Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Examen. 70%
Practicas, tareas, avance proyecto final 30%
http://mathworld.wolfram.com/classroom/classes/Probabilityand
Statistics.html
Haber aprobado, necesariamente las materias de :
Calculo Integral
Calculo diferencial
Probabilidad.
Distribuciones de probabilidad de una variable
aleatoria continua.
Media y varianza de una variable aleatoria
continua.
Distribución de probabilidad t-student.
Distribución de probabilidad tipo Gamma.
Distribución de probabilidad tipo Beta.
Distribución de probabilidad X2 y F
Distribución de probabilidad Weibull
Distinguir entre las variables aleatorias
continuas y discretas y sus respectivas
distribuciones de probabilidad; presentar
algunas distribuciones de probabilidad
continuas útiles y mostrar cómo se pueden
utilizar para resolver problemas prácticos.
¿Qué es una distribución probabilística?
0.7
0.6 blanco
0.5
0.4 Serie1
0.3 Serie2
0.2 azul amarillo
0.1
0
0 1 2 3 4
Son aquellas en las que la variable puede
pude tomar un número determinado de
valores:
Ejemplo: si se lanza una moneda al aire
puede salir cara o cruz; si se tira un dado
puede salir un número de 1 al 6; en una
ruleta el número puede tomar un valor del 1
al 32.
Son aquellas que presentan un número
infinito de posibles soluciones:
Ejemplo: El peso medio de los alumnos de
una clase puede tomar infinitos valores
dentro de cierto intervalo (42,37 Kg.,
42,3764 Kg., 42, 376541kg, etc.); la
esperanza media de vida de una población
(72,5 años, 7,513 años, 72, 51234 años).
La distribución de probabilidad de este tipo
de distribución sigue el siguiente modelo:
¿Cuál es la probabilidad de obtener 6 caras
al lanzar una moneda 10 veces?
P (x = 4) = 0,026
Las distribución de Poisson parte de la
distribución binomial:
Cuando en una distribución binomial se
realiza el experimento un número "n" muy
elevado de veces y la probabilidad de éxito
"p" en cada ensayo es reducida, entonces se
aplica el modelo de distribución de Poisson:
Se tiene que cumplir que:
" p " < 0,10
" p * n " < 10
La distribución de Poisson sigue el siguiente
modelo.
Percentil: por ejemplo, si su calificación en un curso de
ingeniería industrial estuvo en el 84° percentil, entonces el 84%
de las calificaciones fueron inferiores a la suya y el 16% fueron
mayores.
68%
95%
99% z
-3 -2 -1 0 1 2 3
Caracteres morfológicos de individuos (personas,
animales, plantas,...) de una especie, p.ejm. tallas,
pesos, envergaduras, diámetros, perímetros,...
Caracteres fisiológicos, por ejemplo: efecto de una
misma dosis de un fármaco, o de una misma cantidad
de abono.
Caracteres sociológicos, por ejemplo: consumo de cierto
producto por un mismo grupo de individuos,
puntuaciones de examen.
Caracteres psicológicos, por ejemplo: cociente
intelectual, grado de adaptación a un medio,...
Distribución de edades
19 20 23 24 25 26 27 28 29 30
31 32 33 36 41 45 47
14 29
12
10
Frecuencia
28 30
8 31
6 27
25
4 24 26 32
2 19 20 41 47
23 3336 45
0
Edades
En un salón de clases la media del grupo es de 29
años y su desviación estándar es de 4 años ¿Cuál
es la probabilidad de encontrar alumnos de mas de
34 años?
Primero entender que la distribución normal se
asemeja a la distribución de las edades.
Para esto hay que convertir los valores que te dan a
valores estándar.
¿Cómo hacemos esto?
Z=(X-µ) /σ
X = valor dado a convertir
Z=(X-µ) /σ µ = media
σ = desviación estándar
14
29
12
10
28 30
8
31
6 27
25
4
24 26 32
2 19 20 41 47
23 33 36 45
0
Edades
En un salón de clases la media del grupo es de 29
años y su desviación estándar es de 4 años ¿Cuál
es la probabilidad de encontrar alumnos de mas de
34 años?
