Professional Documents
Culture Documents
Escuela de Ingenieras Elctrica, Electrnica y Telecomunicaciones Centro de Innovacin y Desarrollo para la Investigacin en Ingeniera del Software Curso de Estadstica y Probabilidad para Ingenieros, Cod. Asignatura: 23329 Director Cientfico: Ph.D. Ricardo LlamosaVillalba. Equipo Docencia: Ing. Sergio E. Mndez Aceros, Ing. Sandra Patricia Manrique Mesa, Ing. (c) Diana Patricia Bautista Otlora, Ing. Mary E. Ramrez Sanguino, Ing. (c) Raul Valdivieso Bohrquez
Feb 10 de 2012
Versin 4.6
FECHA
ELABORADO POR
DURACION (Horas) 15
v4.0
1. Inclusin del registro histrico 2. Cambiar notacin desviacin estndar por desviacin estndar o tpica. 3. Dar formato a los ttulos. Ral Francisco Valdivieso 4. Correccin de la frmula del coeficiente de curtosis. a. Cambiar un > por < y la palabra planticrtica por platicrtica 1. Inclusin de grficas de medidas de forma 2. Cambio de variables frecuencia relativa y absoluta 3. Cambio de frmula de mediana para datos agrupados 4. Descripcin correcta de variables que Alejandro Balaguer componen frmula de moda para datos agrupados 5. Propuesta de n>100 para Nmero de clases Y su distribucin en el vamos mximo y mnimo de la tabla de frecuencia
V4.1
Feb 10 de 2012
Versin 4.6
REGISTRO HISTRICO DE LAS FRMULAS CEPI VERSIN FECHA DESCRIPCIN DEL CAMBIO REALIZADO ELABORADO POR DURACION (Horas)
V4.2
1. Inclusin formula de mediana para datos agrupados con frecuencia absoluta 2. Correccin en los cambio de variables de frecuencias absolutas y relativas 3. Inclusin de frmulas de coeficiente de Fisher y curtosis para frecuencias relativas 4. Comentario de diferenciacin de Permutacin, Variacin y Combinatoria 5. Cambio de frmula de permutacin para datos agrupados 6. Cambio de 0.2 en distribucin de Poisson 7. Descripcin del ndice Estimacin de 28 febrero de 2012 Alejandro Balaguer tamao muestral para variables continuas y discretas con tamao infinito 8. Propuesta de n>10000 para tamao muestral de variables con datos infinitos 9. Inclusin de frmula para Estimacin de tamao muestral para Estimacin de tamao muestral para variable discreta con tamao finito 10. Inclusin de frmula para Estimacin de tamao muestral para Estimacin de tamao muestral para variable continua con tamao finito
Feb 10 de 2012
Versin 4.6
REGISTRO HISTRICO DE LAS FRMULAS CEPI VERSIN FECHA DESCRIPCIN DEL CAMBIO REALIZADO ELABORADO POR DURACION (Horas)
V4.3
3 marzo de 2012
1. Igualar distribucin exponencial negativa con la exponencial 2. Cambio de frmula para Rango semiintercuartlico 3. Correccin de subndice en las frmulas de Alejandro Balaguer la mediana en la seccin 1.3 4. Mejor definicin de tablas marginales seccin 1.6.2
V4.4 V4.5
8 mar 2012
Ral Valdivieso
1 1
23 jun 2012
1. Adecuar frmulas de Fisher y curtosis. Ral Valdivieso Corregirlas. 1. Inclusin de la frmula de la covarianza 2. Inclusin de la Distribucin Geomtrica e Edgar Garca Hipergeomtrica
V4.7
5 Mar 2013
Feb 10 de 2012
Versin 4.6
Descripcin Frmula de Cantidad total de datos presentes en una muestra (de valores para una variable x) a la cual se le asocia una distribucin de frecuencias. Rango de los datos Diferencia entre el valor mximo y el mnimo del ( ) ( ) conjunto de n datos. Nmero de clases Cantidad de clases para una distribucin de frecuencias (n<100) para n datos. Se elige el valor de k ms cercano a 6 y se ( ) La cantidad necesaria para el redondeo de redondea al entero mayor.
k se divide en dos, restndole su mitad al valor mnimo y sumndole la otra mitad al valor mximo para redefinir el rango
Amplitud
Tamao de una clase en una distribucin de frecuencias. Todas las clases tienen igual amplitud si los datos estn agrupados en una tabla de frecuencias. Tambin define el valor de separacin entre clases o marcas de clase.
