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 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.
Tamaño de muestra para diferencia de dos medias y dos proporcionesDomingo de la Cerda
Este documento describe cómo calcular el tamaño de la muestra necesario para estimar la diferencia de medias y proporciones entre dos poblaciones. Explica que el error depende de la desviación estándar de cada población y el tamaño de muestra, y proporciona fórmulas para calcular el tamaño de muestra cuando los tamaños son iguales o diferentes. También cubre cómo realizar pruebas de hipótesis estadísticas para comparar medias y proporciones entre dos muestras.
1) Los parámetros de la población como la media y la varianza se estiman mediante estadísticos como la media muestral y la cuasivarianza muestral respectivamente.
2) Se habla de estimación puntual cuando se asigna un valor concreto al parámetro y de estimación por intervalos cuando se asigna un intervalo de valores posibles.
3) El documento describe las funciones de decisión y los intervalos de confianza utilizados para estimar parámetros como la media, la varianza, las diferencias de medias y las proporciones
Distribuciones de probabilidad continuaLIZBETH IZA
Este documento presenta un resumen de las distribuciones de probabilidad continuas más importantes, incluyendo la distribución normal, uniforme, exponencial, t de Student y chi cuadrado. Proporciona las funciones de densidad, propiedades y ejemplos para cada distribución. El objetivo es proveer una introducción básica a estas distribuciones comúnmente usadas en estadística.
Este documento presenta los conceptos fundamentales de la estimación estadística, incluyendo el cálculo del tamaño de la muestra, intervalos de confianza para la media, proporción y varianza de una población. Explica las propiedades deseables de los estimadores como la insesgadez, eficiencia y consistencia. También incluye ejemplos y ejercicios para aplicar estos conceptos al cálculo de intervalos de confianza para medias poblacionales a partir de muestras.
1. El documento habla sobre estimadores estadísticos, que son funciones de la muestra utilizadas para estimar parámetros desconocidos de la población. Se analizan propiedades como insesgadez, varianza, consistencia y eficiencia de diferentes estimadores.
2. Explica que la media aritmética de la muestra es un estimador insesgado de la media poblacional, mientras que la varianza muestral es un estimador sesgado de la varianza poblacional. La cuasivarianza es un estimador insesgado
Este documento describe conceptos básicos de estimación estadística como estimadores, sesgo, varianza, consistencia y eficiencia. Define un estimador como una función de la muestra utilizada para estimar un parámetro desconocido de la población. Explica que un estimador es insesgado si su valor esperado es igual al parámetro, y sesgado en caso contrario. Además, introduce conceptos como el error cuadrático medio y la consistencia de los estimadores.
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.
Tamaño de muestra para diferencia de dos medias y dos proporcionesDomingo de la Cerda
Este documento describe cómo calcular el tamaño de la muestra necesario para estimar la diferencia de medias y proporciones entre dos poblaciones. Explica que el error depende de la desviación estándar de cada población y el tamaño de muestra, y proporciona fórmulas para calcular el tamaño de muestra cuando los tamaños son iguales o diferentes. También cubre cómo realizar pruebas de hipótesis estadísticas para comparar medias y proporciones entre dos muestras.
1) Los parámetros de la población como la media y la varianza se estiman mediante estadísticos como la media muestral y la cuasivarianza muestral respectivamente.
2) Se habla de estimación puntual cuando se asigna un valor concreto al parámetro y de estimación por intervalos cuando se asigna un intervalo de valores posibles.
3) El documento describe las funciones de decisión y los intervalos de confianza utilizados para estimar parámetros como la media, la varianza, las diferencias de medias y las proporciones
Distribuciones de probabilidad continuaLIZBETH IZA
Este documento presenta un resumen de las distribuciones de probabilidad continuas más importantes, incluyendo la distribución normal, uniforme, exponencial, t de Student y chi cuadrado. Proporciona las funciones de densidad, propiedades y ejemplos para cada distribución. El objetivo es proveer una introducción básica a estas distribuciones comúnmente usadas en estadística.
Este documento presenta los conceptos fundamentales de la estimación estadística, incluyendo el cálculo del tamaño de la muestra, intervalos de confianza para la media, proporción y varianza de una población. Explica las propiedades deseables de los estimadores como la insesgadez, eficiencia y consistencia. También incluye ejemplos y ejercicios para aplicar estos conceptos al cálculo de intervalos de confianza para medias poblacionales a partir de muestras.
1. El documento habla sobre estimadores estadísticos, que son funciones de la muestra utilizadas para estimar parámetros desconocidos de la población. Se analizan propiedades como insesgadez, varianza, consistencia y eficiencia de diferentes estimadores.
2. Explica que la media aritmética de la muestra es un estimador insesgado de la media poblacional, mientras que la varianza muestral es un estimador sesgado de la varianza poblacional. La cuasivarianza es un estimador insesgado
Este documento describe conceptos básicos de estimación estadística como estimadores, sesgo, varianza, consistencia y eficiencia. Define un estimador como una función de la muestra utilizada para estimar un parámetro desconocido de la población. Explica que un estimador es insesgado si su valor esperado es igual al parámetro, y sesgado en caso contrario. Además, introduce conceptos como el error cuadrático medio y la consistencia de los estimadores.
Este documento presenta los conceptos básicos de las pruebas de hipótesis, incluyendo los tipos de errores, los tipos de pruebas (unilateral, bilateral), y cómo realizar pruebas de hipótesis para la media, varianza, proporción y comparaciones de medias y proporciones utilizando estadísticos de prueba como Z, t de Student y chi cuadrado. Proporciona ejemplos ilustrativos para cada tipo de prueba.