F ( y) f (t )dt
El área acumulativa bajo la curva
entre menos infinito y un punto y0
es igual a F(y0)
f(y) ≥ 0
f ( y)dy F () 1
b
P(a y b) f ( y )dy Donde a y b son constantes.
a
Ejemplo 1:
Sea c una constante y consideremos la función de densidad.
cy _ si _ 0 y 1
f ( y)
0 ___ en _ cualquier _ otro _ caso
0.5
P(0.2 y 0.5) f ( y )dy
0.2
= 0.21
Ejemplo2: Obtenga la función de distribución
acumulativa para la variable aleatoria y. Después,
calcule F(0.2) y F(0.7)
y y
F ( y) f (t )dt 2tdt y
2
0
cy 2 _ si _ 0 y 2
f ( y)
0 ___ en _ cualquier _ otro _ caso
c(2 y) _ si _ 0 y 1
f ( y)
0 ___ en _ cualquier _ otro _ caso
a.-Calcule el valor de c
b.-Obtenga la función de distribución acumulativa F(y)
c.-Calcule F(0.4)
d.-Calcule P (0.1 ≤y≤ 0.6)
Ejercicio3
Sea c una constante y consideremos la función de densidad
ce y _ si _ y 0
f ( y)
0 ___ en _ cualquier _ otro _ caso
a.-Calcule el valor de c
b.-Obtenga la función de distribución acumulativa F(y)
c.-Calcule F(2.6) =
d.-Calcule P (1 ≤y≤ 5)
En estudios anteriores se inicio el estudio de las pruebas de
hipótesis. Se utilizo la distribución normal estándar, la
distribución z, como estadístico de prueba. Para emplear dicha
distribución la población debe ser normal y conocerse la
desviación estándar poblacional. En muchas situaciones del
mundo real, la población es aproximadamente normal, pero se
desconoce la desviación estándar de la población. En este caso
“s” se utiliza la desviación estándar muestral en vez de σ .
Zona de rechazo
-2.485
t=(57-60)/10/√26
t=-1.53
Un fabricante de motocicletas, anuncia que su vehículo
rendirá en promedio 87 millas por galón en viajes largos. La
distancia recorrida (en millas) en ocho viajes largos fue 88,
82, 81, 87, 80, 78, 79 y 89. Pruebe al nivel 0.05 que el
recorrido medio es menor que el anunciado.
Ho: μ=87
H1: μ<87
-1.833 1.833
Muchas variables aleatorias, como la duración de la vida útil
de una computadora, sólo pueden asumir valores no
negativos. Las distribuciones de frecuencia relativa de datos
de este tipo a menudo se pueden modelar mediante
funciones de densidad tipo gamma.
La función de densidad de probabilidad para
una variable aleatoria tipo gamma está dada
por:
μ=αβ σ2 =αβ2
y f(y) α=
β=
г=
Aplicación 1 (distribución Gamma)
v 2
1
f ( ) c( )
2 2 2
e 2 0 2
1
1
2 2 1
2
2
La función de densidad Weibull contiene dos parámetros,α y β, el
parámetro de escala β, refleja el tamaño de las unidades en que se
mide la variable aleatoria “y”.
Dibujar en Excel
0 y e
F ( y0 ) f ( y )dy dy
0
F ( y0 ) 1 e 1 e
z y0
Resp: 0.473
Aplicación 2 (Weibull)
Con base en la experiencia, se sabe que el tiempo en que ocurre la primera falla es una
variable aleatoria de Weibull con parámetros de forma y escala iguales a 2 y 40,
respectivamente. Si el fabricante espera vender 100 mil unidades y si para una misma
unidad, se descuenta el valor de las reparaciones, se determina el costo esperado de la
garantía para el fabricante.
Sea X la variable aleatoria que representa el tiempo que transcurre hasta que se
presenta la primera avería.
