Este documento presenta información sobre la prueba de hipótesis. Explica conceptos clave como la hipótesis nula y alternativa, el nivel de significancia, y los tipos de errores. También incluye un marco teórico sobre la prueba de hipótesis y proporciona un ejemplo para ilustrar cómo aplicarla para determinar si el nivel mental promedio de los estudiantes es superior al promedio general.
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 el modelo de regresión lineal simple. Explica cómo estimar los parámetros del modelo utilizando el método de mínimos cuadrados ordinarios (MCO), incluyendo la derivación de las fórmulas para los estimadores de los parámetros. También cubre conceptos como la recta de regresión, los valores ajustados, los residuales y las propiedades de los estimadores de MCO. Finalmente, incluye un ejemplo numérico para ilustrar los cálculos.
Este documento presenta 8 ejercicios de pruebas de hipótesis estadísticas con distribución t de Student. Los ejercicios involucran calcular valores estadísticos, establecer hipótesis nulas e hipótesis alternativas, determinar regiones de rechazo, y llegar a conclusiones basadas en los resultados de las pruebas.
Distribuciones muestrales. distribucion muestral de mediaseraperez
Este documento describe las distribuciones muestrales, en particular la distribución muestral de medias. Explica que las medias calculadas a partir de muestras aleatorias de la misma población varían y siguen una distribución normal aproximada. También presenta fórmulas para calcular la probabilidad de que una media muestral tome un valor en particular utilizando la distribución normal estándar. Finalmente, resuelve varios problemas de probabilidad utilizando estas distribuciones muestrales.
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
Este documento presenta información sobre la prueba de hipótesis. Explica conceptos clave como la hipótesis nula y alternativa, el nivel de significancia, y los tipos de errores. También incluye un marco teórico sobre la prueba de hipótesis y proporciona un ejemplo para ilustrar cómo aplicarla para determinar si el nivel mental promedio de los estudiantes es superior al promedio general.
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 el modelo de regresión lineal simple. Explica cómo estimar los parámetros del modelo utilizando el método de mínimos cuadrados ordinarios (MCO), incluyendo la derivación de las fórmulas para los estimadores de los parámetros. También cubre conceptos como la recta de regresión, los valores ajustados, los residuales y las propiedades de los estimadores de MCO. Finalmente, incluye un ejemplo numérico para ilustrar los cálculos.
Este documento presenta 8 ejercicios de pruebas de hipótesis estadísticas con distribución t de Student. Los ejercicios involucran calcular valores estadísticos, establecer hipótesis nulas e hipótesis alternativas, determinar regiones de rechazo, y llegar a conclusiones basadas en los resultados de las pruebas.
Distribuciones muestrales. distribucion muestral de mediaseraperez
Este documento describe las distribuciones muestrales, en particular la distribución muestral de medias. Explica que las medias calculadas a partir de muestras aleatorias de la misma población varían y siguen una distribución normal aproximada. También presenta fórmulas para calcular la probabilidad de que una media muestral tome un valor en particular utilizando la distribución normal estándar. Finalmente, resuelve varios problemas de probabilidad utilizando estas distribuciones muestrales.
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
El documento presenta 14 relaciones de ejercicios sobre estadística y probabilidad. La relación 1 incluye 8 ejercicios sobre estadística descriptiva que involucran diagramas de barras, medidas de tendencia central y dispersión. La relación 2 contiene 4 ejercicios sobre cálculo de probabilidades que implican sucesos mutuamente excluyentes y probabilidades compuestas.
Este documento presenta el modelo de regresión lineal y el método de mínimos cuadrados ordinarios (MCO) para estimar los parámetros del modelo. Explica que el MCO minimiza la suma de los residuos al cuadrado para obtener estimaciones puntuales de los parámetros β1 y β2. También describe las propiedades de las estimaciones MCO, como que pasan por las medias muestrales y que la suma de los residuos y de los residuos multiplicados por las variables independientes es igual a cero.
