Este documento presenta conceptos básicos de probabilidad y estadística para un curso universitario de ingeniería de minas. Introduce conceptos como experimento, espacio muestral, eventos, probabilidad de eventos, variables aleatorias, distribuciones de probabilidad, esperanza matemática y varianza. También cubre intervalos de confianza, pruebas de hipótesis y niveles de significancia. El objetivo es proporcionar herramientas estadísticas para que los ingenieros puedan tomar decisiones informadas bajo condiciones de in
Este documento presenta una introducción a la regresión lineal múltiple. Explica que este análisis permite establecer la relación entre una variable dependiente y múltiples variables independientes. Incluye la definición formal del modelo de regresión lineal múltiple, un ejemplo ilustrativo con datos reales, y discute conceptos clave como las pruebas de hipótesis, el coeficiente de determinación y los intervalos de confianza.
Diseño ax bxc y cuadrado latino alimentos 1Maria Garces
Este documento presenta información sobre dos diseños experimentales: el diseño AxBxC y el diseño cuadrado latino. Describe el objetivo general de cada diseño, sus modelos matemáticos y algunas fórmulas clave. También incluye ejemplos y ejercicios prácticos para que los estudiantes apliquen los diseños.
Este documento describe los diseños factoriales, que estudian el efecto de varios factores sobre una o más variables de respuesta. Explica que los factores pueden ser cualitativos o cuantitativos, y que es necesario elegir al menos dos niveles para cada factor. Define un diseño factorial como el conjunto de tratamientos que surgen de todas las combinaciones posibles de los niveles de los factores. Describe cómo calcular los efectos principales de cada factor y la interacción entre factores, así como el modelo estadístico y el análisis de varianza para probar hipó
El documento presenta un resumen de los conceptos básicos de un diseño factorial 3K, incluyendo factores, niveles, tratamientos y réplicas. Explica que este diseño permite investigar los efectos de los factores individuales (A, B, C), sus interacciones (AB, AC, BC) y la interacción de todos los factores (ABC). Finalmente, muestra un ejemplo numérico de cómo aplicar un análisis de varianza para probar las hipótesis nulas de los diferentes efectos.
Este documento introduce el análisis de regresión simple. Explica que el análisis de regresión construye un modelo matemático para pronosticar una variable dependiente (y) en función de otra variable independiente (x). Se describe el proceso para determinar la ecuación de la recta de regresión, incluyendo el cálculo de la pendiente y la ordenada al origen. También explica cómo analizar los residuales para evaluar qué tan bien se ajusta el modelo a los datos.
Este documento describe los supuestos principales para los modelos I y II de análisis de varianza, incluyendo la independencia y normalidad de los errores, y la homogeneidad de las varianzas de los tratamientos. También explica pruebas como Shapiro-Wilk para comprobar la normalidad y Bartlett para verificar la homogeneidad de varianzas. Finalmente, presenta un ejercicio para aplicar la prueba de Bartlett a datos de dietas.
Trabajo de Investigación: Análisis Bayesiano de Tablas de Contingencia Bidime...Juan Casanova González
Este documento presenta un análisis bayesiano de tablas de contingencia bidimensionales. Se aplica la metodología a datos sobre contaminación ambiental y nubosidad recogidos durante 200 días. Se ajustan modelos multinomial-Dirichlet y se calculan probabilidades posteriores. Los resultados bayesianos coinciden con el análisis clásico y sugieren que no hay independencia entre las variables. La prueba bayesiana de homogeneidad también rechaza la hipótesis nula.
Este documento presenta una introducción a la regresión lineal múltiple. Explica que este análisis permite establecer la relación entre una variable dependiente y múltiples variables independientes. Incluye la definición formal del modelo de regresión lineal múltiple, un ejemplo ilustrativo con datos reales, y discute conceptos clave como las pruebas de hipótesis, el coeficiente de determinación y los intervalos de confianza.
Diseño ax bxc y cuadrado latino alimentos 1Maria Garces
Este documento presenta información sobre dos diseños experimentales: el diseño AxBxC y el diseño cuadrado latino. Describe el objetivo general de cada diseño, sus modelos matemáticos y algunas fórmulas clave. También incluye ejemplos y ejercicios prácticos para que los estudiantes apliquen los diseños.
Este documento describe los diseños factoriales, que estudian el efecto de varios factores sobre una o más variables de respuesta. Explica que los factores pueden ser cualitativos o cuantitativos, y que es necesario elegir al menos dos niveles para cada factor. Define un diseño factorial como el conjunto de tratamientos que surgen de todas las combinaciones posibles de los niveles de los factores. Describe cómo calcular los efectos principales de cada factor y la interacción entre factores, así como el modelo estadístico y el análisis de varianza para probar hipó
El documento presenta un resumen de los conceptos básicos de un diseño factorial 3K, incluyendo factores, niveles, tratamientos y réplicas. Explica que este diseño permite investigar los efectos de los factores individuales (A, B, C), sus interacciones (AB, AC, BC) y la interacción de todos los factores (ABC). Finalmente, muestra un ejemplo numérico de cómo aplicar un análisis de varianza para probar las hipótesis nulas de los diferentes efectos.
Este documento introduce el análisis de regresión simple. Explica que el análisis de regresión construye un modelo matemático para pronosticar una variable dependiente (y) en función de otra variable independiente (x). Se describe el proceso para determinar la ecuación de la recta de regresión, incluyendo el cálculo de la pendiente y la ordenada al origen. También explica cómo analizar los residuales para evaluar qué tan bien se ajusta el modelo a los datos.
Este documento describe los supuestos principales para los modelos I y II de análisis de varianza, incluyendo la independencia y normalidad de los errores, y la homogeneidad de las varianzas de los tratamientos. También explica pruebas como Shapiro-Wilk para comprobar la normalidad y Bartlett para verificar la homogeneidad de varianzas. Finalmente, presenta un ejercicio para aplicar la prueba de Bartlett a datos de dietas.
