SlideShare una empresa de Scribd logo
1 de 9
http://image.slidesharecdn.com/tstudent
ejemplos-120319172547-
phpapp02/95/slide-1-
728.jpg?1332197765Email
Like
Save
Embed
T studentejemplosDocumentTranscript
1. Calcular el percentil w0=95 y w0=25 en cada uno de los
siguientes casos:1. En una distribución t-Student con 3 grados
de libertad.2. En una distribución t-Student con 30 grados de
libertad.R=1. Recordemos que w0=95 es aquel número real que
verifica: S [W · w0=95] =0=95Para encontrar este valor en la
tabla de la distribución t-Student bastará:- ) Localizar en la
primera columna los grados de libertad, en este caso: 3.- )
Localizar en la primer fila la probabilidad acumulada, en nuestro
caso: 0=95=- ) Movernos horizontal y verticalmente desde las
posiciones anteriores hastacruzarnos en el punto w0=95.Por
tanto el percentil w0=95, en una t-Student con 3 grados de
libertad será elvalor: w0=95 = 2=3534Es decir, si desde el valor
2.3534 nos movemos horizontalmente hasta la primeracolumna,
llegaremos al valor 3 (grados de libertad), y si lo hacemos
verticalmentehacia la primera fila la llegaremos al valor 0.95
(probabilidad acumulada).Como en la tabla únicamente tenemos
tabulada la t-Student para colasprobabilísticas que van desde
0=75 hasta 0=999, para calcular el percentilw0=25, tendremos
que realizar la siguiente consideración: S [W · w0=25] = 1 ¡s[W ¸
w0=25]Como la distribución t-Student es simétrica, se verifica:
w0=25 = ¡w0=75Y resulta: s[W · w0=25] = 1 ¡ s[W · w0=75]
2. Por tanto, buscando en la tabla con los datos:Grados de
libertad: 3Cola de probabilidad: 0.75Tenemos: w0=25 = ¡w0=75
= ¡0=76492. En el caso de 30 grados de libertad actuaremos de
modo similar al casoanterior, pero buscando en la fila 30 de la
tabla. Resultando:w0=95 = 1=6973Y w0=25 = ¡w0=75 =
¡0=6828Calcular los percentiles I8>7;0=99 y I8>7;0=01R= Para
buscar en la tabla de la F-Snedecor el percentil I8>7; 0=99
hemos detener en cuenta que:df_1 = 8 (1d Fila de la tabla)df_2 =
7 (1 d Columna de la tabla)0=99 = Probabilidad acumulada
(Última columna de la tabla)El valor donde se cruzan todos estos
datos será el percentil buscado. Por tanto: I9>7; 099 = 6=840Un
fabricante de focos afirma que su producto durará un promedio
de 500 horasde trabajo. Para conservar este promedio esta
persona verifica 25 focos cadames. Si el valor y calculado cae
entre –t 0.05 y t 0.05, él se encuentra satisfechocon esta
afirmación. ¿Qué conclusión deberá él sacar de una muestra de
25 focoscuya duración fue?:
3. 520 521 511 513 510 µ=500 h 513 522 500 521 495 n=25 496
488 500 502 512 Nc=90% 510 510 475 505 521 X=505.36 506
503 487 493 500 S=12.07t= x -μ SI n α = 1- Nc = 10%v = n-1 =
24t = 2.22La longitud de los tornillos fabricados en una fábrica
tienen media μ=10 mm ydesviación s=1 mm, calcular la
probabilidad de que en una muestra de tamañon=25, la longitud
media del tornillo sea inferior a 20.5 mm:P
(μ<20.5)Estandarizamos T=(X-μ)/(s/√n) que sigue una
distribución t de n-1 grados delibertadT=(20.5-20)/(1/√25) = 2.5
4. P (μ<20.5) --> P (T<2.5) ~ t(24)P (T<2.5) = 0.9902P
(μ<20.5)=0.9902La probabilidad que la longitud media de la
muestra de 25 tornillos sea inferior a20.5 mm es del 99.02%El
profesor Pérez olvida poner su despertador 3 de cada 10 días.
Además, hacomprobado que uno de cada 10 días en los que
pone el despertador acaba nolevantándose a tiempo de dar su
primera clase, mientras que 2 de cada 10 días enlos que olvida
poner el despertador, llega a tiempo adar su primera clase.(a)
Identifica y da nombre a los sucesos que aparecen en el
enunciado.(b) ¿Cual es la probabilidad de que el profesor Pérez
llegue a tiempo a dar suprimeraclase?R=: En primer lugar
conviene identificar el experimento aleatorio que
estamosrealizando. Este consiste en tomar un dia al azar en la
vida del profesor Pérez yanalizarlo en base a los siguientes
sucesos.(a) Para un día al azar decimos que se ha dado el
suceso:O ≡ cuando el profesor ha olvidado poner el
despertadorT ≡ cuando el profesor ha llegado tarde a su primera
clase.Notemos que tanto {O, O} como {T, T} forman un sistema
completo de sucesos. Acontinuación traducimos en términos de
probabilidad de los sucesos anteriorestodos los datos que nos
dan en el enunciado. P(O) = , P (T |O) = , P(O) = , P(T |O) = .(b)
El suceso”llegar a tiempo a su clase” es el complementario de T ,
por tanto nospiden que calculemos P(T¯). Puesto que {O, O} es
un sistema completo desucesos, podemos aplicar la formulas de
la probabilidad total, de donde tenemosque:
5. P (T¯) = P (T |O¯) P(O) + P (T | ¯ O¯) P (O¯).En la expresión
anterior aparecen varios de los datos que nos ha
proporcionandoel enunciado, sin embargo no conocemos
directamente el valor de P(T |¯ O¯).Para calcularlo utilizamos
queP(T |¯ O¯) = 1 − P(T |O¯) = 1 − = De esta forma, la expresión
anterior se puedeescribir como: P(T¯) = + =0.69

