1.-¿Qué es una variable aleatoria?

Una variable aleatoria es una función que asocia un número real con cada elemento del espacio muestral.
Esta función se llama variable por que puede tomar diferentes valores, y se llama también aleatoria porque
los valores que toma son al azar, y es medible porque se puede calcular su probabilidad.
Los estadísticos utilizan planes de muestreo ya sea para aceptar o para rechazar lotes de materiales.
Suponga que uno de los planes de muestreo implica el muestreo independiente de 10 artículos de un lote de
100 de ellos.
Sea X la variable aleatoria definida como el número de artículos que están defectuosos en la muestra de 10.
En este caso, la variable aleatoria toma los valores 0, 1, …, 9, 10.

2.-¿Qué se entiende por función de densidad acumulada (FDA)?

La función de distribución acumulada (ADF) calcula la probabilidad acumulada de un valor dado de x. Utilice
la CDF para determinar la probabilidad de que una observación aleatoria que se toma de la población sea
menor que o igual a cierto valor. También puede usar esta información para determinar la probabilidad de
que una observación sea mayor que cierto valor o se encuentre entre dos valores.
La función de densidad acumulada ó función de probabilidad acumulativa F(x) de la variable aleatoria
discreta X, cuya distribución de probabilidad es P(x), es la probabilidad de la variable X sea menor o igual al
valor x.

o La función de densidad acumulada puede tomar valores entre 0 y 1

o
o La función de densidad acumulada no es decreciente en x, i.e.

Ejemplo de uso de la CDF para evaluar pesos de llenado

Por ejemplo, los pesos de llenado de una lata de gaseosa siguen una distribución normal, con una media de
12 onzas y una desviación estándar de 0.25 onzas. La función de densidad de probabilidad (PDF) describe la
probabilidad de valores posibles de peso de llenado. La CDF proporciona la probabilidad acumulada de cada
valor de x.

La CDF para pesos de llenado en cualquier punto específico es igual al área que se encuentra por debajo de
la curva PDF a la izquierda de ese punto.
Utilice la CDF para determinar la probabilidad de que una lata de gaseosa seleccionada aleatoriamente
tenga un peso de llenado menor que 11.5 onzas, mayor que 12.5 onzas o entre 11.5 y 12.5 onzas.

La probabilidad de que una lata de gaseosa seleccionada aleatoriamente tenga un peso de llenado menor
que o igual a 11.5 onzas es la CDF en 11.5 o aproximadamente 0.023.

La probabilidad de que una lata de gaseosa seleccionada aleatoriamente tenga un peso de llenado mayor
que 12.5 onzas es 1 menos la CDF en 12.5 (0.977) o aproximadamente 0.023.

La probabilidad de que una lata de gaseosa seleccionada aleatoriamente tenga un peso de llenado entre
11.5 onzas y 12.5 onzas es la CDF en 12.5 menos la CDF en 11.5 o aproximadamente 0.954.

3.-¿Qué se entiende por función de densidad de probabilidad (FDP)?

La función de densidad de probabilidad ayuda a identificar regiones de mayores y menores

probabilidades para valores de una variable aleatoria.
Ejemplo de una PDF discreta
Para una variable discreta, la PDF proporciona los valores de probabilidad para valores dados de x. Por
ejemplo, una fábrica de caramelos produce un solo tipo de caramelo en múltiples colores. El 30% de los
caramelos producidos son amarillos, 10% anaranjados, 10% rojos, 20% verdes y 30% azules.
PDF discreta
Esta gráfica de barras muestra la PDF por color de caramelo. Cada barra representa la probabilidad de
caramelos de ese color expresada como un porcentaje.
Ejemplo de una PDF continua
La función de densidad de probabilidad (PDF) es una ecuación que representa la distribución de
probabilidad de una variable aleatoria continua. Por ejemplo, una máquina que corta corchos para botellas
de vino produce corchos de diferentes diámetros. En la siguiente gráfica de barras de los diámetros de los
corchos, cada barra representa el porcentaje de corchos con ese diámetro correspondiente.

PDF continua
La curva es la PDF para el diámetro del corcho. Utilice la PDF para identificar regiones de mayores y
menores probabilidades de valores de una variable aleatoria. Por ejemplo, solo un pequeño porcentaje de
corchos (1%) tiene un diámetro por debajo de 2.8 cm.