Este documento presenta diferentes formas funcionales y modelos de regresión que incluyen variables cualitativas. Explica formas como lineal, logarítmica, cuadrática e interacciones, así como el uso de variables dummy para capturar efectos de variables binarias. Finalmente, muestra cómo estas técnicas permiten analizar políticas públicas y comparar grupos.
Este documento resume los modelos univariados de series temporales, incluyendo procesos estocásticos, funciones de autocovarianza y autocorrelación, procesos de ruido blanco y paseo aleatorio, y procesos AR, MA y ARMA. Explica cómo estimar los momentos muestrales de una serie temporal y analizar las propiedades de estacionariedad y linealidad de diferentes procesos estocásticos.
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
Este documento presenta 10 ejercicios resueltos sobre distribución normal. Los ejercicios involucran calcular probabilidades y áreas bajo la curva para variables aleatorias normales. Se proporcionan valores de media y desviación estándar, y se piden valores como probabilidades de que una variable tome un valor en particular o entre dos valores.
Este documento presenta información sobre pruebas de hipótesis estadísticas para muestras grandes. Explica las cinco partes clave de una prueba de hipótesis: 1) la hipótesis nula, 2) la hipótesis alternativa, 3) el estadístico de prueba y su valor p, 4) la región de rechazo, y 5) la conclusión. También discute conceptos como el nivel de significación, los errores tipo I y tipo II, y cómo usar pruebas de hipótesis para probar valores
Este documento presenta varios ejercicios resueltos relacionados con la aplicación del Teorema del Límite Central. En los ejercicios se calculan probabilidades para variables aleatorias con distribuciones normales dados diferentes tamaños de muestra. Por ejemplo, se calcula la probabilidad de que el diámetro promedio de una muestra de anillos esté dentro de un rango específico y cómo esta probabilidad cambia con un tamaño de muestra mayor.
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
El documento explica la distribución binomial, la cual modela experimentos con dos posibles resultados (éxito o fracaso) y probabilidad constante de éxito. La fórmula binomial calcula la probabilidad de x éxitos en n intentos como una combinación de x objetos tomados de n, multiplicada por la probabilidad de éxito elevada a x y de fracaso elevada a n-x. La media es la suma de cada resultado multiplicado por su probabilidad, y la varianza es la suma de los cuadrados de las desviaciones de cada resultado respecto a la media, multiplicadas por
Este documento presenta conceptos básicos sobre prueba de hipótesis. Explica que una hipótesis estadística es una afirmación sobre un valor poblacional y que una prueba de hipótesis determina si dicha afirmación es razonable. Detalla los pasos para identificar la hipótesis nula y alternativa, y define conceptos como región crítica, nivel de significación y significación p. El objetivo es decidir si se rechaza o no la hipótesis nula basado en la evidencia de la muestra.
La regresión lineal simple ajusta una recta a datos (xi, yi) para modelar la relación entre una variable independiente X e independiente Y. Se calculan los estimadores de los parámetros β0 y β1 usando el método de mínimos cuadrados. Esto permite predecir y estimar intervalos de confianza para nuevos valores de X. La pendiente β1 indica la fuerza de la asociación lineal entre las variables.
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.
Continuando con el tema de las distribuciones discretas, adjunto esta presentación de la distribución binomial negativa y de la distribución geométrica
Este documento presenta varios ejercicios estadísticos relacionados con distribuciones normales. Calcula probabilidades y áreas bajo la curva para diferentes valores de variables aleatorias con medias y desviaciones estándar dadas. Los ejercicios abarcan temas como pistones, resistencia al cemento y fabricación de semiconductores.
Este documento presenta problemas resueltos relacionados con continuidad, diferenciabilidad, regla de la cadena y derivación implícita de funciones de varias variables. En el primer problema se verifica la continuidad y se calculan las derivadas parciales de una función. En el segundo problema se prueba que una función es diferenciable en un punto y continua. Los problemas subsiguientes tratan sobre aplicaciones de la regla de la cadena y cálculo de derivadas implícitas.