Más contenido relacionado

La actualidad más candente

Aplicación de la derivada área máxima
Aplicación de la derivada área máximaAplicación de la derivada área máxima
Aplicación de la derivada área máximaEdgar Mata
 
Taller sistema decimal
Taller sistema decimalTaller sistema decimal
Taller sistema decimalRamiro Muñoz
 
Presentacion de limites
Presentacion de  limitesPresentacion de  limites
Presentacion de limitesCrstn Pnags
 
aplicacion de las derivadas en el ambito economico
aplicacion de las derivadas en el ambito economicoaplicacion de las derivadas en el ambito economico
aplicacion de las derivadas en el ambito economicoGeraldine Palomino
 
Teoría y Problemas de Funciones de Variable Real ccesa007
Teoría y Problemas de  Funciones de Variable Real  ccesa007Teoría y Problemas de  Funciones de Variable Real  ccesa007
Teoría y Problemas de Funciones de Variable Real ccesa007Demetrio Ccesa Rayme
 
Teoría y Problemas de Limites y Continuidad de Funciones MA-I ccesa007
Teoría y Problemas de Limites y Continuidad de Funciones   MA-I  ccesa007Teoría y Problemas de Limites y Continuidad de Funciones   MA-I  ccesa007
Teoría y Problemas de Limites y Continuidad de Funciones MA-I ccesa007Demetrio Ccesa Rayme
 
PROBLEMAS RESUELTOS QUE IMPLICAN FUNCIONES EXPONENCIALES
PROBLEMAS RESUELTOS QUE IMPLICAN FUNCIONES EXPONENCIALESPROBLEMAS RESUELTOS QUE IMPLICAN FUNCIONES EXPONENCIALES
PROBLEMAS RESUELTOS QUE IMPLICAN FUNCIONES EXPONENCIALEShector galicia muñoz
 
Algoritmo lineal
Algoritmo linealAlgoritmo lineal
Algoritmo linealdavisct
 
Función potencia
Función potenciaFunción potencia
Función potenciaFcachoc
 
Algoritmo congruencial multiplicativo y prueba de medias u otavalo
Algoritmo congruencial multiplicativo y prueba de medias u otavaloAlgoritmo congruencial multiplicativo y prueba de medias u otavalo
Algoritmo congruencial multiplicativo y prueba de medias u otavaloRoberth Burgos
 
Programación lineal
Programación linealProgramación lineal
Programación linealLidia.Esther
 

