Clase 1

Fundamentos de Estad stica II
Profesor: Duv an Cata no
Facultad de Ciencias Exactas y Naturales Instituto de Matem aticas Universidad de Antioquia
28 de octubre de 2013
Profesor: Duv an Cata no Facultad de Ciencias Exactas Fundamentos y Naturales deInstituto Estad stica de Matem II aticas Universidad 28 de octubre de Antioquia de 2013 () 1 / 53
Contenido
Contenido del Curso. Evaluaci on y Bibliograf a. Repaso de Distribuciones de Probabilidad. Programaci on B asica en R .
Contenido del Curso
1 2 3 4 5 6 7
Repaso General. . . Pruebas de Hip otesis An alisis de varianza de un factor Dise nos Factoriales Dise no de bloques Regresi on lineal simple y m ultiple Tablas de contingencia
Evaluaci on
1 2 3
4 Evaluaciones del 15 % cada uno. 4 Trabajos del 5 % en R . Proyecto y exposici on 20 % (En LaTeX y R ).
Evaluaci on
1 2 3
Evaluaci on
1 2 3
Bibliograf a
D az, Abel. Dise no Estad stico de Experimentos. Universidad de Antioquia, Medell n,1999. Mendedenhall, W. Sheaer, R. y Wacherly, D. Estad stica Matem atica con aplicaciones. Grupo editorial Iberoam erica. 1986. Montgomery, Douglas C. Dise no y An alisis de Experimentos. M exico: Grupo Editorial Iberoam erica, 1991. Pe na S anchez de Rivera, Daniel. Estad stica Modelos y M etodos. Madrid: Ed. Alianza Universitaria textos, 1986. Wayne W., Daniel. Bioestad stica. M exico: Ed. Limusa, 1987.
Bibliograf a
Bibliograf a
Bibliograf a
Bibliograf a
Repaso de Distribuciones de Probabilidad
Distribuci on Binomial. Distribuci on Poisson. Distribuci on Normal. Teorema del L mite Central. Distribuciones Muestrales.
Distribuciones de Probabilidad
La noci on de la distribuci on de probabilidades surge al considerar un experimento aleatorio e interrogarnos acerca de los eventos posibles y de las probabilidades correspondientes. Una distribuci on Discreta surge al contar (por ejemplo, el n umero de art culos defectuosos en un lote dado, el n umero de carros en una carretera, o el n umero de casos de enfermedades.) Una distribuci on continua aparecer a en mediciones (por ejemplo, longitudes o temperaturas.)
La noci on de la distribuci on de probabilidades surge al considerar un experimento aleatorio e interrogarnos acerca de los eventos posibles y de las probabilidades correspondientes. Una distribuci on Discreta surge al contar (por ejemplo, el n umero de art culos defectuosos en un lote dado, el n umero de carros en una carreon continua tera, o el n umero de casos de enfermedades.) Una distribuci aparecer a en mediciones (por ejemplo, longitudes o temperaturas.)
La noci on de la distribuci on de probabilidades surge al considerar un experimento aleatorio e interrogarnos acerca de los eventos posibles y de las probabilidades correspondientes. Una distribuci on Discreta surge al contar (por ejemplo, el n umero de art culos defectuosos en un lote dado, el n umero de carros en una carretera, o el n umero de casos de enfermedades.) Una distribuci on continua aparecer a en mediciones (por ejemplo, longitudes o temperaturas.)
Distribuci on Binomial B (n, p )
Esta distribuci on aparece de forma natural al realizar repeticiones independientes de un experimento que tenga respuesta binaria, generalmente clasicada como exito o fracaso. Sea p la probabilidad de un evento A en un experimento aleatorio. Suponga que el experimento se efect ua varias veces, digamos n ocaciones. Entonces, puede ser que estemos interesados en el n umero de veces que ocurre A en esos n ensayos. Esto nos conduce a una distribuci on binomial si supones que p es constante y que los resultados de los ensayos no inuyen uno sobre el otro.
Esta distribuci on aparece de forma natural al realizar repeticiones independientes de un experimento que tenga respuesta binaria, generalmente clasicada como exito o fracaso. Sea p la probabilidad de un evento A en un experimento aleatorio. Suponga que el experimento se efect ua varias veces, digamos n ocaciones. Entonces, puede ser que estemos interesados en el n umero de veces que ocurre A en esos n ensayos. Esto nos conduce a una distribuci on binomial si supones que p es constante y que los resultados de los ensayos no inuyen uno sobre el otro.
1 2 3 4
Por ejemplo, puede ser el h abito de fumar (s ,no). Si un paciente hospitalizado desarrolla o no una infecci on. Si un art culo de un lote es o no defectuoso. La variable discreta que cuenta el n umero de exitos en n pruebas independientes de ese experimento, cada una de ellas con la misma probabilidad de exito igual a p , sigue una distribuci on binomial de par ametros n y p. Este modelo se aplica a poblaciones nitas de las que se toma elementos al azar con reemplazo.
1 2 3 4
1 2 3 4
1 2 3 4
1 2 3 4