Este documento trata sobre probabilidad y estadística. Explica los conceptos de probabilidad clásica y empírica. La probabilidad clásica se basa en la igualdad de posibilidades de los resultados, mientras que la probabilidad empírica se basa en la frecuencia relativa de eventos observados. También cubre temas como espacio muestral, combinatoria, permutaciones, distribuciones de probabilidad y más.
Este documento presenta información sobre variables aleatorias continuas. Introduce conceptos como función de densidad, función de distribución acumulada y valores esperados para variables aleatorias continuas. También cubre distribuciones específicas como la uniforme y la normal, incluyendo sus propiedades y cómo calcular probabilidades para estas distribuciones. Finalmente, incluye ejemplos numéricos para ilustrar los conceptos.
Este documento presenta información sobre regresión y correlación lineal simple. Explica cómo calcular el coeficiente de correlación de Pearson r para determinar la fuerza y dirección de la relación entre dos variables, y realizar pruebas de hipótesis. También describe cómo estimar la ecuación de la recta de regresión para predecir los valores de una variable dependiendo de los cambios en la variable independiente. Finalmente, resume un ejemplo práctico sobre la relación entre la dosis de un agente hipnótico y el tiempo de sueño inducido.
Este documento presenta tres ejercicios resueltos sobre distribuciones conjuntas de probabilidad. El primer ejercicio calcula la probabilidad de que haya al menos dos clientes más en una línea de espera que en la otra para un supermercado con dos cajas. El segundo ejercicio determina el número esperado de solicitudes rechazadas diariamente para una financiera. El tercer ejercicio calcula la probabilidad de éxito después de tres meses y la utilidad mensual esperada y su varianza para una empresa que vende dos tipos de chancadoras.
El documento presenta 14 relaciones de ejercicios sobre estadística y probabilidad. La relación 1 incluye 8 ejercicios sobre estadística descriptiva que involucran diagramas de barras, medidas de tendencia central y dispersión. La relación 2 contiene 4 ejercicios sobre cálculo de probabilidades que implican sucesos mutuamente excluyentes y probabilidades compuestas.
Este documento presenta el modelo de regresión lineal y el método de mínimos cuadrados ordinarios (MCO) para estimar los parámetros del modelo. Explica que el MCO minimiza la suma de los residuos al cuadrado para obtener estimaciones puntuales de los parámetros β1 y β2. También describe las propiedades de las estimaciones MCO, como que pasan por las medias muestrales y que la suma de los residuos y de los residuos multiplicados por las variables independientes es igual a cero.
Este documento presenta diferentes formas funcionales y modelos de regresión que incluyen variables cualitativas. Explica formas como lineal, logarítmica, cuadrática e interacciones, así como el uso de variables dummy para capturar efectos de variables binarias. Finalmente, muestra cómo estas técnicas permiten analizar políticas públicas y comparar grupos.
Este documento resume los modelos univariados de series temporales, incluyendo procesos estocásticos, funciones de autocovarianza y autocorrelación, procesos de ruido blanco y paseo aleatorio, y procesos AR, MA y ARMA. Explica cómo estimar los momentos muestrales de una serie temporal y analizar las propiedades de estacionariedad y linealidad de diferentes procesos estocásticos.
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
Este documento presenta 10 ejercicios resueltos sobre distribución normal. Los ejercicios involucran calcular probabilidades y áreas bajo la curva para variables aleatorias normales. Se proporcionan valores de media y desviación estándar, y se piden valores como probabilidades de que una variable tome un valor en particular o entre dos valores.