La actualidad más candente (19)

Aplicación de la derivada área máxima
Aplicación de la derivada área máximaAplicación de la derivada área máxima
Aplicación de la derivada área máxima
 
Derivadas
DerivadasDerivadas
Derivadas
 
Taller sistema decimal
Taller sistema decimalTaller sistema decimal
Taller sistema decimal
 
Presentacion de limites
Presentacion de  limitesPresentacion de  limites
Presentacion de limites
 
Algoritmo Coungrencial Multiplicativo & Aditivo
Algoritmo Coungrencial Multiplicativo & AditivoAlgoritmo Coungrencial Multiplicativo & Aditivo
Algoritmo Coungrencial Multiplicativo & Aditivo
 
Regla de Ruffini
Regla de RuffiniRegla de Ruffini
Regla de Ruffini
 
aplicacion de las derivadas en el ambito economico
aplicacion de las derivadas en el ambito economicoaplicacion de las derivadas en el ambito economico
aplicacion de las derivadas en el ambito economico
 
Teoría y Problemas de Funciones de Variable Real ccesa007
Teoría y Problemas de  Funciones de Variable Real  ccesa007Teoría y Problemas de  Funciones de Variable Real  ccesa007
Teoría y Problemas de Funciones de Variable Real ccesa007
 
Introductorio
IntroductorioIntroductorio
Introductorio
 
Teoría y Problemas de Limites y Continuidad de Funciones MA-I ccesa007
Teoría y Problemas de Limites y Continuidad de Funciones   MA-I  ccesa007Teoría y Problemas de Limites y Continuidad de Funciones   MA-I  ccesa007
Teoría y Problemas de Limites y Continuidad de Funciones MA-I ccesa007
 
PROBLEMAS RESUELTOS QUE IMPLICAN FUNCIONES EXPONENCIALES
PROBLEMAS RESUELTOS QUE IMPLICAN FUNCIONES EXPONENCIALESPROBLEMAS RESUELTOS QUE IMPLICAN FUNCIONES EXPONENCIALES
PROBLEMAS RESUELTOS QUE IMPLICAN FUNCIONES EXPONENCIALES
 
Distribucion geometrica
Distribucion geometricaDistribucion geometrica
Distribucion geometrica
 
Algoritmo lineal
Algoritmo linealAlgoritmo lineal
Algoritmo lineal
 
Función potencia
Función potenciaFunción potencia
Función potencia
 
Distribucion Geometrica
Distribucion GeometricaDistribucion Geometrica
Distribucion Geometrica
 
Distribucion geometrica
Distribucion geometricaDistribucion geometrica
Distribucion geometrica
 
Algoritmo congruencial multiplicativo y prueba de medias u otavalo
Algoritmo congruencial multiplicativo y prueba de medias u otavaloAlgoritmo congruencial multiplicativo y prueba de medias u otavalo
Algoritmo congruencial multiplicativo y prueba de medias u otavalo
 
Algoritmo De Multiplicador Constante & Algoritmo Lineal
Algoritmo De Multiplicador Constante & Algoritmo LinealAlgoritmo De Multiplicador Constante & Algoritmo Lineal
Algoritmo De Multiplicador Constante & Algoritmo Lineal
 
Programación lineal
Programación linealProgramación lineal
Programación lineal
 

Destacado

Prueba Chi-Cuadrado
Prueba Chi-CuadradoPrueba Chi-Cuadrado
Prueba Chi-CuadradoJulio Rivera
 
DISTRIBUCION T DE STUDENT
DISTRIBUCION T DE STUDENTDISTRIBUCION T DE STUDENT
DISTRIBUCION T DE STUDENTTorimat Cordova
 
TRABAJO DE DISTRIBUCCION DE PROBABILIDAD
TRABAJO DE DISTRIBUCCION DE PROBABILIDADTRABAJO DE DISTRIBUCCION DE PROBABILIDAD
TRABAJO DE DISTRIBUCCION DE PROBABILIDADjorgemogollon49
 