Por hipótesis, la función de densidad de probabilidad de X es:
La probabilidad de que la primera avería ocurra durante el
periodo de garantía es igual a la probabilidad de que X sea
menor o igual a 12. Mediante el empleo de la fórmula cerrada
de distribución:
y 1 (1 y ) 1
Si 0≤y≤1; α>0; β>0
f ( y ) B( , )
0 __ en _ cualquier _ otro _ punto
1
B( , ) y 1
(1 y ) 1
dy
0
La media y la varianza de una variable aleatoria beta son,
respectivamente:
2
1
2
Aplicación 1 (Distribución de probabilidad Beta)
y 1 (1 y ) 1
f ( y)
B( , )
1
P( y 0.30) 6 y(1 y)dy 0.514
0.30
Media =0.5
Varianza= 0.05
Aplicación 2 (Distribución de probabilidad beta)
F ( p) dy
0
B( , )
p=0.20
Cuadro comparativo de distribuciones de probabilidad, te
ayudará, a conocer los usos. (realiza esto como tarea)
F ( y0 ) F ( w0 )
f ( y)dy
Termínala de integrar, finalmente te va ha
quedar la función de distribución
acumulativa para w:
w
( )
G( w) 1 e
Derívala con respecto de w, y obtendrás la
función de densidad para w
Teorema del límite central
y media muestral
y desviación es tan dar muestral
y
y / n
La importancia del teorema del limite central y lo que acabamos
de escribir, es que podemos aproximar la distribución de
muestreo de la media de la muestra , en tanto la población
tenga una media y varianza finitas.
Sean a1 , a2 ,..., an cons tan tes y sean y1 , y2 ,..., yn n var iables aleatorias normalmente
distribuidas con E yi i , V ( yi ) i 2
i 1, 2,3, 4,..., n
Entonces la distribución de muestreo de combinación lineal de las var iables aleatorias
normales.
l a1 y1 a2 y2 ... an yn
65 60
Z 2.5
2
Np N
x x
N N p 1
Si la población es infinita o si el muestreo es con reposición, los
resultados anteriores se reducen a:
μx =μ σx =σ/√N
Xj = cada dato
x- = media
N = total de datos
Para N ≤ 30 se sustituye N por N-1
Np tamaño población 20
N tamaño de la muestra 5
σ desviación estándar de la población 75
Aplicación 2
x 68
3
x 0.6
N 25
Np N 3 3000 25
x
N N p 1 25 3000 1
Aplicación 3
z=(4.96-5.02)/0.027 =-2.22
σp =√ 0.46x0.54/200 = 0.0352
9.68%
1.27
Distribución de muestreo de diferencias y sumas
s1s 2 2
s1 2
s2
X1 y X 2
Respectivamente, entonces la distribución de muestreo de las
diferencias de medias viene dada para poblaciones infinitas
con medias y desviaciones típicas (μ1,σ1) y (μ2,σ2)
x 1 x 2 x 1 x 2 1 2
21 2 2
x 1 x 2 x1
2
x2
2
N1 N2
El resultado es valido también para poblaciones finitas si el
muestreo es con reposición.
Análogos resultados pueden alcanzarse para poblaciones
finitas en que el muestreo sea sin reposición.
Aplicación
21 2 2
1002 2002
x 1 x 2 x1
2
x2
2
20
N1 N 2 125 125
( xA xB ) 200
z
20
a.- 160-200/20
b.- 250-200/20
Aplicación:
21 2 20.022 0.022
x 1 x 2 x1
2
x2
2
0.000895
N1 N 2 1000 1000
( X1 X 2 ) 0
z
0.000895
0.002 0 0.002 0
z 2.23 z 2.23
0.000895 0.000895
Introducción
Características de un buen estimador.
Estimación puntual
Métodos
Máxima verosimilitud
Momentos.
Intervalo de confianza para la media.
x +/- Zc * σ/√N
a.- 95% y
b.- 99% de que el error de la estimación no supera 0.01 segundos
(o sea que sea menor a 0.01 segundos).
+/- Zc * σ/√N
Esto se considera como
error de estimación
(1.96)(0.05)/√N < 0.01
75 +/- (1.64*(10)/√50)(√(200-50)/(200-1)
75 +/- 1.23Zc
1.23Zc =1
P=24/40
N=40
Zc buscar en la tabla.
