLO CON UN RIESGO DE ERROR MEDIBLE LA CERTEZA NO ES POSIBLE DADO EL CARÁCTER ALEATORIO DE LA INFORMACIÓN EMPLEADA
76 ELEMENTOS DE UN TEST DE HIPÓTESIS: HIPÓTESIS HIPÓTESIS NULA (H0) ES LA QUE SE DESEA COMPROBAR (Suele ir asociada a lo que e considera situación correcta o normal) TEST DE HIPÓTESIS HIPÓTESIS NULA (H1) SUELE SER LA CONTRARIA DE LA HIPÓTESIS NULA (Con frecuencia va asociada a la situación incorrecta o no deseada)
77 ELEMENTOS DE UN TEST DE HIPÓTESIS: HIPÓTESIS TEST DE HIPÓTESIS HIPÓTESIS SIMPLE / COMPUESTA La zona donde es cierta se reduce a un punto o a más de uno: m=10 m>10 HIPÓTESIS UNILATERAL / BILATERAL La zona donde es cierta se define a un solo lado o a los dos de un cierto valor: m 10 m>10
78 ELEMENTOS DE UN TEST DE HIPÓTESIS: ERRORES ERROR TIPO I RECHAZAR LA HIPÓTESIS NULA CUANDO ES CIERTA (falsa alarma) TEST DE HIPÓTESIS ERROR TIPO II ACEPTAR LA HIPÓTESIS NULA CUANDO ES FALSA (no suena la alarma cuando debiera hacerlo)
79 ELEMENTOS DE UN TEST DE HIPÓTESIS: RIESGOS TEST DE HIPÓTESIS NIVEL DE SIGNIFICACIÓN ES LA PROBABILIDAD DE RECHAZAR LA HIPÓTESIS NULA CUANDO ES CIERTA ES LA PROBABILIDAD DE ERROR TIPO I SE REPRESENTA POR α Y SE LE LLAMA RIESGO DEL FABRICANTE LA PROBABILIDAD DE ERROR TIPO II SE REPRESENTA POR β Y SE LE LLAMA RIESGO DEL COMPRADOR
80 TEST SOBRE LA MEDIA TEST DE HIPÓTESIS Hipótesis nula simple contra alternativa bilateral (H0 : m=m0 H1 : m m0), supuesta σ desconocida. 1. Calcular : x m0 t= s/ n. Comparar t con el valor de una t 3. Decidir: si t > tnα /1 se rechazaráh0 α/ n 1
81 TEST SOBRE LA MEDIA TEST DE HIPÓTESIS Hipótesis nula simple contra alternativa unilateral (H0 : m=m0 H1 : m > m0), supuesta σ desconocida 1. Calcular : x m0 t= s/ n. Comparar t con el valor de una t 3. Decidir: si t > tnα 1 se rechazaráh0 α n 1
82 TEST DE IGUALDAD DE DOS MEDIAS TEST DE HIPÓTESIS Hipótesis nula simple contra alternativa bilateral (H0 : m1=m H1 : m1 m), supuestas las σ desconocidas pero iguales (n1 1)s1 + (n 1)s 1. Obtener la varianza media ponderada : S = n1 + n.calcular t = x1 x S n11 + n1 3. Comparar t con el valor de una t nα1/+n 4. Decidir : si t > t nα1/+n se rechazará H 0
83 TEST SOBRE LA VARIANZA Hipótesis nula simple contra alternativa TEST DE HIPÓTESIS bilateral (H0 : σ=σ0 H1 : σ σ0) Se obtendrá un intervalo de confianza en torno a S y se comprobará si σ0 queda incluida en el mismo : Si (n 1)s (n 1)s se aceptará H0 σ0, χn 1, α χn 1,1 α
84 TEST SOBRE LA VARIANZA TEST DE HIPÓTESIS Hipótesis nula simple contra alternativa unilateral (H0 : σ=σ0 1. Obtener H1 : σ > σ0) (n 1)s χ = σ 0. Leer de tablas χn 1,α 3. Si χ χn 1,α se aceptará H0
85 TEST SOBRE LA VARIANZA TEST DE HIPÓTESIS Hipótesis nula simple contra alternativa unilateral (H0 : σ=σ0 1. Obtener H1 : σ < σ0) (n 1)s χ = σ 0. Leer de tablas χn 1,1 α 3. Si χ χn 1,1 α se aceptará H0
86 TEST DE IGUALDAD DE VARIANZAS TEST DE HIPÓTESIS Hipótesis nula simple contra alternativa unilateral (H0 : σ1=σ H1 : σ1>σ), siendo s1 la desv. típica muestral mayor s1 1. Calcular F = s.leer de tablas Fnα1 1,n 1 3.Decidir : Si F> Fnα1 1,n 1 se rechazará H0
87 TEST SOBRE LA PROPORCIÓN H0(p=p0) vs H1(p p0) (Binomial) { A = np0 z α / np0 q0 x np0 + z α / np0 q0 } H0(p=p0) vs H1(p>p0) (Binomial) { A = x np0 + z α np0q0 } H0(p1=p) vs H1(p1 p) (Binomial) p 1 p A = zα / 1 1 p n1 + n con p = n1p 1 np n1 + n
88 TEST SOBRE LA POISSON H0(p=p0) vs H1(p p0) (Poisson) { A = np0 z α / np0 x np0 + z α / np0 H0(p=p0) vs H1(p>p0) (Poisson) { A = x np0 + z α np0 } }
89 TAMAÑOS DE MUESTRA Las muestras necesarias para proceder a estimar los parámetros de una distribución deben ser calculadas de modo que se garantice la adecuada precisión y confiabilidad de las estimaciones. En todo caso, debe garantizarse la aleatoriedad de la muestra.
90 MUESTREO EN POBLACIONES FINITAS Estimación de la media (normal) z α / σ n= (N 1) ε zα / σ + N N Estimación de la proporción (binomial) z α / (p q) n= ( N 1) ε z α / (p q ) + N N Estimación de la media (poisson) z α / λ n= (N 1) ε z α / λ + N N