Aplicaciones de las Pruebas Chi cuadrada Geografia
Aplicaciones de las Pruebas Chi cuadrada GeografiaAplicaciones de las Pruebas Chi cuadrada Geografia
Aplicaciones de las Pruebas Chi cuadrada GeografiaArgenis Mora
 
AnáLisis De Varianza (Anova)
AnáLisis De Varianza (Anova)AnáLisis De Varianza (Anova)
AnáLisis De Varianza (Anova)Diego
 
T de student para dos muestras independientes
T de student para dos muestras independientesT de student para dos muestras independientes
T de student para dos muestras independientesJoseph AB
 
Estadística inferencial
Estadística inferencialEstadística inferencial
Estadística inferencialMagdalena B
 
Pruebas parametricas y no parametricas
Pruebas parametricas y no parametricasPruebas parametricas y no parametricas
Pruebas parametricas y no parametricasLuisais Pire
 
Regresión lineal y correlación
Regresión lineal y correlaciónRegresión lineal y correlación
Regresión lineal y correlaciónAlejandro Ruiz
 
La prueba o estadístico chi cuadrado se utiliza para comprobar si la diferenc...
La prueba o estadístico chi cuadrado se utiliza para comprobar si la diferenc...La prueba o estadístico chi cuadrado se utiliza para comprobar si la diferenc...
La prueba o estadístico chi cuadrado se utiliza para comprobar si la diferenc...fatima_m_p
 

Destacado (20)

Prueba Chi-Cuadrado
Prueba Chi-CuadradoPrueba Chi-Cuadrado
Prueba Chi-Cuadrado
 
DISTRIBUCION T DE STUDENT
DISTRIBUCION T DE STUDENTDISTRIBUCION T DE STUDENT
DISTRIBUCION T DE STUDENT
 
Diagrama
DiagramaDiagrama
Diagrama
 
TRABAJO DE DISTRIBUCCION DE PROBABILIDAD
TRABAJO DE DISTRIBUCCION DE PROBABILIDADTRABAJO DE DISTRIBUCCION DE PROBABILIDAD
TRABAJO DE DISTRIBUCCION DE PROBABILIDAD
 
Chi cuadrada
Chi cuadradaChi cuadrada
Chi cuadrada
 
Presentación 12 prueba chi-cuadrada
Presentación 12 prueba chi-cuadradaPresentación 12 prueba chi-cuadrada
Presentación 12 prueba chi-cuadrada
 
Aplicaciones de las Pruebas Chi cuadrada Geografia
Aplicaciones de las Pruebas Chi cuadrada GeografiaAplicaciones de las Pruebas Chi cuadrada Geografia
Aplicaciones de las Pruebas Chi cuadrada Geografia
 
2012 3 distribucion-f_(fisher)
2012 3 distribucion-f_(fisher)2012 3 distribucion-f_(fisher)
2012 3 distribucion-f_(fisher)
 
AnáLisis De Varianza (Anova)
AnáLisis De Varianza (Anova)AnáLisis De Varianza (Anova)
AnáLisis De Varianza (Anova)
 
Estadistica Inferencial
Estadistica InferencialEstadistica Inferencial
Estadistica Inferencial
 
Análisis de la varianza (ANOVA)
Análisis de la varianza (ANOVA)Análisis de la varianza (ANOVA)
Análisis de la varianza (ANOVA)
 
Pruebas No Parametricas
Pruebas No ParametricasPruebas No Parametricas
Pruebas No Parametricas
 
T de student para dos muestras independientes
T de student para dos muestras independientesT de student para dos muestras independientes
T de student para dos muestras independientes
 
Estadística inferencial
Estadística inferencialEstadística inferencial
Estadística inferencial
 
Pruebas parametricas y no parametricas
Pruebas parametricas y no parametricasPruebas parametricas y no parametricas
Pruebas parametricas y no parametricas
 
Analisis parametricos-y-no-parametricos
Analisis parametricos-y-no-parametricosAnalisis parametricos-y-no-parametricos
Analisis parametricos-y-no-parametricos
 
Regresión lineal y correlación
Regresión lineal y correlaciónRegresión lineal y correlación
Regresión lineal y correlación
 
La prueba o estadístico chi cuadrado se utiliza para comprobar si la diferenc...
La prueba o estadístico chi cuadrado se utiliza para comprobar si la diferenc...La prueba o estadístico chi cuadrado se utiliza para comprobar si la diferenc...
La prueba o estadístico chi cuadrado se utiliza para comprobar si la diferenc...
 