Trabajo de Investigación: Análisis Bayesiano de Tablas de Contingencia Bidime...Juan Casanova González
Este documento presenta un análisis bayesiano de tablas de contingencia bidimensionales. Se aplica la metodología a datos sobre contaminación ambiental y nubosidad recogidos durante 200 días. Se ajustan modelos multinomial-Dirichlet y se calculan probabilidades posteriores. Los resultados bayesianos coinciden con el análisis clásico y sugieren que no hay independencia entre las variables. La prueba bayesiana de homogeneidad también rechaza la hipótesis nula.
Este documento presenta definiciones básicas sobre distribuciones de probabilidad. Introduce conceptos como variable aleatoria, distribución de probabilidad, función de densidad, esperanza y varianza. Explica las distribuciones binomial, de Poisson y normal, así como sus propiedades y usos. Finalmente, proporciona ejemplos para ilustrar estos conceptos estadísticos.
Este documento presenta información sobre distribuciones de probabilidad. Explica conceptos clave como variable aleatoria, distribución de probabilidad, función de densidad y esperanza matemática. Luego describe distribuciones discretas como la binomial y de Poisson, y distribuciones continuas como la normal y normal estandarizada. Finalmente, incluye ejemplos y ejercicios resueltos sobre estas distribuciones.
Este documento presenta una introducción al modelo de regresión lineal simple. Explica que la regresión lineal estudia la dependencia entre una variable dependiente (Y) y una variable independiente (X). Define el modelo de regresión lineal simple como Y = β0 + β1X1 + ε, donde β0 y β1 son parámetros a estimar y ε es el error aleatorio. Finalmente, indica que el objetivo es determinar si existe una relación lineal significativa entre las variables.
El documento describe un experimento factorial completo 2n para estudiar los efectos de 4 factores con 2 niveles cada uno (variedad de uva, tipo de roble, edad del barril, y levadura) en la calidad de un vino. Presenta el modelo matemático y las fórmulas para calcular la suma de cuadrados total, de tratamientos, de réplicas, y del error. También incluye los datos de 16 tratamientos con 2 réplicas cada uno para analizar los efectos de los factores y sus interacciones en los grados de azúcar
Este documento presenta información sobre estadística aplicada a la investigación. Explica conceptos básicos como distribución de probabilidad, variable aleatoria, funciones de densidad y distribución, esperanza y varianza. También describe distribuciones de probabilidad discretas como la binomial y de Poisson, así como distribuciones continuas como la normal. Finalmente, incluye ejemplos para ilustrar estos conceptos.
Este documento describe el diseño de experimentos en parcelas divididas. Explica que este diseño permite asignar tratamientos a parcelas principales y subparcelas para evaluar dos factores. Detalla los componentes del modelo estadístico, la notación, y cómo descomponer la suma de cuadrados para realizar el análisis de varianza. Finalmente, presenta un ejemplo numérico ilustrando estos conceptos.
1) El documento presenta información sobre distribuciones estadísticas como la ji-cuadrada y F de Fisher, y métodos como el análisis de varianza y tablas de contingencia. 2) Explica conceptos como grados de libertad, estadísticos de prueba, y pruebas de hipótesis para comparar varianzas de poblaciones. 3) Proporciona ejemplos numéricos para ilustrar cómo aplicar estas pruebas estadísticas e inferir sobre parámetros poblacionales a partir de datos muestrales.
El documento describe un experimento factorial 3x2 con 10 réplicas para investigar el hinchamiento de un catalizador después de la extrusión. Los factores estudiados son el molde con dos niveles y el catalizador con tres niveles. Se pide realizar un análisis de varianza, construir tablas de medias y gráficas, e identificar el mejor tratamiento.
Este documento describe la distribución binomial y sus propiedades. Explica que la distribución binomial modela experimentos con dos resultados posibles, donde la probabilidad de éxito es constante y los resultados de cada prueba son independientes. También define la función de probabilidad binomial y cómo calcular la media y desviación estándar. Finalmente, muestra cómo usar tablas binomiales para calcular probabilidades.
Este documento explica conceptos básicos de la probabilidad y las variables aleatorias. 1) La probabilidad proporciona modelos para la incertidumbre que surge de experimentos aleatorios cuyos resultados no pueden predecirse con certeza. 2) Una variable aleatoria asigna valores numéricos a los resultados de un experimento para resumirlos. 3) La distribución de una variable aleatoria especifica las probabilidades de los valores que puede tomar.
Este documento explica el análisis de varianza de un factor (ANOVA), incluyendo sus suposiciones, la partición de la variabilidad total en componentes, y cómo se usa la razón F para probar la igualdad de las medias. También cubre comparaciones múltiples entre tratamientos y el uso de pruebas t o intervalos de confianza para realizar estas comparaciones.
Este documento trata sobre tests de hipótesis. Explica los pasos para realizar un test, incluyendo definir las hipótesis nula y alternativa, seleccionar un estadístico de contraste apropiado, determinar la región crítica, y adoptar una decisión sobre si rechazar o no la hipótesis nula. También discute tests paramétricos y no paramétricos, y proporciona ejemplos de cómo aplicar tests para contrastar parámetros como la media y la varianza de distribuciones normales.
El documento presenta información sobre diseños factoriales. Explica que estos diseños permiten investigar los efectos de múltiples factores (variables independientes) sobre una variable dependiente de forma simultánea. Todos los niveles de un factor se combinan con todos los niveles de los otros factores para formar los tratamientos. Esto permite evaluar los efectos individuales de cada factor y sus posibles interacciones.
El documento presenta diferentes distribuciones de probabilidad como Bernoulli, binomial, Poisson y exponencial. Explica sus fórmulas y cómo se aplican a ejemplos numéricos. También incluye gráficos para ilustrar los resultados de los ejemplos.