Este documento presenta información sobre pruebas de hipótesis estadísticas para muestras grandes. Explica las cinco partes clave de una prueba de hipótesis: 1) la hipótesis nula, 2) la hipótesis alternativa, 3) el estadístico de prueba y su valor p, 4) la región de rechazo, y 5) la conclusión. También discute conceptos como el nivel de significación, los errores tipo I y tipo II, y cómo usar pruebas de hipótesis para probar valores
Este documento presenta varios ejercicios resueltos relacionados con la aplicación del Teorema del Límite Central. En los ejercicios se calculan probabilidades para variables aleatorias con distribuciones normales dados diferentes tamaños de muestra. Por ejemplo, se calcula la probabilidad de que el diámetro promedio de una muestra de anillos esté dentro de un rango específico y cómo esta probabilidad cambia con un tamaño de muestra mayor.
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
El documento explica la distribución binomial, la cual modela experimentos con dos posibles resultados (éxito o fracaso) y probabilidad constante de éxito. La fórmula binomial calcula la probabilidad de x éxitos en n intentos como una combinación de x objetos tomados de n, multiplicada por la probabilidad de éxito elevada a x y de fracaso elevada a n-x. La media es la suma de cada resultado multiplicado por su probabilidad, y la varianza es la suma de los cuadrados de las desviaciones de cada resultado respecto a la media, multiplicadas por
Este documento presenta conceptos básicos sobre prueba de hipótesis. Explica que una hipótesis estadística es una afirmación sobre un valor poblacional y que una prueba de hipótesis determina si dicha afirmación es razonable. Detalla los pasos para identificar la hipótesis nula y alternativa, y define conceptos como región crítica, nivel de significación y significación p. El objetivo es decidir si se rechaza o no la hipótesis nula basado en la evidencia de la muestra.
La regresión lineal simple ajusta una recta a datos (xi, yi) para modelar la relación entre una variable independiente X e independiente Y. Se calculan los estimadores de los parámetros β0 y β1 usando el método de mínimos cuadrados. Esto permite predecir y estimar intervalos de confianza para nuevos valores de X. La pendiente β1 indica la fuerza de la asociación lineal entre las variables.
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.
Continuando con el tema de las distribuciones discretas, adjunto esta presentación de la distribución binomial negativa y de la distribución geométrica
Este documento presenta varios ejercicios estadísticos relacionados con distribuciones normales. Calcula probabilidades y áreas bajo la curva para diferentes valores de variables aleatorias con medias y desviaciones estándar dadas. Los ejercicios abarcan temas como pistones, resistencia al cemento y fabricación de semiconductores.
Este documento presenta problemas resueltos relacionados con continuidad, diferenciabilidad, regla de la cadena y derivación implícita de funciones de varias variables. En el primer problema se verifica la continuidad y se calculan las derivadas parciales de una función. En el segundo problema se prueba que una función es diferenciable en un punto y continua. Los problemas subsiguientes tratan sobre aplicaciones de la regla de la cadena y cálculo de derivadas implícitas.
Este documento trata sobre probabilidad y estadística. Explica los conceptos de probabilidad clásica y empírica. La probabilidad clásica se basa en la igualdad de posibilidades de los resultados, mientras que la probabilidad empírica se basa en la frecuencia relativa de eventos observados. También cubre temas como espacio muestral, combinatoria, permutaciones, distribuciones de probabilidad y más.
Este documento presenta información sobre variables aleatorias continuas. Introduce conceptos como función de densidad, función de distribución acumulada y valores esperados para variables aleatorias continuas. También cubre distribuciones específicas como la uniforme y la normal, incluyendo sus propiedades y cómo calcular probabilidades para estas distribuciones. Finalmente, incluye ejemplos numéricos para ilustrar los conceptos.
Este documento presenta información sobre regresión y correlación lineal simple. Explica cómo calcular el coeficiente de correlación de Pearson r para determinar la fuerza y dirección de la relación entre dos variables, y realizar pruebas de hipótesis. También describe cómo estimar la ecuación de la recta de regresión para predecir los valores de una variable dependiendo de los cambios en la variable independiente. Finalmente, resume un ejemplo práctico sobre la relación entre la dosis de un agente hipnótico y el tiempo de sueño inducido.