Este documento presenta los pasos para realizar una prueba de chi cuadrado para determinar si existe una relación entre la nota obtenida en religión y el tipo de colegio. Se proporciona una tabla de contingencia con los datos observados y se formulan las hipótesis nula y alternativa. Luego se calculan las frecuencias esperadas, el grado de libertad, el estadístico chi cuadrado y su comparación con un valor crítico. El resultado lleva al rechazo de la hipótesis nula, indicando que el tipo de coleg
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.
El documento explica cómo calcular el tamaño de la muestra necesario para estimar una media poblacional o una proporción poblacional con un cierto nivel de confianza y error máximo de estimación. Presenta fórmulas para calcular el tamaño de la muestra para estimaciones de medias y proporciones en poblaciones finitas y infinitas, y resuelve ejemplos numéricos para ilustrar cómo aplicar las fórmulas.
El documento describe varias distribuciones de probabilidad discretas y continuas, incluyendo la distribución discreta uniforme, el proceso de Bernoulli, la distribución binomial, la distribución geométrica, y la distribución hipergeométrica. Para cada distribución, se definen sus parámetros y se proporcionan fórmulas para calcular la media y la varianza. También se incluyen ejemplos ilustrativos para cada distribución.
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.
Este documento presenta información sobre distribuciones de probabilidad discreta y continua. Introduce las distribuciones de Bernoulli, binomial y Poisson, definiendo sus características y cómo calcular probabilidades usando fórmulas y tablas. También explica cómo aproximar una distribución binomial a través de Poisson cuando n es grande y p es pequeña.
Este documento presenta información sobre intervalos de confianza e incluye ejemplos de cálculos de intervalos de confianza para la media y la varianza basados en datos de muestras. En particular, se define qué es un intervalo de confianza, y se explican conceptos relacionados como estimación puntual, nivel de confianza y límites de confianza. Luego, se resuelven cuatro ejercicios que implican calcular intervalos de confianza para la media y varianza a diferentes niveles de confianza usando datos de muestras y t
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.
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 la distribución chi-cuadrada (χ2), incluyendo su definición, propiedades y usos comunes. Karl Pearson introdujo la distribución χ2 en 1900 para probar si las mediciones se ajustan a una distribución esperada. La distribución depende del número de grados de libertad y se usa comúnmente en pruebas de hipótesis sobre varianzas, desviaciones estándar y ajustes de datos.
1) El documento presenta un resumen de la Unidad 2 sobre pruebas de la bondad del ajuste y análisis de varianza. 2) Incluye secciones sobre análisis Ji-cuadrada, prueba de independencia, prueba de la bondad del ajuste y análisis de varianza. 3) El trabajo fue entregado el 17 de febrero de 2012 por el alumno Félix Castro García al profesor José Guadalupe Rodríguez R. en el Instituto Tecnológico Superior de la Sierra Negra de Ajalpan.
Este documento describe las distribuciones t-Student y chi cuadrada y sus aplicaciones en intervalos de confianza. Explica que la distribución t-Student se usa cuando la desviación estándar de la población es desconocida y debe estimarse con la desviación estándar de la muestra. También describe cómo calcular probabilidades usando tablas de estas distribuciones y cómo construir intervalos de confianza para la media de una población normal.
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.
La distribución Chi-cuadrado describe la probabilidad de que la suma de los cuadrados de variables normales aleatorias independientes supere un valor. Tiene importantes aplicaciones en pruebas estadísticas como la prueba Chi-cuadrado de bondad de ajuste e independencia. La distribución F de Snedecor surge del cociente de dos variables Chi-cuadrado e indica la probabilidad de que la varianza de una muestra supere la de otra. Ambas distribuciones son fundamentales en análisis de varianza.
Capitulo 10 Prueba Para La Media, Muestra PequeñADavid Torres
Este documento describe cómo realizar una prueba de hipótesis para una media poblacional cuando la muestra es pequeña y se desconoce la desviación estándar poblacional. Explica que en este caso se debe usar la distribución t de Student en lugar de la distribución normal estándar. Además, presenta un ejemplo numérico para ilustrar cómo aplicar la fórmula t de Student y determinar si la diferencia entre la media muestral y la media poblacional es estadísticamente significativa.
Este documento describe métodos para estimar parámetros desconocidos de una población estadística a partir de una muestra. Explica el método de máxima verosimilitud, que determina el estimador que maximiza la probabilidad conjunta de los datos muestrales. También cubre estimación puntual, intervalos de confianza para la media y proporción, y ejemplos como estimar la probabilidad de éxito en una distribución binomial.
Este documento presenta la solución a 8 ejercicios de intervalos de confianza que involucran distribuciones normales y de Bernoulli. Los ejercicios calculan probabilidades e intervalos de confianza para medias, proporciones y varianzas basados en muestras de diferentes tamaños tomadas de poblaciones con distribuciones normales y de parámetros conocidos y desconocidos.
