Este documento introduce el concepto de grados de libertad y describe tres distribuciones estadísticas (t de Student, ji-cuadrada y Fisher) que requieren grados de libertad. Explica que los grados de libertad se calculan como n-1, donde n es el tamaño de la muestra. Luego proporciona ejemplos y propiedades de la distribución t de Student, incluidos cómo calcular y usar valores críticos t para realizar pruebas de hipótesis sobre la media cuando la varianza es desconocida.
1) La transformada de Laplace es una herramienta matemática que permite convertir una función del tiempo en otra función compleja, permitiendo resolver ecuaciones diferenciales.
2) Tiene propiedades como la linealidad y el desplazamiento en el tiempo y la frecuencia, lo que facilita su uso para resolver ecuaciones.
3) Se puede usar para encontrar soluciones a ecuaciones diferenciales al convertirlas en ecuaciones algebraicas mediante la transformada, y luego aplicar la transformada inversa.
Curso de R: 1.1. introducción al lenguaje (Objetos y operadores básicos)Nerys Ramírez Mordán
Este código genera secuencias y repeticiones de vectores en R:
1. La línea 1:10 genera un vector numérico desde 1 hasta 10.
2. La línea rep(1:4,2) repite el vector de 1 a 4 dos veces, resultando en el vector [1,2,3,4,1,2,3,4]. La función rep() repite el vector especificado (1:4) la cantidad de veces indicada en el segundo argumento (2).
Así, rep() permite generar repeticiones de vectores de manera fácil en R.
Este documento describe los métodos paramétricos y no paramétricos en estadística. Explica que los métodos paramétricos suponen distribuciones particulares de las variables y especifican parámetros, mientras que los no paramétricos no tienen tantos supuestos. Luego detalla algunos métodos paramétricos comunes como la prueba t, ANOVA y correlación de Pearson, y métodos no paramétricos como chi cuadrado y correlación de rangos de Spearman y Kendall. Finalmente, introduce brevemente el análisis multivariado.
El documento explica conceptos básicos de transformaciones lineales como reflexiones, rotaciones y transformaciones entre espacios vectoriales. Define una transformación lineal como una función entre espacios vectoriales que preserva la suma y la multiplicación por escalares. Presenta ejemplos de reflexiones y rotaciones aplicadas a vectores en R2. También define los componentes clave de una transformación lineal como el dominio, condominio, regla de asignación, recorrido y núcleo.
El documento describe las definiciones matemáticas y propiedades de varias funciones unitarias comúnmente utilizadas en procesamiento de señales e ingeniería, incluyendo la función escalón unitario, función signo unitario, función rectangular unitario, función rampa unitario, función triángulo unitario, función seno cardinal unitario, función gaussiana unitario, función delta de Dirac unitario y función peinilla de Dirac unitario.
Este documento presenta varios temas relacionados con ecuaciones paramétricas y cálculo. Explica cómo encontrar la pendiente de una curva dada por ecuaciones paramétricas usando la derivada. También describe cómo calcular la longitud de arco de una curva paramétrica y el área de una superficie de revolución usando integrales. Incluye ejemplos para ilustrar estos conceptos.
Este documento presenta los resultados de varias pruebas de hipótesis realizadas sobre diferentes conjuntos de datos. En la prueba 13, se comparan las desviaciones estándar de los pesos de paquetes en el pasado (0.25 onzas) y en una muestra actual (0.32 onzas) para determinar si la variabilidad ha aumentado de manera significativa a niveles de significancia del 0.05 y 0.005. Los resultados muestran que la hipótesis nula de que no hay un aumento significativo en la variabilidad no puede ser rechazada
1. El documento presenta nueve ejercicios resueltos sobre probabilidades y variables aleatorias. En el primer ejercicio, se calculan las probabilidades de que entre 10 unidades dos o a lo sumo dos sean defectuosas, y que por lo menos una lo sea. En el segundo, la probabilidad de que todas las personas con reserva obtengan mesa en un restaurante con 20 mesas y 25 reservas. En el tercer ejercicio, se calculan probabilidades relacionadas con fallos de componentes siguiendo una distribución de Poisson.
1) La transformada de Laplace es una herramienta matemática que permite convertir una función del tiempo en otra función compleja, permitiendo resolver ecuaciones diferenciales.
2) Tiene propiedades como la linealidad y el desplazamiento en el tiempo y la frecuencia, lo que facilita su uso para resolver ecuaciones.
3) Se puede usar para encontrar soluciones a ecuaciones diferenciales al convertirlas en ecuaciones algebraicas mediante la transformada, y luego aplicar la transformada inversa.
Curso de R: 1.1. introducción al lenguaje (Objetos y operadores básicos)Nerys Ramírez Mordán
Este código genera secuencias y repeticiones de vectores en R:
1. La línea 1:10 genera un vector numérico desde 1 hasta 10.
2. La línea rep(1:4,2) repite el vector de 1 a 4 dos veces, resultando en el vector [1,2,3,4,1,2,3,4]. La función rep() repite el vector especificado (1:4) la cantidad de veces indicada en el segundo argumento (2).
Así, rep() permite generar repeticiones de vectores de manera fácil en R.
Este documento describe los métodos paramétricos y no paramétricos en estadística. Explica que los métodos paramétricos suponen distribuciones particulares de las variables y especifican parámetros, mientras que los no paramétricos no tienen tantos supuestos. Luego detalla algunos métodos paramétricos comunes como la prueba t, ANOVA y correlación de Pearson, y métodos no paramétricos como chi cuadrado y correlación de rangos de Spearman y Kendall. Finalmente, introduce brevemente el análisis multivariado.
El documento explica conceptos básicos de transformaciones lineales como reflexiones, rotaciones y transformaciones entre espacios vectoriales. Define una transformación lineal como una función entre espacios vectoriales que preserva la suma y la multiplicación por escalares. Presenta ejemplos de reflexiones y rotaciones aplicadas a vectores en R2. También define los componentes clave de una transformación lineal como el dominio, condominio, regla de asignación, recorrido y núcleo.
El documento describe las definiciones matemáticas y propiedades de varias funciones unitarias comúnmente utilizadas en procesamiento de señales e ingeniería, incluyendo la función escalón unitario, función signo unitario, función rectangular unitario, función rampa unitario, función triángulo unitario, función seno cardinal unitario, función gaussiana unitario, función delta de Dirac unitario y función peinilla de Dirac unitario.
Este documento presenta varios temas relacionados con ecuaciones paramétricas y cálculo. Explica cómo encontrar la pendiente de una curva dada por ecuaciones paramétricas usando la derivada. También describe cómo calcular la longitud de arco de una curva paramétrica y el área de una superficie de revolución usando integrales. Incluye ejemplos para ilustrar estos conceptos.
Este documento presenta los resultados de varias pruebas de hipótesis realizadas sobre diferentes conjuntos de datos. En la prueba 13, se comparan las desviaciones estándar de los pesos de paquetes en el pasado (0.25 onzas) y en una muestra actual (0.32 onzas) para determinar si la variabilidad ha aumentado de manera significativa a niveles de significancia del 0.05 y 0.005. Los resultados muestran que la hipótesis nula de que no hay un aumento significativo en la variabilidad no puede ser rechazada
1. El documento presenta nueve ejercicios resueltos sobre probabilidades y variables aleatorias. En el primer ejercicio, se calculan las probabilidades de que entre 10 unidades dos o a lo sumo dos sean defectuosas, y que por lo menos una lo sea. En el segundo, la probabilidad de que todas las personas con reserva obtengan mesa en un restaurante con 20 mesas y 25 reservas. En el tercer ejercicio, se calculan probabilidades relacionadas con fallos de componentes siguiendo una distribución de Poisson.