La distribuci on binomial ocurre si estamos interesados en el n umero de veces que sucede un evento A en n ejecuciones independientes de un experimento aleatorio, suponiendo que A tiene probabilidad P (A) = p , en un s olo ensayo. Entonces, q = 1 p es la probabilidad de que en un s olo ensayo no ocurra A. Consideremos la siguiente variable aleatoria: X := # de veces que ocurre el evento A.


Supongamos que el experimento se efect ua s olo una vez. Entonces, X puede tomar la valores 0 o 1, dependiendo respectivamente de que A no suceda o s suceda. Las probabilidades correspondientes son: P (X = 0) = q y P (X = 1) = p
Por lo que la funci on de probabilidades de X tiene valores f (0) = q y f (1) = p ,
y f (x ) = 0, para cualquier otra caso.
Supongamos que el experimento se efect ua s olo una vez. Entonces, X puede tomar la valores 0 o 1, dependiendo respectivamente de que A no suceda o s suceda. Las probabilidades correspondientes son: P (X = 0) = q y P (X = 1) = p
Por lo que la funci on de probabilidades de X tiene valores f (0) = q y f (1) = p ,
y f (x ) = 0, para cualquier otra caso.

Notemos que podemos combinar ambas f ormulas como: f (x ) = p x q 1x (x = 0, 1)
Suponga que el experimento se lleva a cabo nveces. Entonces X puede tomar los valores 0, 1, 2, . . . , n. Con este prop osito consideremos el evento X = x , que signica que en x de los n ensayos ocurre A y en las otras n x pruebas no ocurre. Entonces: AA A BB . . . B ,
(x )veces (nx )veces
donde B representa la no ocurrencia de A. Por tanto, si P (A) = p y P (B ) = q , entonces: pp p qq . . . q = p x q nx





Denici on
Es una distribuci on de probabilidad discreta que mide el n umero de exitos en una secuencia de n ensayos de Bernoulli independientes entre s , con una probabilidad ja p de ocurrencia del exito entre los ensayos. Su funci on de probabilidad es: P (X = x ) = n x n x p q , x x = 0, 1, 2, . . . , n
Para n = 1, la binomial se convierte, de hecho, en una distribuci on de Bernoulli.
Denici on
Denici on

Si una variable X sigue la distribuci on binomial de par ametros n y p suele designarse como X B (n , p ) Las constantes n y p son los par ametros de la distribuci on; obviamente, n > 0 es un n umero entero y 0 p 1. La probabilidad de obtener fracaso es q = 1 p forma que p + q = 1. La media , la varianza y la desviaci on est andar est a dada por: Media Varianza Desv .Std =np 2 = n p q = npq