Rango de la tabla
Producto de la amplitud y el nmero de clases. Los dos datos deben ser redondeados. Diferencia Diferencia entre el rango de la tabla y el rango de los datos. Lmites de la primera Valores frontera del primer intervalo de clase. Si hay clase datos por debajo de este intervalo, se consideran para el conteo de frecuencias pertenecientes a esta clase. Lmites para las clases Valores frontera para las dems clases, para valores de restantes i=2,3,4k Para datos agrupados, se toma el lmite inferior como abierto y el lmite superior como cerrado. Marca de clase Valor de un dato, o el promedio de un intervalo de datos, que tiene una frecuencia asociada. Cuando los datos no estn agrupados cada marca de clase es el valor de cada dato, las marcas de clase no se repiten y se les asocia una frecuencia. Si los datos estn agrupados, es el promedio entre el lmite superior y el lmite inferior de cada clase. Frecuencia Absoluta Cantidad de veces que un dato o perteneciente al intervalo de clase identificada por dicha marca de clase, aparece dentro de un conjunto de n datos. Frecuencia Absoluta Cantidad de observaciones de datos acumulados por las Acumulada clases anteriores (o desde la primera clase hasta una clase j-1) ms la frecuencia absoluta de una clase
Datos agrupados ( )
Datos agrupados
Datos sueltos
Datos agrupados ( )
Feb 10 de 2012
Versin 4.6
Concepto Descripcin Frmula Frecuencia relativa Para cada clase, se define como el cociente entre proporcin y el nmero total de datos, su valor es un porcentaje o un nmero entre 0 y 1. Se cumple que la suma de todos los es igual a 1 100%. Frecuencia relativa Cantidad de proporciones de datos acumuladas por las acumulada clases anteriores (o desde la primera clase hasta una clase j-1) ms la frecuencia relativa de una clase
NOTA: Los histogramas de frecuencia se elaboran teniendo en cuenta que existe igual amplitud (o bien igual distanciamiento entre clases). Para datos sueltos, si existen clases que tienen distanciamientos diferentes entre s, se deben aadir las clases suficientes que aseguren igual separacin entre todas las clases presentes, an si estos datos no estn presentes, se coloca una frecuencia de 0 para dichos datos inexistentes. Se considera adems criterio para agrupar datos, cuando el nmero total de observaciones es superior a 20 y existen ms de cuatro valores diferentes de la variable x dentro del conjunto de n datos.
1.2
Media Geomtrica
( ( )( ) ) (
) ) ( )
Media Armnica
( )
( ) ) ( [ ) ]
| |
( (
Moda Se debe identificar el dato que ms se repite o la clase con mayor valor de frecuencia absoluta o
| |
Siendo
Donde
Feb 10 de 2012
Versin 4.6
Medida Datos Sueltos (n datos) relativa. Una distribucin de frecuencias puede contener una, varias o ninguna moda.
Datos Agrupados (k clases) Es el lmite inferior del intervalo que contiene la moda Es la frecuencia absoluta de la clase donde est la moda Es la frecuencia absoluta de la clase anterior respecto de la que contiene la moda. Es la frecuencia absoluta de la clase anterior respecto de la que contiene la moda. Es la frecuencia absoluta de la clase siguiente respecto de la que contiene la moda.
1.3
Medidas de Posicin (Cuantiles) Datos Sueltos (n datos) Datos Agrupados (k clases) Identificar la primera clase que supera un valor de 50% para Ni y aplicar,
Medida Mediana
Si media = moda = mediana, la distribucin es simtrica.