Las derivadas parciales son las derivadas de una función de varias variables con respecto a cada una de las variables, manteniendo las demás como constantes. Se definen las derivadas parciales de una función z = f(x, y) como la derivada de z con respecto a x considerando y como constante, y la derivada de z con respecto a y considerando x como constante. El documento explica el cálculo de las derivadas parciales de primer y segundo orden para funciones de dos y tres variables.
Este documento presenta un proyecto final de Algebra Lineal realizado por la alumna Victoria Eugenia Silva Zazueta para la materia de Ingeniería Civil en el Instituto Tecnológico de Tijuana. El proyecto introduce conceptos fundamentales de transformaciones lineales como su definición, propiedades, clasificación, matriz asociada y ejemplos como rotación, reflexión y proyección.
Ecuaciones Diferenciales - La Transformada de LaplaceKike Prieto
Este documento presenta la transformada de Laplace y algunos de sus teoremas fundamentales. Introduce la definición de la transformada de Laplace de una función y establece condiciones para su existencia. Luego, enlista propiedades importantes como la linealidad de la transformada y fórmulas para funciones elementales como exponenciales, senos y cosenos. Finalmente, introduce la transformada inversa de Laplace y métodos para calcularla, incluyendo fracciones parciales y factoreo de polinomios.
Este documento trata sobre el cálculo integral definido y el área bajo la curva. Explica la notación de suma, cómo aproximar el área bajo la curva mediante sumas de Riemann, la definición formal de la integral definida y algunas de sus propiedades como la linealidad. Finalmente, presenta ejemplos resueltos de cálculo de áreas y demostraciones de propiedades de la integral definida.
Este documento presenta los conceptos de campo vectorial, rotacional y criterios para que un campo sea conservativo. Explica cómo calcular el rotacional de un campo vectorial y determinar si es conservativo mediante la igualdad de sus derivadas parciales. También muestra cómo hallar la función potencial para un campo conservativo mediante integración. Por último, proporciona ejemplos para ilustrar estos conceptos.
Teoria de fracciones parciales y t ransformada de laplaceOswaldoguanipa1
Este documento resume los conceptos clave de las fracciones parciales y su aplicación en la transformada inversa de Laplace. Explica cuatro casos comunes de fracciones parciales y provee ejemplos resueltos. También define la transformada de Laplace, su inversa, y proporciona una tabla con las transformadas comunes. Finalmente, presenta ejercicios sobre el cálculo de transformadas y su inversa.
Este documento explica las funciones periódicas y la serie de Fourier. Define una función periódica como aquella que cumple f(t)=f(t+T) para algún periodo T. Explica que la suma de dos funciones periódicas no siempre es periódica. También describe cómo Fourier y otros matemáticos resolvieron la ecuación del calor mediante series trigonométricas, llegando a la conclusión de que cualquier función puede expresarse como una serie de este tipo.
Este documento presenta definiciones y ejemplos sobre vectores tangente, normal y binormal para curvas en el espacio. Explica que el vector tangente apunta en la dirección de la tangente a la curva, el vector normal apunta en la dirección de la normal principal y el vector binormal es perpendicular al plano formado por los otros dos vectores. Incluye ejemplos para calcular estos vectores para curvas dadas por funciones parametrizadas.
Se lleva a cabo un experimento para comparar el desgaste por abrasivo de dos materiales laminados. El material 1 tuvo un desgaste promedio de 85 unidades y el material 2 de 81 unidades. Usando una prueba t de Student con un nivel de significancia del 0.05, no se puede concluir que el desgaste del material 1 exceda el del material 2 en más de 2 unidades.
La serie de Taylor proporciona una forma de aproximar funciones mediante polinomios. Expresar funciones usando la serie de Taylor permite predecir valores de la función en puntos cercanos y analizar los errores de truncamiento que surgen al aproximar funciones matemáticas exactas. La serie de Taylor expande una función en términos de sus derivadas evaluadas en un punto y permite controlar la precisión de la aproximación al seleccionar el número de términos incluidos.
Este documento presenta fórmulas útiles para el análisis estadístico descriptivo y la correlación, incluyendo fórmulas para calcular la mediana, rango, amplitud, frecuencia relativa, media, moda, cuartiles, percentil, varianza, coeficiente de variación, coeficiente de correlación de Pearson, rango intercuartílico, límites superior e inferior, coeficiente de correlación de Spearman, parámetros de un modelo de regresión lineal simple, estimaciones, suma de cuadrados del error y coeficiente de determinación.
Este documento introduce las funciones de varias variables y discute cómo graficarlas. Presenta ejemplos de funciones de R2 a R, R3 a R y R4 a R. Explica que la gráfica de una función se define como el conjunto de puntos (x, y) tales que y = f(x) para x en el dominio, y solo puede representarse gráficamente para n = 1, 2.
Aqui se muestra un ejemplo de las distintas sucesiones y series que se utilizan en el curso de Calculo Diferencial a nivel profesional. Espero que les sirva como referencia :D
Ecuaciones diferenciales - Métodos de SoluciónKike Prieto
Este documento presenta métodos para resolver ecuaciones diferenciales, incluyendo variables separables, ecuaciones homogéneas y ecuaciones de coeficientes lineales. Define variables separables y muestra cómo integrarlas para obtener la solución general. Explica que las ecuaciones homogéneas pueden transformarse en variables separables mediante sustituciones adecuadas. Resuelve varios ejercicios como ejemplos de aplicación de estos métodos.
Una transformación lineal es una función entre espacios vectoriales que transforma vectores de un espacio en otro de forma lineal. El núcleo de una transformación lineal es el subespacio de vectores cuyas imágenes son el vector cero en el espacio vectorial de llegada.
El documento presenta tres bloques de diferentes masas unidos por cuerdas. Se calculan las tensiones de las cuerdas y la aceleración del sistema mediante la aplicación de las leyes de Newton. Se obtienen tres ecuaciones de equilibrio que relacionan las fuerzas actuantes sobre cada bloque y se resuelven para hallar la aceleración y las tensiones de las cuerdas.
El documento trata sobre transformaciones lineales. Define una transformación lineal como una función que asigna a cada vector de un espacio vectorial a otro de forma que cumple dos propiedades: 1) es aditiva y 2) es homogénea. Presenta ejemplos de transformaciones lineales y no lineales. Explica que las matrices definen transformaciones lineales entre espacios vectoriales.
Universidad Técnica Particular de Loja
Ciclo Académico Abril Agosto 2011
Carrera: Ciencias de la Computación
Docente: Ing. Ana Gabriela Correa
Ciclo: Tercero
Bimestre: Segundo
Ecuaciones diferenciales exactas y por factor integranteFlightshox
El documento explica las ecuaciones diferenciales exactas y cómo resolverlas. Define una ecuación diferencial exacta como aquella que puede escribirse en la forma df=0, donde f es una función tal que sus derivadas parciales son iguales. Explica que la solución de una ecuación diferencial exacta está dada por la ecuación f(x,y)=c. También cubre el concepto de factor integrante y cómo usarlo para resolver ecuaciones diferenciales que no son exactas. Finalmente, presenta varios ejemplos para ilustrar estos conceptos.
