Facultad de Ciencias del Mar. Curso 2008/09 25/06/09

Documentos relacionados
La inferencia estadística es primordialmente de naturaleza

al nivel de significación α P6: Conclusión: Se debe interpretar la decisión tomada en Paso 5.

ESTADÍSTICA. Tercera Prueba de Evaluación continua 30 de noviembre de 2015

10 MUESTREO. n 1 9/ / σ σ 1

UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.

Regresión - Correlación

Modelos de Regresión Simple

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

02 ) 2 0 en el resto. Tiempo (meses) Ventilador adicional No No Si No Si Si Si Si No Si Tipo carcasa A C B A B A B C B C

REGRESIÓN LINEAL SIMPLE

1 Estadística. Profesora María Durbán

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

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

No debe entregar los enunciados

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

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

Calificación= (0,4 x Aciertos) - (0,2 x Errores) No debe entregar los enunciados

NOMBRE. para los nuevos datos, incrementando 5 unidades cada calificación. entonces la media sumando 5 unidades a cada calificación es

-Métodos Estadísticos en Ciencias de la Vida

Métodos indirectos de estimación: razón, regresión y diferencia

AGRO Examen Parcial 1

Especialista en Estadística y Docencia Universitaria PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV

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

Calificación= (0,4 x Aciertos) - (0,2 x Errores) No debe entregar los enunciados

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

Estadística aplicada al Periodismo

V II Muestreo por Conglomerados

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa

SEMESTRE DURACIÓN MÁXIMA 2.5 HORAS DICIEMBRE 10 DE 2008 NOMBRE

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL

FUNCIÓN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA

7. Muestreo con probabilidades desiguales.

1. Introducción 1.1. Análisis de la Relación

Estimación de Parámetros. Estimación Puntual. Universidad Técnica Federico Santa María. Estimación de Parámetros. Estimación de Parámetros.

ANalysis Of VAriance ANOVA Análisis de la Varianza. Teresa Villagarcía

Inferencia Estadística

Qué conclusión extraeremos trabajando con un nivel de significación del 5%?

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

Tema 6: Introducción al muestreo. Estimadores

MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA

Análisis de Regresión y Correlación Lineal

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

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

Análisis de Regresión

Tema 16: Modelos de distribución de probabilidad: Variables Continuas

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

Signif. codes: 0 *** ** 0.01 *

6. ESTIMACIÓN PUNTUAL

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).

Regresión lineal simple

PyE_ EF1_TIPO2_

Correlación y regresión lineal. Ejemplos

x x x x x Y se seguía operando

UNIVERSIDAD DE LAS PALMAS DE GRAN CANARIA MASTER OFICIAL EN GESTIÓN COSTERA ESTIMACIÓN Y CONTRASTE DE HIPÓTESIS.

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

NOMBRE Apellido Paterno Apellido Materno Nombre(s)

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN

Estadística Descriptiva

RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental.

Aplicación de Boostrapping en Regresión I

ESTADÍSTICA poblaciones

ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2010 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES.

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

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

Tema 12: Modelos de distribución de probabilidad: Variables Continuas

Problemas de Polímeros. Química Física III

Ejercicios y Talleres. puedes enviarlos a

PARÁMETROS ESTADÍSTICOS ... N

Análisis de la Varianza

Contraste de Hipótesis

DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL

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

Probabilidad ( A) Los axiomas de la probabilidad. φ = el conjunto vacío A B = A y no B C

Análisis de Regresión y Correlación Lineal

Grado en Psicología. A continuación se presentan 3 situaciones. Cada situación viene seguida por una serie de preguntas referidas a la misma.

3 Metodología de determinación del valor del agua cruda

ÍNDICE 1. INTRODUCCIÓN A LA PROBABILIDAD... 11

SOLUCIONES A LOS EJERCICIOS DE LA UNIDAD

Apéndice 1. Ajuste de la función gamma utilizando el método de máxima probabilidad ( maximum likelihood )

EXAMEN DE MATEMÁTICAS APLICADAS I Temas 12 a 15

ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL

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

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

MEDIDAS DE CENTRALIZACIÓN

MEDIDAS DE TENDENCIA CENTRAL

Universidad de Sonora Departamento de Matemáticas Área Económico Administrativa

ERRORES EN LAS MEDIDAS (Conceptos elementales)

Contraste de Hipótesis

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre

LECTURA 02: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS

Estadística Descriptiva

x θ es conocida pero se desconoce θ total o ˆθ ) debe ser función de los datos de la muestra

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún:

Los Histogramas. Histograma simple

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

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad.