Si S1 y S2 son dos estadísticos muéstrales con distribuciones de
muestreo aproximadamente normales, los límites de confianza para
la diferencia de los parámetros de población correspondientes a S1 y
S2 vienen dados por:
12 22
X 1 X 2 Z c x 1 x 2 X 1 X 2 Z c
N1 N2
Los limites de confianza para la diferencia de dos proporciones
poblacionales, con poblaciones infinitas, están dados por:
12 22
X 1 X 2 Z c x 1 x 2 X 1 X 2 Z c
N1 N2
En promedio los clientes
del centro de la ciudad
son 5 años mayores que 9 2 102
los del centro comercial, 40 35 1.96
pero con un 95% de 36 49
confianza esta la
diferencia entre 0.94 y 5 4.06
9.06 años. El margen de error es de 4.06 años y la estimación
por intervalo de 95% de confianza de la diferencia
entre las medias poblacionales va de 5-4.06=0.94
años a 5+4.06=9.06 años.
Aplicación:
Una muestra de 150 lámparas del tipo A ha dado una vida media de
1400 hrs. Y una desviación típica de 120 hrs. Una muestra de 200
lámparas del tipo B dan vida media de 1200 h y desviación típica
de 80 horas. Hallar los límites de confianza:
a.- 95% y
b.- 99% para la diferencia de las vidas medias de las poblaciones
de ambos tipos.
1400-1200 +/- 1.96√(120)2/150 + (80)2/100
Aplicación:
s zc s s zc
2N
Aplicación
2 2
x1 media muestra1
s1 s x2 media muestra2
x1 x2 t / 2 2
n1 n2 t / 2 valor de la t student
s1 desviación es tan dar de la muestra1
s2 desviación es tan dar de la muestra2
Ejemplo: Encontrar el valor de la t student, con un 95% de
confianza y 7 grados de libertad. (2 colas)
t=2.36
Ejemplo:
Sauz Patria
Tamaño de la n1=28 n2=22
muestra
Media muestral x1=$1025 x2=$910
Desviación s1=$150 s2=$125
estándar muestral
47.8 se redondea a 47
115 +/- 78
Estimación por intervalo de la media poblacional:
¿ Se puede
considerar que se
SI conoce la
desviación NO
estándar
poblacional σ?
Use la desviación
estándar muestral s
para estimar σ
s
x t
x Zc n
n
Aplicación:
Las primeras semanas del 2004 fueron buenas para el mercado
de acciones. En una muestra de 25 fondos abiertos se
encontraron las siguientes ganancias obtenidas desde el
principio del año al 24 de enero del 2004.
7.0 3.2 1.4 5.4 8.5
2.5 2.5 1.9 5.4 1.6
1.0 2.1 8.5 4.3 6.2
1.5 1.2 2.7 3.8 2.0
1.2 2.6 4.0 2.6 0.6
Se espera que una elección entre dos candidatos sea muy reñida.
¿Cual es el mínimo número de votantes a sondear si se quiere
tener un 95% de confianza sobre la decisión a favor uno de otro?
Introducción
Errores tipo I y tipo II
Potencia de la prueba.
Formulación de hipótesis estadísticas.
Prueba de hipótesis para la media.
Prueba de hipótesis para la diferencia de medias.
Prueba de hipótesis para la proporción.
Prueba de hipótesis para la diferencia de
proporciones.
Prueba de hipótesis para la varianza.
Prueba de hipótesis para la relación de varianzas.
La prueba de hipótesis comienza con una suposición, llamada
hipótesis, que hacemos con respecto a un parámetro de
población. Después recolectamos datos de muestra, producimos
estadísticas de muestra y usamos esta información para decidir
qué tan probable es que sea correcto nuestro parámetro de
población acerca del cual hicimos la hipótesis. Digamos que
suponemos cierto valor para una media de la población.