Aplicación e importancia de las funciones trigonométricas e hiperbólicas y s...dinorkis
1) Las funciones trigonométricas, hiperbólicas, exponenciales y logarítmicas tienen numerosas aplicaciones en la vida cotidiana y en campos como las matemáticas, física, economía y más. 2) Las funciones representan relaciones entre conjuntos y variables, donde las variables pueden ser independientes, dependientes o constantes. 3) El álgebra, la geometría y el cálculo infinitesimal son ramas matemáticas fundamentales que se aplican ampliamente en el diseño, la ingeniería y otras áreas.
Este documento presenta la resolución de 6 problemas relacionados con distribuciones de probabilidad. En el primer problema se resume un caso sobre el funcionamiento de una máquina de refrescos y se concluye que la decisión tomada fue razonable. Los problemas 2 a 5 involucran el cálculo de probabilidades utilizando distribuciones normales y chi cuadrado. El sexto problema pide encontrar valores críticos de chi cuadrado para diferentes niveles de significancia.
Este documento describe los conceptos básicos de las pruebas de hipótesis. Explica que una prueba de hipótesis involucra contrastar una hipótesis nula con una hipótesis alternativa mediante la toma de una decisión estadística. También define los términos hipótesis nula, hipótesis alternativa y nivel de significancia, los cuales son elementos clave de cualquier prueba de hipótesis. Por último, presenta ejemplos detallados del uso de las pruebas Z de una muestra y t de una m
Las derivadas parciales son las derivadas de una función de varias variables con respecto a cada una de las variables, manteniendo las demás como constantes. Se definen las derivadas parciales de una función z = f(x, y) como la derivada de z con respecto a x considerando y como constante, y la derivada de z con respecto a y considerando x como constante. El documento explica el cálculo de las derivadas parciales de primer y segundo orden para funciones de dos y tres variables.
Este documento presenta un proyecto final de Algebra Lineal realizado por la alumna Victoria Eugenia Silva Zazueta para la materia de Ingeniería Civil en el Instituto Tecnológico de Tijuana. El proyecto introduce conceptos fundamentales de transformaciones lineales como su definición, propiedades, clasificación, matriz asociada y ejemplos como rotación, reflexión y proyección.
Ecuaciones Diferenciales - La Transformada de LaplaceKike Prieto
Este documento presenta la transformada de Laplace y algunos de sus teoremas fundamentales. Introduce la definición de la transformada de Laplace de una función y establece condiciones para su existencia. Luego, enlista propiedades importantes como la linealidad de la transformada y fórmulas para funciones elementales como exponenciales, senos y cosenos. Finalmente, introduce la transformada inversa de Laplace y métodos para calcularla, incluyendo fracciones parciales y factoreo de polinomios.
Este documento trata sobre el cálculo integral definido y el área bajo la curva. Explica la notación de suma, cómo aproximar el área bajo la curva mediante sumas de Riemann, la definición formal de la integral definida y algunas de sus propiedades como la linealidad. Finalmente, presenta ejemplos resueltos de cálculo de áreas y demostraciones de propiedades de la integral definida.
Este documento presenta los conceptos de campo vectorial, rotacional y criterios para que un campo sea conservativo. Explica cómo calcular el rotacional de un campo vectorial y determinar si es conservativo mediante la igualdad de sus derivadas parciales. También muestra cómo hallar la función potencial para un campo conservativo mediante integración. Por último, proporciona ejemplos para ilustrar estos conceptos.
Teoria de fracciones parciales y t ransformada de laplaceOswaldoguanipa1
Este documento resume los conceptos clave de las fracciones parciales y su aplicación en la transformada inversa de Laplace. Explica cuatro casos comunes de fracciones parciales y provee ejemplos resueltos. También define la transformada de Laplace, su inversa, y proporciona una tabla con las transformadas comunes. Finalmente, presenta ejercicios sobre el cálculo de transformadas y su inversa.
Este documento explica las funciones periódicas y la serie de Fourier. Define una función periódica como aquella que cumple f(t)=f(t+T) para algún periodo T. Explica que la suma de dos funciones periódicas no siempre es periódica. También describe cómo Fourier y otros matemáticos resolvieron la ecuación del calor mediante series trigonométricas, llegando a la conclusión de que cualquier función puede expresarse como una serie de este tipo.
Este documento presenta definiciones y ejemplos sobre vectores tangente, normal y binormal para curvas en el espacio. Explica que el vector tangente apunta en la dirección de la tangente a la curva, el vector normal apunta en la dirección de la normal principal y el vector binormal es perpendicular al plano formado por los otros dos vectores. Incluye ejemplos para calcular estos vectores para curvas dadas por funciones parametrizadas.
Se lleva a cabo un experimento para comparar el desgaste por abrasivo de dos materiales laminados. El material 1 tuvo un desgaste promedio de 85 unidades y el material 2 de 81 unidades. Usando una prueba t de Student con un nivel de significancia del 0.05, no se puede concluir que el desgaste del material 1 exceda el del material 2 en más de 2 unidades.
La serie de Taylor proporciona una forma de aproximar funciones mediante polinomios. Expresar funciones usando la serie de Taylor permite predecir valores de la función en puntos cercanos y analizar los errores de truncamiento que surgen al aproximar funciones matemáticas exactas. La serie de Taylor expande una función en términos de sus derivadas evaluadas en un punto y permite controlar la precisión de la aproximación al seleccionar el número de términos incluidos.
Este documento presenta fórmulas útiles para el análisis estadístico descriptivo y la correlación, incluyendo fórmulas para calcular la mediana, rango, amplitud, frecuencia relativa, media, moda, cuartiles, percentil, varianza, coeficiente de variación, coeficiente de correlación de Pearson, rango intercuartílico, límites superior e inferior, coeficiente de correlación de Spearman, parámetros de un modelo de regresión lineal simple, estimaciones, suma de cuadrados del error y coeficiente de determinación.
Este documento introduce las funciones de varias variables y discute cómo graficarlas. Presenta ejemplos de funciones de R2 a R, R3 a R y R4 a R. Explica que la gráfica de una función se define como el conjunto de puntos (x, y) tales que y = f(x) para x en el dominio, y solo puede representarse gráficamente para n = 1, 2.
Aqui se muestra un ejemplo de las distintas sucesiones y series que se utilizan en el curso de Calculo Diferencial a nivel profesional. Espero que les sirva como referencia :D
Ecuaciones diferenciales - Métodos de SoluciónKike Prieto
Este documento presenta métodos para resolver ecuaciones diferenciales, incluyendo variables separables, ecuaciones homogéneas y ecuaciones de coeficientes lineales. Define variables separables y muestra cómo integrarlas para obtener la solución general. Explica que las ecuaciones homogéneas pueden transformarse en variables separables mediante sustituciones adecuadas. Resuelve varios ejercicios como ejemplos de aplicación de estos métodos.
Una transformación lineal es una función entre espacios vectoriales que transforma vectores de un espacio en otro de forma lineal. El núcleo de una transformación lineal es el subespacio de vectores cuyas imágenes son el vector cero en el espacio vectorial de llegada.
El documento presenta tres bloques de diferentes masas unidos por cuerdas. Se calculan las tensiones de las cuerdas y la aceleración del sistema mediante la aplicación de las leyes de Newton. Se obtienen tres ecuaciones de equilibrio que relacionan las fuerzas actuantes sobre cada bloque y se resuelven para hallar la aceleración y las tensiones de las cuerdas.