Tarea ejemplos distribución chi cuadrado, ingrid alcayaga y rocío eyzaguirreONG Institute
Este documento presenta varios ejemplos que ilustran el uso de la prueba de bondad de ajuste chi-cuadrado. El primer ejemplo analiza si la distribución de ventas de un producto en diferentes lugares es uniforme. El segundo ejemplo evalúa si las calificaciones de estudiantes en un curso siguen la distribución de años anteriores. Otros ejemplos calculan la distribución de la energía cinética de un objeto y usan chi-cuadrado para analizar si las frecuencias sanguíneas observadas se ajustan
El documento resume la distribución chi-cuadrada (χ2), incluyendo su definición, propiedades y usos principales. Explica que χ2 se usa para probar si las frecuencias observadas en un experimento se ajustan a las frecuencias esperadas, y provee ejemplos como las pruebas de Mendel y una prueba de bondad de ajuste a una distribución normal. También explica cómo usar χ2 para realizar pruebas de hipótesis sobre varianzas y desviaciones estándar, ilustrando con un ej
Este documento proporciona una introducción a la distribución Chi-cuadrada. Explica que Karl Pearson introdujo esta distribución en 1900 para probar si las mediciones siguen una distribución esperada. Describe las propiedades de la distribución Chi-cuadrada, incluida su media, varianza y forma de aproximarse a la distribución normal a medida que aumentan los grados de libertad. También explica cómo se puede usar la distribución Chi-cuadrada para realizar pruebas de bondad de ajuste y pruebas de hipótesis sobre varianz
Este documento presenta los conceptos básicos de las pruebas de hipótesis, incluyendo los tipos de errores, los tipos de pruebas (unilateral, bilateral), y cómo realizar pruebas de hipótesis para la media, varianza, proporción y comparaciones de medias y proporciones utilizando estadísticos de prueba como Z, t de Student y chi cuadrado. Proporciona ejemplos ilustrativos para cada tipo de prueba.
Este documento presenta los pasos para realizar una prueba de chi cuadrado para determinar si existe una relación entre la nota obtenida en religión y el tipo de colegio. Se proporciona una tabla de contingencia con los datos observados y se formulan las hipótesis nula y alternativa. Luego se calculan las frecuencias esperadas, el grado de libertad, el estadístico chi cuadrado y su comparación con un valor crítico. El resultado lleva al rechazo de la hipótesis nula, indicando que el tipo de coleg
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.
El documento explica cómo calcular el tamaño de la muestra necesario para estimar una media poblacional o una proporción poblacional con un cierto nivel de confianza y error máximo de estimación. Presenta fórmulas para calcular el tamaño de la muestra para estimaciones de medias y proporciones en poblaciones finitas y infinitas, y resuelve ejemplos numéricos para ilustrar cómo aplicar las fórmulas.
El documento describe varias distribuciones de probabilidad discretas y continuas, incluyendo la distribución discreta uniforme, el proceso de Bernoulli, la distribución binomial, la distribución geométrica, y la distribución hipergeométrica. Para cada distribución, se definen sus parámetros y se proporcionan fórmulas para calcular la media y la varianza. También se incluyen ejemplos ilustrativos para cada distribución.
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.
Este documento presenta información sobre distribuciones de probabilidad discreta y continua. Introduce las distribuciones de Bernoulli, binomial y Poisson, definiendo sus características y cómo calcular probabilidades usando fórmulas y tablas. También explica cómo aproximar una distribución binomial a través de Poisson cuando n es grande y p es pequeña.
Este documento presenta información sobre intervalos de confianza e incluye ejemplos de cálculos de intervalos de confianza para la media y la varianza basados en datos de muestras. En particular, se define qué es un intervalo de confianza, y se explican conceptos relacionados como estimación puntual, nivel de confianza y límites de confianza. Luego, se resuelven cuatro ejercicios que implican calcular intervalos de confianza para la media y varianza a diferentes niveles de confianza usando datos de muestras y t
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.
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 la distribución chi-cuadrada (χ2), incluyendo su definición, propiedades y usos comunes. Karl Pearson introdujo la distribución χ2 en 1900 para probar si las mediciones se ajustan a una distribución esperada. La distribución depende del número de grados de libertad y se usa comúnmente en pruebas de hipótesis sobre varianzas, desviaciones estándar y ajustes de datos.
1) El documento presenta un resumen de la Unidad 2 sobre pruebas de la bondad del ajuste y análisis de varianza. 2) Incluye secciones sobre análisis Ji-cuadrada, prueba de independencia, prueba de la bondad del ajuste y análisis de varianza. 3) El trabajo fue entregado el 17 de febrero de 2012 por el alumno Félix Castro García al profesor José Guadalupe Rodríguez R. en el Instituto Tecnológico Superior de la Sierra Negra de Ajalpan.
Este documento describe las distribuciones t-Student y chi cuadrada y sus aplicaciones en intervalos de confianza. Explica que la distribución t-Student se usa cuando la desviación estándar de la población es desconocida y debe estimarse con la desviación estándar de la muestra. También describe cómo calcular probabilidades usando tablas de estas distribuciones y cómo construir intervalos de confianza para la media de una población normal.
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.
La distribución Chi-cuadrado describe la probabilidad de que la suma de los cuadrados de variables normales aleatorias independientes supere un valor. Tiene importantes aplicaciones en pruebas estadísticas como la prueba Chi-cuadrado de bondad de ajuste e independencia. La distribución F de Snedecor surge del cociente de dos variables Chi-cuadrado e indica la probabilidad de que la varianza de una muestra supere la de otra. Ambas distribuciones son fundamentales en análisis de varianza.
Capitulo 10 Prueba Para La Media, Muestra PequeñADavid Torres
Este documento describe cómo realizar una prueba de hipótesis para una media poblacional cuando la muestra es pequeña y se desconoce la desviación estándar poblacional. Explica que en este caso se debe usar la distribución t de Student en lugar de la distribución normal estándar. Además, presenta un ejemplo numérico para ilustrar cómo aplicar la fórmula t de Student y determinar si la diferencia entre la media muestral y la media poblacional es estadísticamente significativa.