Estadistica 8
Estadistica 8Estadistica 8
Estadistica 8
 
Chi cuadrada
Chi cuadradaChi cuadrada
Chi cuadrada
 

Similar a T studen (20)

Ejemplos de tstudent estadistica
Ejemplos de tstudent estadisticaEjemplos de tstudent estadistica
Ejemplos de tstudent estadistica
 
T-student
T-studentT-student
T-student
 
T student ejemplos
T student ejemplosT student ejemplos
T student ejemplos
 
Bernoulli ejemplos
Bernoulli  ejemplosBernoulli  ejemplos
Bernoulli ejemplos
 
Bernoulli ejemplos
Bernoulli ejemplosBernoulli ejemplos
Bernoulli ejemplos
 
Disreibuciones
DisreibucionesDisreibuciones
Disreibuciones
 
Ejebn
EjebnEjebn
Ejebn
 
Ejebn
EjebnEjebn
Ejebn
 
Ejemplos de distribuciones
Ejemplos de distribucionesEjemplos de distribuciones
Ejemplos de distribuciones
 
Ejemplos de distribuciones
Ejemplos de distribucionesEjemplos de distribuciones
Ejemplos de distribuciones
 
trabajo de estadistca
trabajo de estadistcatrabajo de estadistca
trabajo de estadistca
 
Trabajo de estadística
Trabajo de estadísticaTrabajo de estadística
Trabajo de estadística
 
Trabajo de estadística
Trabajo de estadísticaTrabajo de estadística
Trabajo de estadística
 
Solucion 03
Solucion 03Solucion 03
Solucion 03
 
Solucion 03
Solucion 03Solucion 03
Solucion 03
 
Trabajo final probabilidad y estadistica
Trabajo final probabilidad y estadisticaTrabajo final probabilidad y estadistica
Trabajo final probabilidad y estadistica
 
serie-de-taylor-y-mcl.pdf
serie-de-taylor-y-mcl.pdfserie-de-taylor-y-mcl.pdf
serie-de-taylor-y-mcl.pdf
 
EJEMPLOS DE CADA DISTRIBUCIÓN
EJEMPLOS DE CADA DISTRIBUCIÓN EJEMPLOS DE CADA DISTRIBUCIÓN
EJEMPLOS DE CADA DISTRIBUCIÓN
 
Modelos probabilísticos
Modelos probabilísticosModelos probabilísticos
Modelos probabilísticos
 
Actividad competencias básicas
Actividad competencias básicasActividad competencias básicas
Actividad competencias básicas
 