Este documento presenta un resumen de 3 oraciones o menos del trabajo realizado por Gabriela Cisneros sobre la prueba de Chi-cuadrado. El trabajo analiza la prueba de Chi-cuadrado, proporciona ejemplos numéricos y aplicaciones a problemas de comercio exterior. El objetivo general era conocer y aplicar la prueba de Chi-cuadrado a problemas relacionados con el comercio exterior.
1) La probabilidad mide la frecuencia con la que se obtiene un resultado al llevar a cabo un experimento aleatorio bajo condiciones estables. 2) Un espacio muestral representa todos los posibles resultados de un experimento, y un suceso es un subconjunto de resultados posibles. 3) La probabilidad de un suceso simple es un número entre 0 y 1, y la suma de probabilidades de todos los sucesos simples debe ser 1.
Este documento presenta información sobre correlación y regresión. Explica qué es la correlación y cómo se mide con el coeficiente de correlación de Pearson. También cubre conceptos clave de regresión como la ecuación de regresión, la pendiente y los residuos. Además, analiza datos reales para ilustrar el cálculo de correlaciones y ecuaciones de regresión lineal y predecir valores.
Este documento presenta los conceptos básicos de la inferencia estadística. Introduce la inferencia estadística y el muestreo aleatorio simple. Explica las distribuciones asociadas al muestreo como la Chi-cuadrado, t-Student y F de Snedecor. Finalmente, describe las distribuciones de estadísticos muestrales como la media, varianza y proporción.
Este documento presenta información sobre distribuciones de probabilidad y variables aleatorias. Incluye definiciones de distribución de probabilidad, variable aleatoria, valor esperado, varianza y desviación estándar. También explica distribuciones como la binomial, hipergeométrica y de Poisson. Presenta ejemplos numéricos para ilustrar estos conceptos estadísticos.
Guía teórica. variables aleatorias y sus distribuciones. ii corte.merlyrojas
Este documento presenta una guía teórica sobre variables aleatorias y sus distribuciones para el curso de Estadística impartido por la Ingeniera Merly Rojas. Incluye la planificación de evaluaciones para el segundo corte así como conceptos clave sobre variables aleatorias discretas y continuas, y distribuciones como la binomial, Poisson, normal y otras.
Este documento explica conceptos básicos de probabilidad como experimentos aleatorios, sucesos, variables aleatorias y distribuciones de probabilidad. Introduce la distribución normal como una de las distribuciones más importantes, que depende de dos parámetros y se utiliza para modelar muchos fenómenos. Finalmente, explica que según el Teorema Central del Límite, la suma de variables aleatorias independientes tenderá a una distribución normal.
Este documento presenta definiciones básicas sobre distribuciones de probabilidad. Introduce conceptos como variable aleatoria, distribución de probabilidad, función de densidad, esperanza y varianza. Explica las distribuciones binomial, de Poisson y normal, así como sus propiedades y usos. Finalmente, proporciona ejemplos para ilustrar estos conceptos estadísticos.
Este documento presenta información sobre distribuciones de probabilidad. Explica conceptos clave como variable aleatoria, distribución de probabilidad, función de densidad y esperanza matemática. Luego describe distribuciones discretas como la binomial y de Poisson, y distribuciones continuas como la normal y normal estandarizada. Finalmente, incluye ejemplos y ejercicios resueltos sobre estas distribuciones.
Este documento presenta una introducción al modelo de regresión lineal simple. Explica que la regresión lineal estudia la dependencia entre una variable dependiente (Y) y una variable independiente (X). Define el modelo de regresión lineal simple como Y = β0 + β1X1 + ε, donde β0 y β1 son parámetros a estimar y ε es el error aleatorio. Finalmente, indica que el objetivo es determinar si existe una relación lineal significativa entre las variables.
El documento describe un experimento factorial completo 2n para estudiar los efectos de 4 factores con 2 niveles cada uno (variedad de uva, tipo de roble, edad del barril, y levadura) en la calidad de un vino. Presenta el modelo matemático y las fórmulas para calcular la suma de cuadrados total, de tratamientos, de réplicas, y del error. También incluye los datos de 16 tratamientos con 2 réplicas cada uno para analizar los efectos de los factores y sus interacciones en los grados de azúcar
Este documento presenta información sobre estadística aplicada a la investigación. Explica conceptos básicos como distribución de probabilidad, variable aleatoria, funciones de densidad y distribución, esperanza y varianza. También describe distribuciones de probabilidad discretas como la binomial y de Poisson, así como distribuciones continuas como la normal. Finalmente, incluye ejemplos para ilustrar estos conceptos.
Este documento describe el diseño de experimentos en parcelas divididas. Explica que este diseño permite asignar tratamientos a parcelas principales y subparcelas para evaluar dos factores. Detalla los componentes del modelo estadístico, la notación, y cómo descomponer la suma de cuadrados para realizar el análisis de varianza. Finalmente, presenta un ejemplo numérico ilustrando estos conceptos.
1) El documento presenta información sobre distribuciones estadísticas como la ji-cuadrada y F de Fisher, y métodos como el análisis de varianza y tablas de contingencia. 2) Explica conceptos como grados de libertad, estadísticos de prueba, y pruebas de hipótesis para comparar varianzas de poblaciones. 3) Proporciona ejemplos numéricos para ilustrar cómo aplicar estas pruebas estadísticas e inferir sobre parámetros poblacionales a partir de datos muestrales.
El documento describe un experimento factorial 3x2 con 10 réplicas para investigar el hinchamiento de un catalizador después de la extrusión. Los factores estudiados son el molde con dos niveles y el catalizador con tres niveles. Se pide realizar un análisis de varianza, construir tablas de medias y gráficas, e identificar el mejor tratamiento.
Este documento describe la distribución binomial y sus propiedades. Explica que la distribución binomial modela experimentos con dos resultados posibles, donde la probabilidad de éxito es constante y los resultados de cada prueba son independientes. También define la función de probabilidad binomial y cómo calcular la media y desviación estándar. Finalmente, muestra cómo usar tablas binomiales para calcular probabilidades.