Dnde: Es la frecuencia absoluta Se deben ordenar los datos de menor a acumulada anterior de la clase donde est la mayor y aplicar: mediana Si n es impar, Es la frecuencia absoluta de la clase ( ) donde se encuentra la mediana Es decir, el dato de la mitad. N Es el nmero total de datos ( ) ( ) Si n es par,
Es decir, el promedio de los dos datos de la mitad.
Dnde: Es la frecuencia relativa absoluta anterior de la clase donde est la mediana Es la frecuencia relativa de la clase donde se encuentra la mediana
Feb 10 de 2012
Versin 4.6
Medida Cuartil
Con j=1,2,3,4; el cual indica el nmero del cuartil.
Datos Sueltos (n datos) Se determina aplicando el mismo principio anterior pero dividiendo la distribucin en cuatro partes iguales.
Datos Agrupados (k clases) Identificar la primera clase que supera un j/4 para Fi y aplicar,
(
Decil
Con j=1,2,3,4,,10 el cual indica el nmero del decil.
se determina aplicando el mismo principio anterior pero dividiendo la distribucin en diez partes iguales.
(
Percentil
Con j=1,2,3,4,,100 el cual indica el nmero del percentil.
se determina aplicando el mismo principio anterior pero dividiendo la distribucin en cien partes iguales.
(
Rango Percentilar b,a Rango entre dos percentiles a y b, donde a<b Rango semiinterpercentilar b,a Desviacin Intercuartlica (Rango Semi-intercuartlico) 1.4 Medidas de Dispersin Datos Sueltos (n datos) (
Medida Varianza Muestral (s2) Poblacional (2) Desviacin estndar o tpica Muestral (s) Poblacional ()
Feb 10 de 2012
Versin 4.6
Medida Desviacin media absoluta Momentos respecto a un parmetro j: orden del momento. Momentos respecto la media j: orden del momento.
|
(
|
)
|
(
|
)
|
(
|
)
1.5
( (
) ) )
(
CEF<0, Asimtrica negativa.
( (
) ) )
( (
) ) )
Feb 10 de 2012
Versin 4.6
Medida Curtosis
CC=0, Mesocrtica
CC>0, Leptocrtica.
( ( ( ) ) ) (
( (
) ) )
CC<0, Platicrtica.
( (
) ) )
Feb 10 de 2012
Versin 4.6
2. PROBABILIDADES Y VARIABLES ALEATORIAS 2.1 2.1.1 Ajuste de curvas y regresin lineal Obtencin de la recta de regresin lineal
Dado un conjunto de n pares de datos (x,y), la regresin lineal de dichos datos se da por la ecuacin:
Donde x es la variable independiente, y es la variable dependiente, m es la pendiente de la recta y b es la ordenada de la ecuacin. Por el mtodo de la covarianza, es necesario determinar, La covarianza se define como:
(
Y as podemos obtener,
)( ( ( ) )
Siendo r, el coeficiente de correlacin muestral. El coeficiente de determinacin se denota como r 2, y sus valores se determinan por:
Feb 10 de 2012
Versin 4.6
Sin embargo, se requiere conocer los valores poblacionales inferir utilizando como estimador a la correlacin muestral (r).
2.1.2 Procedimiento para tablas de doble entrada. En las tablas de doble entrada se tienen datos de dos variables, se usan para tabular informacin agrupada de dos variables observadas simultneamente. En esta clase de estudio se obtienen pares de datos, los cuales guardan una relacin. Las reglas para agrupar estos datos son los mismos que para datos de una sola entrada o variable: 1. Se realiza la agrupacin por variable, es decir, cada una por separado se halla el rango de datos, # de clases etc. 2. Se halla la tabla de frecuencia para cada una de las variables por separado. 3. Despus se debe hallar las tablas de frecuencias marginales o sea las mismas individuales. 2.2 Tcnicas de Conteo Tcnica Sin Repeticin Permutacin
Intervienen todos los elementos. Importa el orden de los elementos.