Este documento describe métodos para estimar parámetros desconocidos de una población estadística a partir de una muestra. Explica el método de máxima verosimilitud, que determina el estimador que maximiza la probabilidad conjunta de los datos muestrales. También cubre estimación puntual, intervalos de confianza para la media y proporción, y ejemplos como estimar la probabilidad de éxito en una distribución binomial.
Este documento presenta la solución a 8 ejercicios de intervalos de confianza que involucran distribuciones normales y de Bernoulli. Los ejercicios calculan probabilidades e intervalos de confianza para medias, proporciones y varianzas basados en muestras de diferentes tamaños tomadas de poblaciones con distribuciones normales y de parámetros conocidos y desconocidos.
Tarea ejemplos distribución chi cuadrado, ingrid alcayaga y rocío eyzaguirreONG Institute
Este documento presenta varios ejemplos que ilustran el uso de la prueba de bondad de ajuste chi-cuadrado. El primer ejemplo analiza si la distribución de ventas de un producto en diferentes lugares es uniforme. El segundo ejemplo evalúa si las calificaciones de estudiantes en un curso siguen la distribución de años anteriores. Otros ejemplos calculan la distribución de la energía cinética de un objeto y usan chi-cuadrado para analizar si las frecuencias sanguíneas observadas se ajustan
El documento resume la distribución chi-cuadrada (χ2), incluyendo su definición, propiedades y usos principales. Explica que χ2 se usa para probar si las frecuencias observadas en un experimento se ajustan a las frecuencias esperadas, y provee ejemplos como las pruebas de Mendel y una prueba de bondad de ajuste a una distribución normal. También explica cómo usar χ2 para realizar pruebas de hipótesis sobre varianzas y desviaciones estándar, ilustrando con un ej
Este documento proporciona una introducción a la distribución Chi-cuadrada. Explica que Karl Pearson introdujo esta distribución en 1900 para probar si las mediciones siguen una distribución esperada. Describe las propiedades de la distribución Chi-cuadrada, incluida su media, varianza y forma de aproximarse a la distribución normal a medida que aumentan los grados de libertad. También explica cómo se puede usar la distribución Chi-cuadrada para realizar pruebas de bondad de ajuste y pruebas de hipótesis sobre varianz
Este documento describe la distribución Chi-cuadrado y sus aplicaciones. La distribución Chi-cuadrado surge cuando se suman los cuadrados de variables normales independientes. Se usa en pruebas de bondad de ajuste y de independencia. La distribución depende del número de grados de libertad y se usa para comparar la variabilidad muestral con la poblacional.
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 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 resume las distribuciones de probabilidad más importantes en estadística, incluyendo la distribución normal, ji-cuadrado, F de Snedecor y sus propiedades. Explica cómo calcular probabilidades y valores críticos usando estas distribuciones y cómo aplicarlas para analizar datos y probar hipótesis estadísticas. También incluye un ejemplo resuelto usando el software Minitab para ilustrar cómo utilizar estas distribuciones en la práctica.
5.2 Intervalos de Confianza (segunda parte)Consuelo Valle
Este documento describe cómo construir intervalos de confianza para la media poblacional y la varianza poblacional cuando la varianza de la población es desconocida. Explica que en este caso se debe usar la distribución t de Student y la distribución chi-cuadrada, respectivamente. Además, proporciona ejemplos numéricos para ilustrar cómo calcular este tipo de intervalos de confianza.
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.
Este documento presenta los procedimientos estadísticos para comparar dos muestras, incluidas las pruebas t de dos muestras independientes y pareadas. Explica cómo realizar pruebas t para comparar medias y varianzas entre dos grupos de datos, así como establecer intervalos de confianza para parámetros poblacionales como la varianza. También proporciona ejemplos numéricos para ilustrar los cálculos requeridos para estas pruebas estadísticas.
Este documento describe la prueba de bondad de ajuste de Kolmogorov-Smirnov para determinar si una muestra de datos se ajusta a una distribución de probabilidad específica. Explica cómo calcular el estadístico D y determinar si es significativamente mayor que un valor crítico Dα, lo que llevaría al rechazo de la hipótesis nula de que los datos se ajustan a la distribución. También muestra cómo utilizar el p-valor para la toma de decisiones y proporciona ejemplos ilustrativos.
Este documento describe la prueba de bondad de ajuste de Kolmogorov-Smirnov para determinar si una muestra de datos se ajusta a una distribución de probabilidad específica. Explica cómo calcular el estadístico D y determinar si es significativamente mayor que un valor crítico Dα, lo que llevaría al rechazo de la hipótesis nula de que los datos se ajustan a la distribución. También muestra cómo utilizar el p-valor para realizar la misma prueba de bondad de ajuste. Incluye ej
Este documento describe la prueba de bondad de ajuste de Kolmogorov-Smirnov para determinar si una muestra de datos se ajusta a una distribución de probabilidad específica. Explica cómo calcular el estadístico D y compararlo con un valor crítico Dα para decidir si se rechaza o no la hipótesis nula de que los datos siguen la distribución. También muestra cómo calcular el p-valor como una alternativa para la toma de decisión. Finalmente, incluye ejemplos ilustrativos de simulaciones de datos
Este documento presenta conceptos básicos sobre distribuciones de probabilidad, incluyendo distribuciones binomial, normal y tablas Z. Explica las características y propiedades de estas distribuciones, así como cómo calcular probabilidades y valores críticos utilizando tablas o funciones en Excel.
El documento trata sobre la prueba de chi-cuadrado. Explica que la prueba de chi-cuadrado es una herramienta importante para determinar si un proyecto es factible o no, al igual que las pruebas de hipótesis y t de Student. Luego procede a definir la distribución chi-cuadrado, sus propiedades y cómo se utiliza para realizar pruebas de ajuste e independencia.