Este documento explica conceptos básicos de la probabilidad y las variables aleatorias. 1) La probabilidad proporciona modelos para la incertidumbre que surge de experimentos aleatorios cuyos resultados no pueden predecirse con certeza. 2) Una variable aleatoria asigna valores numéricos a los resultados de un experimento para resumirlos. 3) La distribución de una variable aleatoria especifica las probabilidades de los valores que puede tomar.
Este documento explica el análisis de varianza de un factor (ANOVA), incluyendo sus suposiciones, la partición de la variabilidad total en componentes, y cómo se usa la razón F para probar la igualdad de las medias. También cubre comparaciones múltiples entre tratamientos y el uso de pruebas t o intervalos de confianza para realizar estas comparaciones.
Este documento trata sobre tests de hipótesis. Explica los pasos para realizar un test, incluyendo definir las hipótesis nula y alternativa, seleccionar un estadístico de contraste apropiado, determinar la región crítica, y adoptar una decisión sobre si rechazar o no la hipótesis nula. También discute tests paramétricos y no paramétricos, y proporciona ejemplos de cómo aplicar tests para contrastar parámetros como la media y la varianza de distribuciones normales.
El documento presenta información sobre diseños factoriales. Explica que estos diseños permiten investigar los efectos de múltiples factores (variables independientes) sobre una variable dependiente de forma simultánea. Todos los niveles de un factor se combinan con todos los niveles de los otros factores para formar los tratamientos. Esto permite evaluar los efectos individuales de cada factor y sus posibles interacciones.
El documento presenta diferentes distribuciones de probabilidad como Bernoulli, binomial, Poisson y exponencial. Explica sus fórmulas y cómo se aplican a ejemplos numéricos. También incluye gráficos para ilustrar los resultados de los ejemplos.
Este documento presenta un resumen de 3 oraciones o menos del trabajo realizado por Gabriela Cisneros sobre la prueba de Chi-cuadrado. El trabajo analiza la prueba de Chi-cuadrado, proporciona ejemplos numéricos y aplicaciones a problemas de comercio exterior. El objetivo general era conocer y aplicar la prueba de Chi-cuadrado a problemas relacionados con el comercio exterior.
1) La probabilidad mide la frecuencia con la que se obtiene un resultado al llevar a cabo un experimento aleatorio bajo condiciones estables. 2) Un espacio muestral representa todos los posibles resultados de un experimento, y un suceso es un subconjunto de resultados posibles. 3) La probabilidad de un suceso simple es un número entre 0 y 1, y la suma de probabilidades de todos los sucesos simples debe ser 1.
Este documento presenta información sobre correlación y regresión. Explica qué es la correlación y cómo se mide con el coeficiente de correlación de Pearson. También cubre conceptos clave de regresión como la ecuación de regresión, la pendiente y los residuos. Además, analiza datos reales para ilustrar el cálculo de correlaciones y ecuaciones de regresión lineal y predecir valores.
Este documento presenta los conceptos básicos de la inferencia estadística. Introduce la inferencia estadística y el muestreo aleatorio simple. Explica las distribuciones asociadas al muestreo como la Chi-cuadrado, t-Student y F de Snedecor. Finalmente, describe las distribuciones de estadísticos muestrales como la media, varianza y proporción.
Este documento presenta información sobre distribuciones de probabilidad y variables aleatorias. Incluye definiciones de distribución de probabilidad, variable aleatoria, valor esperado, varianza y desviación estándar. También explica distribuciones como la binomial, hipergeométrica y de Poisson. Presenta ejemplos numéricos para ilustrar estos conceptos estadísticos.
Guía teórica. variables aleatorias y sus distribuciones. ii corte.merlyrojas
Este documento presenta una guía teórica sobre variables aleatorias y sus distribuciones para el curso de Estadística impartido por la Ingeniera Merly Rojas. Incluye la planificación de evaluaciones para el segundo corte así como conceptos clave sobre variables aleatorias discretas y continuas, y distribuciones como la binomial, Poisson, normal y otras.
Este documento explica conceptos básicos de probabilidad como experimentos aleatorios, sucesos, variables aleatorias y distribuciones de probabilidad. Introduce la distribución normal como una de las distribuciones más importantes, que depende de dos parámetros y se utiliza para modelar muchos fenómenos. Finalmente, explica que según el Teorema Central del Límite, la suma de variables aleatorias independientes tenderá a una distribución normal.
El documento presenta instrucciones para completar un entregable de cálculo vectorial, incluyendo resolver casos específicos, citar referencias y usar ecuaciones. Luego, presenta una sección teórica con preguntas sobre funciones diferenciables y extremos locales vs absolutos. Finalmente, una sección práctica con problemas sobre límites, ecuación de Laplace y regla de la cadena.
El documento introduce conceptos básicos de teoría de conjuntos y probabilidad como espacio muestral, eventos, cardinalidad, probabilidad simple y condicional. Explica la diferencia entre conjuntos, subconjuntos y su intersección, y presenta ejemplos para ilustrar los cálculos de probabilidad usando diagramas de árbol y el teorema de Bayes.
Este documento define conceptos estadísticos fundamentales como población, muestra, variable aleatoria, distribución de probabilidad y tipos de distribuciones como uniforme discreta, binomial, multinomial e hipergeométrica. Explica que una variable aleatoria puede ser discreta o continua dependiendo de si sus valores posibles son enumerables o un intervalo continuo. Además, introduce conceptos como valor esperado y varianza para medir las características centrales y dispersión de una variable aleatoria.
Este documento presenta las leyes y propiedades fundamentales del álgebra de proposiciones, incluyendo leyes como la identidad, no contradicción, tercio excluido, doble negación, idempotencia, conmutativa, asociativa, distributiva, de Morgan, del condicional, del bicondicional, de absorción, de transposición, de exportación, del modus ponens y tollens, del silogismo disyuntivo y hipotético, de la inferencia equivalente, de la transitividad simétrica, de simplificación, de
Este documento describe diferentes tipos de distribuciones de probabilidad, incluyendo distribuciones discretas como la binomial y de Poisson, y distribuciones continuas como la normal. Explica las propiedades clave de cada distribución, como la esperanza matemática, varianza, y fórmulas para calcular probabilidades. También incluye ejemplos numéricos para ilustrar el cálculo de probabilidades usando estas distribuciones.