Ejemplo
Ejemplo
De cada 2000 personas a las que se suministra cierto medicamento, 6 resultan al ergicas al mismo, por t ermino medio. Si en un determinado d a se ha administrado el medicamento a 400 personas, cu al es la probabilidad de que haya al menos una al ergica ?.
Ejemplo
Ejemplo
De acuerdo con Chemical Engineering Progress (noviembre de 1990), aproximadamente el 30 % de todas las fallas de operaci on en las tuber as de plantas qu micas son ocasionadas por errores del operador.
1
Cu al es la probabilidad de que de las siguientes 20 fallas en la tuber as al menos 10 se deban a un error del operador? Cu al es la probabilidad de que no m as de 4 de 20 fallas se deban a un error del operador?
Ejemplo
Ejemplo
Un laboratorio arma que una droga causa de efectos secundarios en una proporci on de 3 de cada 100 pacientes. Para contrastar esta armaci on, otro laboratorio elige al azar a 5 pacientes a los que aplica la droga. Cu al es la probabilidad de los siguientes sucesos?
1 2 3
Ning un paciente tenga efectos secundarios. Al menos dos tengan efectos secundarios. Cu al es el n umero medio de pacientes que espera laboratorio que sufran efectos secundarios si elige 100 pacientes al azar?
Ejemplo
Ejemplo
Al probar cierto tipo de neum atico para cami on en un terreno accidentado, se encuentra que le 25 % de los camiones no completan la prueba de recorrido sin pinchaduras. De los siguientes 15 camiones probados, calcular la probabilidad de que
1 2 3 4 5
de 3 a 6 tengan pinchaduras menos de 4 tengan pinchaduras m as de 5 tengan pinchaduras cu antos de los 15 camiones se esperar a que tuvieran pinchaduras? cu al es la varianza del n umero de pinchaduras de los 15 camiones?
Ejemplo
Ejemplo
Para estudiar la regulaci on hormonal de una l nea metab olica se inyectan ratas albinas con un f armaco que inhibe la s ntesis de prote nas del organismo. En general, 4 de cada 20 ratas mueren a causa del f armaco antes de que el experimento haya concluido. Si se trata a 10 animales con el f armaco, cu al es la probabilidad de que al menos 8 lleguen vivas al nal del experimento?
Ejemplo
Ejemplo
Un laboratorio arma que una droga causa de efectos secundarios en una proporci on de 3 de cada 100 pacientes. Para contrastar esta armaci on, otro laboratorio elige al azar a 5 pacientes a los que aplica la droga. Cu al es la probabilidad de los siguientes sucesos?
1 2 3
Ning un paciente tenga efectos secundarios. Al menos dos tengan efectos secundarios. Cu al es el n umero medio de pacientes que espera laboratorio que sufran efectos secundarios si elige 100 pacientes al azar?
Distribuci on de Poisson
La distribuci on de Poisson se llama as en honor a su creador, el franc es Sime on Dennis Poisson (1781-1840). Esta distribuci on de probabilidades fue uno de los m ultiples trabajos matem aticos que Dennis complet o en su productiva trayectoria.
La distribuci on de Poisson se utiliza en situaciones donde los sucesos son impredecibles o de ocurrencia aleatoria. En otras palabras no se sabe el total de posibles resultados. Permite determinar la probabilidad de ocurrencia de un suceso con resultado discreto. Es muy u til cuando la muestra o segmento n es grande y la probabilidad de exitos p es peque na. Se utiliza cuando la probabilidad del evento que nos interesa se distribuye dentro de un segmento n dado como por ejemplo distancia, area, volumen o tiempo denido.
Ejemplos de la utilidad
1 2 3 4
La llegada de un cliente al negocio durante una hora. Las llamadas telef onicas que se reciben en un d a. Los defectos en manufactura de papel por cada metro producido. Los envases llenados fuera de los l mites por cada 100 galones de producto terminado. El n umero de bacterias en un r o por unidad de volumen.
1 2 3 4
1 2 3 4
1 2 3 4
1 2 3 4
Propiedades de un Proceso de Poisson
La probabilidad de observar exactamente un exito en el segmento o tama no de muestra n es constante. El evento debe considerarse un suceso raro. El evento debe ser aleatorio e independiente de otros eventos.
2 3
Si repetimos el experimento n veces podemos obtener resultados para la construcci on de la distribuci on de Poisson.
2 3
2 3
2 3
La distribuci on de probabilidad de Poisson es un ejemplo de distribuci on de probabilidad discreta. La distribuci on de Poisson parte de la distribuci on binomial. Cuando en una distribuci on binomial se realiza el experimento muchas veces, la muestra n es grande y la probabilidad de exito p en cada ensayo es baja, es aqu donde aplica el modelo de distribuci on de Poisson. Se tiene que cumplir que: p < 0,10 p n < 10
2 3
2 3
2 3
2 3
Distribuci on Poisson P ( = n p )
Denici on
La distribuci on de Poisson es una distribuci on de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado n umero de eventos durante cierto periodo de tiempo. La funci on de probabilidades est a dada por: P (X = x ) = x e x! (x = 0, 1, . . .),
donde el par ametro es la media de la distribuci on.
Distribuci on Poisson P ( = n p )
Denici on
La distribuci on de Poisson es una distribuci on de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado n umero de eventos durante cierto periodo de tiempo. La funci on de probabilidades est a dada por: P (X = x ) = x e x! (x = 0, 1, . . .),
donde el par ametro es la media de la distribuci on.
Distribuci on Poisson P ()
De lo anterior, vemos que la funci on de distribuci on est a dada por: F ( x ) = e

