Intervalos de confianza. Estadística aplicada a la empresa II Prof. D. Juan José Pérez Castejón
|
|
- Magdalena Valenzuela Pérez
- hace 7 años
- Vistas:
Transcripción
1 Intervalos de confianza Estadística aplicada a la empresa II Prof. D. Juan José Pérez Castejón 1
2 INTERVALOS DE CONFIANZA. La técnica estadística de estimación por intervalos de confianza surge frente a la de estimación puntual. Esta última no puede ser considerada un técnica inductiva en el sentido pleno de ese término pues sus resultados no son acompañados de medidas que cuantifiquen su grado de fiabilidad. En cualquier ciencia, cuando se estima que una magnitud vale c o con un error máximo de e o unidades, una forma de indicar tal cosa es señalar que esa magnitud se encuentra en el intervalo (c 0 e 0, c 0 +e 0 ). La Estadística adopta ese mismo formato pero al error máximo e 0 solo está en condiciones de asegurarle un cierto grado de fiabilidad, por lo que el intervalo anterior debe ir acompañado de una medida de ella. La combinación de los dos elementos señalados en el párrafo anterior es lo que se conoce como una estimación estadística por intervalo de confianza. Definición de intervalo de confianza y de otros elementos relacionados. Examinemos el siguiente ejemplo: Ejemplo 1: La compañía Manufacturas Textiles quiere disminuir el tiempo que sus obreros tardan en confeccionar una pieza. Con ese fin decide probar una nueva maquinaria con 18 de ellos seleccionados aleatoriamente. Tras aleccionarlos convenientemente en su uso, les hace a cada uno emplearla para elaborar una pieza. El tiempo que en ello consumen se muestra en la tabla. Se admite que la dispersión de lo que tarda cada trabajador en la tarea no es alterada por la nueva maquinaria. En particular, la desviación típica de esa variable se mantiene en el nivel de 5.5 minutos en el que se encontraba establecida. Se pretende realizar una estimación por intervalo, del tiempo medio que consumen los trabajadores con la nueva maquinaria. La variable se puede considerar distribuida normalmente. Minutos consumidos por cada trabajador Prof. D. Juan José Pérez Castejón
3 En la situación que acabamos de describir, la característica de interés X en la población analizada el tiempo que un obrero tarda en confeccionar una pieza empleando la nueva maquinaria sigue una distribución N(µ,σ =5.5 ). La atención se centra en el único parámetro desconocido µ=e(x). Para aumentar inductivamente la información que se dispone sobre él, se ha decidido realizar su estimación por intervalo. Para ello, se dispone de una m.a.s. X 1,...,X n con n=18 y los X i ~N(µ,5.5 ) independientes entre sí. El único resultado inductivo que hasta ahora sabemos obtener acerca del parámetro µ es su estimación puntual, estimación que por la razón comentada en la introducción no nos satisface plenamente. Para poblaciones normales, el estimador eficiente de µ es la media muestral X = 18 i= 1 X 18 i = 73.1 Olvidándonos de su realización concreta en esta muestra, ese estadístico tiene un comportamiento estocástico conocido sobre el que podemos realizar la siguientes afirmaciones: σ 5.5 X µ X ~ N( µ, = = 1.96 ) Z ~ N(0,1) n X µ P( 1.96 < Z = < 1.96) = Si consideremos las desigualdades que definen ese suceso y la siguiente transformación algebraica de equivalencia de ellas: X µ 1.96 < < 1.96 X.54 < µ < X tendremos que se cumple la igualdad: P (X.54 < µ < X +.54) = P( 1.96 < Z < 1.96) = 95% µ Prof. D. Juan José Pérez Castejón 3
4 Como consecuencia de todo lo anterior, el intervalo ( X.54, X +.54) cumplirá: que es un intervalo aleatorio de la recta real. que tiene una probabilidad del 95% de contener a µ. Por otro lado, ( , )=(70.56,75.64) es su realización muestral y cumple: no sabemos si contiene a µ. podemos cifrar en un 95% la confianza en que sea una de las realizaciones del intervalo aleatorio que sí la contienen. Es por ello la estimación en forma de intervalo de confianza para µ buscada. Este ejemplo nos sugiere ya los dos conceptos básicos asociados con la técnica de estimación por intervalo de confianza. Para definirlos formalmente, establezcamos las HIPÓTESIS GENERALES bajo las que realizaremos este tipo de inducción: La distribución de la variable X estudiada en la población de interés ha sido especificada a excepción de unos determinados parámetros desconocidos π, X~f π (x). Se desea realizar inducción sobre π, en particular, se pretende realizar una estimación por intervalo de confianza de cierta función suya h(π). Se dispone de una muestra X 1,...,X n (no necesariamente aleatoria) de la población, X i ~f π (x). En esas circunstancias estamos en condiciones de efectuar las dos definiciones siguientes: Definición: Dados dos estadísticos muestrales S(X 1,...,X n ) y T(X 1,...,X n ), diremos que el intervalo aleatorio (S,T) es un intervalo aleatorio para h(π) de probabilidad c si P π (S<h(π)<T)=c para todo valor de π posible. Definición: Sea un intervalo (S,T) como el de la definición anterior. Sea x 1,...,x n una realización de la muestra. Denominaremos intervalo de confianza de nivel c a su realización muestral correspondiente, (S(x 1,...,x n )=s,t(x 1,...,x n )=t). Prof. D. Juan José Pérez Castejón 4