El documento describe conceptos básicos sobre distribuciones de probabilidad discretas y variables aleatorias. Explica que una variable aleatoria representa los posibles resultados de un experimento aleatorio y que su distribución de probabilidad especifica los valores que puede tomar y sus probabilidades asociadas. También introduce las distribuciones binomial y de Poisson como ejemplos de distribuciones discretas comúnmente usadas.
Estimacion. limites o intervalos de confianza para la media y para las propor...eraperez
Este documento describe diferentes métodos de estimación estadística, incluyendo estimaciones puntuales y por intervalo. Explica cómo calcular intervalos de confianza para estimar la media de una población basado en una muestra, así como para estimar proporciones. Proporciona ejemplos numéricos para ilustrar cómo usar estas técnicas y determinar intervalos de confianza para parámetros desconocidos.
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 el procedimiento para probar una hipótesis estadística en 4 pasos: 1) establecer las hipótesis nula y alternativa, 2) determinar el criterio de contraste, 3) calcular el estadístico de prueba, y 4) tomar una decisión y conclusión sobre si se rechaza o no la hipótesis nula. Explica conceptos como nivel de significancia, error tipo I y II, distribución normal y t de Student, valores críticos y zonas de decisión. También incluye fórmulas empleadas
Este documento describe diferentes distribuciones de probabilidad como la distribución uniforme discreta y continua, la distribución binomial, la distribución de Poisson, la distribución hipergeométrica y la distribución normal. Incluye ejemplos y ejercicios para cada distribución. Explica cómo generar variables aleatorias usando el ejemplo de un juego que involucra lanzar una moneda hasta que la diferencia entre caras y cruces sea de tres.
Este documento presenta 5 ejemplos para ilustrar la aplicación de las distribuciones de Bernoulli, binomial, Poisson y normal. Explica conceptos como probabilidad de éxito, probabilidad de fracaso, variables aleatorias y parámetros asociados a cada distribución. Los ejemplos incluyen lanzar monedas, dados y otros experimentos aleatorios para calcular probabilidades bajo cada distribución.
This document provides notes for a course on nonlinear subelliptic equations on Carnot groups. The notes begin with an overview of the maximum principle and comparison principle for viscosity solutions of elliptic equations in Euclidean space. It introduces jets and viscosity solutions as a way to extend these principles to nonsmooth functions. Subsequent lectures generalize these ideas to the Heisenberg group and more general Carnot groups.
Este artículo habla sobre el libro "Las 17 ecuaciones que cambiaron el mundo" escrito por el matemático Ian Stewart. El libro describe 17 ecuaciones importantes que han marcado el rumbo de la historia a nivel científico y tecnológico, incluyendo el teorema de Pitágoras, la ley de gravitación universal de Newton, la distribución normal de probabilidad, las ecuaciones de ondas, las ecuaciones de Maxwell sobre electromagnetismo, la ecuación de la relatividad especial de Einstein y la segunda ley de la ter
Este documento describe las soluciones de la ecuación de Schrödinger para varios potenciales en una dimensión. Comienza con la partícula libre, donde las soluciones son ondas planas con un espectro continuo de energía. Luego analiza el potencial escalón, distinguiendo entre casos donde la energía es mayor o menor que la altura del escalón. Finalmente, introduce el oscilador armónico simple y calcula la densidad de estados para una partícula libre en tres dimensiones.
Este documento describe las soluciones de la ecuación de Schrödinger para varios potenciales en una dimensión. Comienza con la partícula libre, donde las soluciones son ondas planas con un espectro continuo de energía. Luego analiza el potencial escalón, donde las soluciones dependen de si la energía es mayor o menor que la altura del escalón. Finalmente, introduce el oscilador armónico simple y calcula la densidad de estados para una partícula libre en tres dimensiones.
Este documento presenta conceptos básicos de lógica proposicional como enunciados, proposiciones, tablas de verdad, clasificación de proposiciones según su tabla de verdad, equivalencias lógicas y leyes lógicas. Incluye ejemplos para ilustrar cada concepto y ejercicios de aplicación de los conceptos aprendidos.
Este documento presenta una serie de ejercicios y problemas matemáticos relacionados con lógica proposicional, conjuntos, relaciones y operaciones. En particular, incluye preguntas sobre verificación de veracidad de proposiciones, determinación de conjuntos unión, intersección y diferencia, simplificación de esquemas lógicos moleculares y construcción de circuitos lógicos equivalentes.
Este documento presenta la información sobre un curso de Cálculo Superior. El objetivo general es conocer y aplicar el cálculo y ecuaciones diferenciales e integrales para resolver problemas empresariales. Los objetivos específicos son aplicar correctamente conceptos y propiedades matemáticas, interpretar soluciones a problemas reales, y analizar modelos matemáticos. Los contenidos incluyen derivadas, integrales, y ecuaciones diferenciales. La evaluación considera conceptos, procesos y actitudes.
Este documento presenta la matriz y el sílabo del curso de Matemática y Lógica de la Facultad de Ciencias Contables, Financieras y Administrativas. El curso tiene como objetivo general que los estudiantes conozcan y apliquen tópicos de matemática y lógica para resolver problemas de manera creativa y crítica. Los contenidos incluyen lógica proposicional, teoría de conjuntos, análisis en números reales, magnitudes proporcionales y análisis combinatorio. El aprendizaje se
Este documento presenta la matriz y el sílabo de un curso de Matemática y Lógica. El objetivo general es conocer tópicos de matemática y lógica que permitan resolver situaciones problemáticas de manera creativa y crítica. Los contenidos incluyen lógica proposicional, conjuntos, números reales, funciones y análisis combinatorio. El curso se evalúa mediante actividades problemáticas y exámenes parciales por unidad.