91 MUESTREO EN POBLACIONES INFINITAS Estimación de la media (normal) σ zα / n ε Estimación de la proporción (binomial) pq z α / n ε Estimación de la media (poisson) p zα / n ε
92 TAMAÑO DE MUESTRA EN TEST DE HIPÓTESIS El más importante de ellos es para el contraste de hipótesis es H0(μ=μ0) vs H1(μ μ0). Entonces el tamaño de muestra se calcula mediante: z α / + zβ n d
93
478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesTEMA 3: Probabilidad. Modelos. Probabilidad
TEM 3: Probabilidad. Modelos Probabilidad Fenómeno aleatorio: es aquel cuyos resultados son impredecibles. Ejemplos: Lanzamiento de una moneda: Resultados posibles: cara, cruz. Selección al azar de un
Más detallesINDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso
INDICE Capítulo I: Conceptos Básicos 1.- Introducción 3 2.- Definición de calidad 7 3.- Política de calidad 10 4.- Gestión de la calidad 12 5.- Sistema de calidad 12 6.- Calidad total 13 7.- Aseguramiento
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 detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Mag. María del Carmen Romero 2014 romero@econ.unicen.edu.ar Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo
Más detallesÍndice general. Pág. N. 1. Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN. Diseño. Población. Muestra. Individuo (Observación, Caso, Sujeto) Variables
Pág. N. 1 Índice general Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN 1.1 Diseño 1.2 Descriptiva 1.3 Inferencia Diseño Población Muestra Individuo (Observación, Caso, Sujeto) Variables Ejercicios de Población
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 detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más 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 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 detallesTema 3. Probabilidad y variables aleatorias
1 Tema 3. Probabilidad y variables aleatorias En este tema: Probabilidad: Experimentos aleatorios, espacio muestral, sucesos. Interpretaciones de la probabilidad. Propiedades de la probabilidad. Probabilidad
Más detallesModelos de distribuciones discretas y continuas
Tema 6 Modelos de distribuciones discretas y continuas 6.1. Modelos de distribuciones discretas 6.1.1. Distribución uniforme sobre n puntos Definición 6.1.2 Se dice que una v.a. X sigue una distribución
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 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 detalles( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE
Estudiamos algunos ejemplos de distribuciones de variables aleatorias continuas. De ellas merecen especial mención las derivadas de la distribución normal (χ, t de Student y F de Snedecor), por su importancia
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesEl momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X
Momentos El momento k-ésimo para una variable aleatoria discreta respecto del origen, es E(x) n = i = 1 k i ( ) x.p x El primer momento centrado en el origen (k=1) es la esperanza matemática de X También
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesJuan Carlos Colonia DISTRIBUCIONES MUESTRALES
Juan Carlos Colonia DISTRIBUCIONES MUESTRALES POBLACIÓN Es el conjunto de individuos u objetos que poseen alguna característica común observable y de la cual se desea obtener información. El número de
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesANÁLISIS DE LA VARIANZA CON UN FACTOR (ANOVA)
ANÁLISIS DE LA VARIANZA CON UN FACTOR (ANOVA) El análisis de la varianza permite contrastar la hipótesis nula de que las medias de K poblaciones (K >2) son iguales, frente a la hipótesis alternativa de