El documento describe conceptos básicos de estadística como función de probabilidad, distribución de probabilidad, variables aleatorias discretas y continuas, esperanza matemática, varianza, distribuciones binomial, de Poisson y normal. Explica que una distribución de probabilidad indica los valores posibles de un experimento y su probabilidad, y que puede ser generada por variables aleatorias discretas o continuas.
Este documento presenta definiciones básicas de probabilidad, incluyendo experimento, resultado, espacio muestral y evento. Explica cómo calcular la probabilidad de eventos discretos y los axiomas de probabilidad. También cubre eventos mutuamente excluyentes, eventos independientes, probabilidad condicional y el teorema de Bayes, el cual permite calcular probabilidades a posteriori. Por último, menciona cómo se aplica el teorema de Bayes en tests diagnósticos médicos.
Este documento trata sobre estadística descriptiva y probabilidad. Se divide en cuatro capítulos que cubren estos temas: el capítulo 1 describe estadísticos descriptivos como la media, mediana y moda; el capítulo 2 cubre la relación entre dos variables numéricas mediante la covarianza y correlación; el capítulo 3 explica conceptos básicos de probabilidad como reglas, espacio muestral y sucesos; y el capítulo 4 trata sobre encuestas y proporciones usando el modelo binomial. Cada capítulo incluye definiciones, fó
Este documento contiene un índice de diferentes temas de matemáticas como álgebra, geometría, trigonometría, geometría analítica, cálculo diferencial, cálculo integral, estadística descriptiva y probabilidad. Incluye fórmulas, definiciones y propiedades de cada uno de estos temas.
El formulario contiene las fórmulas que se utilizan en los cursos de bachillerato, desde el álgebra, geometría, trigonometría, geometría analítica, cálculo diferencial e integral, estadística descriptiva y probabilidad. Está desarrollado para estudiantes de 15 a 18 años.
Muchos formularios intimidan a los jóvenes de esa edad, debido al formalismo matemático que ocupan. Aquí se ha evitado eso, sin perder por ello la seriedad en el trabajo.
¡Por fin! un formulario accesible con todo en un mismo lugar y que ahorra mucho tiempo en búsquedas.
Este documento describe las distribuciones normal y t de Student. Explica que la distribución normal es importante porque muchas variables naturales la siguen. Define la función de densidad normal y sus propiedades como la simetría y que el 95% de los datos se encuentra dentro de dos desviaciones estándar de la media. También introduce la distribución t de Student que se usa para muestras pequeñas en lugar de la normal.
Este documento describe varias distribuciones de probabilidad comunes, incluidas la binomial, Poisson y normal. Explica que una distribución de probabilidad indica los posibles resultados de un experimento aleatorio y sus probabilidades asociadas. Luego procede a definir variables aleatorias discretas y continuas, y describe las propiedades y fórmulas clave de cada distribución, ilustrando con ejemplos como el número de caras que caerán al lanzar una moneda varias veces.
mat 260 unidjjjjjjad 3 parte 1 2020.pptxpotaca7533
Este documento trata sobre distribuciones de probabilidad continuas y la distribución normal. Los objetivos son describir las características de las distribuciones normal y exponencial, calcular medidas de tendencia central y dispersión, y determinar probabilidades utilizando la distribución normal estándar. Explica conceptos como función de densidad de probabilidad y aproximación de la binomial a la normal.
Este documento presenta conceptos básicos de distribuciones de probabilidad, incluyendo variables aleatorias discretas y continuas. Explica las distribuciones binomial, de Poisson, normal y geométrica, definiendo sus funciones de probabilidad y propiedades clave como la media y varianza. También incluye un ejemplo numérico para ilustrar el cálculo de estas medidas en una variable aleatoria discreta.
Este documento introduce los conceptos de distribuciones de probabilidad, variables aleatorias discretas y continuas. Explica que una distribución de probabilidad describe los posibles resultados de un experimento y que puede ser generada por una variable aleatoria. Luego describe las características de las variables aleatorias discretas y continuas, y proporciona ejemplos de cada una. Finalmente, presenta fórmulas y ejemplos de distribuciones de Bernoulli, binomial, Poisson, exponencial.
La distribución de Poisson describe procesos aleatorios donde los eventos ocurren con baja probabilidad en intervalos de tiempo, área o volumen. Se utiliza para calcular la probabilidad de que ocurran k eventos dados los parámetros λ y n. La media y varianza de una distribución de Poisson son iguales a λ.
Este documento contiene un examen de Estadística Aplicada I con 6 preguntas. La primera pregunta analiza las características de distribuciones de gastos familiares durante fiestas patrias en dos distritos. La segunda calcula la varianza ponderada muestral de estas distribuciones. La tercera calcula la probabilidad de recibir respuesta en la llamada 15 considerando llamadas independientes. La cuarta calcula probabilidades asociadas a la selección de paquetes de acciones. La quinta calcula una probabilidad geométrica. Y la sext
PRESENTACION TEMA COMPUESTO AROMATICOS YWillyBernab
Acerca de esta unidad
La estructura característica de los compuestos aromáticos lleva a una reactividad única. Abordamos la nomenclatura de los derivados del benceno, la estabilidad de los compuestos aromáticos, la sustitución electrofílica aromática y la sustitución nucleofílica aromática
ESTUDIANTES BENEFICIARIOS que se suman a los beneficios de la universidad
Estadistica
1. UNIVERSIDAD NACIONAL
“SANTIAGO ANTÚNEZ DE MAYOLO”
FACULTAD DE INGENIERÍA DE MINAS GEOLOGÍA Y METALURGIA
ESCUELA ACADÉMICA: Ingeniería de minas
CURSO: Estadística
AÑO Y SEMESTRE ACADÉMICO: 2015 – II
CICLO: V
DOCENTE: SALDAÑA MIRANDA, Marcela Yvone
RESPONSABLES:
FUENTES TOLEDO, Waldir
HUERTA SOTELO, Ray
OCAMPO ENRIQUE, Marco
ROSARIO HURTADO, Vlademir
ZAVALETA TRUJILLO, Leonel
Trabajo De Investigación
2. INTRODUCCION
Es difícil exagerar la importancia de la teoría de probabilidades, en muchos
problemas de ingeniería necesitamos tomar decisiones frente a la incertidumbre. Para
un ingeniero posiblemente no tiene sentido en preguntarse durante cuánto tiempo
funcionara un determinado mecanismo pero si tendrá tiempo en preguntarse cuál es la
probabilidad de que este mecanismo funcione más de diez horas.