Este documento presenta la información general y los objetivos de un curso de Cálculo Superior. El objetivo general es conocer y aplicar el cálculo y ecuaciones diferenciales e integrales para resolver problemas empresariales y institucionales expresados en modelos matemáticos. Los contenidos incluyen funciones, derivadas, integración y ecuaciones diferenciales. Se utilizarán metodologías activas como el aprendizaje basado en problemas para promover la resolución de problemas reales. La evaluación considerará tanto el proceso como el producto mediante una rú
1) Se presentan los conceptos de grupo de Lie y subgrupo de Lie.
2) Se demuestra que GLn(K) y SLn(K) son ejemplos de grupos de Lie, donde GLn(K) tiene una estructura local de espacio euclidiano.
3) No todo subgrupo de un grupo de Lie es necesariamente un subgrupo matricial, usando el grupo de Heisenberg como contraejemplo.
Este documento presenta los conceptos de grupo matricial inversible y subgrupo matricial. Define un grupo matricial inversible como un subgrupo G de GLn(K) que también es cerrado en GLn(K). Luego presenta ejemplos notables como GLn(K) y SLn(K), así como subgrupos matriciales como UT3(R) y SUT3(R) formados por matrices triangulares superiores. Finalmente, discute la noción de matriz inversa para estos grupos matriciales.
Este documento habla sobre la importancia de resumir textos de forma concisa para captar la idea principal. Explica que un buen resumen debe identificar la idea central y los detalles más relevantes del documento original en una o dos oraciones como máximo.
Este documento presenta un resumen de cada capítulo de un libro de análisis matemático. Incluye tópicos como topología, funciones, derivadas, integrales, ecuaciones diferenciales, teoría de la medida, formas diferenciales y cohomología.
Este documento describe un algoritmo para encontrar la política óptima (s*, S*) que minimiza el costo promedio para sistemas de inventario en tiempo discreto. El sistema se modela como un problema de control markoviano. Basado en resultados de renovación, el algoritmo obtiene cotas cada vez más refinadas para s* y S* hasta converger a la política óptima. Se ilustra con un ejemplo de inventario con demandas de Poisson y los resultados son validados por simulación.
La proposición establece que la derivada direccional de una función diferenciable depende linealmente del vector direccional. Esto significa que la derivada direccional de una función escalar de un vector escalar es igual a ese escalar multiplicado por la derivada direccional de la función, y que la derivada direccional de la suma de dos vectores es igual a la suma de las derivadas direccionales de cada vector por separado. La demostración muestra esto aplicando la definición de derivada direccional y las propiedades de derivadas parciales.
Este documento discute las derivadas parciales de funciones reales de varias variables. Define la derivada parcial de una función f con respecto a la variable xi como el límite de (f(a + tei) - f(a))/t cuando t tiende a cero, donde ei es el vector unitario en la dirección de la variable xi. Explica que el dominio adecuado para la derivación es un subconjunto abierto de Rn y que la notación ∂if(a) es equivalente a ∂f/∂xi.
Este documento presenta fórmulas para calcular el área y perímetro de figuras geométricas básicas como triángulos, cuadrados, rectángulos, rombos, trapecios y círculos. Explica que el área de un triángulo se calcula como base por altura dividido por dos, el área de un cuadrado como el lado al cuadrado, y el área de un círculo como pi por el radio al cuadrado. También presenta fórmulas para calcular el perímetro de estas figuras como la suma de sus
1) El documento habla sobre los límites de una función y cómo calcularlos. Explica que un límite existe cuando los límites laterales coinciden al acercarse a un valor y define reglas para calcular límites de funciones sumadas, multiplicadas o divididas. Incluye ejemplos numéricos y gráficos para ilustrar los conceptos.
1. Material de Newton
BORRADORA DE JI-CUADRADA
DISTRIBUCION JI-CUADRADA (X2)
En realidad la distribución ji-cuadrada es la distribución muestral de s2. O sea que si se
extraen todas las muestras posibles de una población normal y a cada muestra se le
calcula su varianza, se obtendrá la distribución muestral de varianzas.
Para estimar la varianza poblacional o la desviación estándar, se necesita conocer el
estadístico X2. Si se elige una muestra de tamaño n de una población normal con
varianza , el estadístico:
tiene una distribución muestral que es una distribución ji-cuadrada con gl=n-1
grados de libertad y se denota X2 (X es la minúscula de la letra griega ji). El
estadístico ji-cuadrada esta dado por:
donde n es el tamaño de la muestra, s2 la varianza muestral y la varianza de
la población de donde se extrajo la muestra. El estadístico ji-cuadrada también
se puede dar con la siguiente expresión:
Propiedades de las distribuciones ji-cuadrada
1. Los valores de X2 son mayores o iguales que 0.
2. La forma de una distribución X2 depende del gl=n-1. En consecuencia,
hay un número infinito de distribuciones X2.
ESTADÍSTICA Página 1
2. Material de Newton
3. El área bajo una curva ji-cuadrada y sobre el eje horizontal es 1.
4. Las distribuciones X2 no son simétricas. Tienen colas estrechas que se
extienden a la derecha; esto es, están sesgadas a la derecha.
5. Cuando n>2, la media de una distribución X2 es n-1 y la varianza es 2(n-
1).
6. El valor modal de una distribución X2 se da en el valor (n-3).
La siguiente figura ilustra tres distribuciones X2. Note que el valor modal
aparece en el valor (n-3) = (gl-2).