T studen

  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7. T studentejemplosDocumentTranscript 1. Calcular el percentil w0=95 y w0=25 en cada uno de los siguientes casos:1. En una distribución t-Student con 3 grados de libertad.2. En una distribución t-Student con 30 grados de libertad.R=1. Recordemos que w0=95 es aquel número real que verifica: S [W · w0=95] =0=95Para encontrar este valor en la tabla de la distribución t-Student bastará:- ) Localizar en la primera columna los grados de libertad, en este caso: 3.- ) Localizar en la primer fila la probabilidad acumulada, en nuestro caso: 0=95=- ) Movernos horizontal y verticalmente desde las posiciones anteriores hastacruzarnos en el punto w0=95.Por tanto el percentil w0=95, en una t-Student con 3 grados de libertad será elvalor: w0=95 = 2=3534Es decir, si desde el valor 2.3534 nos movemos horizontalmente hasta la primeracolumna, llegaremos al valor 3 (grados de libertad), y si lo hacemos verticalmentehacia la primera fila la llegaremos al valor 0.95 (probabilidad acumulada).Como en la tabla únicamente tenemos tabulada la t-Student para colasprobabilísticas que van desde 0=75 hasta 0=999, para calcular el percentilw0=25, tendremos que realizar la siguiente consideración: S [W · w0=25] = 1 ¡s[W ¸ w0=25]Como la distribución t-Student es simétrica, se verifica: w0=25 = ¡w0=75Y resulta: s[W · w0=25] = 1 ¡ s[W · w0=75] 2. Por tanto, buscando en la tabla con los datos:Grados de libertad: 3Cola de probabilidad: 0.75Tenemos: w0=25 = ¡w0=75 = ¡0=76492. En el caso de 30 grados de libertad actuaremos de modo similar al casoanterior, pero buscando en la fila 30 de la tabla. Resultando:w0=95 = 1=6973Y w0=25 = ¡w0=75 = ¡0=6828Calcular los percentiles I8>7;0=99 y I8>7;0=01R= Para buscar en la tabla de la F-Snedecor el percentil I8>7; 0=99 hemos detener en cuenta que:df_1 = 8 (1d Fila de la tabla)df_2 = 7 (1 d Columna de la tabla)0=99 = Probabilidad acumulada (Última columna de la tabla)El valor donde se cruzan todos estos datos será el percentil buscado. Por tanto: I9>7; 099 = 6=840Un
  • 8. fabricante de focos afirma que su producto durará un promedio de 500 horasde trabajo. Para conservar este promedio esta persona verifica 25 focos cadames. Si el valor y calculado cae entre –t 0.05 y t 0.05, él se encuentra satisfechocon esta afirmación. ¿Qué conclusión deberá él sacar de una muestra de 25 focoscuya duración fue?: 3. 520 521 511 513 510 µ=500 h 513 522 500 521 495 n=25 496 488 500 502 512 Nc=90% 510 510 475 505 521 X=505.36 506 503 487 493 500 S=12.07t= x -μ SI n α = 1- Nc = 10%v = n-1 = 24t = 2.22La longitud de los tornillos fabricados en una fábrica tienen media μ=10 mm ydesviación s=1 mm, calcular la probabilidad de que en una muestra de tamañon=25, la longitud media del tornillo sea inferior a 20.5 mm:P (μ<20.5)Estandarizamos T=(X-μ)/(s/√n) que sigue una distribución t de n-1 grados delibertadT=(20.5-20)/(1/√25) = 2.5 4. P (μ<20.5) --> P (T<2.5) ~ t(24)P (T<2.5) = 0.9902P (μ<20.5)=0.9902La probabilidad que la longitud media de la muestra de 25 tornillos sea inferior a20.5 mm es del 99.02%El profesor Pérez olvida poner su despertador 3 de cada 10 días. Además, hacomprobado que uno de cada 10 días en los que pone el despertador acaba nolevantándose a tiempo de dar su primera clase, mientras que 2 de cada 10 días enlos que olvida poner el despertador, llega a tiempo adar su primera clase.(a) Identifica y da nombre a los sucesos que aparecen en el enunciado.(b) ¿Cual es la probabilidad de que el profesor Pérez llegue a tiempo a dar suprimeraclase?R=: En primer lugar conviene identificar el experimento aleatorio que estamosrealizando. Este consiste en tomar un dia al azar en la vida del profesor Pérez yanalizarlo en base a los siguientes sucesos.(a) Para un día al azar decimos que se ha dado el suceso:O ≡ cuando el profesor ha olvidado poner el despertadorT ≡ cuando el profesor ha llegado tarde a su primera clase.Notemos que tanto {O, O} como {T, T} forman un sistema completo de sucesos. Acontinuación traducimos en términos de
  • 9. probabilidad de los sucesos anteriorestodos los datos que nos dan en el enunciado. P(O) = , P (T |O) = , P(O) = , P(T |O) = .(b) El suceso”llegar a tiempo a su clase” es el complementario de T , por tanto nospiden que calculemos P(T¯). Puesto que {O, O} es un sistema completo desucesos, podemos aplicar la formulas de la probabilidad total, de donde tenemosque: 5. P (T¯) = P (T |O¯) P(O) + P (T | ¯ O¯) P (O¯).En la expresión anterior aparecen varios de los datos que nos ha proporcionandoel enunciado, sin embargo no conocemos directamente el valor de P(T |¯ O¯).Para calcularlo utilizamos queP(T |¯ O¯) = 1 − P(T |O¯) = 1 − = De esta forma, la expresión anterior se puedeescribir como: P(T¯) = + =0.69