DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL

Documentos relacionados
Dada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ

La inferencia estadística es primordialmente de naturaleza

Incertidumbre en las mediciones directas e indirectas

Incertidumbre de las medidas.

ESTADÍSTICA poblaciones

1 Estadística. Profesora María Durbán

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

Estimación de Incertidumbres y presentación de resultados

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en

MEDIDAS DE TENDENCIA CENTRAL

Estadística Descriptiva

GENERACION DE VARIABLES ALEATORIAS

V II Muestreo por Conglomerados

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo

Apuntes preparados por el profesor Sr. Rosamel Sáez Espinoza con fines de docencia

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A

En esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )

REGRESIÓN LINEAL SIMPLE

El valor en el que se estabilizan las proporciones se le conceptualiza como la probabilidad

PARÁMETROS ESTADÍSTICOS ... N

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

6. ESTIMACIÓN PUNTUAL

EJERCICIOS RESUELTOS TEMA 3.

Ensayos de control de calidad

Teoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II.

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

FUNCIONES ALEATORIAS

10 MUESTREO. n 1 9/ / σ σ 1

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

Colegio Sagrada Familia Matemáticas 4º ESO ESTADÍSTICA DESCRIPTIVA

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL

4º MEDIO: MEDIDAS DE POSICIÓN

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)

Estadística Contenidos NM 4

MEDIDAS DE TENDENCIA CENTRAL

Laboratorio de Física PRÁCTICA 1

Regresión lineal simple

ANÁLISIS DE REGRESIÓN. Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).

4 METODOLOGIA ADAPTADA AL PROBLEMA

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.

MEDIDAS DE FORMA Y CONCENTRACIÓN

Gráfica de los resultados experimentales: Variable Independiente: Variable Dependiente: Variable asociada:

Tema 2: Distribuciones bidimensionales

Objetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética

Aplicación de Boostrapping en Regresión I

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA

MEDIDAS DE CENTRALIZACIÓN

Intensificación en Estadística

Estadística Espacial. José Antonio Rivera Colmenero

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

Tema 16: Modelos de distribución de probabilidad: Variables Continuas

Qué es la estadística? presentación, análisis e interpretación de datos numéricos con e fin de realizar una toma de decisión más efectiva.

CAPITULO TRES MEDIDAS DE TENDENCIA CENTRAL

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

Medidas de Tendencia Central

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:

RAMO: ESTADÍSTICA II UNIDAD I MUESTREO Y DISTRIBUCIONES MUESTRALES

Estadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo

Métodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09

Evolución buena 0,7 0,3 Evolución mala 0,2 0,8 Cuál es el valor máximo de esta información?

Probabilidad y estadística

Comparación de Proporciones

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

Estadística Descriptiva

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.

Aproximación a la distribución normal: el Teorema del Límite Central

1 ESTADÍSTICA DESCRIPTIVA

Si los cerdos de otro granjero tienen los siguientes pesos: 165, 182, 185, 168, 170, 173, 180, 177. Entonces el diagrama de puntos está dado por:

X / n : proporción de caras ( = frecuencia relativa del suceso A = f A = n A / n ) Se espera que a medida que n crece la frecuencia relativa de cara

Simulación de sistemas discretos

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

Estadística descriptiva

FACTOR DE COBERTURA EN MEDIDA DE RADIOACTIVIDAD

Análisis de la Varianza

ESTADÍSTICA DESCRIPTIVA

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción

3 Metodología de determinación del valor del agua cruda

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:

5- VARIABLES ALEATORIAS BIDIMENSIONALES

TEMA 9. Contrastes no paramétricos y bondad de ajuste

mecánica estadística Estadísticas Cuánticas Capítulo 5

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

Estadística Descriptiva

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple

Objetivos. El alumno conocerá y aplicará el concepto de arreglos unidimensionales para resolver problemas que requieren algoritmos de tipo numérico.

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)

Definición La distribución de probabilidad de un estadístico recibe el nombre de distribución muestral. La distribución muestral de un estadístico

INSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD.

METODOLOGÍA DE CÁLCULO DEL INDICADOR DE FLOTA EN OPERACIÓN (IFO)

Guía para la Presentación de Resultados en Laboratorios Docentes

TEMAS CUESTIONARIO DE AUTOEVALUACIÓN

Capítulo I. Introducción: Características de los sistemas macroscópicos, conceptos de probabilidad y estadística de sistemas de partículas.