Este documento presenta tres ejercicios resueltos sobre distribuciones conjuntas de probabilidad. El primer ejercicio calcula la probabilidad de que haya al menos dos clientes más en una línea de espera que en la otra para un supermercado con dos cajas. El segundo ejercicio determina el número esperado de solicitudes rechazadas diariamente para una financiera. El tercer ejercicio calcula la probabilidad de éxito después de tres meses y la utilidad mensual esperada y su varianza para una empresa que vende dos tipos de chancadoras.
Probabilidad clásica, de frecuencia relativa y subjetivaRuben Veraa
Este documento describe tres enfoques para calcular la probabilidad: la probabilidad clásica, la probabilidad de frecuencia relativa y la probabilidad subjetiva. La probabilidad clásica se calcula como la razón entre el número de casos favorables y el número total de casos posibles. La probabilidad de frecuencia relativa se basa en repetir un experimento múltiples veces y calcular la frecuencia con la que ocurre un evento. La probabilidad subjetiva representa el grado de creencia de un individuo en la ocurrencia de un evento basado en la evidencia disponible.
Este documento introduce el concepto de probabilidad condicional y cómo se calcula. Explica que la probabilidad condicional (P(A|B)) es la probabilidad de que ocurra un evento A, sabiendo que ya ocurrió el evento B. Proporciona un ejemplo y la fórmula de Bayes para calcular probabilidades condicionales. Finalmente, presenta algunos ejercicios para practicar el cálculo de probabilidades condicionales.
El documento presenta 4 ejemplos de problemas de probabilidad. El primer ejemplo involucra 3 máquinas y sus probabilidades de producir piezas defectuosas. El segundo ejemplo trata sobre 3 urnas con bolas de colores diferentes. El tercer ejemplo calcula la probabilidad de que un empleado directivo sea ingeniero. El cuarto ejemplo calcula la probabilidad de que no haya habido ningún incidente dado que sonó la alarma. Se proveen soluciones detalladas a cada uno utilizando diagramas de árbol y el teorema de Bayes. Adicionalmente, se
Este documento resume conceptos clave de probabilidad como probabilidad condicional, conjunta y marginal, así como independencia de eventos y probabilidad total. Explica cómo calcular estas probabilidades a través de fórmulas y ejemplos numéricos.
Este documento presenta un ejemplo de aplicación del Teorema de Bayes. Describe una situación en la que un médico descubre las tasas de emergencias y aparente descuido en diferentes departamentos de una empresa. Luego aplica el Teorema de Bayes para calcular las probabilidades condicionales de que un caso de aparente descuido provenga de cada departamento.
Este documento presenta los resultados de una encuesta sobre las edades y frecuencias de personas que salen a comer fuera. La encuesta encontró que: 1) Las personas menores de 30 años constituyen el 38% de los encuestados y comen fuera con mayor frecuencia que los demás grupos; 2) Entre los 30-50 años se come fuera con una frecuencia intermedia; 3) Los mayores de 50 años son el grupo con menor frecuencia de salir a comer fuera.
Repaso de teoría de conjuntos
Fenómenos determinísticos vs. fenómenos aleatorios
Definición de probabilidad
Interpretación frecuentista y Bayesiana de la probabilidad
Espacio muestral, eventos
Sigma-álgebra
Medida de probabilidad, definición, propiedades
Axiomas de Kolmogorov
Probabilidad conjunta, marginal, condicional
Eventos independientes
Teorema de las probabilidades totales, teorema de Bayes
Técnicas de conteo: factorial, permutación, combinatoria
Este documento explica las reglas de la multiplicación y la probabilidad condicional en la probabilidad. La regla de la multiplicación establece que la probabilidad de que ocurran dos sucesos A y B es P(A) x P(B) si A y B son independientes, o P(A) x P(B|A) si A y B son dependientes. También presenta ejemplos como calcular la probabilidad de responder correctamente dos preguntas de un examen o la probabilidad de seleccionar una vaina verde y luego una vaina amarilla en un experimento de Mendel.