Con Repeticin
Variacin
Importa el orden de los elementos. No utilizamos todos los elementos
Combinatoria
No importa el orden de los elementos. No entran todos los elementos
2.3 Axiomas y Teoremas de Probabilidad Elemento Descripcin Espacio Muestral Conjunto de todos los posibles resultados de un experimento Hecho o acontecimiento, que describe un subconjunto dentro del espacio muestral. , Ocurrencia de A de B, es decir, de al menos uno de los dos. , ocurrencia de A y B, estrictamente ambos al mismo tiempo. es el complemento de A, es decir, A es cierto si A no ocurre. A y B son mutuamente excluyentes o exclusivos si (vaco)
Eventos
Feb 10 de 2012
Versin 4.6
Axiomas
Teoremas
Probabilidad Condicional
Descripcin La probabilidad de un evento (asociado a una marca de clase) se define como el nmero de veces que un evento sucede respecto del total de eventos (se asocia a frecuencia relativa de cada marca de clase), es decir, ( ) 1. ( ) 2. ( ) (Probabilidad de ocurrencia del espacio muestral, se asocia a Fk o Fn ) ( ) ( ) si A y B son mutuamente excluyentes. 3. ( ) ( ) ( ) ( ) 4. ( ( ) si y slo si los n eventos son mutuamente excluyentes. 1. Si entonces p( ) 2. ( ) ( ) 3. ( ) ( ) si A est contenido dentro de B. ) ( ) ( ) 4. ( ( ) (Principio Aditivo) 5. ( ) ) ( ) ( | ) ( ) ( | ) (Principio Multiplicativo) 6. ( La probabilidad de que un evento A ocurra, dado que aconteci un evento B, es: ( ) ( | ) ( )
( )
Probabilidad Total
( ) ( | )
Independencia
Teorema de Bayes
Solo se puede aplicar si la suma de todas las probabilidades de los eventos xi es igual a 1. Y es un suceso y X es otro suceso que contiene k eventos , , , . A es independiente de B, si se cumple que ( | ) ( ). ) ( ) ( ) En ese caso, ( Sean dos sucesos A y B, donde para A existen n eventos A1, A2, A3, A4, , An mutuamente excluyentes:
( | )
Confiabilidad de Sistemas (Probabilidad de un sistema de elementos de circuito conectados en serie o en paralelo)
( )
( ) ( | ) ( ) ( | )
Para n componentes, independientes entre s, conectados en serie, la confiabilidad del sistema de n componentes A1, A2, A3, A4, , An se define por ( ) ( )
Para n componentes, independientes entre s, conectados en paralelo, la confiabilidad del sistema de n componentes A1, A2, A3, A4, , An se define por ( ) ( ( ))
Feb 10 de 2012
Versin 4.6
2.4
Variables Aleatorias y Funciones de Variables Aleatorias - Generalidades Parmetro o Regla Discretas (VAD) Continuas (VAC) Variable Aleatoria X X x es la variable aleatoria continua, la cual tiene
x Es la variable aleatoria discreta, la cual tiene asociado una probabilidad de ocurrencia determinada por la funcin de probabilidad f[x]. Existen n valores finitos de x, los cuales, son nmeros enteros. asociada una probabilidad de ocurrencia determinada por la funcin de probabilidad f(x). Existen infinitos valores de x, si bien puede estar contenidos en un intervalo (a,b), o en su defecto en el intervalo (-,). Los valores de x son nmeros reales.
Funcin de probabilidad, f
f[x]
f[x] es la probabilidad de que x ocurra. El conjunto de valores de f[x] describe la funcin de probabilidad de x. Se conoce como densidad de masa de probabilidad. Existen n valores de f[x]
f(x)
f(x) es la probabilidad de que x ocurra. Se conoce como funcin de distribucin de probabilidad, y se define en un intervalo (a,b) de x, en caso contrario, est definida en el intervalo (-,)
( )
Donde n es el nmero total de datos de la O en su defecto, la integral se define en el intervalo (a,b) para el cual existen valores de variable aleatoria x
f(x).
Probabilidad acumulada hasta un valor-simo, F[xm] o F(m). Evaluacin de la distribucin de probabilidad acumulada hasta un valor de la variable aleatoria x. Esperanza de la funcin de distribucin de probabilidad
( ) Donde m es el valor correspondiente al dato m-simo para el cual se quiere hallar F[xm] ( ) ( ) ( )
O en su defecto, la integral se define en el intervalo (a,b) para el cual existen valores de f(x). ( ) ( ) ) O en su defecto, la integral se define en el intervalo (a,b) para el cual existen valores de f(x).