INGENIERÍA INDUSTRIAL DISEÑO EXPERIMENTAL LEOPOLDO VIVEROS ROSAS

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

Transcripción:

Smposo de Metrología 4 al 7 de Octubre DISTRIBUCIÓ DE LA MEDIA Y EL TEOREMA DEL LÍMITE CETRAL Wolfgag A. Schmd Cetro acoal de Metrología Tel.: (44) 4, e-mal: wschmd@ceam.mx Resume: De acuerdo al Teorema del Límte Cetral, la dstrbucó de la meda de ua sere de medcoes repetdas (,, ) se aproxma a ua dstrbucó ormal, depedetemete de la dstrbucó de los datos orgales x. Este resultado mportate para la estmacó de la certdumbre e medcoes se prueba co datos aleatoros proveetes de dferetes dstrbucoes. E partcular, se aalza el caso de datos meddos co u strumeto co resolucó burda y la teraccó etre la dspersó de los datos cuatfcada por su desvacó estádar y la resolucó del strumeto e la certdumbre combada. Se observa u cremeto de la dspersó de los datos como efecto del redodeo, que co los coceptos de metrología se terpreta como ua combacó de las certdumbres por repetbldad y resolucó.. ITRODUCCIÓ El mejor estmado de ua magtud co u error asocado que varía de forma aleatora geeralmete es la meda de u úmero de medcoes depedetes realzadas bajo las msmas codcoes: = = La certdumbre u de se estma medate la desvacó estádar expermetal de la meda: ( ) s( = = ) ua( ) s( ) = () ( ) = dode s( ) es la desvacó estádar expermetal de las medcoes dvduales. El ídce A dca que se trata de u método tpo A para estmar la certdumbre. Para determar el vel de cofaza relacoado co la certdumbre de ua magtud, es ecesaro coocer su dstrbucó. Del Teorema del Límte Cetral resulta que la dstrbucó de la meda de ua sere de medcoes repetdas e depedetes (,, ) se aproxma a ua dstrbucó ormal, depedetemete de la dstrbucó de los. Para resaltar esto, véase por ejemplo [], G...: S Y = c + c +... c = c y todas las se caracterza medate dstrbucoes ormales, etoces la dstrbucó resultate de la = covolucó Y també será ormal. S embargo, aú s las dstrbucoes de o so ormales, la dstrbucó de Y frecuetemete se puede aproxmar medate ua dstrbucó ormal debdo al Teorema del Límte Cetral. Este teorema establece que la dstrbucó de Y será aproxmadamete ormal co esperaza () E( Y ) = = c E( ) y varaza V ( Y ) = c V( ) = dode E( ) es la esperaza de y V ( ) es la varaza de, s las so depedetes y V (Y ) es mucho más grade que cualquer compoete dvdual c V( ) de ua cuya dstrbucó o es ormal. E el caso de ua sere de medcoes repetdas (,, ), el Teorema del Límte Cetral es aplcable a la meda dode c = E( = = ) = µ y varaza V ( ) =. = () co la partculardad que todas las provee de la msma dstrbucó co la msma esperaza Para la esperaza y varaza de resulta: E ( ) = E( ) = µ V( ) = V( ) = = (4) ()

Smposo de Metrología 4 al 7 de Octubre. DESARROLLO Co smulacoes umércas se muestra para dferetes tpos de dstrbucó de los la aproxmacó de la dstrbucó de la meda de medcoes repetdas a ua dstrbucó ormal. E hojas de cálculo de Excel se geera juegos de datos aleatoros k, ( =,... ; k =,... ) smulado de esta maera cclos de la medcó. Después se calcula las medas para cada uo de los cclos (co ídce k) ) k = k = ( (6) -, -, -,9 -, -,7 -,,,,7, -, -, -,9 -, -,7 -,,,,7, Fg. : Hstograma los ~ (, ),9,9 para =,, y y se geera hstogramas de frecueca para ver las dstrbucoes de los. Las desvacoes estádar de los ( ( ) ) ( ) = k = k s µ (7) se compara co los valores teórcos que se espera de acuerdo a (): -, -, -, -, -, -, -, -, -,9 -,9 -,9 -,9 -, -, -, -, -,7 -,7 -,7 -,7 -,, -,, -,, -,,,,,,,7,7,7,7,,,,,9,9,9,9 V( ) = (8) dode es la desvacó estádar de los. Frecuec a. DISTRIBUCIÓ ORMAL: ~ (, ) E el prmer ejemplo se cosdera datos proveetes de ua dstrbucó ormal co µ = y =. La fgura muestra la dstrbucó de los datos geerados, la fgura las dstrbucoes de y y la de y ua comparacó co ua ormal. Como se espera, las dstrbucoes de las se parece a dstrbucoes ormales. U cremeto e geera dstrbucoes más estrechas, lo cuál se observa de forma cuattatva medate las desvacoes estádar s ) calculadas co los ( datos de los, que sgue la expresó s( ) (9) 4 8 6 4 -, -, -, -, -,9 -,9 -, -, -,7 -,7 -, -,,,,,,7,7,,,9,9 -, -, -,9 -, -,7 -,,,,7,,9 -, -, -,9 -, -,7 -,,,,7,,9 -, -,,,, Fg. : Dstrbucó de las medas, y y comparacó co ua dstrbucó ormal co = =,6 (líea).