La función de densidad de la distribución X2 esta dada por:
para x>0
La tabla que se utilizará para estos apuntes es la del libro de probabilidad y
estadística de Walpole, la cual da valores críticos (gl) para veinte valores
especiales de . Para denotar el valor crítico de una distribución X2 con gl
grados de libertad se usa el símbolo (gl); este valor crítico determina a su
2
derecha un área de bajo la curva X y sobre el eje horizontal. Por ejemplo
para encontrar X20.05(6) en la tabla se localiza 6 gl en el lado izquierdo y
a o largo del lado superior de la misma tabla.
Cálculo de Probabilidad
ESTADÍSTICA Página 2
3. Material de Newton
El cálculo de probabilidad en una distribución muestral de varianzas nos sirve
para saber como se va a comportar la varianza o desviación estándar en una
muestra que proviene de una distribución normal.
Ejemplos:
1. Suponga que los tiempos requeridos por un cierto autobús para alcanzar
un de sus destinos en una ciudad grande forman una distribución normal
con una desviación estándar =1 minuto. Si se elige al azar una
muestra de 17 tiempos, encuentre la probabilidad de que la varianza
muestral sea mayor que 2.
Solución:
Primero se encontrará el valor de ji-cuadrada correspondiente a s2=2
como sigue:
El valor de 32 se busca adentro de la tabla en el renglón de 16 grados
de libertad y se encuentra que a este valor le corresponde un área a la
derecha de 0.01. En consecuencia, el valor de la probabilidad es P(s 2>2)
2. Encuentre la probabilidad de que una muestra aleatoria de 25
observaciones, de una población normal con varianza
, tenga una varianza muestral:
a. Mayor que 9.1
b. Entre 3.462 y 10.745
Solución.
a. Primero se procederá a calcular el valor de la ji-cuadrada:
Al buscar este número en el renglón de 24 grados de libertad nos da un área a
la derecha de 0.05. Por lo que la P(s2 >9.1) = 0.05
ESTADÍSTICA Página 3
4. Material de Newton
b. Se calcularán dos valores de ji-cuadrada:
y
Aquí se tienen que buscar los dos valores en el renglón de 24 grados de
libertad. Al buscar el valor de 13.846 se encuentra un área a la derecha de
0.95. El valor de 42.98 da un área a la derecha de 0.01. Como se está pidiendo
la probabilidad entre dos valores se resta el área de 0.95 menos 0.01
quedando 0.94.
Por lo tanto la P(3.462 s2 10.745) = 0.94
Estimación de la Varianza
Para poder estimar la varianza de una población normal se utilizará la
distribución ji-cuadrada.
Al despejar esta fórmula la varianza poblacional nos queda:
Los valores de X2 dependerán de nivel de confianza que se quiera al cual le
llamamos . Si nos ubicamos en la gráfica se tiene:
ESTADÍSTICA Página 4
5. Material de Newton
Ejemplos:
1. Los siguientes son los pesos, en decagramos, de 10 paquetes de
semillas de pasto distribuidas por cierta compañía: 46.4, 46.1, 45.8,
47.0, 46.1, 45.9, 45.8, 46.9, 45.2 y 46. Encuentre un intervalo de
confianza de 95% para la varianza de todos los paquetes de semillas de
pasto que distribuye esta compañía, suponga una población normal.
Solución:
Primero se calcula la desviación estándar de la muestra:
al elevar este resultado al cuadrado se obtiene la varianza de la muestra
s2= 0.286.
Para obtener un intervalo de confianza de 95% se elige un = 0.05.
Después con el uso de la tabla con 9 grados de libertad se obtienen los
valores de X2.
Se puede observar en la gráfica anterior que el valor de X2 corre en
forma normal, esto es de izquierda a derecha.
ESTADÍSTICA Página 5
6. Material de Newton
Por lo tanto, el intervalo de confianza de 95% para la varianza es:
Gráficamente:
Se observa que la varianza corre en sentido contrario, pero esto es sólo
en la gráfica. La interpretación quedaría similar a nuestros temas
anteriores referentes a estimación. Con un nivel de confianza del 95% se
sabe que la varianza de la población de los pesos de los paquetes de
semillas de pasto esta entre 0.135 y 0.935 decagramos al cuadrado.
2. En trabajo de laboratorio se desea llevar a cabo comprobaciones
cuidadosas de la variabilidad de los resultados que producen muestras
estándar. En un estudio de la cantidad de calcio en el agua potable, el
cual se efectúa como parte del control de calidad, se analizó seis veces
la misma muestra en el laboratorio en intervalos aleatorios. Los seis
resultados en partes por millón fueron 9.54, 9.61, 9.32, 9.48, 9.70 y 9.26.
Estimar la varianza de los resultados de la población para este estándar,
usando un nivel de confianza del 90%.
Solución:
Al calcular la varianza de la muestra se obtiene un valor de s2= 0.0285.
Se busca en la tabla los valores correspondientes con 5 grados de libertad,
obteniéndose dos resultados. Para X2(0.95,5)= 1.145 y para X2(0.0,5)= 11.07.
Entonces el intervalo de confianza esta dado por:
ESTADÍSTICA Página 6
7. Material de Newton
y
Ensayo de Hipótesis para la Varianza de una Población Normal
En la mayoría de los casos se tiene el problema de desconocer la varianza o
desviación estándar de la población, en donde las distribuciones son normales.
Si se desea probar una hipótesis acerca de la varianza se puede hacer
utilizando las medidas estadísticas con las que se construyó el intervalo de
confianza , esto es con la distribución Ji- cuadrada.