s x
s , s!
x 0,
y F (x ) = 0, cuando x < 0. La distribuci on Poisson tiene media y varianza como sigue: Si X Poi () entonces: E [X ] = Var [X ] =
Ejemplo de Distribuci on Poisson P ( = n p )
Ejemplo
Cierta enfermedad tiene una probabilidad muy baja de ocurrir, p = 1/100000.
1
Calcular la probabilidad de que en una ciudad con 500000 habitantes haya m as de 3 personas con dicha enfermedad. Calcular el n umero esperado de habitantes que la padecen.
Ejemplo
1
Ejemplo
1
Ejemplo
Ejemplo
Un estudio de un inventario determina que, en promedio, el n umero de veces al d a que se solicita un art culo espec co en un almac en es 5. Cu al es la probabilidad de que en un d a determinado este art culo se pida
1 2
m as de 5 veces? ninguna vez?
Ejemplo
Ejemplo
En una cierta poblaci on se ha observado un n umero medio anual de muertes por c ancer de pulm on de 12. Si el n umero de muertes causadas por la enfermedad sigue una distribuci on de Poisson, cu al es la probabilidad de que durante el a no en curso:
1 2 3
Haya exactamente 10 muertes por c ancer de pulm on? Al menos 15 personas mueran a causa de la enfermedad? A lo sumo 10 personas mueran a causa de la enfermedad?
Ejemplo
Ejemplo
1 2 3
Ejemplo
Ejemplo
1 2 3
Ejemplo
Ejemplo
1 2 3
Ejemplo
Ejemplo
Se estima que el n umero promedio de ratas de campo por acre, en un campo de 5 acres de trigo, es 12. Calcule la probabilidad de que se encuentren menos de 7 ratas de campo
1 2
en un acre dado. en 2 de los siguientes 3 acres que se inspeccionen.
Ejemplo
Ejemplo
Si observamos en un microscopio para investigar la deciencia de gl obulos rojos de la sangre eligiendo un peque no volumen jo que contenga un promedio de 5 gl obulos rojos para una persona normal, C ual es la probabilidad de que una muestra de una persona normal contenga 3 gl obulos rojos o menos?
Ejemplo
Ejemplo
Un empresa compra lotes grandes de cierta clase de dispositivo electr onico. Utiliza un m etodo que rechaza el lote completo si en una muestra aleatoria de 100 unidades se encuentran 2 o m as unidades defectuosas.
1
Cu al es el n umero promedio de unidades defectuosas que se encuentran en una muestra de 100 unidades si el lote tiene 1 % de unidades defectuosas? Cu al es la varianza?
Distribuci on Normal N (, 2 )
La funci on de distribuci on normal juega un papel central en la estad stica ya que, adem as de sus interesantes propiedades de reproductividad y de aproximaci on de otras distribuciones, sirve para modelizar una gran cantidad de situaciones pr acticas.
Denici on
Una variable aleatoria X se dice que tiene una distribuci on de probabilidades 2 normal con media y varianza y se denomina N (, 2 ) si su funci on de densidad es de la forma:
(x )2 1 f ( x ) = e 2 2 , 2
< x <
La funci on de distribuci on normal juega un papel central en la estad stica ya que, adem as de sus interesantes propiedades de reproductividad y de aproximaci on de otras distribuciones, sirve para modelizar una gran cantidad de situaciones pr acticas.
Denici on
Una variable aleatoria X se dice que tiene una distribuci on de probabilidades 2 normal con media y varianza y se denomina N (, 2 ) si su funci on de densidad es de la forma:
(x )2 1 f ( x ) = e 2 2 , 2
< x <
La media y varianza de una variable normal coinciden con los par ametros y 2 de la misma. En la gura se muestra la funci on de densidad y se aprecia que es sim etrica respecto de x = y los puntos de inexi on de la funci on de densidad se encuentran a una distancia de la media.
La media y varianza de una variable normal coinciden con los par ametros y 2 de la misma. En la gura se muestra la funci on de densidad y se aprecia que es sim etrica respecto de x = y los puntos de inexi on de la funci on de densidad se encuentran a una distancia de la media.
En la gura se muestran dos distribuciones normales, con media = 0 y desviaciones t picas = 1 y = 0,5. Como las dos tienen la misma media = 0, la funci on roja es mas alargada, pues tiene menos variabilidad que la azul.
En la gura se muestran dos distribuciones normales, con media = 0 y desviaciones t picas = 1 y = 0,5. Como las dos tienen la misma media = 0, la funci on roja es mas alargada, pues tiene menos variabilidad que la azul.
Distribuci on Normal Est andar N (0, 1)
Primero estudiaremos la normal est andar, que tiene media = 0 y desviaci on t pica = 1 , N (0; 1) y se designa con la letra z . Para calcular las probabilidades P (Z z0 ) = (z0 ) se dise na una tabla que proporciona las respectivas probabilidades.
Manejo de la Tabla N (0, 1)
Caso II P (Z z0 ) y z0 es negativo. Se utiliza por simetr a la siguiente propiedad
Caso I P (Z z0 ) y z0 es positivo. Por ejemplo, calcular P (Z 1,25) = (1,25).
P (Z z0 ) = (z0 ) = 1 (z0 ). Por ejemplo, calcular P (Z 1,34) = 1 (1,34)
aso III P (z0 Z z1 ). Se calcula (z1 ) y (z0 ) y se restan, por la f ormula P (z0 Z z1 ) = (z1 ) (z0 ). Por ejemplo P (1,25 Z 1,34) = (1,34) (1,25)
Estandarizaci on de una Variable Normal
Cuando tenemos una variable normal N (; ), para calcular las probabilidades se efect ua un cambio de variable que la convierte en una del tipo N (0; 1): X N (0; 1) X N ( ; ) Z = A esta variable se la llama normalizada o estandarizada. De esta forma, s olo es necesario disponer de la tabla correspondiente a la N (0, 1) para realizar un c alculo dado, ya que: P X ( X x0 ) = P Z Z x0
Estandarizaci on de una Variable Normal
Cuando tenemos una variable normal N (; ), para calcular las probabilidades se efect ua un cambio de variable que la convierte en una del tipo N (0; 1): X N (0; 1) X N ( ; ) Z = A esta variable se la llama normalizada o estandarizada. De esta forma, s olo es necesario disponer de la tabla correspondiente a la N (0, 1) para realizar un c alculo dado, ya que: P X ( X x0 ) = P Z Z x0
Ejemplo N (; )
Ejemplo
Si X es normal N (5; 2) hallar P (X < 8). Soluci on Estandarizamos como sigue:
5 P (X < 8) = P ( X 2 < 85 2 )
=P (z < 1,5) = (1,5) =0,9332
Ejemplo N (; )
Ejemplo
El peso de los toros de una determinada ganader a se distribuye normalmente con una media de 500kg y 45kg de desviaci on t pica. Si la ganader a tiene 2000 toros, calcular: a. Cu antos pesar an m as de 540kg ?. b. Cu antos pesar an menos de 480kg ?. c. Cu antos pesar an entre 490 y 510kg ?.