El documento trata sobre transformaciones lineales. Define una transformación lineal como una función que asigna a cada vector de un espacio vectorial a otro de forma que cumple dos propiedades: 1) es aditiva y 2) es homogénea. Presenta ejemplos de transformaciones lineales y no lineales. Explica que las matrices definen transformaciones lineales entre espacios vectoriales.
Universidad Técnica Particular de Loja
Ciclo Académico Abril Agosto 2011
Carrera: Ciencias de la Computación
Docente: Ing. Ana Gabriela Correa
Ciclo: Tercero
Bimestre: Segundo
Ecuaciones diferenciales exactas y por factor integranteFlightshox
El documento explica las ecuaciones diferenciales exactas y cómo resolverlas. Define una ecuación diferencial exacta como aquella que puede escribirse en la forma df=0, donde f es una función tal que sus derivadas parciales son iguales. Explica que la solución de una ecuación diferencial exacta está dada por la ecuación f(x,y)=c. También cubre el concepto de factor integrante y cómo usarlo para resolver ecuaciones diferenciales que no son exactas. Finalmente, presenta varios ejemplos para ilustrar estos conceptos.
Aplicación e importancia de las funciones trigonométricas e hiperbólicas y s...dinorkis
1) Las funciones trigonométricas, hiperbólicas, exponenciales y logarítmicas tienen numerosas aplicaciones en la vida cotidiana y en campos como las matemáticas, física, economía y más. 2) Las funciones representan relaciones entre conjuntos y variables, donde las variables pueden ser independientes, dependientes o constantes. 3) El álgebra, la geometría y el cálculo infinitesimal son ramas matemáticas fundamentales que se aplican ampliamente en el diseño, la ingeniería y otras áreas.
Este documento presenta la resolución de 6 problemas relacionados con distribuciones de probabilidad. En el primer problema se resume un caso sobre el funcionamiento de una máquina de refrescos y se concluye que la decisión tomada fue razonable. Los problemas 2 a 5 involucran el cálculo de probabilidades utilizando distribuciones normales y chi cuadrado. El sexto problema pide encontrar valores críticos de chi cuadrado para diferentes niveles de significancia.
Este documento describe los conceptos básicos de las pruebas de hipótesis. Explica que una prueba de hipótesis involucra contrastar una hipótesis nula con una hipótesis alternativa mediante la toma de una decisión estadística. También define los términos hipótesis nula, hipótesis alternativa y nivel de significancia, los cuales son elementos clave de cualquier prueba de hipótesis. Por último, presenta ejemplos detallados del uso de las pruebas Z de una muestra y t de una m
Este documento presenta 5 ejemplos que ilustran el uso de la distribución t de Student y la distribución F de Snedecor. Los ejemplos calculan probabilidades y percentiles asociados a estas distribuciones estadísticas. Se proporcionan detalles sobre cómo buscar valores en las tablas de estas distribuciones dadas las entradas requeridas como grados de libertad y probabilidades acumuladas.
El documento describe una unidad de estimación de parámetros que incluye estimación puntual y por intervalos. La estimación puntual calcula valores estadísticos para estimar parámetros de poblaciones, mientras que la estimación por intervalos provee rangos de valores dentro de los cuales es probable que se encuentren los parámetros. El documento también presenta ejemplos numéricos de cómo aplicar estos métodos.
La prueba chi-cuadrado determina si dos variables están relacionadas. Se formula una hipótesis nula de independencia y una alternativa de dependencia. Se calculan frecuencias esperadas y el estadístico chi-cuadrado, y se compara con un valor crítico para aceptar o rechazar la hipótesis nula de independencia.
Este documento presenta diferentes pruebas de hipótesis paramétricas y no paramétricas. Explica cómo calcular la media, proporción y diferencia de medias para muestras grandes y pequeñas, así como la diferencia de proporciones y datos apareados. También describe cómo realizar la prueba de Ji cuadrada para datos nominales. Proporciona ejemplos resueltos de cada prueba para ilustrar los conceptos. Finalmente, incluye una bibliografía relacionada con estadística para ingenieros.
El documento describe los conceptos y métodos de muestreo estadístico. El muestreo busca simplificar el proceso de recopilación de información de una población mediante el estudio de una muestra representativa en lugar de toda la población, lo que optimiza costos y tiempo. Existen diferentes tipos de muestreo como el probabilístico, donde cada unidad tiene la misma probabilidad de ser seleccionada, y el no probabilístico. El tamaño y método de muestra dependerá de factores como los objetivos del estudio y recursos disponibles.
82253086 unidad-iv-pruebas-de-hipotesis-con-dos-muestras-y-varias-muestras-de...Ekthor Daniel R G
Este documento introduce los conceptos básicos de las pruebas de hipótesis estadísticas, incluyendo las hipótesis nula y alternativa, los errores tipo I y II, y las regiones de rechazo y no rechazo. Luego, se enfoca en las pruebas de hipótesis para comparar dos o más muestras, describiendo las distribuciones normal y t de Student, y los procedimientos de prueba t para muestras independientes y dependientes. Finalmente, provee un ejemplo completo de una prueba t para comparar
Este documento describe la distribución muestral de la diferencia entre dos medias ( ̄X1 - ̄X2) cuando se extraen muestras independientes de dos poblaciones. Explica que ̄X1 - ̄X2 se distribuye aproximadamente de forma normal, y proporciona fórmulas para calcular la media y varianza muestral. Además, incluye varios ejemplos y ejercicios para ilustrar cómo aplicar este teorema estadístico para calcular probabilidades relacionadas con la diferencia entre medias m
El documento describe los conceptos de estimación puntual e intervalos de confianza. Explica que una estimación puntual es un estadístico calculado a partir de una muestra que estima un parámetro poblacional, mientras que un intervalo de confianza es un rango de valores donde existe una probabilidad determinada de que se encuentre el parámetro poblacional. También cubre cómo calcular intervalos de confianza para la media y proporción de una población usando diferentes distribuciones estadísticas.
Este documento presenta información sobre pruebas de hipótesis estadísticas. Explica que una prueba de hipótesis involucra contrastar una hipótesis nula (Ho) con una hipótesis alternativa (H1). También presenta ejemplos de problemas de pruebas de hipótesis con sus soluciones, incluyendo cálculos estadísticos y conclusiones.
Este documento resume los conceptos clave relacionados con las pruebas de hipótesis para muestras pequeñas utilizando la distribución t de Student. Explica la distribución t, sus propiedades y cómo difiere de la distribución normal. Luego, detalla los pasos para realizar una prueba de hipótesis para una muestra pequeña, incluido el cálculo del estadístico t y la formulación de la regla de decisión. Finalmente, proporciona un ejemplo numérico para ilustrar el proceso.
El documento proporciona una introducción a las pruebas estadísticas no paramétricas. Explica que estas pruebas no asumen una distribución normal de los datos ni igualdad de varianzas, a diferencia de las pruebas paramétricas. Luego describe algunas pruebas no paramétricas comunes como la prueba de Chi cuadrado, U de Mann-Whitney, Wilcoxon y Kruskal-Wallis; e indica cómo seleccionar la prueba apropiada dependiendo del tipo y número de muestras. Finalmente, incluye ej
TIPOS DE RECOLECCION DE DATOS - LA ENTREVISTA.diego_aacc
Este documento trata sobre la recolección de datos a través de entrevistas. Explica que una entrevista es una conversación entre dos o más personas con el objetivo de obtener información sobre un tema. Luego describe los componentes básicos de una entrevista, los tipos de entrevistas (estructuradas y no estructuradas), y las ventajas y desventajas de cada tipo. Finalmente, ofrece consejos para realizar entrevistas de manera efectiva.