Smposo de Metrología 4 al 7 de Octubre 6 8 4 6 8 4,,,,4 6 8 4,,,,,4,,6,7,8,9,6,7,8,9 4. DISTRIBUCIÓ UIFORME: ~ U(, ) A cotuacó se desarrolla el ejercco co datos de los proveetes de ua dstrbucó uforme etre y. La fgura 4 muestra la dstrbucó de, la fgura las dstrbucoes de,, y y ua comparacó co ua dstrbucó ormal (e el caso de ). Se observa cómo las dstrbucoes de las, cremetado se acerca cada vez más a dstrbucoes ormales. Igual que e el caso ateror, las desvacoes estádar s ) resulta de acuerdo a la expresó ( (9): s( ), 89 6 4,,,,4,,6,7,8,9 Fg. 4: Hstograma los proveetes de ua dstrbucó uforme U(, ) 7,,,,4,,6,7,8,9. DISTRIBUCIÓ BEROULLI: ~ B(, ) Como sguete ejemplo se desarrolla el ejercco co ua dstrbucó Beroull, que geera los valores y co la msma probabldad de %. 6 4,,,4,,6,7,8 Fg. :.Dstrbucó de las medas,, y e el caso de ~ U(,) y la comparacó co -,,,,,4,,6,7,8,9 ua ormal co =,89 =, 9 (líea). Fgura : Hstograma los ~ B(, ).

Smposo de Metrología 4 al 7 de Octubre 6 4 La fgura muestra la dstrbucó de y la fgura 6 las de,, y. També e este caso se observa como las dstrbucoes de las se acerca a ua ormal y que las desvacoes estádar sgue la expresó (9): s( ),. -, 4 -,,,,,4,,6,7,8,9,,,,4,,6,7,8,9 6. DISTRIBUCIÓ ORMAL CO RESOLUCIÓ FIITA: ~ rd[(,,,)] Como últmo ejemplo se desarrolla el caso de datos proveetes de ua dstrbucó ormal y redodeados a eteros ~ rd[(µ, )], smulado de esta forma la medcó de datos co errores aleatoros ormalmete dstrbudos, utlzado u strumeto co resolucó de udad. Co la seleccó de los parámetros de µ =, y =, para la dstrbucó ormal y el úmero lmtado de datos geerados resultó e el ejemplo aalzado que la geeracó de los datos se lmta a los valores -,,, y co ua dstrbucó asmétrca a cero. E medcoes reales co u strumeto de medcó co ua resolucó burda ua stuacó como está es comú. 7 6 -,,,,,4,,6,7,8,9 4 - - Fg. 7: Dstrbucó de los proveetes de ua dstrbucó ormal redodeada ~ rd[(,,,)] y la fucó de dstrbucó de la cuál provee los datos orgales (líea).,,,,4,,6,7,8,9 Fgura 6: Dstrbucó de las medas,, y e el caso de ~ B(, ) y la comparacó co ua ormal co =, =, 8 (líea) La fgura 7 muestra la dstrbucó de, la fgura 8 las dstrbucoes de,, y. També e este caso se observa que las dstrbucoes de los se acerca a ua dstrbucó ormal. Se usa la otacó rd para redodear a eteros. 4