Feb 10 de 2012
Versin 4.6
2.5 2.5.1
( )
(
Esperanza
( ))
( )
Variabilidad
2.5.2
Uniforme (VAC)
Para cualquier valor de la variable aleatoria continua x, todos los valores de f(x) son iguales, con f(x) definida en un intervalo (a,b) Funcin de Probabilidad Distribucin Acumulada de Probabilidad
(
para axb
))
( ) Para axb
Esperanza
Variabilidad
Probabilidad de ocurrencia de un nmero de sucesos (x) dado un tamao muestral(n) y una probabilidad terica (poblacional) de ocurrencia p para un evento. Aplica para n20. Densidad de Masa de Probabilidad Densidad Acumulada de Probabilidad
) (
( )
) ( ) ( ) ( )
Esperanza
Variabilidad
2.5.4 Poisson (VAD) Probabilidad de ocurrencia de un nmero de sucesos (x) dado un tamao muestral grande (n) y una probabilidad terica (poblacional) de ocurrencia pequea p para un evento. Se define =np. Aplica para 0.2
Densidad de Masa de Probabilidad Densidad Acumulada de Probabilidad
( )
Esperanza
( )
Variabilidad
Feb 10 de 2012
Versin 4.6
2.5.5 Normal Gaussiana (VAC) Toma como base la curva normal de errores definida por Gauss. Sustentada en el teorema central del lmite. Para muestras muy grandes y bajo condiciones apropiadas, muchas observaciones se aproximan a la normal en trminos de la distribucin de probabilidad. La funcin se define para toda la recta real (-<x<)
Densidad de Masa de Probabilidad Densidad Acumulada de Probabilidad
( )
( )
))
Variabilidad
( )
Esperanza
2.5.6 Normal Estndar Distribucin Z (VAC) Con N(0;1). La funcin se define para toda la recta real (-<x<).
Densidad de Masa de Probabilidad Densidad Acumulada de Probabilidad
))
Esperanza
Variabilidad
( )
2.5.7 Chi-Square. (Ji-Cuadrado) Con un grado de libertad describe el comportamiento de z2. Con n variables aleatorias independientes que obedecen a f(N(0;1)), la suma de sus cuadrados respectivos describe una funcin ajustada a n grados de libertad. Slo est definida para valores de x0 para cualquier valor de grados de libertad.
Densidad de Masa de Probabilidad Densidad Acumulada de Probabilidad
(
Esperanza
( )
) )
(
Variabilidad
Feb 10 de 2012
Versin 4.6
2.6
2.6.1 Bernoulli (VAD) Experimento aleatorio realizado una sola vez para observar si un suceso con probabilidad p ocurre o no, siendo p la probabilidad de xito y q=1-p, la probabilidad de fracaso. x=1 si el suceso ocurre y x=0 en caso contrario Densidad de Masa de Probabilidad Densidad Acumulada de Probabilidad ( ) ( ) ( ) F[x]=0 F[x]=q F[x]=p si x=1 si x=0 si para x<0 Para 0x<1 Para x1 Esperanza Variabilidad ( )
2.6.2 Exponencial o exponencial negativa (VAC) Describe procesos en los que interesa conocer el tiempo que trascurre hasta la ocurrencia de un evento. Est definida para x0. Densidad de Masa de Probabilidad Densidad Acumulada de Probabilidad
)
Esperanza
( )
Variabilidad
2.6.3 Gamma (VA) Depende de dos parmetros llamados de escala () y de forma (a). Esta distribucin ayuda a definir las distribuciones Chi-Square y Beta, tiles en procesos estocsticos. Tambin es la forma general de la distribucin exponencial (se aplica a=1 a la distribucin gamma y queda la distribucin exponencial). Densidad de Masa de Probabilidad Densidad Acumulada de Probabilidad
( ) ( )
( )
()
Esperanza