Transcripción:

Estadístca Covocatora de Juo Facultad de Cecas del Mar. Curso 8/9 5/6/9 Los ríos Waccamaw y Lumber, e Carola del Norte (EEUU) se caracterza por ua rca bodversdad. E los últmos años estos ríos ha vsto crecer sus veles de cotamacó, debdo a los vertdos dustrales. Como resultado, dos de las especes más aprecadas para la pesca, el Waccamaw kllfsh (Fudulus Waccamess, foto superor) y el Sckelf edhorse (Moxostoma sp., foto feror) se ecuetra e la actualdad afectadas por la asmlacó de altos veles de mercuro. Para estudar este problema se ha obtedo ua muestra aleatora de 7 peces, dstrbuídos por río y espece segú la sguete tabla: ío Espece Lumber Waccamaw llfsh 9 39 edhorse 44 59. La cocetracó meda de mercuro (medda e escala logarítmca) e los peces capturados e el río Lumber fue -.85, co desvacó típca.57; a su vez, la meda e el río Waccamaw fue.7 co desvacó típca.7. Calcular tervalos de cofaza al 95% para la cocetracó meda de mercuro (e escala logarítmca) e los peces de ambos ríos. Puede asegurarse, co u 5% de sgfcacó, que la cocetracó de mercuro es superor e los peces capturados e el río Waccamaw? (se ha comprobado que la cocetracó de mercuro e escala logarítmca sgue aproxmadamete ua dstrbucó ormal; asmsmo se puede asumr que las varazas de la cocetracó de mercuro so guales e ambos ríos) Asumedo dstrbucó ormal e ambas varables, el tervalo de cofaza para la meda puede calcularse medate: E el río Lumber el tervalo es: x t, α / s s.57 x t, α / t7,.5 73 y e el Waccamaw: =.85 = [.85.99.66] = [.,.5] ] s.7 x t, α / t97,.5 98 =.7 = [.7.98.73] = [.3,.6] ] Para decdr s exste evdeca sufcete de que la cocetracó de mercuro e peces del Waccamaw es superor a la cocetracó e los del Lumber debemos resolver el cotraste de hpótess: : μ μ : μ Dado que podemos supoer que las varazas de la cocetracó de mercuro e los peces de ambos ríos so guales, para resolver el cotraste calculamos: W W > μ L L

t exp xw xl.7 +.85 = = ( W ) sw + ( L ) sl 97.7 + 7.57 + + W + L W L 73 + 98 73 98 =.998 que debe compararse co t +, α = t69,.5 =.65. Como t exp <.65 se acepta H. Por tato o W L podemos asegurar co u 5% de sgfcacó que la cocetracó meda de mercuro e peces del Waccamaw supere a la del Lumber (auque de hecho suceda así e esta muestra). U aálss más detallado de la dstrbucó de probabldad de la cocetracó de mercuro revela que bx ésta se comporta aproxmadamete segú la fucó de desdad f ( x) = b xe, x. Estmar el valor de b utlzado el método de máxma verosmltud, sabedo que la cocetracó meda de mercuro e los 7 peces de la muestra ha sdo de. ppm. La fucó de verosmltud para ua muestra x,, x e este caso sería de la forma: y la log-verosmltud: L b = f x... f x = b xe... b x e = b x... x e + + bx bx bx... x l b = log b + log x b x = = Para maxmzar esta fucó dervamos respecto de b e gualamos a cero: l' ( b) = x = = x b= = = b x x Por tato el valor estmado de b será: = b = = = ˆ b = =.667. x 3. La cocetracó de mercuro a partr de la que u pez puede cosderarse o apto para el cosumo humao es de.7 ppm. A partr de estudos prevos se ha establecdo que el 5% de los kllfsh y el 5% de los redhorse sobrepasa esta cocetracó.co esta formacó, e ua partda de kllfsh y 5 redhorse cuátos peces podemos esperar que resulte o aptos para el cosumo humao? S se elge al azar u pez de esta partda y resulta o apto para cosumo, cuál es probabldad de que sea u redhorse? Co probabldad.95, cuál es el úmero mímo de peces o aptos para cosumo que podemos ecotrar e esta partda? Llamado, respectvamete, X y X al úmero de kllfsh y redhorse o aptos para cosumo etre los de la partda, de acuerdo co las proporcoes establecdas e los estudos prevos se tee que: (,.5) ( 5,.5) X B X B Teedo e cueta que la esperaza de ua varable co dstrbucó bomal B(,p) es p, el úmero total de peces que podemos esperar que o sea aptos para cosumo humao es: [ ] = [ + ] = [ ] + [ ] =.5 + 5.5 = 75 E X E X X E X E X

