Professional Documents
Culture Documents
Veamos un ejemplo:
Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1 y si
sale cruz el valor 0. Cada lanzamiento es una variable independiente que se
distribuye segn el modelo de Bernouilli, con media 0,5 y varianza 0,25.
Calcular la probabilidad de que en estos 100 lanzamientos salgan ms de 60
caras.
La variable suma de estas 100 variables independientes se distribuye, por
tanto, segn una distribucin normal.
Cada renta personal es una variable independiente que se distribuye segn una
funcin uniforme. Por ello, a la suma de las rentas de 100 personas se le
puede aplicar el Teorema Central del Lmite.
m = (4 + 10 ) / 2 = 7
s 2 = (10 - 4)^2 / 12 = 3
Por tanto, la suma de las 100 variables se distribuye segn una normal
cuyamedia y varianza son:
Para calcular la probabilidad de que la suma de las rentas sea superior a 725
millones ptas, comenzamos por calcular el valor equivalente de la variable
normal tipificada:
Luego:
P (X > 725) = P (Y > 1,44) = 1 - P (Y < 1,44) = 1 - 0,9251 = 0,0749
Ejercicio 2.
En una asignatura del colegio la probabilidad de que te saquen a la pizarra en
cada clase es del 10%. A lo largo del ao tienes 100 clases de esa asignatura.
Cul es la probabilidad de tener que salir a la pizarra ms de 15 veces?
m = 0,10
s 2 = 0,10 * 0,90 = 0,09
Por tanto, la suma de las 100 variables se distribuye segn una normal cuya
media y varianza son:
Luego:
P (X > 15) = P (Y > 1,67) = 1 - P (Y < 1,67) = 1 - 0,9525 = 0,0475
Distribucion t de student
En probabilidad y estadstica, la distribucin t (de Student) es una distribucin
de
probabilidad que
surge
del
problema
de estimar la media de
donde
Z es
una variable
aleatoria distribuida
segn
(de
grados
de libertad.
Z y V son independientes
, el estadstico:
para x>0
La tabla que se utilizar para estos apuntes es la del libro de probabilidad y
estadstica de Walpole, la cual da valores crticos
(gl) para veinte valores
especiales de
. Para denotar el valor crtico de una distribucin X 2 con gl
grados de libertad se usa el smbolo
(gl); este valor crtico determina a su
derecha un rea de
bajo la curva X2 y sobre el eje horizontal. Por ejemplo
para encontrar X20.05(6) en la tabla se localiza 6 gl en el lado izquierdo
y
a o largo del lado superior de la misma tabla.
Clculo de Probabilidad
El clculo de probabilidad en una distribucin muestral de varianzas nos sirve
para saber como se va a comportar la varianza o desviacin estndar en una
muestra que proviene de una distribucin normal.
Ejemplos:
1. Suponga que los tiempos requeridos por un cierto autobs para alcanzar
un de sus destinos en una ciudad grande forman una distribucin normal
con una desviacin estndar
=1 minuto. Si se elige al azar una
muestra de 17 tiempos, encuentre la probabilidad de que la varianza
muestral sea mayor que 2.
Solucin:
Primero se encontrar el valor de ji-cuadrada correspondiente a s 2=2
como sigue:
pueden
. Esto
se
estandarizada
con
o valor
crtico
junto
su
"opuesto
en
la
distribucin"
. Estos puntos delimitan la probabilidad para el intervalo,
como se muestra en la siguiente imagen:
As:
y 2,576 para
1.3PRUEBA DE HIPOTESIS
Las secciones anteriores han mostrado cmo puede estimarse un parmetro a
partir de los datos contenidos en una muestra. Puede encontrarse ya sea un
slo nmero (estimador puntual) o un intervalo de valores posibles (intervalo
de confianza). Sin embargo, muchos problemas de ingeniera, ciencia, y
administracin, requieren que se tome una decisin entre aceptar o rechazar
una proposicin sobre algn parmetro. Esta proposicin recibe el nombre
de hiptesis. Este es uno de los aspectos ms tiles de la inferencia
estadstica, puesto que muchos tipos de problemas de toma de decisiones,
pruebas o experimentos en el mundo de la ingeniera, pueden formularse como
problemas de prueba de hiptesis.
Una hiptesis estadstica es una proposicin
parmetros de una o ms poblaciones.
supuesto
sobre
los
= 50 cm/s
H1;
50 cm/s
La proposicin Ho;
= 50 cm/s Ho;
= 50 cm/s
> 50 cm/s
H1;
= 50 cm/s
50 cm/s
Los valores de que son menores que 48.5 o mayores que 51.5 constituyen
la regin crtica de la prueba, mientras que todos los valores que estn en el
intervalo 48.5
51.5 forman laregin de aceptacin. Las fronteras entre
las regiones crtica y de aceptacin reciben el nombre de valores crticos. La
costumbre es establecer conclusiones con respecto a la hiptesis nula H o. Por
Decisin
Ho es verdadera
Ho es falsa
Aceptar Ho
No hay error
Error tipo II
Rechazar Ho
Error tipo I
No hay error
en
el
tamao
muestral n reducir
de
forma
Una vez tenemos sobre los ejes de coordenadas la nube de puntos, se plantea
el problema de ajustar una recta sobre la misma.
Cul es la recta qu mejor se ajusta sobre la nube de puntos?
Evidentemente, esta pregunta no tendra respuesta si no se establece un
criterio de ajuste.
El criterio que se propone es el de los mnimos cuadrados.
En qu consiste?
Sea la muestra observada de valores del par de variables (X, Y):
(x1, y1), (x2, y2), (x3, y3), ..., (xn, yn)
Se trata de obtener los valores a y b de manera que se minimice la funcin:
La solucin es la siguiente:
y = a + bx
(6.15)
o bien
, se se obtiene
(6.16)
1/
F1,18
F1,18
BIBLIOGRAFIA:
http://www.itch.edu.mx/academic/industrial/estadistica1/cap03b.html
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_t_de_Student
http://dm.udc.es/asignaturas/estadistica2/sec6_8.html
http://www.uoc.edu/in3/emath/docs/Estimacion_IC.pdf
http://probabilidadyestadisticaitsav.blogspot.mx/2012/06/52estimaciones-puntuales-y-por.html
https://www.google.com.mx/search?
q=AJUSTE+DE+LA+RECTA+DE+REGRESION+MEDIATE+EL+METODO+
DE+MINIMOS+CUADRADOS&oq=AJUSTE+DE+LA+RECTA+DE+REGRESI
ON+MEDIATE+EL+METODO+DE+MINIMOS+CUADRADOS&aqs=chrome.
.69i57j0.1165j0j7&sourceid=chrome&es_sm=122&ie=UTF-8
http://www.itch.edu.mx/academic/industrial/estadistica1/cap03b.html