La distribución t de Student se utiliza cuando no se conoce la desviación estándar poblacional y la muestra es menor a 30. Es similar a la distribución normal pero tiene áreas mayores en los extremos. Fue descubierta por William Gosset en 1908 para realizar inferencias estadísticas cuando la desviación estándar es desconocida. Se basa en establecer intervalos de confianza y probar hipótesis utilizando los grados de libertad y un nivel de confianza. Es útil para reducir costos al permitir anális
Problemas resueltos de distribución muestralasrodriguez75
Este documento presenta la resolución de 5 preguntas sobre distribución muestral. La primera pregunta calcula la probabilidad de que la media de un muestra de 100 recién nacidos sea mayor a 3030 gramos. La segunda pregunta encuentra la probabilidad de que la vida promedio de una muestra de 16 focos sea menor a 775 horas. La tercera pregunta determina el número de medias muestrales que caen dentro de dos rangos dados para 200 muestras de 25 estudiantes.
Variables dependientes e independientes en el método científicoSofia Paz
Explicación sobre las variables dependientes e independientes según el método científico para experimentos, ejemplos para aprender a reconocer y distinguir entre ambas.
Este documento contiene 7 ejercicios de estadística que involucran distribuciones normales estándar. Los ejercicios calculan áreas bajo la curva, probabilidades y valores críticos Z asociados con diferentes situaciones como la vida de ratones, cantidad de refresco en vasos y pesos de sandías.
Este documento presenta varios temas relacionados con la teoría de muestras pequeñas. Introduce la distribución t de Student y explica cómo se puede usar para construir intervalos de confianza para una media cuando la varianza es desconocida. También cubre la distribución Ji-cuadrada y Fisher, y cómo se pueden usar para realizar pruebas de hipótesis sobre varianzas y diferencias de medias con muestras pequeñas de distribuciones normales. Finalmente, presenta algunos métodos estadísticos no paramétricos.
Este documento presenta varios temas relacionados con la teoría de muestras pequeñas. Introduce la distribución t de Student y explica cómo se puede usar para construir intervalos de confianza para una media cuando la varianza es desconocida. También describe las distribuciones Ji-cuadrada y Fisher, que se pueden usar para realizar pruebas de hipótesis sobre varianzas. Finalmente, cubre técnicas estadísticas no paramétricas como las pruebas de rango de Wilcoxon.
Este documento presenta varios temas relacionados con la teoría de muestras pequeñas. Introduce la distribución t de Student y explica cómo se puede usar para construir intervalos de confianza para una media cuando la varianza es desconocida. También cubre la distribución Ji-cuadrada y Fisher, así como cómo aplicar estas distribuciones a pruebas de hipótesis e intervalos de confianza para medias, varianzas y razones de varianzas. Finalmente, presenta conceptos como grados de libertad y errores tipo II que son importantes
Este documento explica la distribución t de Student. Se usa para calcular intervalos de confianza cuando la varianza de la población es desconocida. La distribución t tiene una media de 0 y una varianza que depende del tamaño de la muestra. Aunque originalmente se asumió una población normal, la distribución t también se puede usar para poblaciones no normales. El documento proporciona ejemplos de cómo calcular probabilidades e intervalos de confianza usando la distribución t.
1) La distribución t de Student surge al estimar la media de una población normalmente distribuida con una muestra pequeña. 2) Tiene colas más amplias que la distribución normal y se aproxima a esta a medida que los grados de libertad tienden a infinito. 3) Se utiliza para determinar si un instrumento de medición está calibrado al comparar su media con un valor patrón.
El documento describe la distribución t de Student, desarrollada por William Gosset en 1908 para analizar muestras pequeñas. Explica que la distribución t es similar a la normal pero depende del tamaño de la muestra (grados de libertad) y que se usa cuando el tamaño de muestra es pequeño o se desconoce la desviación estándar poblacional. También presenta ejemplos sobre cómo calcular valores t e interpretar probabilidades asociadas a la distribución t.
La distribución normal es la más importante en probabilidad y estadística. Tanto la probabilidad discreta como continua pueden aproximarse a la normal. La mayoría de variables aleatorias continuas siguen una distribución normal o aproximadamente normal.
El documento describe la distribución t de Student, la cual fue desarrollada por William Gosset en 1908 mientras trabajaba para la cervecería Guinness. Gosset no podía publicar bajo su propio nombre debido a un acuerdo de confidencialidad, por lo que usó el seudónimo "Student". La distribución t es útil para realizar pruebas estadísticas cuando las muestras son pequeñas o la desviación estándar de la población es desconocida. Se diferencia de la distribución normal en que depende del t
Este documento presenta la distribución t de Student, incluyendo:
1) Una introducción a la distribución t de Student y su descubridor William Gosset.
2) Las características y propiedades de la distribución t.
3) Cómo calcular los grados de libertad y establecer intervalos de confianza para estimar parámetros poblacionales como la media cuando la desviación estándar es desconocida y la muestra es pequeña (menos de 30).
4) Dos ejercicios resueltos que muestran
Este documento introduce la distribución t de Student, que se utiliza para realizar inferencias estadísticas cuando la desviación estándar poblacional es desconocida y el tamaño de la muestra es menor a 30. Explica que la distribución t se aproxima a la normal a medida que aumenta el tamaño de la muestra, y que depende de los grados de libertad. También presenta la fórmula para calcular el intervalo de confianza para estimar la media poblacional usando la distribución t.
Actividad de 20% de Distribucion Muestral realizada por el grupo numero 6, cuyos integrantes son: Felipe Salazar, Greylen Acuña, Katherine Malave, Andres Maica, Mayerling Vargas.
Prueba de hipótesis para muestras pequeñasemmanuelgf
Este documento describe la distribución T de Student y cómo se utiliza para realizar pruebas de hipótesis con muestras pequeñas. Explica que la distribución T tiene en cuenta la incertidumbre en la estimación de la desviación estándar de la población. También indica que la distribución T es más ancha que la distribución normal para un número pequeño de grados de libertad, pero tiende a coincidir con la distribución normal a medida que aumenta el tamaño de la muestra.
Este documento presenta información sobre estimación por intervalos de confianza, incluyendo cómo calcular el tamaño de la muestra requerido para un intervalo de confianza dado y cómo estimar la media poblacional cuando la varianza es desconocida. También cubre cómo estimar la diferencia entre dos medias poblacionales usando dos muestras con varianzas conocidas.
Este documento describe diferentes tipos de distribuciones probabilísticas continuas, incluyendo la distribución normal, la distribución chi-cuadrada, la distribución t-student y la distribución uniforme. Explica las características clave de cada distribución y proporciona ejemplos numéricos para ilustrar su uso. El objetivo principal es explicar conceptos básicos de probabilidad y estadística relacionados con distribuciones probabilísticas continuas.
Distribución Exponencial, "T" Student e índicesWendy Michay
La distribución t de Student se utiliza cuando no se conoce la desviación estándar y la muestra es menor a 30, y es similar a la curva normal pero más variable. Existen diferentes índices bursátiles como el Dow Jones, Nasdaq 100 y el IPC que miden el comportamiento de los precios de acciones de diferentes compañías y sectores. La distribución exponencial se usa para modelar tiempos de espera o funcionamiento y es similar a la de Poisson.