Para respoder a la seguda cuestó, llamemos A al suceso cosstete e que el pez es apto para el cosumo humao. S se elge al azar u pez de esta partda y resulta o apto, la probabldad de que sea redhorse puede obteerse secllamete utlzado el teorema de Bayes: P P A P( ) 5.5 = = 5 =.454 A P A P + P A P 5.5 +.5 5 5 Para resolver la tercera cuestó bastará teer e cueta que los úmeros de peces de cada espece o aptos para cosumo humao puede ser aproxmados medate la dstrbucó ormal: X B,.5 N.5,.5.5 N 5,.9 X B 5,.5 N 5.5, 5.5.5 N 5,9.68 y por tato, el úmero total de peces o apto para cosumo humao també puede aproxmarse por la ormal: ( 5 5,.9 9.68 ) ( 75,4.874 ) X = X + X N + + N Queremos calcular el valor m tal que P( X m).95 =. Para ello smplemete observemos que s Z es N(,), e la tabla se obtee fáclmete que P( Z.65) =.95. Tpfcado e la probabldad ateror: Por tato: X μ m μ m 75 P( X m) = P = P Z σ σ 4.874 m 75 =.65 4.874 de dode m = 75.65 4.874 = 5.46. Por tato podemos esperar como mímo 5 peces o aptos para cosumo e la partda. 4. E esta ueva muestra se ha ecotrado kllfsh y 4 redhorse e los que la cocetracó de mercuro sobrepasa las.7 ppm. Se puede asegurar, co ua sgfcacó del 5%, que la proporcó de redhorse o apta para cosumo humao es mayor que dcha proporcó e klfsh.? Dfere sgfcatvamete la proporcó de redhorse observada e esta muestra de la establecda e estudos prevos (5%)? Las proporcoes de peces de ambas especes o aptos para el cosumo humao e la ueva muestra so: pˆ 4 = =.47 pˆ = =.33 68 3 El cotraste que debemos platear para resolver la prmera cuestó es: El estadístco de cotraste es, etoces: : p p : p > p

dode: p 4 ˆ ˆ p p z = = 3 68 =.378 * * pq +.99.8 + A B 68 3 4 ˆ ˆ 68 + 3 p p 68 3 34 = = = =.99, q = p =.8 + 68 + 3 7 * * * Como z < zα = z.5 =.65 se acepta la hpótess ula, y por tato o hay evdeca sufcete para asegurar que la proporcó de peces o aptos para cosumo etre los redhorse sea mayor que etre los kllfsh. Para respoder a la seguda cuestó debemos platear el cotraste: El estadístco de cotraste es ahora: Como α /.5 z ( p ) : p =.5 : p.5 pˆ p.33.5 = = = p.5.75 3.34 z =.34 < z = z =.96 podemos aceptar la hpótess ula, por lo que coclumos que o exste evdeca de que la proporcó de redhorse o aptos para cosumo humao haya varado co respecto al estudo prevo. 5. Se cree que el mercuro tede a cocetrarse más e las góadas que e la masa muscular del pez. Para verfcar esta hpótess se seleccoa 4 redhorse de la muestra ateror, mdédose, para cada pez, la cocetracó de mercuro (e escala logarítmca) e las góadas y e el tejdo muscular próxmo a la cabeza. La cocetracó meda e góadas es.45 (co desvacó típca.57); e el tejdo muscular la meda es -.5 (co desvacó típca.6). La correlacó etre las cocetracoes de mercuro e góadas y músculo es.97. Puede asegurarse, co u 5% de sgfcacó, que efectvamete el mercuro tede a cocetrarse más e las góadas? E caso afrmatvo costruye u tervalo de cofaza al 95% para la dfereca de cocetracó etre góada y músculo. E este caso os ecotramos ate u cotraste co muestras emparejadas, ya que e cada caso góada y músculo se ha meddo e el msmo pez. El cotraste que se platea es: para el que debemos calcular el estadístco: t exp : μg μm : μ > μ xg xm.45 +.5 = = sg + sm rsgsm.57 +.6.97.57.6 4 G M = 39.436 Este valor debe compararse co t 39,.5 =.68. Como t exp >.68, podemos coclur que exste evdeca sufcete (al 5% de sgfcacó) para asegurar que, efectvamete, el mercuro tede a