La función de densidad de probabilidad es una teoría para definir cómo se distribuye una variable
numérica en una población. Es una teoría o una función matemática que viene a ser lo mismo.
Pero, ¿para qué sirve la Función de Densidad de Probabilidad?
1. Tener una teoría de la distribución de una variable numérica en una población
2. Calcular la probabilidad de ocurrencia. El área debajo de la curva
3. Tener distribuciones de referencia cómo la distribución normal

4.-¿Cómo se hace la prueba de bondad de ajustes?

Las pruebas de bondad de ajuste tienen por objetivo determinar si los datos se ajustan a una determinada
distribución. Además se clasifican en dos tipos:
  Prueba de bondad de ajustes paramétricas. (chi cuadrado)
 Prueba de bondad de ajustes no paramétricas. (kolmogorov-smirnov)

Prueba de bondad de ajustes paramétricas. (chi cuadrado)

Prueba de bondad de ajustes no paramétricas. (kolmogorov-smirnov)
Si se tiene una muestra de variables aleatorias X:x1, x2, x3, . . ., xn se define la función de distribución
empírica de la muestra:

0 , X  x(1)
i 1 , x ( i 1)  x  x ( i )
Fe( X i ) n
= para
i  1,2,...,n
1 X  x (n )

Donde x(1), x(2), x(3), . . ., x(n) constituyen la muestra ordenada de menor a mayor. El estadístico de prueba
para este test de Bondad de Ajuste se basa en la mayor distancia entre la distribución empírica de los datos
Fe(x) y la distribución teórica que suponemos para la población F(x), entonces:

D  Max Fe( x)  F ( x)

pero D  Max D  , D  
El valor p es el nivel de significación alcanzado de una prueba. Esta cantidad es un estadístico que
representa el mínimo valor de  para el cual se rechaza la hipótesis nula.

Prueba de homogeneidad de la varianza

Esta prueba se utiliza para probar hipótesis acerca de la igualdad de varianza de una variable. La hipótesis
nula para la prueba de homogeneidad de varianza es que la variable exhibe igual varianza dada frente a la
alternativa de que la variable no exhibe igual varianza.

Para su cálculo se siguen los siguientes pasos:

1.- Calcular la diferencia (en valor absoluto) entre cada valor y la media de su grupo:

donde...
Xij: es la puntuación del sujeto i perteneciente al grupo j.

j: es la media del grupo j.

2.- Calcular la media de las diferencias de cada grupo:

donde...

Dij: es la suma de las puntuaciones D en el grupo j.

nj: es el tamaño del grupo j.
3.- Calcular la media total de las diferencias:

donde...
 Dij: es la suma de las puntuaciones D de todos los sujetos.
N: es la suma de todos los sujetos.
4.- Calcular la suma de cuadrados intragrupo (SCintra):

5.- Calcular la suma de cuadrados intergrupo (SCinter):

6.- Calcular los grados de libertad:

G.L.(inter) = k -1; siendo k el número de grupos.

G.L.(intra) = ; siendo nj el tamaño muestral del grupo j.

7.- Calcular la media cuadrática intergrupos (MCinter)= SCinter / G.L.inter
8.- Calcular la media cuadrática intragrupos (MCintra)=SCintra / G.L.intra
9.- Calcular la F = MCinter / MCintra

Ejemplo:
5.-¿Cómo se hace para estimar parámetros?
parámetro: característica de la población, como la media y la varianza (o desviación típica) en la
distribución normal o la probabilidad de éxito en la binomial son parámetros. si conocemos su valor (o si
somos capaces de aproximarlo con suficiente precisión) podremos responder a cualquier pregunta sobre la
distribución.

Estimación de parámetros
la teoría clásica de la inferencia estadística trata de los métodos por los cuales se selecciona una muestra de
una población y, basándose en las pruebas de las muestras, se trata de:
* estimar el valor de un parámetro desconocido, por ejemplo q .
* verificar si q es o no igual a cierto valor predeterminado, por ejemplo q 0.
el primero de estos dos procedimientos, de inferir de una muestra a una población, se llama estimación de
un parámetro; el segundo, prueba de una hipótesis acerca de un parámetro.
dentro del primer procedimiento, la estimación de un parámetro puede tener por resultado un solo punto
(estimación puntual), o un intervalo dentro del cual exista cierta probabilidad de encontrarlo (estimación
por intervalos).
un estimador puntual es un único punto o valor, el cual se considera va a estimar a un parámetro. la
expresión e( ) = m sugiere que el único valor de es un estimador puntual insesgado o no viciado de m .
un estimador por intervalo se construye sobre el concepto de un estimador puntual, pero además,
proporciona algún grado de exactitud del estimador. como el término lo sugiere, un estimador por intervalo
es un rango o banda dentro de la cual el parámetro se supone va a caer.