Este documento describe la distribución ji-cuadrada y cómo se puede usar para estimar la varianza de una población normal a partir de una muestra. Explica que la distribución ji-cuadrada es la distribución muestral de las varianzas, y proporciona propiedades, ejemplos y métodos para calcular intervalos de confianza y realizar pruebas de hipótesis sobre la varianza de una población.
Este documento describe cómo construir intervalos de confianza para estimar parámetros poblacionales como la media a partir de muestras pequeñas (n ≤ 30). Explica que para muestras pequeñas se debe usar la distribución t de Student en lugar de la distribución normal, ya que la distribución t es más puntual. También define los grados de libertad como n-1 y los pasos para calcular el intervalo de confianza usando la tabla t de Student.
La distribución t de Student surge cuando se estima la media de una población normal con una muestra pequeña. Se define como la razón entre una distribución normal y la raíz cuadrada de una ji-cuadrado dividida por sus grados de libertad. La distribución gamma describe el tiempo hasta que ocurren n eventos de un proceso de Poisson. La distribución normal describe muchos fenómenos naturales y se caracteriza por una campana simétrica centrada en la media.
Este documento describe cómo realizar una prueba de hipótesis para la media poblacional con muestras pequeñas utilizando la distribución t de Student. Presenta un ejemplo en el que se mide el espesor de 6 anillos para probar si el proceso de fabricación necesita o no recalibrarse. Calcula el estadístico de prueba t y determina que el valor observado de t es mayor que el crítico, por lo que se rechaza la hipótesis nula de que la media poblacional es 39.
Este documento describe cómo realizar una prueba de hipótesis para la media poblacional con muestras pequeñas utilizando la distribución t de Student. Presenta un ejemplo en el que se mide el espesor de 6 anillos para probar si el proceso de fabricación necesita o no recalibrarse. Calcula el estadístico de prueba t y determina que el valor observado de t es mayor que el crítico, por lo que se rechaza la hipótesis nula de que la media poblacional es 39.
Ofrecemos herramientas y metodologías para que las personas con ideas de negocio desarrollen un prototipo que pueda ser probado en un entorno real.
Cada miembro puede crear su perfil de acuerdo a sus intereses, habilidades y así montar sus proyectos de ideas de negocio, para recibir mentorías .
SEMIOLOGIA DE HEMORRAGIAS DIGESTIVAS.pptxOsiris Urbano
Evaluación de principales hallazgos de la Historia Clínica utiles en la orientación diagnóstica de Hemorragia Digestiva en el abordaje inicial del paciente.
1. Elaborar en ensayo de grados de libertad
Portada
Introducción
Contenido
Conclusión
Arial 12
Interlineado 2.0
Justificado
Enviar a arodriguez@uabcs.mx
el uso de la distribución z, la cual se podía utilizar siempre y cuando los tamaños
de las muestras fueran mayores o iguales a 30 ó en muestras más pequeñas si la
distribución o las distribuciones de donde proviene la muestra o las muestras son
normales.
En esta unidad se podrán utilizar muestras pequeñas siempre y cuando la
distribución de donde proviene la muestra tenga un comportamiento normal. Esta
es una condición para utilizar las tres distribuciones que se manejarán en esta
unidad; t de student, X2 ji-cuadrada y Fisher.
A la teoría de pequeñas muestras también se le llama teoría exacta del muestreo,
ya que también la podemos utilizar con muestras aleatorias de tamaño grande.
En esta unidad se verá un nuevo concepto necesario para poder utilizar a las tres
distribuciones mencionadas. Este concepto es "grados de libertad".
Para definir grados de libertad se hará referencia a la varianza muestral:
Esta fórmula está basada en n-1grados de libertad (degrees of freedom). Esta
terminología resulta del hecho de que si bien s2 está basada en n cantidades
2. ..., éstas suman cero, así que especificar los valores de
cualquier n-1 de las cantidades determina el valor restante. Por ejemplo, si n=4 y
; y , entonces automáticamente tenemos ,
así que sólo tres de los cuatro valores de están libremen te determinamos 3
grados de libertad.
Entonces, en esta unidad la fórmula de grados de libertad será n-1 y su simbología
DISTRIBUCION "t DE STUDENT"
Supóngase que se toma una muestra de una población normal con media y
varianza Si es el promedio de lasn observaciones que contiene la muestra
aleatoria, entonces la distribución es una distribución normal estándar.
Supóngase que la varianza de la población es desconocida. ¿Qué sucede con
la distribución de esta estadística si se reemplaza por s? La distribución t
proporciona la respuesta a esta pregunta.
La media y la varianza de la distribución t son y para >2,
respectivamente.
La siguiente figura presenta la gráfica de varias distribuciones t. La apariencia
general de la distribución t es similar a la de la distribución normal estándar:
ambas son simétricas y unimodales, y el valor máximo de la ordenada se alcanza
en la media Sin embargo, la distribución t tiene colas más amplias que la
normal; esto es, la probabilidad de las colas es mayor que en la distribución
normal. A medida que el número de grados de libertad tiende a infinito, la forma
límite de la distribución t es la distribución normal estándar.
3. Propiedades de las distribuciones t
1. Cada curva t tiene forma de campana con centro en 0.
2. Cada curva t, está más dispersa que la curva normal estándar z.
3. A medida que aumenta, la dispersión de la curva t correspondiente
disminuye.
4. A medida que , la secuencia de curvas t se aproxima a la curva
normal estándar, por lo que la curva z recibe a veces el nombre de curva t
con gl =
La distribución de la variable aleatoria t está dada por:
Esta se conoce como la distribución t con grados de libertad.
Sean X1, X2, . . . , Xn variables aleatorias independientes que son todas normales
con media y desviación estándar . Entonces la variable aleatoria
tiene una distribución t con = n-1 grados de libertad.
La distribución de probabilidad de t se publicó por primera vez en 1908 en un
artículo de W. S. Gosset. En esa época, Gosset era empleado de una cervecería
irlandesa que desaprobaba la publicación de investigaciones de sus empleados.
4. Para evadir esta prohibición, publicó su trabajo en secreto bajo el nombre de
"Student". En consecuencia, la distribución t normalmente se llama distribución t
de Student, o simplemente distribución t. Para derivar la ecuación de esta
distribución, Gosset supone que las muestras se seleccionan de una población
normal. Aunque esto parecería una suposición muy restrictiva, se puede mostrar
que las poblaciones no normales que poseen distribuciones en forma casi de
campana aún proporcionan valores de t que se aproximan muy de cerca a la
distribución t.
La distribución t difiere de la de Z en que la varianza de t depende del tamaño de
la muestra y siempre es mayor a uno. Unicamente cuando el tamaño de la
muestra tiende a infinito las dos distribuciones serán las mismas.
Se acostumbra representar con el valor t por arriba del cual se encuentra un
área igual a . Como la distribución t es simétrica alrededor de una media de
cero, tenemos ; es decir, el valor t que deja un área de a la
derecha y por tanto un área de a la izquierda, es igual al valor t negativo que
deja un área de en la cola derecha de la distribución. Esto es, t0.95 = -t0.05,
t0.99=-t0.01, etc.
Para encontrar los valores de t se utilizará la tabla de valores críticos de la
distribución t del libro Probabilidad y Estadística para Ingenieros de los autores
Walpole, Myers y Myers.
