Und1 Instrumentacion UA

Facultad de Ingeniería – Programa de Ingeniería Mecánica: Instrumentación Industrial (IX Semestre)
INSTRUMENTACIÓN INDUSTRIAL
Unidad 1
Estimación y análisis de incertidumbre de medición
PROF. JOSÉ DANIEL HERNÁNDEZ -VÁSQUEZ
D O C TO R E N I N G E N I E R Í A M EC Á N I C A ( P U C - R I O )
M Á S T E R E N M E T R O LO G Í A ( P U C - R I O )
I N G E N I E R O M EC Á N I CO ( U N I V E RS I D A D D E L AT L Á N T I CO )
SALA: 310B
E M A I L : J D M E T RO LO G I A @ G M A I L .CO M
Prof. José Daniel Hernández-Vásquez, DSc.
E-mail: jdmetrologia@gmail.com 1
1. Introducción
¿Qué es estadística? ¿Qué es probabilidad?
¿Existe diferencia entre probabilidad y estadística?

2
E-mail: jdmetrologia@gmail.com
2. Estadística Descriptiva

3
2. Estadística descriptiva
¿Qué es estadística descriptiva?
La estadística es la rama de las Matemáticas

que recolecta, presenta y caracteriza un
conjunto de datos (por ejemplo, edad de una
población, altura de los estudiantes de una
escuela, temperatura en los meses de verano,
etc.) con el fin de describir apropiadamente
las diversas características de ese conjunto.

4
¿Cuál es su aplicación?
- Permite entender y analizar problemas con la idea de variabilidad.
Un ejemplo típico es: producción de tornillos.
Una fábrica produce tornillos, que deben tener diámetros dentro de
ciertas especificaciones. Se miden los diámetros de 100 tornillos
producidos, seleccionados aleatoriamente, existirán variaciones
individuales. Pero...
¿Estas variaciones son importantes? ¿Hasta que punto estas
variaciones observadas son aceptable?

5
Definiciones básicas
¿ Qué es una población?
Es un conjunto de todos los elementos cuyas características
deseamos conocer. Los elementos (o “individuos”) en la población
no necesariamente son personas!
¿ Qué es una muestra?

Es un subconjunto de la población cuyas características serán
medidas. La muestra será usada para descubrir las características de
la población.

6
Ejemplo:
Se colectó una muestra y dentro de esta muestra se colectaron datos
numéricos (por ejemplo, el consumo medio mensual en kW de los
domicilios en una cierta área de la ciudad).
Y ahora… ¿Qué hacer con eso?
Existen dos posibilidades: Se puede simplemente describir estos
datos numéricos a través de gráficos y tablas. Esto se llama
estadística descriptiva. La mayoría de las investigaciones y análisis
de datos se limitan a esto, que es sin duda, muy importante.

7
Ejemplo (cont.):
Se puede intentar enumerar algunas conclusiones probabilísticas
sobre las características de la población a partir de los datos
observados en la muestra.
Esto se conoce como Estadística Inferencial (o simplemente

estadística). Para conseguir realizar esto, es necesario tener una
noción bastante amplia sobre probabilidad.

8
Gráficos ("A picture is worth one thousand words")
Histograma
Diagramas de Pareto
Gráficos de dispersión, gráficos da variables en función del tiempo, gráficos de barras, etc.
Medidas numéricas
Medidas de tendencia central
◦ Media muestral
◦ Moda
◦ Mediana
Medidas de dispersión
◦ Varianza muestral
◦ Desviación estándar muestral
◦ Coeficiente de variación y amplitud
9
Histogramas
Gráfico de barras, donde el eje vertical contiene las frecuencias (o frecuencias
relativas) y el eje horizontal contiene los intervalos de clases. A menudo se hace
el área de cada barra igual a la frecuencia relativa de cada clase, de tal forma
que el área total bajo el histograma es 1 (100%).
HISTOGRAMA
30
25
25
20
FRECUENCIA
20
15
15
10
10
5
5
0
10 20 30 40 50
INTERVALO

10
Diagrama Pareto
Es un diagrama que se utiliza para representar los datos cualitativos, para obtenerlo se debe:
• Ordenar los datos por frecuencia relativa o absolutas.

• Representar cada una de las categorías de la variable mediante un rectángulo proporcional a su
frecuencia.
DIAGRAMA DE PARETO
30
25
20
15
10
0
mantenimiento herramientas cotizaciones pago otros

11
Gráficos de dispersión
Se utilizan para estudiar datos de dos variables, es importante
resaltar que estos gráficos muestran valores de datos individuales.

12
Media: Es una medida de tendencia central, la cual se define como la
suma de todas las observaciones dividido entre el número total de
elementos.
𝑋1 +𝑋2 +𝑋… +𝑋𝑁
𝑋=
𝑁
Mediana: La mediana es el valor que ocupa el lugar central entre todos los
valores del conjunto de datos, cuando estos están ordenados en forma creciente
o decreciente.
Para datos impares ME = 𝑋𝑁+1
2
𝑋𝑁 +𝑋𝑁
+1
Para datos pares ME = 2
2
2

13
Moda: La moda es el valor más repetido del conjunto de datos, es
decir que tiene mayor frecuencia absoluta.
Varianza muestral: Es una medida de dispersión. La varianza muestral es
siempre NO NEGATIVA! La varianza es una medida de la dispersión de los datos.
Varianza muestral:
𝑛1 2
s2= (𝑥
𝑖=1 𝑖
𝑛−1
− 𝑥) ; donde n: tamaño de la muestra y 𝑥: la media aritmética
de la muestra.

14
Desviación estándar muestral: Es una medida de dispersión que indica como
los valores individuales pueden estar alejados de la media. Matemáticamente se
define como la raíz cuadrada positiva de la varianza.
Desviación estándar muestral:
1 𝑛
s= 𝑖=1(𝑥1 − 𝑥)2 ; donde n: tamaño de la muestra y 𝑥: la media aritmética de la muestra.
𝑛−1

15
2. Estadística descriptiva :
Coeficiente de variación
Es una medida adimensional. Es utilizado, principalmente, para comparar dos
muestras que fueron recolectadas en unidades de medida diferentes, por
ejemplo, una en centímetro y otra en pulgadas.
𝑠
𝐶𝑉 =
𝑥

16
3. Variables aleatorias

17
3. Variables aleatorias (v.a.)

Definición
X: Variable aleatorias
X
S X
Espacio Muestral xX
Espacio de variable
aleatoria
Son variables que son seleccionadas al azar o por procesos aleatorios

18
Discreta
Pueden asumir apenas valores en un conjunto finito o contable, por
ejemplo número enteros o enteros positivos.
Ejemplos:
- Resultado de lanzamiento de un dado
- Número de llamadas recibidas por una central de telemarketing en
un intervalo de tempo especificado
- Número de asaltos en una esquina
- Número de puntos experimentales de una calibración

19
Continuas
Si una variable puede asumir cualquier valor en un intervalo real, es
una variable aleatoria continua.
Ejemplos:
- Tiempo de atención en una fila de un banco
- Peso real de un paquete de 1 kg de café
- Costo de construcción para un nuevo estadio de fútbol
- Errores de un instrumento de medición en una calibración

20
Función de probabilidad y Función de densidad
Función de probabilidad (v.a. discreta): Es una función que asocia a cada
posible valor de una variable aleatoria discreta a su probabilidad de
ocurrencia. La función de probabilidad debe satisfacer:
Pr X = x = f x =1
para todo x para todo x
Una Función de Densidad (v.a. continua) debe satisfacer:
𝑓 𝑥 ≥ 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑥
+∞
𝑓 𝑥 𝑑𝑥 = 1
−∞
21
Momentos de una variable aleatoria
•Valor Esperado (media):

  x. f x dx si X es v.a. contínua
  E  X    
  x. f x    x. Pr  X  x  si X es v.a. discreta
todo x todo x
•Varianza:
2 = E (X2) - E(X)2 Tanto para v.a. discreta como

para v.a. contínua

22
4. Variable aleatoria continua

23
4. Variables aleatorias continuas

Distribución Uniforme o Rectangular
En diversos casos, puede ser posible estimar el límite superior e
inferior para una dada magnitud de influencia.
En esta situación, se puede afirmar: la probabilidad que el valor de la

magnitud este comprendido entre dichos limites es igual a uno (1) o
igual a 100%, consecuentemente, se asocia a cero (0) o a 0% la
probabilidad que el valor de dicha magnitud se encuentre fuera del
intervalo definido por tales límites.
24

Dado el comportamiento aleatorio y desconocido de la magnitud de

estudio dentro del intervalo definido –por el límite superior e
inferior– se considera que la probabilidad de ocurrir un evento dentro
de dicho intervalo está uniformemente distribuida.
Este concepto hace referencia a la distribución rectangular de

probabilidad.
25

𝑎 Média
𝜇=
2
𝑎 Desviación
σ=
3 estándar
0 se x  a
x - a

F ( x)  Pr( X  x)   se x  (a, b)
 b - a
1 se x  b


26

La probabilidad de ocurrencia en dos intervalos cualquiera del mismo

tamaño es la misma, la función de densidad de probabilidad es una
recta paralela al eje horizontal.
Si consideramos los límites de ocurrencia de x como a y b (a<b)

debemos tener necesariamente:
f (x) = 1 / (b - a)

27

Ejercicio 1:
a) Demuestre, estadísticamente, que la desviación estándar
asociada a una distribución rectangular de probabilidad es dada
por la expresión:
𝑎
𝜎(𝑥) =
3
a) Explique el sentido físico del parámetro “a” para el caso de un
instrumento de medición digital
Prof. José Daniel Hernández-Vásquez, DSc. 28 28


Distribución Triangular
La distribución triangular
inicia en el valor mínimo a-
y crece linealmente hasta
una altura máxima que
corresponde a la media de
la distribución y luego
decrece hasta alcanzar el
punto máximo de a+
𝑎+ + 𝑎− 𝑎 Desviación
𝜇= Media σ=
2 6 estándar

29

Distribución Triangular
Ejercicio 2:
a) Demuestre, estadísticamente, que la desviación estándar
asociada a una distribución triangular de probabilidad es dada por
la expresión:
𝑎
𝜎(𝑥) =
6
a) Explique el sentido físico del parámetro “a” para el caso de un
instrumento de medición análogo
Prof. José Daniel Hernández-Vásquez, DSc. 30 30

5. Distribución Normal

31
Definición
• La distribución Normal es quizás la más importante de las
distribuciones de probabilidad.
•La distribución Normal tiene la forma de una campana, y tiene dos
parámetros μ y σ2.
• La distribución Normal se denomina también Gaussiana en
homenaje al matemático Carl Friederich Gauss (1777 - 1855).
• La distribución Normal también funciona como una buena
aproximación a otras densidades. Por ejemplo, en algunas
condiciones se puede probar que la densidad binomial puede ser
aproximada por la Normal.
32
Densidad de probabilidad
Densidad Normal con media μ y varianza σ2:

 x   2
1
f ( x)  .e 2 2
onde   0 e   R
2
2 2
Notación: X ~ N (μ, σ2)

La densidad es simétrica alrededor de μ, y cuanto mayor sea el valor
de la varianza σ2, más dispersa es la distribución.

33
Interpretación de media y desviación estándar
La distribución normal está completamente caracterizada por su media μ y su
desviación estándar σ.
La media define el desplazamiento horizontal de la curva, mientras que la
desviación estándar define su dispersión.

34
Función acumulada
Su función de distribución es:
  u    
x 2
1
F ( x)  Pr( X  x)  
 2 2
exp
 2
2 

du
No es posible resolver analíticamente esta integral - ¡Necesitamos

una tabla!

35
Transformación de variable
Si X pertenece a una distribución normal con media μ y
desviación estándar σ, su valor normalizado se da por:
X  La variable Z es Normal
Z con un MEDIA de 0 y
 VARIANZA igual 1

36

37

Distribución Normal: Sector Eléctrico
Ejercicio 3:
El consumo medio residencial de energía eléctrica en los meses
de verano en Buenos Aires (Argentina) es una variable aleatoria
Normal con media de 210 kWh y desviación estándar 18 kWh. El
gobierno de la provincia desea establecer un programa de
eficiencia energética y para tal motivo, desea conocer la
probabilidad que el consumo en el verano exceda 225 kWh.
Adicionalmente, desea conocer la probabilidad que el consumo
energético en verano sea inferior a 190 kWh.
38
6. Distribución t-student

39
Caracterización
Cuando el tamaño de la muestra es pequeño (n < 30) es posible aproximar los

datos experimentales de una muestra a una distribución de probabilidad t-
student, cuyos valores también se encuentran tabulados. Esta distribución
tiene la particularidad que cuando los grados de libertad es aumentado, la
curva característica se aproxima mucho más a aquella definida por una
distribución normal estandarizada.

40
Definición
Sólo tiene un parámetro k, el número de grados de libertad, y se define como:
Z
T
V /k
Donde Z es N (0,1) y V es chi-cuadrada con k grados de libertad, y ambos son
independientes.
Esta distribución es simétrica en torno a cero, también tiene forma de
campana y, a medida que el número de grados de libertad crece, si
se aproxima a la N (0,1).

41
Aproximación a una distribución normal
Z
T
V /k

42

43
7. Eliminación de Outliers

44
Error de medición
El Vocabulario Internacional de Metrología (VIM-2012) define:
"Diferencia entre el valor medido de una magnitud y un valor De
referencia".
NOTA 1: El concepto de "error de medición" puede utilizarse:

• cuando existe un único valor de referencia, lo que ocurre si una
calibración se realiza por medio de un patrón de medición con un
valor medido cuya incertidumbre de medición es despreciable, o si
se proporciona un valor convencional; En estos casos, se conoce el
error de medición;
45
Errores Sistemáticos
El error sistemático indica la tendencia de un instrumento en registrar
resultados sistemáticamente por encima o por debajo del valor real y
cuál es la amplitud esperada de esta variación. Estos errores afectan
el valor de la medida, pero no siempre son fáciles de identificar.
Los errores sistemáticos pueden venir de una calibración mal hecha

del sistema de mediciones, o en errores de interpretación fenómenos
físico por parte del observador.

46
Errores Aleatorios
El error aleatorio, como el nombre sugiere, es producto de las
variaciones en las mediciones que no siguen una tendencia fija. En
general, en un proceso de medición, si usted hace la misma medida
varias veces, se verá que los resultados obtenidos no son los mismos,
aunque y, por lo tanto, se distribuyen en torno a un cierto valor.
La causa de esta distribución es aleatoria, y de ahí el nombre para

este tipo de error. Para estimar los errores al azar, usamos
tratamientos estadísticos.

47
Eliminación de Outliers
Antes de interpretar una serie de resultados obtenidos a partir de
una o más muestras, es necesario comprobar la existencia de valores
que, en su caso, puedan considerarse dispersos, o es decir, valores
que muy probablemente no pertenezcan al mismo conjunto de
resultados. En este caso, estos valores se denominan "Outliers".
Entre los criterios más comunes para la eliminación de "outliers",

podemos destacar: Chauvenet y Grubbs.

48
Criterio de Chauvenet
El criterio de Chauvenet permite determinar si un valor muestral
(resultante de una medida) es discrepante (outlier) en relación a los
los demás valores de la muestra, suponiendo que esta muestra se
retira de una distribución normal.
Un dato es rechazado si la desviación media dividida por la desviación
estándar es mayor que el valor tabulado para el ɳ correspondiente,
siguiendo la expresión:

49
Procedimiento
1. Calcular la media aritmética y la desviación de los valores.
2. Identificar los valores extremos: mayor valor y menor valor.
3. Determinar, para cada uno de los valores extremos, la diferencia
"d" entre y la media aritmética.
4. Calcular la relación:
5. Determinar el valor tabulado para el tamaño de la muestra en
estudio.

50
6. Si la relación es menor que el valor tabulado, aceptar el punto
extremo; de lo contrario, eliminarlo de la muestra.
7. Eliminado el valor disperso, rehacer el análisis con los valores
restantes, hasta que todos los valores sean considerados no
dispersos.

51
OBSERVACIONES
El criterio podría incluso repetirse una vez más, para la eliminación
demás puntos, sin embargo el procedimiento no es recomendable,
basta una vez. Si varios puntos superan el criterio límite establecido,
es probable que el sistema de instrumentación sea inadecuado, o que
el proceso que se mide sea extremadamente variable.
Para aplicar el criterio de Chauvenet no es necesario especificar un

criterio nivel de confianza.

52

53
Criterio de Grubbs
Esta prueba se desarrolla para verificar la presencia de valores
extremos en observaciones muéstrales. Los valores extremos pueden
ser considerados como manifestaciones de la variabilidad aleatoria
inherente a los datos, o sólo un error en el cálculo durante la recogida
de los datos e incluso una anotación precipitada por el operador.
Un dato es rechazado si la desviación media dividida por la desviación

estándar es mayor que el valor tabulado para el Z correspondiente,

54
Criterio de Grubbs

55
8. Estimación de la
Incertidumbre de Medición

56
8. Incertidumbre de medición
Guía para la expresión de la incertidumbre de medición (GUM 2008)
• La incertidumbre e medición es un parámetro no negativo que caracteriza

de forma razonable la dispersión de los valores atribuidos a un
mensurando, para un nivel de confiabilidad determinado.
• La incertidumbre de medición es un concepto fundamental para la

expresión del resultado de un mensurando, al punto que un resultado de
medición es considerado incompleto si este parámetro no es informado.

57
Guía para la expresión de la incertidumbre de medición (GUM 2008)
• El resultado de la medición se expresa como:
𝑌 = 𝑦 ± 𝑈 [𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑚𝑒𝑑𝑖𝑐𝑖ó𝑛]
• La expresión anterior indica que el mejor estimado de Y es y con una

incertidumbre asociada a la medición igual a U.
• Para el análisis y cálculo de incertidumbre, existen dos tipos: Tipo A y Tipo B

58
Incertidumbre Tipo A
Es la evaluación de una componente de la incertidumbre de medida mediante

un análisis estadístico de los valores medidos obtenidos bajo condiciones de
medida definidas
𝑛
𝑠 1 2
𝑢𝐴 = = 𝑥𝑖 − 𝑥
𝑛 𝑛 𝑛−1
𝑘=1

59
Incertidumbre Tipo B
Es la evaluación de una componente de la incertidumbre de medida de

manera distinta a una evaluación tipo A de la incertidumbre de medida.
EJEMPLOS: Evaluación basada en informaciones

− asociadas a valores publicados y reconocidos;
− asociadas al valor de un material de referencia certificado;
− obtenidas a partir de un certificado de calibración;
− obtenidas a partir de la resolución de un instrumento de medida verificado;
− obtenidas a partir de los límites procedentes de la experiencia personal.

60
Incertidumbre estándar combinada
La incertidumbre estándar combinada es obtenida a partir de las incertidumbres estándar
individuales asociadas a las magnitudes de entrada de un modelo de medición.
𝑦 = 𝑓 𝑥1 , 𝑥2 , … , 𝑥𝑛 Modelo de medición
𝜕𝑓
𝑐𝑖 = Coeficiente de sensibilidad
𝜕𝑥𝑖 Incertidumbre
2 2 2 combinada
𝑢𝑐2 𝑦 = 𝑐1 ∙ 𝑢 (𝑥1 ) + 𝑐2 ∙ 𝑢 (𝑥2 ) + ⋯ + 𝑐𝑛 ∙ 𝑢 (𝑥𝑛 )
𝑛 2
𝜕𝑓
𝑢𝑐2 𝑦 = 𝑢2 𝑥𝑖 Modelo simplificada de la Incertidumbre combinada
𝜕𝑥𝑖
𝑖=1
61
Factor de cobertura
El factor de cobertura (k) es un coeficiente por el cual la incertidumbre

estándar combinada es multiplicada para obtenerse la incertidumbre de
medición expandida.
El valor del factor de cobertura es seleccionado con base al nivel de confianza
requerido. Este parámetro, generalmente, se encuentra entre 2 y 3.
Entretanto, para aplicaciones especiales, puede estar fuera de este rango.
De esta forma se tiene que: k=1, para 68,27% de confianza; k=2, para 95,45%
de confianza; k=3, para 99,73% de confianza.
62
Grados de libertad efectivos
Para determinar el factor de cobertura k es necesario determinar el número

de grados de libertad efectivo de la distribución. Para tal propósito es utilizada
la fórmula propuesta por Welch-Satterhwaite
𝑢𝑐4 (𝑐1 ∙ 𝑢1 )4 (𝑐2 ∙ 𝑢2 )4 (𝑐𝑖 ∙ 𝑢𝑖 )4

= + …
𝜗𝑒𝑓𝑓 𝜗1 𝜗2 𝜗𝑖

63
Incertidumbre expandida
La incertidumbre expandida (U) define un intervalo donde se encuentra el

valor verdadero de una medición para un determinado nivel de confianza,
suficientemente elevado. Esta incertidumbre expandida se obtiene de una
incertidumbre estándar combinada multiplicada por un factor de cobertura,
𝑈 = 𝑘 ∙ 𝑢𝑐 𝑦

64
Incertidumbre expandida
El resultado de la medición se expresa como:
𝑌 = 𝑦 ± 𝑈 [𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑚𝑒𝑑𝑖𝑐𝑖ó𝑛]
Lo anterior es válido para un determinado nivel de confianza, el cual es

definido por el factor de cobertura k. En otras palabras, el intervalo (y – U, y +
U) abarca una fracción suficientemente grande de los valores que
razonablemente puede atribuirse a Y.
Según el documento de referencia EA-4/02, la incertidumbre de medición
debe ser expresada, con 2 algoritmos significativos como máximo.
65
Interpolación: Mínimos cuadrados ordinarios
El objetivo ahora, consiste en determinar valores de los
coeficientes que minimizen la desviación media cuadrática (us).
Para conseguir ese objetivo, inicialmente consideremos este

resultado para ajustar cualquier polinomio de la forma
Entonces, para encontrar los puntos a0, a1, ..., an, se debe
resolver el mismo sistema ATAX=ATY. Efetuando los
para los puntos (xi, yi), es
posible realizar: cálculos de ATA e de ATY, se obtiene:

66
Interpolación: Mínimos cuadrados ordinarios
Ejemplo práctico en Excel

67
Ejercicio propuesto
Ejercicio 4:
Por un ducto, con diámetro interno (97,18 mm ± 0,05 %), k = 2, es
transportado un gas natural a 50 bar y 30 oC con densidad de
33,521 kg/m3, evaluada con un error máximo de 1,16 %. Su
diámetro es reducido para (65,10 mm ± 0,07 %) a través de un
Venturi con ángulos suaves, de tal forma que las perdidas por
fricción puedan ser consideradas despreciables. La diferencia entre
la presión en el ducto y en la garganta del Venturi es medida con un
transmisor de presión con un error máximo estimado de ± 0,15 %, y
tiene un valor de 32 kPa.
68
Ejercicio propuesto
Ejercicio 4:
Datos:
1 2∙∆P∙P1
m= ∙ A1
2 R∙T1
A1
−1
A2
D1 = 0,09718 m UD1 = 4,859 X 10-5 m uD1 = 2,4295 X 10-5 m

D2 = 0,0651 m UD2 = 4,557 X 10-5 m uD2 = 2,2785 X 10-5 m
∆P 48 Pa
ΔP = 32 000 Pa UΔP = 48 Pa uΔP = = = 27,71 Pa
3 3
Uρ 0,3888 kg/m3
ρ = 33,521 kg/m3 Uρ = 0,3888 kg/m3 uρ = = = 0,22 kg/m3
3 3

69
Ejercicio propuesto
Ejercicio 4 - SOLUCIÓN:

70
Ejercicio propuesto

71
Ejercicio propuesto

72
PRÓXIMA CLASE!
UNIDAD 2
Medición de temperatura
E-mail: jdmetrologia@gmail.com 73

Und1 Instrumentacion UA

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Und1 Instrumentacion UA

Caricato da

Copyright:

Formati disponibili

Facultad de Ingeniería – Programa de Ingeniería Mecánica: Instrumentación Industrial (IX Semestre)

Prof. José Daniel Hernández-Vásquez, DSc.

Prof. José Daniel Hernández-Vásquez, DSc.

La estadística es la rama de las Matemáticas

Prof. José Daniel Hernández-Vásquez, DSc.

Prof. José Daniel Hernández-Vásquez, DSc.

¿ Qué es una muestra?

Prof. José Daniel Hernández-Vásquez, DSc.

Prof. José Daniel Hernández-Vásquez, DSc.

Esto se conoce como Estadística Inferencial (o simplemente

Prof. José Daniel Hernández-Vásquez, DSc.

Prof. José Daniel Hernández-Vásquez, DSc.

• Ordenar los datos por frecuencia relativa o absolutas.

Prof. José Daniel Hernández-Vásquez, DSc.

Prof. José Daniel Hernández-Vásquez, DSc.

Prof. José Daniel Hernández-Vásquez, DSc.

Prof. José Daniel Hernández-Vásquez, DSc.

Desviación estándar muestral:

Prof. José Daniel Hernández-Vásquez, DSc.

Prof. José Daniel Hernández-Vásquez, DSc.

Prof. José Daniel Hernández-Vásquez, DSc.

3. Variables aleatorias (v.a.)

Son variables que son seleccionadas al azar o por procesos aleatorios

Prof. José Daniel Hernández-Vásquez, DSc.

Prof. José Daniel Hernández-Vásquez, DSc.

Una Función de Densidad (v.a. continua) debe satisfacer:

2 = E (X2) - E(X)2 Tanto para v.a. discreta como

Prof. José Daniel Hernández-Vásquez, DSc.

4. Variable aleatoria continua

Prof. José Daniel Hernández-Vásquez, DSc.

4. Variables aleatorias continuas

En esta situación, se puede afirmar: la probabilidad que el valor de la

4. Variables aleatorias continuas

Dado el comportamiento aleatorio y desconocido de la magnitud de

Este concepto hace referencia a la distribución rectangular de

4. Variables aleatorias continuas

Prof. José Daniel Hernández-Vásquez, DSc.

4. Variables aleatorias continuas

La probabilidad de ocurrencia en dos intervalos cualquiera del mismo

Si consideramos los límites de ocurrencia de x como a y b (a<b)

Prof. José Daniel Hernández-Vásquez, DSc.

4. Variables aleatorias continuas

Prof. José Daniel Hernández-Vásquez, DSc. 28 28

4. Variables aleatorias continuas

Prof. José Daniel Hernández-Vásquez, DSc.

4. Variables aleatorias continuas

Prof. José Daniel Hernández-Vásquez, DSc. 30 30

Prof. José Daniel Hernández-Vásquez, DSc.

Notación: X ~ N (μ, σ2)

Prof. José Daniel Hernández-Vásquez, DSc.

Prof. José Daniel Hernández-Vásquez, DSc.

No es posible resolver analíticamente esta integral - ¡Necesitamos

Prof. José Daniel Hernández-Vásquez, DSc.

Si X pertenece a una distribución normal con media μ y

desviación estándar σ, su valor normalizado se da por:

Prof. José Daniel Hernández-Vásquez, DSc.

Prof. José Daniel Hernández-Vásquez, DSc.

5. Variables aleatorias continuas

Prof. José Daniel Hernández-Vásquez, DSc.

Cuando el tamaño de la muestra es pequeño (n < 30) es posible aproximar los

Prof. José Daniel Hernández-Vásquez, DSc.

Prof. José Daniel Hernández-Vásquez, DSc.

Prof. José Daniel Hernández-Vásquez, DSc.