Para un fabricante a gran escala tendrá sentido preguntarse qué porcentaje de
sus productos serán aceptados en el mercado. En la mayoría de los casos hay que
tomar decisiones en base a los experimentos y que sean aleatorios.
3. PROBABILIDADES
EXPERIMENTO:
Se utiliza para describir un proceso que genera un conjunto de datos cualitativos
o cuantitativos. En la mayoría de los casos los resultados del experimento dependen del
azar no pueden pronosticarsecon exactitud, los experimentos pueden serde dos clases:
a) EXPERIMENTO DETERMINISTICO.- Si los resultados del experimento están
completamente determinados y pueden describirse por una forma matemática
llamada método determinístico.
EJEMPLO
Lanzar una pelota a una tina de agua
b) EXPERIMENTO NO DETERMINISTICO.- Si los resultados del experimento no
pueden determinarse con exactitud antes de determinar el experimento y se
denota por Ԑ.
EJEMPLO
Ԑ1: Lanzar tres monedas y observar la cara superior
1° 2° 3° RESULTADO
C CCC
C
C S CCS
C CSC
S
S CSS
C SCC
C
S S SCS
C SSC
S
S SSS
Diagrama del árbol
4. Ԑ2: Lanzar dos dados y observar la cara superior
1 2 3 4 5 6
1 (1;1) (1;2) (1;3) (1;4) (1;5) (1;6)
2 (2;1) (2;2) (2;3) (2;4) (2;5) (2;6)
3 (3;1) (3;2) (3;3) (3;4) (3;5) (3;6)
4 (4;1) (4;2) (4;3) (4;4) (4;5) (4;6)
5 (5;1) (5;2) (5;3) (5;4) (5;5) (5;6)
6 (6;1) (6;2) (6;3) (6;4) (6;5) (6;6)
Cuadro de doble entrada
ESPACIO MUESTRAL (Ω):
Es el conjunto de todos los resultados posibles del experimento
EJEMPLO
Hallar los espacio muestral del ejemplo anterior:
Ω1: {CCC; CCS; CSC; CSS; SCC; SCS; SSC; SSS}
Ω2: {(1;1), (1;2), (1;3),………..….., (6;4), (6;5), (6;6)}
EVENTOS:
Es un subconjunto del espacio muestral se representa por las letras mayúsculas del
abecedario.
EJEMPLO
Del conjunto 1 y 2 hallar los eventos
Z: Que las monedas sean iguales ↔Z: {CCC; SSS}
P: Que la primera sea cara ↔ P: {CCS; CSC; CCC; CSS}
Y: Que la primera sea menor que tres ↔Y: { (1;1) }
R: Que los dos datos sean iguales ↔R: {(1;1), (2;2), (3;3), (4;4), (5;5),
(6;6) }
SUCESO:
Es todo elemento del espacio muestral o de un evento
OPERACIONES CON EVENTOS:
5. i. UNION.- Dados los eventos A y B que consiste que todos los elementos del
espacio muestral que pertenecen a A o a B o a ambos de este modo.
AUB = {W Є Ω / W Є A V W Є B}
Ω Ω
AUB AUB
ii. INTERSECCION.- Dados los eventos A y B; que consiste que todos los puntos
muestrales son comunes de A y B.
Ω
A∩B
iii. DIFERENCIA.- A y B son dos eventos que consiste que todos los puntos
muestrales que los puntos de A no pertenecen a B.