Variabilidad
Nota:
( )
se
)=a ( )
Feb 10 de 2012
Versin 4.6
2.6.4 Beta (VAC) til para modelar procesos estocsticos que toman valores sobre un intervalo finito [, ], siendo el origen y - la unidad. Adems, ,>0 Densidad de Masa de Probabilidad Densidad Acumulada de Probabilidad Se encuentra definida para [,]
))
( ( )
) ( )
( )
()
Para los dems valores de x, f(x)=0 Esperanza ( 2.6.5 Hipergeomtrica (VAD) Esta distribucin es adecuada cuando el tamao de la poblacin es pequeo. Corresponde a variables aleatorias discretas ( ) ( )( ( ) ( ) ( Donde )
Variabilidad )( )
Esperanza ( ) Varianza
donde N=tamao de la poblacin A=Numero de xitos en la poblacin n=Tamao de la muestra x=Numero de xitos en la muestra Nota: Es importante recalcar que x no puede exceder a A ni a n 2.6.6 Geomtrica En una serie de ensayos de Bernoulli independientes, con probabilidad de xito p, sea la variable aleatoria X el nmero de ensayos hasta la obtencin del primer xito. La distribucin Geomtrica con parmetro p. ( ) ( )
)(
)( y
Esperanza ( ) Varianza ( ) ( )
2.6.7 Distribucin de Earlang El intervalo en que se presentan r fallas en un proceso de Poisson con media , tiene distribucin Earlang con parmetros y r ( ) ( )
Esperanza ( ) Varianza ( )
Feb 10 de 2012
Versin 4.6
3. INFERENCIA ESTADSTICA 3.1 Estimadores de intervalos 1. Intervalos de confianza (error tipo I): Dada una poblacin X, que sigue una distribucin cualquiera con media y varianza :
Sabemos (Por el Teorema Central del lmite) que, para valores grandes de n, la media muestral sigue una distribucin aproximadamente normal con media y desviacin estndar El teorema de Chebyshev nos dice que, en una distribucin normal, aproximadamente un 95% de los datos estaban situados a una distancia inferior a dos desviaciones estndar de la media. De lo anterior se deduce que: ( , lo que es igual a: ( ) ) Por tanto, sta ltima frmula nos da un intervalo de valores tal que la probabilidad de que la media de la poblacin est contenida en l, es de 0.95 Este tipo de intervalos se llaman intervalos de confianza (nivel de significancia) de un parmetro poblacional. El nivel de confianza ( ) del intervalo es la probabilidad que ste contenga al parmetro poblacional. En el ejemplo, la confianza es 0.95 ( ). 2. Intervalos de confianza (error tipo II): En una situacin de prueba de hiptesis existe la posibilidad de aceptar que la media est contenida fuera del 0.95 y este hecho sea falso. Este tipo de error se llama tipo II y se plantea como:
si se conoce la varianza
[
2. Diferencia entre dos medias y
, con varianzas
conocidas.
[(
3. Media
desconocida.
Feb 10 de 2012
Versin 4.6
, sabiendo que
, pero su valor es
Donde
, con varianzas
desconocidas.
[(
(
(
)
)
Donde
( ) ( )
[
7. Varianza de una distribucin normal.
( )
( )
[(
Feb 10 de 2012
Versin 4.6
[ Donde
11. Estimacin de tamao muestral (variables cuantitativas) para tamao infinito >10000 .
12. Estimacin de tamao muestral (variables dicotmicas o cualitativa) para tamao infinito >10000.
Para 11 y 12, E es la diferencia o margen de error que se suscita entre el parmetro poblacional y el estadstico muestral. 13. Eleccin de tamao muestral (variable continua) para tamao finito