Ejemplo:
El valor t con = 14 grados de libertad que deja un área de 0.025 a la izquierda, y
por tanto un área de 0.975 a la derecha, es
t0.975=-t0.025 = -2.145
Si se observa la tabla, el área sombreada de la curva es de la cola derecha, es por
esto que se tiene que hacer la resta de . La manera de encontrar el valor
5. de t es buscar el valor de en el primer renglón de la tabla y luego buscar los
grados de libertad en la primer columna y donde se intercepten y se
obtendrá el valor de t.
Ejemplo:
Encuentre la probabilidad de –t0.025 < t < t0.05.
Solución:
Como t0.05 deja un área de 0.05 a la derecha, y –t0.025 deja un área de 0.025 a la
izquierda, encontramos un área total de 1-0.05-0.025 = 0.925.
P( –t0.025 < t < t0.05) = 0.925
Ejemplo:
Encuentre k tal que P(k < t < -1.761) = 0.045, para una muestra aleatoria de
tamaño 15 que se selecciona de una distribución normal.
Solución:
Si se busca en la tabla el valor de t =1.761 con 14 grados de libertad nos damos
cuenta que a este valor le corresponde un área de 0.05 a la izquierda, por ser
negativo el valor. Entonces si se resta 0.05 y 0.045 se tiene un valor de 0.005, que
equivale a Luego se busca el valor de 0.005 en el primer renglón con 14
grados de libertad y se obtiene un valor de t = 2.977, pero como el valor de
6. está en el extremo izquierdo de la curva entonces la respuesta es t = -2.977 por lo
tanto:
P(-2.977 < t < -1.761) = 0.045
Ejemplo:
Un ingeniero químico afirma que el rendimiento medio de la población de cierto
proceso en lotes es 500 gramos por milímetro de materia prima. Para verificar esta
afirmación toma una muestra de 25 lotes cada mes. Si el valor de t calculado cae
entre –t0.05 y t0.05, queda satisfecho con su afirmación. ¿Qué conclusión extraería
de una muestra que tiene una media de 518 gramos por milímetro y una
desviación estándar de 40 gramos? Suponga que la distribución de rendimientos
es aproximadamente normal.
Solución:
De la tabla encontramos que t0.05 para 24 grados de libertad es de 1.711. Por
tanto, el fabricante queda satisfecho con esta afirmación si una muestra de 25
lotes rinde un valor t entre –1.711 y 1.711.
Se procede a calcular el valor de t:
Este es un valor muy por arriba de 1.711. Si se desea obtener la probabilidad de
obtener un valor de t con 24 grados de libertad igual o mayor a 2.25 se busca en la
tabla y es aproximadamente de 0.02. De aquí que es probable que el fabricante
concluya que el proceso produce un mejor producto del que piensa.
INTERVALO DE CONFIANZA PARA ; CON DESCONOCIDA
Si y s son la media y la desviación estándar de una muestra aleatoria de una
población normal con varianza , desconocida, un intervalo de confianza de
( )100% para es:
7. donde /2 es el valor t con = n-1 grados de libertad, que deja un área de
/2 a la derecha.
Se hace una distinción entre los casos de conocida y desconocida al
calcular las estimaciones del intervalo de confianza. Se debe enfatizar que para el
primer caso se utiliza el teorema del límite central, mientras que para
desconocida se hace uso de la distribución muestral de la variable aleatoria t. Sin
embargo, el uso de la distribución t se basa en la premisa de que el muestreo se
realiza de una distribución normal. En tanto que la distribución tenga forma
aproximada de campana, los intervalos de confianza se pueden calcular cuando la
varianza se desconoce mediante el uso de la distribución t y se puede esperar
buenos resultados.
Con mucha frecuencia los estadísticos recomiendan que aun cuando la
normalidad no se pueda suponer, con desconocida y n 30, s puede
reemplazar a y se puede utilizar el intervalo de confianza:
Por lo general éste se denomina como un intervalo de confianza de muestra
grande. La justificación yace sólo en la presunción de que con una muestra grande
como 30, s estará muy cerca de la real y de esta manera el teorema del límite
central sigue valiendo. Se debe hacer énfasis en que esto es solo una
aproximación y que la calidad de este enfoque mejora a medida que el tamaño de
la muestra crece más.
Ejemplos:
1. El contenido de siete contenedores similares de ácido sulfúrico son 9.8,
10.2, 10.4, 9.8, 10.0, 10.2, y 9.6 litros. Encuentre un intervalo de confianza
del 95% para la media de todos los contenedores si se supone una
distribución aproximadamente normal.
Solución:
La media muestral y la desviación estándar para los datos dados son:
10 y s= 0.283
En la tabla se encuentra que t0.025=2.447 con 6 grados de libertad, de aquí,
el intervalo de confianza de 95% para es:
8. Con un nivel de confianza del 95% se sabe que el promedio del contenido
de los contenedores está entre 9.47 y 10.26 litros.
2. Un artículo publicado en el Journal of Testing and Evaluation presenta las
siguientes 20 mediciones del tiempo de combustión residual en segundos
de especímenes tratados de ropa de dormir para niños:
9.85 9.93 9.75 9.77 9.67
9.87 9.67 9.94 9.85 9.75
9.83 9.92 9.74 9.99 9.88
9.95 9.95 9.93 9.92 9.89
Se desea encontrar un nivel de confianza del 95% para el tiempo de
combustión residual promedio. Supóngase que el tiempo de combustión
residual sigue una distribución normal.
Solución:
La media muestral y la desviación estándar para los datos dados son:
9.8525 y s= 0.0965
En la tabla se encuentra que t0.025=2.093 con 19 grados de libertad, de aquí, el
intervalo de confianza de 95% para es:
9. Por lo tanto, se tiene una confianza del 95% de que el tiempo de combustión
residual promedio se encuentra entre 9.8073 y 9.8977 segundos.
PRUEBA DE HIPOTESIS SOBRE LA MEDIA DE UNA DISTRIBUCION NORMAL, VARIANZA
DESCONOCIDA
Ciertamente sospechamos que las pruebas sobre una media poblacional con
desconocida, debe incluir el uso de la distribución t de Student. La estructura
de la prueba es idéntica a la del caso de conocida, con la excepción de que el
valor en la estadística de prueba se reemplaza por la estimación de s calculada
y la distribución normal estándar se reemplaza con una distribución t.
Ejemplos:
1. El Instituto Eléctrico Edison publica cifras del número anual de Kilowatt-hora
que gastan varios aparatos eléctrodomésticos. Se afirma que una
aspiradora gasta un promedio de 46 kilowatt-hora al año. Si una muestra
aleatoria de 12 hogares que se incluye en un estudio planeado indica que
las aspiradoras gastan un promedio de 42 kilowatt-hora al año con una
desviación estándar de11.9 kilowatt-hora, ¿esto sugiere con un nivel de
significancia de 0.05 que las aspiradoras gastan, en promedio, menos de 46
kilowatt-hora anualmente? Suponga que la población de kilowatt-hora es
normal.
Solución:
1. Datos:
= 46 kilowatt-hora
s= 11.9 kilowatt-hora
= 42 kilowatt-hora
n = 12
10. = 0.05
3. Ensayo de hipótesis
Ho; = 46 kilowatt-hora
H1; < 46 kilowatt-hora
4. Regla de decisión:
Si tR -1.796 No se rechaza Ho
Si tR< -1.796 Se rechaza Ho
5. Cálculos:
6. Justificación y decisión:
Como –1.16 > -1.796, por lo tanto no se rechaza Ho y se concluye con un
nivel de significancia del 0.05 que el número promedio de kilowwatt-hora
que gastan al año las aspiradoras no es significativamente menor que 46.