Smposo de Metrología 4 al 7 de Octubre 4 4 - -, - -,,, E la verfcacó de la expresó (9) uo se efreta co el sguete problema: tomado como desvacó estádar de los el valor =, de la dstrbucó ormal, de la cual provee los datos orgales, se obtee valores más pequeños que las desvacoes estádar de las medas obtedas por la smulacó (ver tabla ). Para cumplr la expresó (9), hay que susttur por la desvacó estádar s() calculada a partr de los valores geerados por el redodeo. Meda ( ),46,479,49,488 -, -,,,, -, -,,,, s ( ),49,,78,84 s ( ),488,76,6,8,6,887,6,8 Tabla : Comparacó de s ) co s ( ) y ( para ~ rd[(,,,)]. =, y s() =,78 es la desvacó estádar calculada co los datos redodeados obtedos de la smulacó. Evdetemete, el redodeo de los datos proveetes de la dstrbucó ormal cremeta su desvacó estádar. Este efecto puede ser terpretado por la cotrbucó de la dscretzacó o resolucó a la dspersó de los : = µ + δ + δr () -,,,, Fg. 8: Dstrbucó de las medas, y (arrba) para ~ rd[(,,,)] y comparacó de la dstrbucó de los (abajo) co ua ormal co µ =, y =,84 (líea) δ~ (, ) es la dspersó orgal de los datos y δr la cotrbucó debdo al redodeo. S es mayor que la resolucó R, la dspersó de los abarca varos tervalos de la resolucó y la dstrbucó del error por el redodeo δr se aproxma a ua uforme δr~u(-r/, R/) co meda E( δ R) y varaza V ( δ R) = E( δr ) R. E cosecueca, la meda E() es gual a µ y la varaza s () de los se obtee medate:

Σε ρι ε Smposo de Metrología 4 al 7 de Octubre s() / s() /,4,,,,, 4,,,,, s ( ) = E = E = E [( µ ) ] = [( δ + δr) ] = ( δ ) + E( δ δr) + E( δr ) Amplacó de la gráfca de abajo µ = () µ =, µ =, µ =,4 µ =,,,,7,9,,,,,4,6,8 µ = µ =, µ =, µ =,4 µ =, Fg. 9: Comportameto de las desvacoes estádar s() de los datos redodeados ~rd[(µ, )] e relacó a y la comparacó co el comportameto dado por la ecuacó (). S es sgfcatvamete mayor que R la dstrbucó de (δ δr) puede ser cosderada como aproxmadamete smétrca, resultado e ua meda E( δ δr), así que falmete resulta: R s ( ) + () Este resultado se verfcó medate smulacoes umércas, geerado datos ~ rd[(µ, )]. co dferetes y µ. El resultado se muestra e la fgura 9. Se observa que para > R = (líea vertcal) las desvacoes estádar s() R sgue e buea aproxmacó +, dcado por la líea, para todos los valores de µ, s embargo para < R los valores desvía de este comportameto, debdo a que la aproxmacoes hechas e las ecuacoes () y () o so váldas. 7. COCLUSIOES Se lustró medate smulacoes co datos aleatoros que, de acuerdo al Teorema del Límte Cetral, la dstrbucó de la meda de u úmero de datos se aproxma a ua dstrbucó ormal, depedetemete de la dstrbucó de los datos orgales y que su desvacó estádar dsmuye por de acuerdo a la ecuacó (8). Se presetaro estos efectos co datos proveetes de ua dstrbucó uforme, ua dstrbucó Beroull ua dstrbucó ormal y ua dstrbucó ormal co redodeo ( resolucó ). Adcoalmete, los resultados muestra que el redodeo de los datos, smulado la resolucó de u strumeto de medcó, cremeta su desvacó estádar de acuerdo a la ecuacó (), por lo meos metras su desvacó estádar sea mayor que la certdumbre por resolucó R. Esto dca que la resolucó de u strumeto de medcó cotrbuye a la certdumbre por repetbldad. E cosecueca, cosderado la certdumbre por resolucó por separado e el presupuesto de certdumbre, lo cual es ua práctca comú, lleva a u coteo doble de ella e la certdumbre combada. Ua práctca más apropada puede cosderar e el presupuesto de certdumbre solamete la mayor de las dos certdumbres por repetbldad o resolucó, como lo propoe por ejemplo []. REFERECIAS [] Gude to the Expresso of Ucertaty Measuremats, BIPM, IEC, IFCC, ISO, IUPAC, IUPAP, OIML, 99 [] Geometrcal product specfcatos (GPS) Ispecto by measuremet of workpeces ad measurg equpmet, Part, ISO/TR 4-6