cocetrarse más e las góadas. El tervalo para la dfereca de cocetracó etre ambos tejdos es (e escala logarítmca): sg + sm rsgs M μg μm xg xm ± t, α / = [.96 ±..4] = [.9,. ] 6. El mercuro se va acumulado e el cuerpo de los peces a medda que pasa el tempo, por lo que se espera que los peces de mayor edad haya acumulado ua mayor cocetracó de mercuro. La bología de estas especes permte establecer que su perodo de crecmeto es muy prologado por lo que los peces más vejos so també los de mayor tamaño. Al lado se muestra la gráfca de las cocetracoes de mercuro (e ppm) frete al peso de los peces (e gramos) capturados e el río Waccamaw (ambas varables e escala logarítmca). La sguete tabla muestra u resume de la estmacó de la recta de regresó mostrada e la gráfca: log(coc. Mercuro (ppm)) -. -... 5.5 6. 6.5 7. 7.5 8. log(peso) Estmacó de la regresó. Se ha tomado: x=log(peso e gr.), y=log(coc.mercuro e ppm) ˆ σ = ˆβ = ˆβ = s y ˆ β x = S S XY X = ( r ) = y Error Estádar x -6,74 ˆ σ + =,5 ( ) s x ˆ σ,76 =,7 S,4 x x = 6.75; s x =, 73 Cotraste de la regresó F Estadístco ( yˆ y) = r exp ( ˆ ) y y = ( ) ( r ) = = =,9 Co estos datos: Puede afrmarse co ua sgfcacó del 5% que la cocetracó de mercuro se cremeta co el peso de pez? E caso afrmatvo dca e cuáto se cremeta dcha cocetracó por cada gramo de peso adcoal del pez, dado además u tervalo de cofaza al 95% para dcho cremeto. Qué cocetracó de mercuro puede esperarse e u pez que pese kg? Calcula u tervalo de cofaza al 95% para dcha predccó

La estmacó dca que por cada udad que se cremeta el peso del pez (e escala logarítmca), su cocetracó de mercuro (també e escala logartmo) se cremeta e.76 udades. Para determar s este cremeto es sgfcatvo (es decr, s o puede explcarse por el azar), debemos resolver el cotraste de la regresó: : β = : β La tabla ateror os dca que el valor de estadístco para este cotraste es F exp =.9. Debemos compararlo co F,96,.5 = 5.85. Dado que F exp > 5.85 rechazamos la hpótess ula y coclumos que exste evdeca sufcete para afrmar que la cocetracó de mercuro se cremeta co el peso del pez. El tervalo de cofaza al 95% para la pedete de la regresó vedría dado por: ˆ ˆ σ β β± t, α / = [.76 ±.98.7] = [.6,.9 Sx y represeta el cremeto e el logartmo de la cocetracó de mercuro cuado el logartmo del peso se cremeta e ua udad. Ahora be, la preguta que platea el eucado es cuáto se cremeta la cocetracó de mercuro por cada gramo de cremeto de peso. Supogamos que el pez calmete pesa x gramos. La cocetracó de mercuro predcha es etoces: ([ Hg ] ) ( x 6.74.76 ) [ Hg ] e = + = x log 6.74.76 log Peso= x Peso= x (hemos calculado expoecales e ambos lados de la gualdad). Cuado el pez cremeta su peso e gramo, la predccó pasa a ser: ([ Hg 6.74 ] ) = + ( x + ) [ Hg ] = e ( x + ).76 log 6.74.76 log Peso= x+ Peso= x+ Por tato, el cremeto e la cocetracó de mercuro predcho cuado el peso se cremeta e u gramo depede del peso cal x, y vedría dado por: [ ] [ ] [ ].76 Δ Hg = Hg Hg = e x + x 6.74.76 Peso= x Peso= x+ Peso= x ] Para respoder a la últma cuestó, teedo e cueta los datos de la tabla, para u pez que pese kg ( gr.) se tee: Hg y por tato [ ].49 ([ ]) log Hg = 6.74 +.76 log =.49 = e =.5 ppm. El tervalo de cofaza para la predccó del log([hg]) cuado peso= kg es (cosderamos x=log(peso), y=log([hg]): ( x x) (log() 6.75) yˆ± t ˆ, α σ + +.49.98.4 = ± + + 98 98.73 SX = ± = [.49.48] [.97,.] Por tato, co u 95% de cofaza, la cocetracó de mercuro e ppm para peces de g. de peso co u 95% de cofaza se ecuetra e el tervalo:.97. = e [ ], e.4,.36 =