Ejemplo N (; )
Ejemplo
El peso de los toros de una determinada ganader a se distribuye normalmente con una media de 500kg y 45kg de desviaci on t pica. Si la ganader a tiene 2000 toros, calcular: a. Cu antos pesar an m as de 540kg ?. b. Cu antos pesar an menos de 480kg ?. c. Cu antos pesar an entre 490 y 510kg ?.
Ejemplo N (; )
Ejemplo
Una m aquina expendedora de bebidas gaseosas se regula para que sirva un promedio de 200ml por vaso. Si la cantidad de bebida se distribuye normalmente con una desviaci on est andar igual a 15ml ,
1 2
qu e fracci on de los vasos contendr a m as de 224ml ? cu al es la probabilidad de que un vaso contenga entre 191ml y 209ml ? cu antos vasos probablemente se derramar an si se utilizan vasos de 230ml para las siguientes 1000 bebidas? por debajo de qu e valor obtendremos el 25 % m as bajo en el llenado de las bebidas?
Ejemplo N (; )
Ejemplo
Un abogado viaja todos los d as de su casa en los suburbios a su ocina en el centro de la ciudad. El tiempo promedio para un viaje s olo de ida es de 24 minutos, con una desviaci on est andar de 3,8 minutos. Si se supone que la distribuci on de los tiempos de viaje est a distribuida normalmente.
1 2
Cu al es la probabilidad de que un viaje tome al menos 1/2 hora? Si la ocina abre a las 9 : 00a.m y el sale diario de su casa a las 8 : 45a.m, qu e porcentaje de las veces llegar a tarde al trabajo? Si sale de su casa a las 8 : 35a.m y el caf e se sirve en la ocina de 8 : 50a.m a 9 : 00a.m, cu al es la probabilidad de que se pierda el caf e? Calcule la duraci on mayor en la que se encuentra el 15 % de los viajes m as lentos. Clacule la probabilidad de que 2 de los siguientes 3 viajes tomen al menos 1/2 hora.
Ejemplo N (; )
Ejemplo
Un estudio de Chemical Engineering Progress, realiza un estudio para analizar el porcentaje pureza del ox geno de cierto proveedor. Suponga que la media fue de 99,61, con una desviaci on est andar de 0,08. Suponga que la distribuci on del porcentaje de pureza fue aproximadamente normal.
1
Qu e porcentaje de los valores de pureza se esperar a que estuvieran entre 99,5 y 99,7? Que valor de pureza esperar a que excediera exactamente 5 % de la poblaci on?
Ejemplo N (; )
Ejemplo
Los pesos de un gran n umero de poodle miniatura se distribuyen aproximadamente de forma normal con una media de 8Kg y una desviaci on est andar de 0,9Kg . Si las mediciones se redondean al d ecimo de kilogramo m as cercano, calcule la fracci on de estos poodle con pesos
1 2 3
por arriba de 9,5Kg a lo sumo 8,6Kg entre 7,3Kg y 9,1Kg
Ejemplo N (; )
Ejemplo
Una empresa paga a sus empleados un salario promedio de $15,9 por hora, con una desviaci on est andar de $1,5. Si los salarios se distribuyen aproximadamente normal y se redondeanal cenetavo m as cercano,
1
qu e porcentaje de los trabajadores recide salarios de entre $13,75 y $16,22 por hora? el 5 % de los salarios m as altos por hora de los empleados es mayor a qu e cantidad?
Teorema del L mite Central