6.-¿Qué es una Ola pulsante?

Este tipo de fenómeno fue reportado ya a principios de siglo, y algunos años después fue relacionado con el
concepto de inestabilidad del flujo, desarrollado teóricamente por varios autores. Según esta teoría, cuando
la velocidad de flujo supera un valor límite, cualquier perturbación, por pequeña que ésta sea, tiende a
acentuarse y no a atenuarse como sería la situación normal. Fue Vedemikov (1946) el primer investigador
que desarrolló una expresión general que se puede aplicar a canales de cualquier forma de sección en flujo
turbulento. Usando las ecuaciones de Saint-Venant con el término de fricción expresado en la forma
monomia: J=vr / (K2 R2m), (v=velocidad media del flujo, R=radio hidráulico, K=coeficiente de rugosidad, p,
m=exponentes), el autor halló que el flujo será inestable si el llamado número de Vedernikov Ve supera el
valor de l. Ve está dado por la expresión:

M = Coeficiente de forma dado por: M = 1-R dP / dA. (P=perímetro, A=Area mojada).

Fo= Número de Froude del flujo no perturbado:
Fo=v*(gy)-os (v=velocidad media, g=gravedad, y=profundidad media). Los exponentes p y m dependen de
la ecuación usada para el término de fricción. Así para la ecuación de Chezy p=2, m=l /2, y para la de
Manning p=2, m=2/3. Por otro lado, en el caso de canales rectangulares M=b / (b+2y). (b=ancho del canal).
Usando estas relaciones y la ecuación de Manning, la ecuación (1) se puede escribir de la siguiente manera
para canales rectangulares:

Tomando en cuenta que el valor de Ve=l representa el límite entre flujo estable e inestable, existe una forma
alternativa de la ecuación l. Definiendo:

El flujo será inestable cuando Fo supere el valor límite P. Para un canal de ancho infinito (M=l), los valores
de P son, respectivamente:
P = 2 (Chezy)
P = 3/2(Manning)
El hecho de que el valor de P dependa de la ecuación usada para el término de fricción, muestra las
limitaciones de la teoría. Para canales rectangulares, con la ecuación de Manning, la ecuación (3) puede
escribirse así:

Las ecuaciones (3) y (4) ponen en evidencia que la inestabilidad se produce más fácilmente en canales
anchos (Pes menor en estos casos), y que el flujo debe ser supercrítico. En base a un proceso teórico-
experimental muy interesante, Montuori (1961) llega a introducir el concepto de distancia de formación de
onda pulsante. Si bien varios autores habían observado que las ondas pulsantes se hacían perceptibles sólo
a una cierta distancia del principio del canal, es este autor quien por primera vez analiza teóricamente el
problema. Las ecuaciones y gráficas resultantes permiten determinar la posibilidad de formación de ondas
en base al número de Vedernikov y la variable adimensional Mo definida por el autor, que incluye la
longitud L del canal:

donde:
Mo= gS -L (5) v2 S = Pendiente del canal (se recomienda usar la pendiente de fricción S1 )
v =Velocidad del flujo no perturbado (sin ondas)

Montuori se vio forzado a determinar una constante empírica para resolver sus ecuaciones. Una solución
más general y completa de estas ecuaciones se puede encontrar en el trabajo de Liggett (1975). Sus
resultados son estrictamente aplicables sólo al caso en que el flujo no perturbado sea uniforme. Ljatkher
(1968) proporcionó una interesante hipótesis sobre la formación de ondas pulsantes, atribuida por el autor
a la resonancia de las oscilaciones de la superficie con los vórtices turbulentos del fondo Todo lo anterior se
aplica a flujo turbulento y aguas claras. Más recientemente Berlamont y Vanderstappen (1981), Julien &
Hartley (1986) y otros autores han ampliado la teoría de inestabilidad a flujo laminar, mostrando que en
este tipo de flujo la inestabilidad y las ondas pulsantes se pueden formar para números de Froude tan bajos
como 0,5, es decir en velocidades subcríticas. El flujo laminar puede presentarse en casos de escurrimiento
poco profundo. Engelund y Wan {1984) reportaron por primera vez la presencia de oscilaciones superficiales
en torrentes naturales en China, con concentraciones altísimas de sedimentos en suspensión (superiores a
50% en volumen). Trowbridge {1987) asoció esas oscilaciones a la teoría de inestabilidad, ampliándola para
incluir comportamientos plásticos, mostrando que en éste último caso la inestabilidad se presenta hasta
Fo=0,25.