Ω
A-B
iv. MUTUAMENTE EXCLUYENTES.- Dos eventos A y B son mutuamente
excluyentes si no ocurren juntos es decir:
Ω
A∩B=ø
ALGEBRA DE EVENTO
1. A U B = A
A ∩ B = A
2. A U B = B U A
A ∩ B = B ∩ A
3. A U AC
= Ω
A ∩ AC
= ø
4. A U Ω = Ω
A ∩ Ω = A
A B A B
A B
A B
A B
6. 5. A U ø = A
A ∩ ø = ø
6. ΩC
=ø; øC
= Ω; (AC
)C
= A
7. A U (B ∩ C) = (A U B) ᴧ (A U C);
A ∩ (B U C) = (A ∩ B) v (A ∩ C)
8. (A U B)C
= AC
∩ BC
(A ∩ B)C
= AC
U BC
PROBABILIDAD DE UN EVENTO
Axiomas:
Axioma N° 01
P(A) ≥ 0
Axioma N° 02
P(Ω) = 1
Axioma N° 03
0 ≤ P(A) ≤ 1
Teoremas:
Teorema N° 01
P(ø) = 0
Teorema N° 02
P(Ā) = 1.P(A); P(A) = 1.P(A)
Teorema N° 03
A C B → P(A) ≤ P(A)
Teorema N° 04
P(A U B) = P(A) + P(B) – P(A ∩ B)}→P(AB)
* Si se tiene tres eventos tenemos como resultado
P(A U B U C) = P(A) + P(B) + P(C) – P(AB) – P(AC) – P(BC) + P(ABC)
PROBABILIDAD CONDICIONAL:
𝑃(𝐴/𝐵) =
𝑃(𝐴𝐵)
𝑃(𝐵)
Donde: P(B) > 0
REGLA DE LA MULTIPLICACION:
P(A B) = P(A) . P(B/A)
Generalizando tenemos:
P(A B C) = P(A) . P(B/A) . P(C/A B)
7. EVENTOS INDEPENDIENTES:
P(A ∩ B) = P(A) . P(B)
PARTICION DE UN ESPACIO MUESTRAL
Se denomina partición de un espacio muestral a un conjunto de eventos A1, A2,…, AK
no vacío mutuamente excluyentes y cuya unión es el espacio muestral
A2 A4
A1 A3 A5………………………….. AK
PROBABILIDAD TOTAL Y TEOREMA DE BAYES
PROBABILIDAD TOTAL:
Si K eventos A1, A2,……, AK constituyen una partición del espacio muestral
entonces para cualquier evento en el espacio muestral se tiene:
P(B) = P(A1) . P(B/A1) + P(A2) . P(B/A2) + ………. + P(AK) .P(B/AK)
𝑃( 𝐵) = ∑ 𝑃( 𝐴 𝑖).𝑃(
𝐵
𝐴 𝑖
)
𝐾
𝑖=1
TEOREMADE BAYES:
Si los K eventos A1, A2,……, AK constituyen una partición del espacio muestral
para cualquier evento B del espacio muestral se tiene:
𝑃 (
𝐴 𝑖
𝐵
) =
𝑃( 𝐴 𝑖). 𝑃 (
𝐵
𝐴 𝑖
)
𝑃( 𝐵)
8. A1∩B..........................................AK∩B
Donde: P(B) > 0
Ω
B
A1 ………………… AK
VARIABLES ALEATORIAS
Se denomina variable aleatoria a una variable estadísticacuantitativa definida en
un espacio muestral las variables aleatorias se clasifican en variables aleatorias
discretas y variables aleatorias continuas.
EJEMPLO
Ω = {CCC, CCS, CSC, SCC, SSC, SCS, CSS, SSS}
Interés número de caras
CCC 3
CCS
CSC 2
SCC
SSC
SCS 1
CSS
SSS O
1) VARIABLES ALEATORIAS DISCRETAS.- Es aquella entre cuyos valores
posibles no admite otros. Su rango es un conjunto finito o infinito numerable
FUNCION PROBABILIDAD
9. 0
1
2
3
4
5
6
1 2 3 4
Condición:
f(x) > 0; ∀ x Є R
∑ 𝑓( 𝑥) = 1𝑋𝑖∈ 𝑅
𝑃( 𝐴) = ∑ 𝑃[ 𝑋 = 𝑋𝑖] = ∑ 𝑓( 𝑋𝑖)𝑋𝑖∈𝐴
Representación tabular
X X1 X2 …….. Xk
P(x) P(X1) P(X2) …….. P(Xk)
Representación grafica
P(x)
X
FUNCION DE DISTRIBUCION.- La función de distribución o función acumulativa
de una variable discreta se define en todos los números reales.
𝐹( 𝑥) = 𝑃[ 𝑥 ≤ 𝑥] = ∑ 𝑃[ 𝑥 ≤ 𝑘] = ∑ 𝑓(𝑥)𝑘≤𝑥𝑘≤𝑥 ; Para: -∞ ‹ x ‹ ∞
F(x): función acumulativa
2) VARABLE ALEATORIA CONTINUA
FUNCION DE DENSIDAD
Condición
f(x) ≥ 0 ∀ x Є R
∫ 𝑓( 𝑥) = 1
∞
−∞
𝑃( 𝐴) = 𝑃[ 𝑋 ∈ 𝐴] = ∫ 𝑓( 𝑥) 𝑑𝑥𝐴
FUNCION DE DISTRIBUCION.- La función de distribución acumulada de una
variable aleatoria continúa X cuya función de densidad es f(x) se define en todo
el número real X por:
13. INTERVALO DE CONFIANZA
a. Intervalo de confianza para la media
Cuando se conoce la varianza poblacional
[
____
X −
𝑍1−∝/2. 𝜎 𝑋
√ 𝑛
≤ 𝜇 ≤
____
X +
𝑍1−∝/2. 𝜎 𝑋
√ 𝑛
]
Cuando se desconoce la varianza poblacional pero conocemos 𝑆 𝑥
2
[
____
X −
𝑡(1−∝/2; 𝑛−1).𝑆 𝑋
√ 𝑛
≤ 𝜇 ≤
____
X +
𝑡(1−∝/2; 𝑛−1). 𝑆 𝑋
√ 𝑛
]
Intervalo de confianza para la proporción
[P − 𝑍1−∝/2√
𝑃(1 − 𝑃)
𝑛
≤ 𝜇 ≤ P + 𝑍1−∝/2√
𝑃(1 − 𝑃)
𝑛
]
Donde: 𝑃 =
𝑥
𝑛
16. PRUEBA DE HIPOTESIS
Se denomina prueba de hipótesis estadístico a cualquier información o conjetura
que se hace a cerca de la distribución de una o más poblaciones. Esta puede referirse
bien a la forma o tipo de distribución de probabilidad o al valor o valores de uno o más
parámetros de la distribución conocida como forma
FORMULACION DE HIPOTESIS
HIPOTESIS NULA (H0).- Es aceptada provisionalmente como verdadera y cuya
validez será sometida a comprobación experimental, permitiendo seguir
aceptando o rechazando dicha hipótesis alterna. Se acepta en caso que se
rechace la hipótesis nula.