Aplicaciones:Intervalos de Conanza, Pruebas de Hip otesis, Estimaci on de Tama nos de Muestra Conceptos Importantes: Muestras, Estimadores, Error Est andar, Distribuci on Normal.
Denici on
La distribuci on de probabilidad de un estad stico se denomina Distribuci on Muestral
Denici on
Denici on
Distribuci on de la Media Muestral
La primera distribuci on muestral importante a considerar es la de la media X.
Teorema
es la media de una muestra aleatoria Teorema del L mite Central: Si X de tama no n, tomana de una poblaci on con media y varianza nita 2 , entonces la forma l mite de la distribuci on de Z= X , / n
a medida que n , es la distribuci on est andar N (0, 1).
Distribuci on de la Media Muestral
La primera distribuci on muestral importante a considerar es la de la media X.
Teorema
es la media de una muestra aleatoria Teorema del L mite Central: Si X de tama no n, tomana de una poblaci on con media y varianza nita 2 , entonces la forma l mite de la distribuci on de Z= X , / n
a medida que n , es la distribuci on est andar N (0, 1).
Simulaci on en R
> TEOREMA DEL L IMITE CENTRAL >N=5000 N umero de R eplicas >P<-sample(rnorm(50,mean=5,sd=3), size=1000, replace = T) >mean(P) >hist(P) >M<-matrix(replicate(N,sample(P,20)), byrow=T, nrow=20) >dim(M) >Z<-apply(M, 2, mean) >length(Z) >library(MASS) >densidad=density(Z) >truehist(Z) >lines(densidad,col=red",lwd=2,xlab=Edad")
Ejemplo
Ejemplo
Una empresa de material el ectrico fabrica bombillas que tienen una duraci on que se distrubuye aproximadamente en forma normal, con media de 800horas y desviaci on est andar de 40horas . Calcule la probabilidad de que una muestra aleatoria de 16 bombillas tenga una vida promedio de menos de 775horas .
Ejemplo
Ejemplo
El viaje en un autob us especial para ir de un campus de una universidad al campus de otra ciudad a otra en una ciudad toma, en promedio, 28 minutos, con una desviaci on est andar de 5 minutos. En cierta semana un autob us hizo el viaje 40 veces. Cu al es la probabilidad de que le tiempo promedio del viaje sea mayor a 30 minutos? Suponga que el tiempo promedio se redondea al entero m as cercano.
Ejemplo
Ejemplo
Las estaturas de 1000 estudiantes se distribuyen aproximadamente de forma normal con una media de 174.5 cent metros una desviaci on est andar de 6.9 cent metros. Si se extraen 200 muestras aleatorias de tama no 25 de esta poblaci on y las medias se registran al d ecimo de cent metro m as cercano, determinar:
1 2
; la media y la desviaci on est andar de la distribuci on muestral de X el n umero de las medias muestrales que caen entre 172.5 y 175.8 cent metros el n umero de medias muestrales que caen por debajo de 172 cent metros
Ejemplo
Ejemplo
La vida media de una m aquina para elaborar pan es de 7 a nos, con una desviaci on est andar de 1 a no. Suponga que la vida de estas m aquinas sigue aproximadamente una distribuci on normal y calcule:
1
la probabilidad de que la vida media de una muestra aleatoria de 9 de estas m aquinas caiga entre 6.4 y 7.2 a nos el valor de x a la derecha del cu al caer a 15 % de las medias calculadas de muestras aleatorias de tama no 9