Ejemplos:
1. Una compañía que produce una parte maquinada para un motor, afirma
que tiene una varianza de diámetro no mayor a 0.0002 pulgadas. Una
muestra aleatoria de 10 de dichas partes dio una varianza de muestra s 2
= 0.0003. Si se supone que las medidas del diámetro se distribuyen en
forma normal, ¿hay evidencia para refutar lo que afirma el proveedor?
Use = 0.05.
Solución:
Como en todos los ensayos de hipótesis que se han realizado
anteriormente el procedimiento es el mismo. Después de que se
identifican los datos, se plantea la hipótesis para determinar el tipo de
ensayo.
Datos:
= 0.0002
n = 10
s2 = 0.0003
= 0.05
ESTADÍSTICA Página 7
8. Material de Newton
Ensayo de hipótesis:
Ho; = 0.0002
H1; > 0.0002
Regla de decisión:
Si X2R 16.919 no se rechaza Ho.
Si X2R>16.919 se rechaza Ho.
Cálculos:
Justificación y decisión:
Como 13.5 no es mayor que 16.919 por lo tanto no se rechaza Ho y se
concluye con un nivel de significancia de 0.05 que no se puede refutar la
afirmación del proveedor.
Este ejercicio se puede aprovechar para calcular el valor de P. En la
tabla se busca el valor de 13.5 en el renglón de 9 grados de libertad.
Interpolando entre 0.10 y 0.20 se obtiene un valor de P de 0.1484.
ESTADÍSTICA Página 8
9. Material de Newton
2. El contenido de azúcar del almíbar de los duraznos enlatados tiene una
distribución normal, donde se cree que la varianza es = 18 mg2. Se
toma una muestra de 10 latas dieron una desviación estándar de 4.8 mg.
¿Muestran estos datos suficiente evidencia para decir que la varianza ha
cambiado?. Use un = 0.05 y calcule el valor de P.
Solución:
Datos:
= 18
n = 10
s = 4.8
= 0.05
Ensayo de hipótesis:
Ho; = 18
H1; 18
Regla de decisión:
Si 2.7 X2R 19.023 no se rechaza Ho.
Si X2R<2.7 ó si X2R>19.023 se rechaza Ho.
Cálculos:
Justificación y decisión:
ESTADÍSTICA Página 9
10. Material de Newton
Como 11.52 está entre 2.7 y 19.023, no se rechaza Ho, y se concluye
con un nivel de significancia de 0.05 que la varianza del contenido de
azúcar del almíbar no ha cambiado, esto es es de 18 mg2.
Si recordamos al principio de este tema se dijo que la media de la
distribución ji-cuadrada es (n-1), por lo tanto la media de este ejercicio
es de 9. Como el valor real de X2R = 11.52 este número se encuentra a
la derecha de la media, lo cual quiere decir que el valor de P/2 será el
área a la derecha del valor de X2R. Al buscar el valor de 11.52 en la tabla
se obtiene un área de 0.2423, por lo tanto P/2 = 0.2423 y P= (2)(0.2423)
= 0.4846
3. Experiencia anterior indica que el tiempo que se requiere para que los
estudiantes de último año de preparatoria completen una prueba
estandarizada es una variable aletoria normal con una desviación
estándar de seis minutos. Se toma una muestra aleatoria de 20
estudiantes de último año de preparatoria y se obtiene una desviación
estándar de 4.51. ¿Muestran estos datos suficiente evidencia para decir
que la desviación estándar disminuyó?. Utilice el valor de P para su
decisión.
Solución:
Datos:
=6
n = 20
s = 4.51
Ensayo de hipótesis:
Ho; =6
H1; <6
Cálculos:
ESTADÍSTICA Página 10
11. Material de Newton
Para obtener el valor de P, se busca en la tabla el 10.735 con 19 grados de
libertad, y el área que se encuentra es la que está a la derecha de este valor.
Como la media de esta distribución ji-cuadrada es de 19, por lo tanto el valor de
10.735 queda a la izquierda de la media. El valor de P es de 0.07, y con esto se
puede concluir que si hubiéramos utilizado un nivel de significancia de 0.10, se
rechaza Ho y se concluye que la desviación estándar disminuyo, pero si se
utiliza un valor de = 0.05, entonces no se rechaza Ho y se concluiría que la
desviación estándar no disminuyó. La decisión depende del error tipo I que esté
dispuesto a tolerar el investigador.
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 Ji-
cuadrada.
1. Se tiene un ensayo de hipótesis unilateral derecho, con n=20 y = 0.05
Ho; = 0.10
H1; > 0.10
Se quiere calcular el error tipo II ó si las desviaciones estándar
verdaderas fueran de 0.12 y 0.14.
Solución:
Para poder calcular el error tipo II, primero se debe encontrar el valor de
la varianza muestral límite, esto es s2L, para poder calcular los valores
de X2 y posteriormente calcular el área. Al buscar en la tabla
X2(0.05,19)=30.144, este valor se sustituirá en la formula. Al despejar de la
fórmula original de X2 se obtiene:
ESTADÍSTICA Página 11
12. Material de Newton
2. Encontrar el error tipo II para el ejercicio 2 de esta sección, en donde el
ensayo es bilateral pues se quiere ver si la varianza del contenido de
azúcar en el almíbar de los duraznos ha cambiado. Suponga una
varianza real de 20 y 26.
Solución:
Como este es un ensayo bilateral se tendrán dos valores de s2L. Los cuales se
calcularán utilizando las ji-cuadradas límites que eran de de 2.7 y 19.023.
y
Estos dos valores se utilizarán para calcular las nuevas ji-cuadradas para
calcular el valor de
ESTADÍSTICA Página 12