Ho: μ≤24
Ha: μ>24 (la hipótesis que tu quieres probar la pones como
alternativa)
Prueba de la validez de una afirmación:
Ho: μ≥67.6
Ha: μ<67.6
En toda situación en la que se desee probar la validez de una
afirmación, la hipótesis nula se suele basar en la suposición de que la
afirmación sea verdadera
Prueba en situaciones de toma de decisión:
Ho: μ=2
Ha: μ≠2
Ejemplo:
Situación en la población
Ho es verdadera Ha es verdadera
Estadístico de
x o x o x o
prueba z z z
n n n
Regla de rechazo: Rechazar Ho si Rechazar Ho si Rechazar Ho si
método del valor-p valor-p≤α valor-p≤α valor-p≤α
σx = σ/raiz n
x o
z
n
Aplicación 2
Una empresa de investigación sobre bienes raíces, vigila los montos
de las rentas de departamentos en Estados Unidos. A mediados de
2002, la renta promedio de un departamento era $895, por mes.
Suponga que según los estudios trimestrales anteriores, es razonable
suponer que la desviación estándar poblacional es σ=$225. En un
estudio reciente, en una muestra de 180 departamentos en todo el
país se obtuvo una media de 1025. ¿Estos datos muéstrales permiten
que se concluya que la media de la renta actual de departamentos es
superior a la media encontrada en 2002?
1. Dé la hipótesis nula y alternativa
2. ¿Cuál es el valor-p?
3. Con α=0.01, ¿cuál es su conclusión?
Ho: μ≤895
Ha: μ>895 (la hipótesis que tu quieres probar la pones como
alternativa)
x o
z
n
La diferencia en tamaño entre muestras grandes y pequeñas es importante cuando no
se conoce la desviación estándar de la población σ y se hace necesario estimarla a
partir de la desviación estándar de la muestra. Si el tamaño de la muestra n es de 30 o
menor y σ se desconoce, debemos utilizar la distribución t. La distribución t
apropiada tiene n-1 grados de libertad. Estas reglas también se aplican a la prueba de
hipótesis.
x
n
Aplicación 3
x o
z
n
Ho: media=
Ha: media < 500
490 500
z
60
400
Aplicación 4 (Tarea)
p p0 p0 proporción hipotetica
z p proporción muestral
p0 (1 p0 ) n tamaño de muestra
n
Ejemplo:
En años anteriores 20% de los jugadores del campo eran mujeres. Para aumentar la
proporción de mujeres se realizó una promoción especial. Un mes después de realizada
la promoción, el administrador del campo solicita un estudio estadístico para
determinar si la proporción de jugadoras ha aumentado.
p p0
z
p0 (1 p0 )
n
n 200
30
p 0.15
200
El p-value, es el valor del 17
p0 0.85
área de la colita 20
0.15 0.20
z
0.15(0.85)
200
Pruebas de hipótesis acerca µ1 - µ2
Estadístico de prueba para pruebas de hipótesis acerca de µ1 y µ2
σ1 y σ2 desconocidas.
Ho: µ1-µ2≤0
Ha: µ1-µ2>0
Nivel de significancia α=0.05
Probabilidad de una sola cola.
Valores t de Student y probabilidad P asociada
en función de los grados de libertad gl.
α
Nivel de
significancia
Inferencias acerca de la diferencia entre dos medias
poblacionales: muestras pareadas.
Trabajador Tiempo para Tiempo para Diferencia entre (di – Media de las
realizar la tarea realizar la tarea los tiempos (di) diferencias)^2
con el método 1 con el método 2
(minutos) (minutos)
1 6.0 5.4 0.6 (0.6-0.30)^2=
5 6.0 6.0 0
Media de las ∑
diferencias=0.30
d
d i
n d 0.30
media de las diferencias
0.56
sd 0.335
sd
( d i d ) 2
5
n 1
desviaciónes tan dar
Estadístico de prueba para pruebas de hipótesis con
muestras pareadas.
d d
tcalculada
sd
n
d 0.30
d 0
sd 0.335
n6
t calculada=2.20
Para el problema anterior:
Ho: µd=0
Ha: µd≠0
α=0.05
Para dos colas α/2 = 0.025
n-1= grados de libertad=6-1
t= ¿?
Conclusión, se acepta Ho que no hay
diferencia entre las medias.
t critica=2.571
Regla de decisión, usando el método de p-
value.
Error estándar:
p1 (1 p1 ) p2 (1 p2 )
p1 p 2
n1 n2
Estadístico de prueba para pruebas de hipótesis acerca de p1-
p2
(p p )
z 1 2
1 1
p (1 p )( )
n1 n2
n1 p1 n2 p2
p
n1 n2
Aplicación:
Una empresa se dedica a elaborar declaraciones de impuestos,
suponga que la empresa desea realizar una prueba de hipótesis
para determinar si las proporciones de errores de las dos oficinas
son diferentes.
Ho: p1-p2=0
Ha: p1-p2≠0
α=0.10
p1=0.14
n1=250
p2=0.09
n2=300
Aplicación:
Durante el partido Chivas, Atlas, un comercial de la cervecería,
conocido como las Chicas Sol, fue uno de los tres más efectivos
televisados durante el evento. Una encuesta para ver la efectividad
de los comerciales, empleó muestras por grupos de edades para ver
el efecto de la publicidad en el partido Chivas, Atlas sobre los
distintos grupos de edades. A continuación se presentan los
resultados muéstrales respecto del comercial de la marca cerveza.
De 30 a 49 años 150 54
(n 1) s 2 (n 1) s 2
2
/ 2
2
(1 / 2)
2
o si
X2≥X2 α/2
Aplicación:
X2=(n-1)s2/σ2o
n= tamaño de muestra
s2=varianza muestral=
σ2o= varianza de población
gl=n-1=
X2calculada=
x2critica=
Prueba X2
Prueba de Kolmogorov Sminov
Prueba de Anderson Daring
Distinción entre las pruebas paramétricas y
las no paramétricas
Cuando se analizan datos medidos por una variable cuantitativa
continua, las pruebas estadísticas de estimación y contraste
frecuentemente empleadas se basan en suponer que se ha obtenido
una muestra aleatoria de una distribución de probabilidad de tipo
normal o de Gauss.
( fo fe )2
2 obt
fe
Ecuación para determinar la Ji cuadrada
fo= frecuencia observada en la celda
fe= frecuencia esperada en la celda
45 40 65 150 frecuencia
observada
50 50 50 150 frecuencia
esperada
(45 50) 2 (40 50) 2 (65 50) 2
50 50 50
0.50 2.00 4.50 7.00
t critica: 5.991
Buscar en la tabla con k-1 grados de
libertad, donde k es el numero de grupos o categorías,
para este caso k=3 y un nivel de significación de 0.05
Zona t obs= 7
aceptación zona de
rechazo
t conclusión: se rechaza
criti nuestra hipótesis nula
ca
Aplicación 2:
Un investigador cree que la composición étnica de la ciudad donde
él vive ha cambiado durante los últimos años. Las cifras más
recientes (recopiladas hace unos cuantos años) muestran que los
habitantes de dicha ciudad presentaban la siguiente composición
étnica: 53% noruegos, 32% suecos, 8% irlandeses, 5% hispanos y 2%
italianos. Para poner a prueba su idea, el científico social obtiene
una muestra aleatoria de 750 habitantes. Los resultados que obtuvo
se presentan en la siguiente tabla:
Noruegos Suecos Irlandeses Hispanos Italianos Total
63 0.150
82 52.807
13
2 34 p(x=2)=(1)(e-
1)/2!=_______
110 en contra
18 indecisos
90 en contra
Sistema de calificación
1 26 (70/500)x100=14 10.286
2 55 (285/500)x100
3 19
∑=18.56
Número de hijos
1 40 44 4 4 4 4 4
2 33 40 7 7 6 6 6
3 36 49 13 13 10 10 10
4 34 36 2 2 2 2 2
5 40 39 -1 1 1 -1 -1
6 31 40 9 9 8 8 8
7 30 27 -3 3 3 -3 -3
8 36 42 6 6 5 5 5
9 24 35 11 11 9 9 9
10 20 28 8 8 7 7 7
Las tres primeras columnas son los datos del problema, las siguientes columnas son los pasos para llegar a la
solución. Para llegar a la conclusión determinamos Tobt calculando la suma de los rangos positivos y la suma de
los rangos negativos, Tobt es la menor de esas sumas, para nuestro caso Tobt=4.
Para N=10 y con α=0.05 (2 colas) buscando en la tabla de Wilcoxon, vemos que Tcrit =8
Si Tobt ≤ Tcrit deberá rechazarse la hipótesis nula Ho
Aplicación 2
Un investigador quiere determinar si la dificultad del material que han de aprender
afecta el nivel de ansiedad de los estudiantes universitarios. A cada uno de los
miembros de una muestra aleatoria de 12 alumnos se le asignan ciertas tareas de
aprendizaje que se clasifican como fáciles o difíciles. Antes de que los estudiantes
inicien cada tarea, se les presentan algunos ejemplos como muestra del material que
van ha aprender. A continuación se mide el nivel de ansiedad que mostraron los
alumnos, mediante un cuestionario adecuado. De esta manera, se mide el nivel de
ansiedad antes de cada tarea de aprendizaje. Los datos se muestran en la tabla
siguiente. Mientras mas alta sea la calificación, mayor será el nivel de ansiedad. ¿Cuál
es la conclusión, utilizando la prueba de rangos de Wilcoxon y α=0.05 (2 colas)
Hipótesis nula:
---- La dificultad del material no influye en el
nivel de ansiedad
Difícil - Fácil
Ansiedad A B C D E F
Estudiant Tareas Tareas Diferencia Valor Ordenar los valores Rango con signo de la Suma de los Suma de los
e número difíciles fáciles (Difíciles – absoluto absolutos de los valores diferencia rangos rangos
fáciles) de la de la diferencia de Asignar a los rangos positivos negativos
diferencia menor a mayor. resultantes el signo del (En esta
(De la columna B al mas puntaje de diferencia cuyo columna
chico le asignas el 1 y valor absoluto produjo ese colocas los
así te vas al que sigue el rango. números de la
2 y así sucesivamente) (En esta columna son los columna D
números de la columna C, que sean
pero con los signos de la positivos)
columna A)
1 48 40 8 8 7
2 33 27 6 6 5
3 46 34 12 12 11
4 42 28 14 14 12
5 40 30 10 10 9.5
6 27 24 3 3 Segundo y tercero
están empatados
entonces se saca la
media (2°+3°)/2=2.5
y se asigna este valor
a los empates
7 31 33 -2 2 1
8 42 39 3 3 2.5
9 38 31 7 7 6
10 34 39 -5 5 4
11 38 29 9 9 8
12 44 34 10 10 Noveno y decimo
están empatados
(9+10)/2=9.5
Aplicaciones de repaso1:
Una investigadora cree que la estatura de las mujeres ha aumentado en años recientes.
Ella sabe que hace 10 años, en la ciudad donde vive, el promedio de estatura de una
mujer adulta joven era de 63 pulgadas. No se conoce la desviación estándar. La
investigadora toma una muestra aleatoria de 8 mujeres jóvenes adultas que residen en
dicha ciudad y mide sus estaturas. Así obtiene los siguientes datos:
Estatura en pulgadas
64 66 68 60 62 65 66 63
Encuentra lo siguiente:
Media de los datos de muestra
Desviación estándar de los datos de muestra.
Plantear la hipótesis nula:
Aplicar la formula para la t student
Decidir si se acepta o se rechaza la hipótesis nula
Aplicaciones de repaso2 (Ji cuadrada):
Se llevo a cabo un estudio para determinar si los habitantes de las grandes ciudades y
de poblados pequeños difieren en su disposición para ayudar a los desconocidos. En
este estudio, llamaban a la puerta de personas que vivían en Nueva York o en los
pequeños poblados cercanos. Los investigadores les explicaban que no encontraban la
dirección de un amigo que vivía cerca de ahí y les pedían permiso para utilizar el
teléfono. Los siguientes datos muestran la cantidad de individuos que admitieron a los
desconocidos (los investigadores) en sus casas y los que no los admitieron:
Admitieron al No admitieron al
desconocido en su desconocido en su
casa casa
Habitante de una gran 60 90 150
ciudad
Habitante de un 70 30 100
pequeño poblado
130 120 250
Contesta lo siguiente:
¿Difieren los habitantes de la gran ciudad y los habitantes de poblados pequeños en su
disposición para ayudar a los desconocidos? Utilice un α=0.05 para tomar su decisión.