La probabilidad empírica se determina experimentalmente mediante la frecuencia relativa de un suceso al repetir un experimento bajo las mismas condiciones. A mayor número de repeticiones, la probabilidad empírica tiende a aproximarse al valor de la probabilidad teórica. El documento ilustra esto mediante un experimento de lanzar un dado cúbico, mostrando cómo la probabilidad empírica de cada cara se estabiliza en 1/6 después de lanzar el dado 100000 veces.
La regla de la suma establece que para calcular la probabilidad de que ocurra un suceso A o un suceso B, se suma la probabilidad de que ocurra A más la probabilidad de que ocurra B, y se resta la probabilidad de que ocurran ambos al mismo tiempo para evitar contar esos resultados dos veces. El documento explica esta regla y la ilustra con el ejemplo de calcular la probabilidad de obtener un guisante con vaina verde o flor morada en el experimento de Mendel.
Eventos mutuamente excluyentes y no excluyentes CUT
Tema de estadística que de manera breve, trato de explicar como suceden los eventos mutuamente excluyente y no excluyentes, y con ejemplos hacer mas comprensible el titulo de este documento.
Este documento presenta una recopilación de ejercicios de probabilidad clásica extraídos de publicaciones para la PSU chilena, junto con sus soluciones. El autor, Guillermo Corbacho C., explica los ejercicios divididos en once secciones temáticas como probabilidad de eventos simples, probabilidad porcentual, probabilidad de uniones y eventos independientes, entre otros. El objetivo es proveer material de consulta para estudiantes y profesores sobre este tema.
Este documento presenta un ejemplo de cómo calcular probabilidades condicionales a partir de una tabla de probabilidades. La tabla muestra las probabilidades de que ocurran diferentes combinaciones de los eventos X e Y. Luego se calculan dos probabilidades condicionales específicas: la probabilidad de que el evento Y sea 2 dado que el evento X es 3, y la probabilidad de que el evento X sea 3 dado que el evento Y es 1.
El teorema de Bayes permite calcular probabilidades a posteriori (después de observar un evento) utilizando probabilidades a priori (iniciales) y probabilidades condicionales. La fórmula de Bayes actualiza las probabilidades iniciales a la luz de nueva información.
Este documento presenta conceptos básicos de estadística y teoría de probabilidades. Explica los tipos de estadística, medidas de tendencia central, medidas de forma y dispersión, así como conceptos de probabilidad como espacio muestral, probabilidad conjunta y marginal, independencia estadística, diagrama de árbol y teorema de Bayes. Finalmente, discute la aplicación de la estadística en salud pública y proporciona una bibliografía.
Si quiere descargar la presentación, dirijase a:
http://probestunalmzl.wikispaces.com/temario
Le agradecería si me reporta los errores que encuentre en la diapositiva (daalvarez arroba unal punto edu punto co)
Este documento describe la estructura y propiedades de los materiales inorgánicos como los minerales. Explica que los minerales tienen una estructura cristalina ordenada que les da formas geométricas características. Luego enumera varias propiedades físicas, magnéticas, mecánicas y ópticas de los materiales inorgánicos. Finalmente, señala que los minerales tienen muchas aplicaciones importantes como fuente de metales, vidrio, joyas, fertilizantes y materiales de construcción.
Este documento presenta teoremas y conceptos clave sobre probabilidad, incluyendo axiomas, teoremas para el cálculo de probabilidades de eventos individuales y conjuntos de eventos, probabilidad condicional, y el teorema de Bayes. También incluye ejemplos para ilustrar estos conceptos.