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 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 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 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 detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesCálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
Más detallesProbabilidad, Variable Aleatoria Pag 1 de 26 PROBABILIDAD
Probabilidad, Variable Aleatoria Pag 1 de 6 PROBABILIDAD Actualmente la teoría de probabilidades desempeña un papel importante en el campo de los negocios, la investigación, específicamente en la toma
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 detallesMuestreo de variables aleatorias
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 Distribución de la muestra 3 4 5 Distribuciones de la media y la varianza en poblaciones normales Introducción Tiene como
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 detallesMuchas variables aleatorias continuas presentan una función de densidad cuya gráfica tiene forma de campana.
Página 1 de 7 DISTRIBUCIÓN NORMAL o campana de Gauss-Laplace Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su propio nombre indica su extendida utilización, justificada
Más 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 detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
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 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 detallesAcademia Universitaria Vicálvaro Camino de la Fuente de arriba, 7 C.P Madrid Tel
Camino de la Fuente de arriba 7 C.P.803 Madrid SEP 008 DCE Examen Estadística Empresarial - 1 - TEORÍA: Pregunta correcta suman 05 puntos pregunta incorrecta resta 0 puntos. Mínimo para corregir la práctica.
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 detallesINFERENCIA ESTADISTICA
INFERENCIA ESTADISTICA ESTIMACION 2 maneras de estimar: Estimaciones puntuales x s 2 Estimaciones por intervalo 2 ESTIMACION Estimaciones por intervalo Limites de Confianza LCI
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesGRADO TURISMO TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD
GRADO TURISMO TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD Prof. Rosario Martínez Verdú TEMA 7: INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD 1. Nociones básicas de teoría de la probabilidad. 2. Variable
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
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 detallesESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más detalles1. Ejercicios. 2 a parte
1. Ejercicios. 2 a parte Ejercicio 1 Calcule 1. P (χ 2 9 3 33) 2. P (χ 2 15 7 26). 3. P (15 51 χ 2 8 22). 4. P (χ 2 70 82). Ejercicio 2 Si X χ 2 26, obtenga un intervalo [a, b] que contenga un 95 % de
Más detallesVARIABLES ALEATORIAS CONTINUAS
VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p
Más detallesDESARROLLO DE LAS UNIDADES DIDÁCTICAS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II
DESARROLLO DE LAS UNIDADES DIDÁCTICAS MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II Según REAL DECRETO 1467/2007, de 2 de noviembre, por el que se establece la estructura del bachillerato y se fijan
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesProyecto Tema 8: Tests de hipótesis. Resumen teórico
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 8: Tests de hipótesis Resumen teórico Tests de hipótesis Concepto de test de hipótesis Un test de hipótesis (o
Más detallesUNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADÍSTICA
UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADÍSTICA NIVEL: LICENCIATURA CRÉDITOS: 9 CLAVE: ICAD24.500919 HORAS TEORÍA: 4.5 SEMESTRE: CUARTO HORAS PRÁCTICA: 0 REQUISITOS:
Más detallesSesión 2: Teoría de Probabilidad
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 2: Teoría de Probabilidad las reglas mátemáticas de la probabilidad no son simplemente reglas para calcular frecuencias de variables aleatorias;
Más detallesÍNDICE CAPÍTULO 1. INTRODUCCIÓN
ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.