14. Eleccin de tamao muestral (variable dicotmica o cualitativa) para tamao finito
(
3.2 Prueba de hiptesis.
3.2.1 Procedimiento General de prueba de hiptesis. Propsito Efectuar una prueba de hiptesis Condiciones Calidad de la prueba depende de la cantidad de datos. Generalmente 30 o ms datos. Las consideradas en cada caso respecto a cada funcin de distribucin muestral. Entradas Datos clasificados en orden creciente; Nmero de datos en la distribucin a probar (n);
Feb 10 de 2012
Versin 4.6
Pasos
Interpretacin
Distribuciones de probabilidad (funciones de variables aleatorias). 1. Del contexto del problema identificar parmetros de inters. 2. Establecer la hiptesis nula: 3. Especificar una apropiada hiptesis alternativa, 4. Seleccionar el nivel de significancia ( ) 5. Establecer un estadstico de prueba apropiado. 6. Establecer la regin de rechazo para el estadstico a partir del estadstico de contraste. 7. Calcular los tamaos mustrales necesarios, sustitucin y clculo en el estimador estadstico de prueba. 8. Decidir rechazo o no rechazo de para notificarlo al contexto del problema. reas de cola <0.05 generalmente son suficientes para rechazar la prueba. reas de cola >0.2 son suficientes para aceptar la prueba. Valores intermedios indican grados intermedios de prueba.
3.2.1.1 Una poblacin Poblacin Bilateral 1. H0: = 0 H1: 0 ( ) Contrastes Unilateral Derecha Izquierda 2. H0: 0 3. H0: 0 = 0 = 0 H1: <0 H1: >0 Estadstico de prueba Si se conoce
1. | | 2. 3.
1. | | 2. 3.
Cuando se desconoce y
adems
1. B(n,p) con
2.
3.
1. 2.
1. | | 2. 3.
1. | | 2. 3.
3.
( )
1. 2. 3.
3.2.1.2 Diferencia de la media entre dos poblaciones Poblacin Contrastes Bilateral Unilateral ( )
Estadstico de prueba
Feb 10 de 2012
y ( = ) 1) 2)
Derecha 3) o
Izquierda
Donde ( )
)
1) Bilateral:
| | | |
1) Bilateral:
2) Unilateral Derecha:
2) Unilateral derecha:
3) Unilateral Izquierda:
4)
5) o
6) o
( (
| |
4) Bilateral:
5) Unilateral Derecha:
5) Unilateral derecha:
Donde ( 1) 2) o 3) o
Con n
6) Unilateral ) izquierda:
6) Unilateral Izquierda:
con n<30
( y ( con
) )
3) Unilateral izquierda:
Donde
(
Desconocidas
4)
5) o
6) o
Con n
( )
4) Bilateral:
| |
con n<30
Feb 10 de 2012
Versin 4.6
)
) ( )
Donde
(
Datos pareados
1)
2)
3)
1) Bilateral:
| |
| |
1) ( y ( on conocidas )c 4) )
2) o
3) o
5) o
6) o
Poblacin
Binomiales
Bilateral
Unilat. Der.
2.
) )
3.
( (
1.
Feb 10 de 2012
Versin 4.6
) ( ) ) ) ( ) ) ) ( )
1) Bilateral:
| |
2) Unilateral Izquierda: 3) Unilateral derecha: 4) Bilateral: | | 5) Unilateral Izquierda: 6) Unilateral derecha: 4) Bilateral:
| |
Regin de rechazo
Normales
; o o
)
; Unilateral Derecho
( (
Unilateral Izquierdo
3.3
Siendo el parmetro poblacional para la correlacin entre dos variables, 3.3.1 Prueba de Correlacin
Bilateral Contrastes Unilateral Derecho Unilateral Izquierdo
Poblacin
Estadstico de prueba
Regin de rechazo
Feb 10 de 2012
Versin 4.6
Bilateral
Normales
| |
O
( ( ) )
Unilateral Derecho
Unilateral Izquierdo 3.3.2 Bondad de Ajuste O i = Valor observado en la i-simo dato. E i = Valor esperado en la i-simo dato. K = Categoras o celdas. m = Parmetros estimados sobre la base de los datos de la muestra Los grados de libertad vienen dados por: Grados de libertad = k-m-1. Donde t representa el valor proporcionado por las tablas, segn el nivel de significacin elegido. Cuanto ms se aproxima a cero el valor de chi-cuadrado, ms ajustadas estn ambas distribuciones.
Estadstico de prueba
Regin de rechazo