Clase 1

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Clase 1

Uploaded by

Copyright:

Available Formats

Fundamentos de Estad stica II

Profesor: Duv an Cata no

Facultad de Ciencias Exactas y Naturales Instituto de Matem aticas Universidad de Antioquia

Contenido del Curso

Repaso de Distribuciones de Probabilidad

Distribuci on Binomial B (n, p )

Distribuci on Binomial B (n, p )

Distribuci on Binomial B (n, p )

Distribuci on Binomial B (n, p )

Distribuci on Binomial B (n, p )

Distribuci on Binomial B (n, p )

Distribuci on Binomial B (n, p )

Distribuci on Binomial B (n, p )

Distribuci on Binomial B (n, p )

Distribuci on Binomial B (n, p )

Distribuci on Binomial B (n, p )

Por lo que la funci on de probabilidades de X tiene valores f (0) = q y f (1) = p ,

y f (x ) = 0, para cualquier otra caso.

Distribuci on Binomial B (n, p )

Por lo que la funci on de probabilidades de X tiene valores f (0) = q y f (1) = p ,

y f (x ) = 0, para cualquier otra caso.

Distribuci on Binomial B (n, p )

donde B representa la no ocurrencia de A. Por tanto, si P (A) = p y P (B ) = q , entonces: pp p qq . . . q = p x q nx

Distribuci on Binomial B (n, p )

donde B representa la no ocurrencia de A. Por tanto, si P (A) = p y P (B ) = q , entonces: pp p qq . . . q = p x q nx

Distribuci on Binomial B (n, p )

donde B representa la no ocurrencia de A. Por tanto, si P (A) = p y P (B ) = q , entonces: pp p qq . . . q = p x q nx

Distribuci on Binomial B (n, p )

Para n = 1, la binomial se convierte, de hecho, en una distribuci on de Bernoulli.

Distribuci on Binomial B (n, p )

Para n = 1, la binomial se convierte, de hecho, en una distribuci on de Bernoulli.

Distribuci on Binomial B (n, p )

Para n = 1, la binomial se convierte, de hecho, en una distribuci on de Bernoulli.

Distribuci on Binomial B (n, p )

Distribuci on Binomial B (n, p )

Distribuci on Binomial B (n, p )

Propiedades de un Proceso de Poisson

Propiedades de un Proceso de Poisson

Propiedades de un Proceso de Poisson

Propiedades de un Proceso de Poisson

Propiedades de un Proceso de Poisson

Propiedades de un Proceso de Poisson

Propiedades de un Proceso de Poisson

Propiedades de un Proceso de Poisson

donde el par ametro es la media de la distribuci on.

donde el par ametro es la media de la distribuci on.

De lo anterior, vemos que la funci on de distribuci on est a dada por: F ( x ) = e

Ejemplo de Distribuci on Poisson P ( = n p )

Ejemplo de Distribuci on Poisson P ( = n p )

Ejemplo de Distribuci on Poisson P ( = n p )

m as de 5 veces? ninguna vez?

en un acre dado. en 2 de los siguientes 3 acres que se inspeccionen.

Distribuci on Normal Est andar N (0, 1)

Distribuci on Normal Est andar N (0, 1)

Distribuci on Normal Est andar N (0, 1)

Manejo de la Tabla N (0, 1)

Caso II P (Z z0 ) y z0 es negativo. Se utiliza por simetr a la siguiente propiedad

Caso I P (Z z0 ) y z0 es positivo. Por ejemplo, calcular P (Z 1,25) = (1,25).

P (Z z0 ) = (z0 ) = 1 (z0 ). Por ejemplo, calcular P (Z 1,34) = 1 (1,34)

Manejo de la Tabla N (0, 1)

Caso II P (Z z0 ) y z0 es negativo. Se utiliza por simetr a la siguiente propiedad

Caso I P (Z z0 ) y z0 es positivo. Por ejemplo, calcular P (Z 1,25) = (1,25).

P (Z z0 ) = (z0 ) = 1 (z0 ). Por ejemplo, calcular P (Z 1,34) = 1 (1,34)