Más detallesGuía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA
1. Introducción Guía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA Los análisis económicos y empresariales se efectúan sobre la base de la toma de decisiones, las cuales se toman a partir de la información
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 detallesEstadística Descriptiva y Probabilidad FORMULARIO
Estadística Descriptiva y Probabilidad FORMULARIO Departament d Estadística i Investigació Operativa Universitat de València Angel Corberán Francisco Montes 2 3 Capítulo 1 Estadística Descriptiva 1.1.
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 detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
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 detallesTeoría de la decisión Estadística
Pruebas de hìpótesis Unidad 8. Pruebas de hipótesis. Formulación general. Distribución de varianza conocida. Prueba para la bondad del ajuste. Validación de modelos 1 Formulación Una Hipótesis es una proposición
Más detallesTema 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 detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 4 horas a la semana 8 créditos Semestre variable según la carrera Objetivo del curso: Analizar y resolver problemas de naturaleza aleatoria en la ingeniería, aplicando conceptos
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detallesEstadística Grupo V. Tema 10: Modelos de Probabilidad
Estadística Grupo V Tema 10: Modelos de Probabilidad Algunos modelos de distribuciones de v.a. Hay variables aleatorias que aparecen con frecuencia en las Ciencias Sociales y Económicas. Experimentos dicotómicos
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 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 detallesTema 7. Contrastes no paramétricos en una población
Tema 7. Contrastes no paramétricos en una población Resumen del tema 7.1. Introducción a la Estadística Inferencial. Estimación de parámetros Como ya sabemos, la Estadística estudia los métodos científicos
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesTabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 )
Test de Hipótesis II Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ conocida: Suponga que X, X,, X n, es una m.a.(n) desde N( µ, σ ) Estadística de Prueba X - μ Z 0 = σ / n ~ N(0,)
Más detallesPROGRAMA DE ESTADÍSTICA DESCRIPTIVA
PROGRAMA DE ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS DE ESTADÍSTICA Definición de Estadística Origen del concepto. Evolución histórica de la Estadística Estadística Descriptiva y Estadística Inferencial
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesCUERPO TÉCNICO, OPCION ESTADISTICA
CUERPO TÉCNICO, OPCION ESTADISTICA ESTADÍSTICA TEÓRICA BÁSICA TEMA 1. Fenómenos aleatorios. Conceptos de probabilidad. Axiomas. Teoremas de probabilidad. Sucesos independientes. Teorema de Bayes. TEMA
Más detallesANOVA. Análisis de la Varianza. Univariante Efectos fijos Muestras independientes
ANOVA Análisis de la Varianza Univariante Efectos fijos Muestras independientes De la t a la F En el test de la t de Student para muestras independientes, aprendimos como usar la distribución t para contrastar
Más detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
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 detalles= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] =
El peso en kg de los estudiantes universitarios de una gran ciudad se supone aproximado por una distribución normal con media 60kg y desviación típica 8kg. Se toman 100 muestras aleatorias simples de 64
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
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 detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detallesCONTENIDO. Prólogo a la 3. a edición en español ampliada... Prólogo...
CONTENIDO Prólogo a la 3. a edición en español ampliada.................................. Prólogo.................................................................. vii xvii 1. Métodos descriptivos................................................
Más detallesSOLUCIÓN EXAMEN IV Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/2004
Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/004 MÉTODOS ESTADÍSTICOS I EXAMEN IV PARTE I: Encierre con un círculo la respuesta correcta (0,5 puntos c/u): 1. (V F) Los contrastes de hipótesis de dos muestras
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 detallesmatemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4
PS0401 - Probabilidad y Estadística DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de materia: Obligatoria Clave de la materia: PS0401 Cuatrimestre: 4 UNIVERSIDAD AUTÓNOMA DE Área
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad
Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Facultad de Ciencias Sociales Universidad de la República Curso 2016 Índice 2.1. Variables aleatorias: funciones de distribución,
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesIntroducción a la Inferencia Estadística
Introducción a la Inferencia Estadística Prof. Jose Jacobo Zubcoff Universidad de Alicante 2008 1 Introducción En este tema explicaremos los contrastes para la media de una población normal. e estudiarán
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesUNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADISTICA
UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADISTICA NIVEL : LICENCIATURA CRÉDITOS : 7 CLAVE : ICAE13001731 HORAS TEORÍA : 3 SEMESTRE : QUINTO HORAS PRÁCTICA : 1 REQUISITOS
Más detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detalles