HIPOTESIS ALTERNA (H1):
ERROR TIPO I, ERROR TIPO II Y NIVEL DE SIGNIFICANCIA
Decisión/Hipótesis H0 verdadero H1 falso
Rechazar
H0
Error tipo I
Probabilidad: 𝛼
Decisión correcta
Probabilidad: 1 − 𝛽
Aceptar
H1
Decisión correcta
Probabilidad: 1 − 𝛼
Error tipo II
Probabilidad: 𝛽
ERRORDETIPO I.- Se cometeal tomar la decisión de rechazarla hipótesis nula
cuando realmente es verdadera.
ERROR DE TIPO II.- Se comete al tomar la decisión de aceptar la hipótesis nula
cuando realmente es falsa.
NIVEL DE SIGNIFICANCIA (𝛼).- Es la probabilidad de cometer el error de tipo I
RA
RA
𝛼 1 − 𝛼
RR∝/2 RR∝/2
C -C C
Unilateral Bilateral
Donde:
RA: Región aceptada
RR: Región de rechazo
C: Punto critico
17. TIPOS DE PRUEBADE HIPOTESIS
Prueba bilateral
H0: Q = Ǭ
H1: Q ≠ Ǭ RA
1 − 𝛼
RR∝/2 RR∝/2
-C C
Prueba unilateral
H0: Q ≤ Ǭ
H1: Q > Ǭ RA
𝛼
RR∝
C
H0: Q ≥ Ǭ
H1: Q < Ǭ RA
RR∝ 𝛼
-C
Pasos para una prueba de hipótesis:
I. Formular la hipótesis
II. Fijar el nivel de significancia
III. Determinar el estadístico de prueba
IV. Especificar la región critica
V. Realizar los cálculos
VI. Tomar la decisión de aceptar o rechazar la hipótesis nula
VII. Realizar la conclusión
PRUEBADE HIPOTESIS PARALA MEDIA
Cuando se conoce la varianza poblacional (estadístico de prueba)
𝑍 =
𝑋 − 𝜇
𝜎 𝑥
√ 𝑛
Z(1-∝/2): Si la pruebe de hipótesis es bilateral.
Z(1-∝): Si la prueba de hipótesis es unilateral.
FORMULACIÓN DE HIPÓTESIS
H0: 𝜇 = 𝜇0
18. H1: 𝜇 ≠ 𝜇0 (Valor de la media poblacional)
RA
1 − 𝛼
RR∝/2 RR∝/2
-Z(1-∝/2) Z(1-∝)
H0: 𝜇 ≤ 𝜇0
H1: 𝜇 > 𝜇0 RA
1 − 𝛼
RR∝
Z(1-∝)
H0: 𝜇 ≥ 𝜇0
H1: 𝜇 < 𝜇0 RA
RR∝ 1 − 𝛼
-Z(1-∝/2)
Cuando se desconoce la varianza poblacional (Estadístico de prueba)
𝑡 =
____
X − 𝜇
𝑆 𝑥
√ 𝑛
t(1-∝/2; n-1): Si la pruebe de hipótesis es bilateral.
Z(1-∝; n-1): Si la prueba de hipótesis es unilateral.
FORMULACIÓN DE HIPÓTESIS
H0: 𝜇 = 𝜇0
H1: 𝜇 ≠ 𝜇0 (Valor de la media poblacional)
RA
1 − 𝛼
RR∝/2 RR∝/2
-t(1-∝/2; n-1) t(1-∝/2; n-1)
H0: 𝜇 ≤ 𝜇0
H1: 𝜇 > 𝜇0 RA
1 − 𝛼
RR∝
20. EJEMPLOS APLICATIVOS DE PRUEBADE HIPOTESIS
1) Una empresa está interesada en lanzar un nuevo producto al mercado.Tras realizar una campaña
publicitaria,se toma la muestra de 1 000 habitantes,de los cuales,25 no conocían el producto.A un nivel
de significación del 1% ¿apoya el estudio las siguientes hipótesis?
a. Más del 3% de la población no conoce el nuevo producto.
b. Menos del 2% de la población no conoce el nuevo producto
Datos:
n = 1000
x = 25
Donde:
x = ocurrencias
n = observaciones
= proporción de la muestra
= proporción propuesta
Solución:
a)
a = 0,01
H0 es aceptada,ya que zprueba (-0,93) es menor que ztabla (2,326),por lo que no es cierto que más del
3% de la población no conoce el nuevo producto.
21. En Excel
b)
a = 0,01
H0 es rechazada, ya que Zprueba (1,13) es menor que Ztabla (2,326), por lo que es cierto que menos del
2% de la población no conoce el nuevo producto.
2) Cuando las ventas medias,por establecimiento autorizado,de una marca de relojes caen por debajo
de las 170,000 unidades mensuales,se considera razón suficiente para lanzar una campaña
publicitaria que active las ventas de esta marca.Para conocer la evolución de las ventas, el departamento
de marketing realiza una encuesta a 51 establecimientos autorizados,seleccionados aleatoriamente,que
facilitan la cifra de ventas del último mes en relojes de esta marca.A partir de estas cifras se obtienen los
siguientes resultados:media = 169.411,8 unidades.,desviación estándar = 32.827,5 unidades.
Suponiendo que las ventas mensuales por establecimiento se distribuyen normalmente;con un nivel de
significación del 5 % y en vista a la situación reflejada en los datos.¿Se considerará oportuno lanzar una
nueva campaña publicitaria?
22. Datos:
n = 51
Solución:
H0: ( = 170000
H1: ( < 170000
a = 0,05
Se rechaza Ho, porque zprueba (-0,12) es menor que ztabla (1,645), por lo tanto se acepta H1: ( <
170000,y se debe considerar oportuno lanzar una nueva campaña publicitaria.
En Excel
23. BIBLIOGRAFIA:
MANUEL CÓRDOVA ZAMORA/EstadísticaDescriptivae Inferencial,(PUCP)
http://www.aulafacil.com/CursoEstadistica/ CursoEstadistica.htm
Apuntes de la Lic. SALDAÑA MIRANDA, Marcela Yvone
Apuntesde laclase del Lic.DE LA CRUZ MONZALVITE, Jorge Eduardo