Solución por el otro método:
11. Regla de decisión:
Si 39.83 No se Rechaza Ho
Si < 39.83 Se rechaza Ho
Como la = 42 y este valor no es menor que 39.83 por lo tanto no se rechaza H o.
Se puede aprovechar este ejemplo para calcular el valor de P , como el valor de t
calculada es de –1.16, se busca en la tabla y se ve que el area a la izquierda de
este valor es de 0.135 con 11 grados de libertad, por lo tanto no se rechaza H o., ya
que seríaun valor alto para un nivel de significancia.
1. Un artículo publicado en la revista MaterialsEngineering describe los
resultados de pruebas de resistencia a la adhesión de 22 especímenes de
aleación U-700. La carga para la que cada especímen falla es la siguiente
en MPa:
19.8 18.5 17.6 16.7 15.8
15.4 14.1 13.6 11.9 11.4
11.4 8.8 7.5 15.4 15.4
19.5 14.9 12.7 11.9 11.4
12. 10.1 7.9
¿Sugieren los datos que la carga promedio de falla es mayor que 10Mpa?
Supóngase que la carga donde se presenta la falla tiene una distribución
normal, y utilicese = 0.05. Calcule el valor de P.
Solución:
1. Datos:
= 10
s = 3.55
= 13.71
n = 22
= 0.05
3. Ensayo de hipótesis
Ho; = 10
H1; > 10
4. Regla de decisión:
Si tR 1.721 no se rechaza Ho.
Si tR> 1.721 se rechaza Ho.
5. Cálculos:
13. 6. Justificación y decisión.
Como 4.90 >1.721 se rechaza Ho y se concluye con un nivel de
significancia del 0.05 que la carga de falla promedio es mayor que 10Mpa.
Existe otra manera de resolver este ejercicio, tomando la decisión en base al
estadístico real, en este caso la media de la muestra. De la fórmula de la
distribución muestral de medias se despeja la media de la muestra:
Regla de decisión:
Si 11.30 No se rechaza Ho
Si > 11.30 Se rechaza Ho
Como la media de la muestral es de 13.71 MPa y es mayor al valor de la media
muestral límite de 11.30 por lo tanto se rechaza Ho y se llega a la misma
conclusión.
Para calcular el valor de P se va a la tabla y se busca en 21 grados de libertad el
valor de t = 4.90. Se obseva que el valor mayor de t que se encuentra en la tabla
con 21 grados de libertad es de 3.819 el cual le corresponde un área a la derecha
de 0.0005, por lo que para el valor de 4.90 el valor de P es practicamente cero,
y esto apoya la decisión de rechazar Ho.
3. Los pesos en libras de una muestra aleatoria de bebés de seis meses son:
14.6, 12.5, 15.3, 16.1, 14.4, 12.9, 13.7 y 14.9. Haga una prueba con nivel
de 5% de significancia para determinar si el peso promedio de todos los
14. bebés de seis meses es distinto a 14 libras, suponga que sus pesos se
distribuyen normalmente y calcule el valor de P.
Solución:
1. Datos:
= 14 libras
s = 1.21 libras
= 14.3 libras
n=8
= 0.05
2. Ensayo de hipótesis
Ho; = 14 libras
H1; 14 libras
3. Regla de Decisión:
Si –2.365 tR 2.365 No se rechaza Ho
Si tR< -2.365 ó si tR> 2.365 Se rechaza Ho
4. Cálculos:
5. Justificación y decisión:
15. Como–2.365 0.7012 2.365 por lo tanto, no se rechaza Ho y se concluye
con un nivel de significancia del 0.05 que el peso promedio de todos los
bebés de seis meses es de 14 libras.
Solución por el otro método:
12.98 y 15.01
Regla de decisión:
Si 12.98 15.01 No se rechaza Ho
Si < 12.98 ó > 15.01 se rechaza Ho
Como la = 14.3 libras, entonces no se rechaza Ho .
Para calcular el valor de P se busca en la tabla el valor de 0.7012 con 7 grados de
libertad. Se obseva que este valor no se encuentra pero se puede interpolar entre
los valores de 0.549 y 0.896 con áreas de 0.30 y 0.20 respectivamente.
Interpolando linealmente se obtiene el valor de 0.2561.
16. Error tipo II ó
El error tipo II se calcula de la misma forma en la que se calculó con la distribución
z. Se realizarán algunos ejercicios en los cuales se determinará la probabilidad de
cometer el error tipo II, utilizando la tabla de la distribución.
Existen curvas características de operación en los libros con diferentes grados de
libertad para determinar los tamaños de muestra correspondientes según el grado
de error que se quiera, recordando que entre mayor sea el tamaño de muestra
menor será el error.
1. Se sabe que los voltajes de una marca de pilas tamaño C se distribuyen
normalmente, se probó una muestra aleatoria de 15 y se encontró que la
media es de 1.4 volts con una desviación estándar de 0.21 volts. En el nivel
de significancia de 0.01:
a. ¿Indica esto que la media de los voltajes es menor que 1.5 volts?
b. Calcular la probabilidad de cometer el error tipo II si el voltaje promedio real
de las pilas es de 1.3 volts.
Solución:
1. Datos:
= 1.5 volts.
s= 0.21 volts
= 1.4 volts.
n = 15
= 0.01
2. Ensayo de hipótesis
17. Ho; = 1.5 volts
H1; < 1.5 volts
3. Regla de decisión:
Si tR -2.624 No se rechaza Ho
Si tR< -2.624 Se rechaza Ho
5. Cálculos:
6. Justificación y decisión:
Como –1.84 > -2.624, por lo tanto no se rechaza Ho y se concluye con un
nivel de significancia del 0.01 que los voltajes de las pilas tamaño C no son
menores a 1.5.
Para calcular el error tipo II se tiene que obtener el valor de de la siguiente
forma:
18. Para encontrar el valor de se busca en la tabla de la distribución t el valor de
1.05 con 14 grados de libertad. Como este valor no se encuentra en la tabla se
interpola entre 0.868 y 1.076 con un área de 0.20 y 0.15 respectivamente. Al
interpolar se obtiene un área de 0.15612 y esta es la probabilidad de cometer el
error tipoII cuando la media verdadera es de 1.3 volts y un tamaño de muestra de
15.
2. Para el ejercicio del peso de los bebés de 6 meses, calcular el error tipo II,
si los pesos verdaderos hubieran sido de 11 y 14.5 libras.
Solución:
Primero se calculan los valores de :
19. En este último cálculo para se tendrá que analizar las áreas de los dos
extremos, pues estas no están dentro de la región de aceptación, por lo tanto no
se deben de tomar en cuenta para el error tipo II.
Se busca en la tabla el valor de 3.55 con 7 grados de libertad, y al interpolar nos
da un área de 0.00475. El área correspondiente a 1.19 con 7 grados de libertad es
de 0.1479. Por lo que =1-(0.00475+0.1479)= 0.8473
3. Para el ejercicio en donde se dan los resultados de pruebas de resistencia
a la adhesión de 22 especímenes de aleación U-700., encontrar la
probabilidad de cometer el error tipo II si la carga promedio de falla es igual
a 11.
Solución:
Primero se obtendrá el valor del estadístico límite: