Este Probabilidad y Estadística y otros cursos abiertos son brindados en su totalidad por la universidad Atlantic International University (AIU) como parte de la “ Iniciativa de Acceso Abierto ”. Esta iniciativa es consistente con la Misión y Visión de la universidad .
A través de esta iniciativa, la universidad Atlantic International University (AIU) busca eliminar las barreras que existen actualmente en el acceso a la educación, información y trabajos de investigación. La universidad AIU le da mucho valor e importancia al conocimiento y aprendizaje de los individuos y espera que este curso pueda tener una gran repercusión en las vidas de nuestros estudiantes y la humanidad en general alrededor del mundo, quienes tienen la inclinación natural hacia la búsqueda de nuevo conocimiento. Esperamos que este curso en Administración de la Pequeña y Mediana Empresa y otros cursos gratis , disponibles por parte de esta iniciativa de acceso abierto, permitan el avance y actualización a quienes lo deseen.
El curso de la Probabilidad y Estadísticas I contiene lo siguiente:
El Probabilidad y Estadística puede formar parte de un programa de titilación abonando hasta tres créditos universitarios. Las lecciones del curso se pueden llevar en línea através de estudio a distancia. Los contenidos y el acceso están abiertos al publico en función de la iniciativa "Open Access" o "Acceso Abierto" de Atlantic International University. Participantes que desean recibir crédito y/o certificado de termino, deben registrarse como alumnos (Conocer mas de AIU Acceso Abrierto).
1.1. Notación De Sumatoria
1.2. Datos No agrupados
1.2.1. Medidas de Tendencia Central y de posición
1.2.2. Medidas de dispersión
1.3. Datos Agrupados
1.3.1. Tabla de frecuencias
1.3.2. Medidas de tendencia Central
1.3.3. Medidas de dispersión
1.4. Conjunto y técnicas de conteo. El desarrollo de la teoría de la probabilidad ha aumentado el alcance de las
aplicaciones de la estadística. Muchos conjuntos de datos se pueden
aproximar, con gran exactitud, utilizando determinadas distribuciones
probabilísticas; los resultados de éstas se pueden utilizar para analizar datos
estadísticos. La probabilidad es útil para comprobar la fiabilidad de las
inferencias estadísticas y para predecir el tipo y la cantidad de datos necesarios
en un determinado estudio estadístico.
1.5. Espacio muestral y eventos
1.6. Axiomas y Teoremas
1.7. Espacio infinito equiprobable
1.8. Probabilidad condicional e independencia
1.9. Teorema de bayes
2.1. Defició de Variable Aleatoria Discreta. Muchas veces se desea resumir con un número el resultado de un experimento aleatorio. En muchos de
los ejemplos relativos a experimentos aleatorios que han sido considerados hasta ahora, el espacio muestral
es sólo una descripción de los posibles resultados. En algunos casos tales descripciones son suficientes,
pero en otros se hace útil asociar un número con cada resultado del espacio muestral. Es así como se llega a
la definición de variable aleatoria.
Una variable aleatoria X es una función que asigna un número real a cada resultado en el espacio
muestral de un experimento aleatorio. El conjunto de los posibles valores de la variable aleatoria X se
denomina rango. Diremos que la variable aleatoria es discreta si su rango es finito (o infinito contable).
A menudo el interés recae en la probabilidad de que una variable aleatoria X tome un valor particular x,
esto se denota P(X=x). La distribución de probabilidad de X será entonces la descripción del conjunto de
valores posibles de X (rango de X), junto con la probabilidad asociada con cada uno de estos valores. La
distribución de probabilidad de una variable aleatoria es a menudo el resumen más útil de un experimento
aleatorio.
2.2. Función de probabilidad, y de distribución, valor esperado, varianza y desviación estándar
Función de probabilidad
2.3. Distribución binomial
2.4. Distribución hipergeométrica
2.4.1. Aproximación de la hipergeométrica por la binomial
2.5. Distribución geométrica
2.6. Distribución multinominal
2.7. Distribución de Poisson
2.7.1. Aproximación Poisson a la distribución binomial
3.1. Definición de variable aleatoria continúa. Una variable aleatoria continua es una función X que asigna a cada resultado posible
de un experimento un número real. Si X puede asumir cualquier valor en algun
intervalo I (el intervalo puede ser acotado o desacotado), se llama una variable
aleatoria continua. Si puede asumir solo varios valores distintos, se llama una variable
aleatoria discreta.
Si X es una variable aleatoria, estamos frecuentemente interesado en la probabilidad
de que X asume un valor en cualquier rango. Por ejemplo, si X el último precio
cotizado del las acciones de Conglomerado Colosal, y observamos que el precio está
entre $10 y $20 60% del tiempo, diríamos
3.2.funcion densidad y acumulativa
3.3. la media , varianza y desviación standar
3.4 . Distribución uniforma y exponencial
3.5. Distribución normal
3.6. teorema de chebyshev
4.1. Regresion de probabilidad simple y curvilínea
4.1.1. Distinguir entre variable dependiente e independiente. Variable dependiente. Es la variable central de la investigación; a través
de ella se miden los cambios ocasionados por la variable independiente en
la población estudiada. Por ejemplo, cáncer de pulmón, conocimiento,
destreza, satisfacción y utilización de un servicio.
Variable independiente. Determina a la variable dependiente. Es la que
va a ocasionar los cambios en la población estudiada. Por ejemplo, número
de cigarros fumados al día, intervención educativa, capacitación, calidad de
atención y percepción de necesidad de salud
4.1.2. Definir ecuación de regresión y cual es su aplicación
4.1.3. Aplicar el método de mínimos cuadrados para determinar la recta,
parábola ó curva que ¿mejor se ajuste a un conjunto de datos?
4.2 Correlación
5.1. Distribuciones de Probabilidad de una variable aleatoria continua
5.2. Media Varianza de una Variable Aleatoria Continua
5.3. Distribución De Probabilidad T-Student. La ecuación para la función de densidad t no se presentara aquí, pero se dan
algunas indicaciones para su obtención en los ejercicios del final del capitulo. Como la
función de densidad normal estándar, la función de densidad t es simétrica con
respecto a cero, además, para v > 1, E( T ) =0 y para v > 2, V ( T ) = v / ( v - 2 ). Así
vemos que una variable aleatoria con una distribución t tiene el mismo valor
esperado que una variable normal estándar. Sin embargo, una variable aleatoria
normal estándar siempre tiene una varianza de 1, mientras que la varianza de una
variable aleatoria con una distribución t siempre es mayor que 1.
En al figura 7.2 se muestran las gráficas de una función de densidad normal
estándar y de una función de densidad t. Nótese que ambas funciones de densidad
son simétricas con respecto al origen, pero que la densidad t tiene mas masa
probabilística en las colas.
Normal
5.4. Distribución De Probabilidad Tipo Gamma
5.5. Distribución De Probabilidad Tipo Beta
5.6. Distribución De Probabilidad C2 y F
5.7. Distribución De Probabilidad Wiebull
5.8. Teorema de Combinación Lineal de Variables Aleatorias y Teorema del Limite Central.
5.9 Muestreo : Introducción al muestreo y tipos de muestreo
5.10 Teorema de limite central
5.11. Distribución central de la media
5.12. Distribución muestral de diferencia de medias
5.13. Distribución muestral de la proporción
5.14. Distribución normal de la diferencia de las proporciones
5.15. Distribución muestral de la varianza
5.16. Distribución de la Muestral de la Relación de Varianzas
6.1. Introducción. A la inferencia estadística le interesa sacar conclusiones de un gran número de
acontecimientos (población), fundándose en las observaciones de una parte de los mismos
(muestra).
La estadística nos proporciona herramientas que formalizan y uniforman los procedimientos
para sacar conclusiones siempre que las muestras seleccionadas sean representativas de la
población que han sido extraídas. Esta representatividad permite extender los valores que
describen a las muestras (estadísticos), tales como la media, la desviación típica, un coeficiente
de correlación, a la población correspondiente, es decir, la media o la desviación típica
(estadísticos) pueden tomarse como estimadores de los parámetros µ y s, valores que
caracterizan a la población.
Los estadísticos, valores obtenidos en la muestra, son, pues, estimadores de los parámetros
correspondientes (valores de la población)
6.2. Caracteristicas de un Buen Estimador
6.3. Estimación Puntual
6.3.1. Metodos
6.3.2. Maxima Verisimilitud
6.3.1.2. Momentos
6.4. Intervalos de Confianza para la Media
6.6. Intervalo de Confianza para la Proporción
6.7. Intervalo de Confianza para la Diferencia de Proporciones.
7.1 Introducción
7.2. Errores tipo I y tipo II.
7.3. Potencia de la prueba
7.4. Formulación de la hipótesis estadística. En la prueba de hipótesis se pone a prueba un reclamo hecho sobra la
naturaleza de una población a base de la información de una muestra. El
reclamo se llama hipótesis estadística.
Hipótesis Estadística: Una hipótesis estadística es un reclamo hecho
sobre la naturaleza de una población.
Por ejemplo, la premisa formulada por un productor de baterías para autos
de que su batería dura en promedio 48 meses, es una hipótesis estadística
porque el manufacturero no inspecciona la vida de cada batería que él
produce.
Si surgieran quejas de parte de los clientes, entonces se pone a prueba el
reclamo del manufacturero. La hipótesis estadística sometida a prueba se
llama la hipótesis nula, y se denota como H0.
7.5. Prueba de hipótesis para la media
7.6. Prueba de hipótesis para la diferencia de media
7.7. Prueba de hipótesis para la proporción
7.8. Prueba de hipótesis para la diferencia de proporciones
7.9. Prueba de hipótesis para la varianza
7.10. Prueba de hipótesis para la relación de varianza
8.1. Prueba C2
8.2. Prueba kolmogorov – Somimov
8.3. Prueba de Anderson – Darling. La mayoría de los métodos estadísticos asumen una cierta distribución en la
derivación de sus resultados. Sin embargo, cuando se asume que nuestros datos
siguen una distribución específica, tomamos un riesgo serio. Si nuestra
consideración es errónea, los resultados obtenidos pueden ser no validos. Por
ejemplo, los niveles de confidencia de los intervalos de confianza (IC) o las
pruebas de hipótesis implementados [2, 7] pueden estar completamente
equivocados.
Las consecuencias de especificar mal una distribución puede resultar ser muy
costoso. Una forma de tratar con este problema es verificar las consideraciones de
la distribución cuidadosamente.
Existen 2 enfoques principales para verificar la distribución a considerar [2, 3, y 6].
Uno implica procedimientos empíricos, los cuales son fáciles de entender e
implementar y son basados en intuición y en las propiedades gráficas de la
distribución que se desea probar. Los procedimientos empíricos pueden ser
usados para verificar y validar la distribución a considerar. Varias de ellas han sido
discutidas a profundidad en otros artículos [8,9, y 10].
Examen: Curso Probabilidad y Estadísticas I
Entendemos que los adultos que trabajan no tienen tiempo de regresar a la escuela. Ahora es posible obtener un título desde la comodidad de su hogar y todavía tener tiempo para usted y su familia. La oficina de admisiones está para ayudarlo, para obtener información adicional o para saber si es candidato para incorporarse a nuestros programas, por favor contáctenos. Si ya está listo para inscribirse, por favor mande su solicitud en línea y adjunte su currículum vitae y cualquier duda o comentario que tenga (Aplicación en Línea) (Solicitar Informes).
Atlantic International University
800-993-0066 (Gratis en EUA)
808-924-9567 (Internacional)