APROXIMACIÓN BINOMIAL DE HIPERGEOMÉTRICAyaritza_ing
Se estima que 4000 de 10000 votantes de una ciudad están en contra de un nuevo impuesto a las ventas. Si se seleccionan al azar 15 votantes y se les pide su opinión, la probabilidad de que por lo menos 7 estén a favor del nuevo impuesto puede aproximarse mediante una distribución binomial, siendo 0.9049.
El documento describe un experimento aleatorio en el que se selecciona a un empleado al azar de un grupo de 10, extrayendo una papeleta numerada del 1 al 10 de una caja. Calcula la probabilidad de varios eventos como que el número sea 5 o 7, sea mayor o igual a 3, o mayor que 8. Finalmente, encuentra la media y varianza de la distribución uniforme resultante.
La tabla muestra las probabilidades marginales y conjuntas de dos variables aleatorias discretas x e y. La probabilidad marginal de x es 0.25 para x=1, 0.40 para x=2 y 0.35 para x=3. La probabilidad marginal de y es 0.20 para y=1, 0.40 para y=2 y 0.40 para y=3. La tabla proporciona la información necesaria para calcular las probabilidades marginales de cada variable y la probabilidad conjunta para cada combinación posible de valores.
Esperanza y Varianza de una variable aleatoriayaritza_ing
El documento describe un juego de feria donde los participantes lanzan dardos a globos para ganar premios. Existen 4 tipos de globos con diferentes probabilidades y premios. Se calcula la ganancia esperada del dueño para 500 lanzamientos (250 BsF) y la varianza de la ganancia por lanzamiento usando fórmulas estadísticas.
Este documento describe un experimento aleatorio que involucra la extracción de dos cubos numerados del 1 al 5 de una urna sin reposición. Se define una variable aleatoria X como la suma de los números en los dos cubos extraídos. Se pide hallar la distribución de probabilidad para la variable aleatoria X.
Función de Masa de Probabilidad mediante Tablayaritza_ing
El documento describe una tabla de probabilidades de donaciones para una sociedad de distrofia muscular basada en datos de los últimos 10 años. La tabla muestra las probabilidades de que los simpatizantes donen 1, 2, 3, 4 o 5 mil dólares, siendo la probabilidad más alta de 1 mil dólares y la más baja de 5 mil dólares. Se pide dibujar una gráfica que muestre esta distribución de probabilidad de las donaciones.
Función de Masa de Probabilidad mediante Fórmulayaritza_ing
El documento describe cómo determinar la constante c para que una función de probabilidad p(x) sea válida. Presenta un ejemplo donde p(x) = c si x = 1, 2, 3 o 4, y otra cosa si no. Para que la suma total de probabilidades sea 1, se resuelve la ecuación 1c + 2c + 3c + 4c = 1 para encontrar que c = 1/10. Esto define completamente la función de probabilidad dada.
Función de Masa de Probabilidad mediante experimentoyaritza_ing
El documento describe un experimento aleatorio de extraer dos cubos numerados del 1 al 5 de una urna sin reposición. Se define una variable aleatoria X como la suma de los números en los dos cubos extraídos. Se calcula la distribución de probabilidad de X, que puede tomar valores de 3 a 9. La probabilidad de cada valor posible de X se calcula usando combinatorias para contar los casos posibles y dividiendo por el número total de casos posibles.
Se presenta un ejemplo de una función de probabilidad discreta X que puede tomar los valores 1, 2, 3 o 4 con probabilidades de 0.1, 0.2, 0.3 y 0.4 respectivamente. Se determina el valor de la constante c que hace que la función sea una distribución de probabilidad válida resolviendo la ecuación que la suma de las probabilidades debe ser 1, obteniendo c=1/10.
El documento describe cómo calcular la función de masa de probabilidad para una variable aleatoria X que representa la suma de los números en dos cubos extraídos sin reposición de una urna que contiene cubos numerados del 1 al 5. Explica que la función de masa de probabilidad incluye los valores discretos posibles de X de 3 a 9, y calcula las probabilidades de cada valor usando combinatorias para contar los casos posibles considerando el muestreo sin reposición.