5 El intervalo de confianza definido en último lugar, será la estimación buscada para h(π). PRECISIONES. Es necesario resaltar algunos hechos explícita o implícitamente señalados en las definiciones anteriores: h(π) es una cantidad unidimensional. La estimación conjunta de confianza de varias cantidades exige definiciones específicas de las que vamos a comentar algo pero muy por encima. Por otro lado, el requerimiento no afecta al parámetro poblacional π, que sí que puede estar compuesto de más de una componente. Si la cantidad a estimar h(π)=(h 1 (π),...h r (π)) tiene dimensión r>1, entonces, la definición anterior debería ser extendida para permitir la posibilidad de que el conjunto donde confiemos que esté la cantidad desconocida sea una región de R j que contenga de manera conjunta a los j valores desconocidos. Sólo indicaremos que lo que se hace en ese caso es hablar de regiones aleatorias S(X 1,...,X n ) R r. De una región aleatoria como esa se dice que es de probabilidad c para h(π) si P π (h(π) S)=c para todo valor de π. Una realización muestral suya S(x 1,...,x n ) se conoce como una región de confianza c para h(π). Para que la realización del intervalo aleatorio (S,T) de lugar a un intervalo de confianza que podamos situar con exactitud en la recta real, es necesario que las expresiones de S y T no vengan dadas en función de ninguna cantidad desconocida, en particular, han de ser independientes de π. La igualdad P π (S<h(π)<T)=c debe cumplirse para todo valor de π posible pues esta es la única forma de que después, una vez obtenida la estimación por intervalo de confianza, en ella podamos depositar la confianza c que se ha señalado. Dos criterios se oponen a la hora de seleccionar c. Por un lado el deseo de poder depositar la mayor fiabilidad posible en la estimación. Por el otro, el deseo de obtener una estimación lo más precisa posible, precisión que viene dada por la longitud del intervalo T-S y que disminuye al aumentar c. Es posible hallar otros tipos de conjuntos de confianza en la recta real, diferentes de los intervalos, para una cantidad Prof. D. Juan José Pérez Castejón 5
6 unidimensional. Métodos de construcción de intervalos de confianza. El método pivotal. El método práctico más útil para construir intervalos de confianza es el método pivotal o método del pivote. Su aplicación procede en cuatro etapas que coinciden con las que se han seguido al resolver el Ejemplo 1. Etapa 1: Hallar el estadístico pivotal o estadístico pivote, V π (X 1,...,X n ). Este estadístico se debe caracterizar por el hecho de que su distribución de probabilidad esté libre de parámetros desconocidos, en particular, no puede depender de π. Etapa : Seleccionar dos percentiles de V π, q 1 y q, tales que P(q 1 <V π <q )=c. La propiedad que caracteriza a V π asegura que esos percentiles también serán constantes conocidas independientes de π. Etapa 3: Pivotar sobre las desigualdades q 1 <V π <q para llegar a otras equivalentes S(X 1,...,X n )<h(π)<t(x 1,...,X n ) que tengan la forma de intervalo aleatorio para h(π). El proceso debe ser tal que S y T no dependan de π y que las desigualdades finales sean equivalentes a las iniciales. En ese caso, se tendrá que P π (S<h(π)<T)=P(q 1 <V π <q )=c por lo que el intervalo (S,T) será un intervalo aleatorio de probabilidad c para h(π). Etapa 4: Una vez observada la muestra, X 1 =x 1,...,X n =x n, el intervalo (s,t) donde S(x 1,...,x n )=s y T(x 1,...,x n )=t es un intervalo de confianza de nivel c para h(π). A lo largo de las etapas que componen el método pivotal, la aplicación de algunos pasos hace surgir algunas dudas cuya aclaración requiere ampliar los comentarios que se han hecho. Veámoslas. Es siempre posible hallar un estadístico pivotal?. Y en todo caso, cómo proceder a su búsqueda?. Prof. D. Juan José Pérez Castejón 6
7 Para proceder a buscar el estadístico pivote se puede tomar como punto de partida, un estimador de π, por ejemplo, el estimador máximo verosímil. Por supuesto, en ese estadístico serán necesarias las transformaciones pertinentes que lo conviertan en un estadístico pivotal válido con distribución independiente de π. Incluso como inicio de esa misma búsqueda se puede escoger un estadístico suficiente para π. Si ya se dispone de un estadístico pivotal, el proceso de pivotar es siempre factible? Se puede demostrar que si V π (x 1,...,x n ) la función determinista a partir de la que se define el estadístico pivotal y la cantidad que se desea estimar h(π) tienen ambas un comportamiento monónotono como funciones de π que aquí supondremos unidimensional, el proceso de pivotar está, teóricamente al menos, asegurado. De no cumplirse ea condición, tal vez se pueda aún pivotar aunque quizá ocurra que no se llegue a un conjunto aleatorio de R que tenga forma de intervalo. Es posible siempre usar el nivel de confianza c deseado?. La clave para poder hacerlo radica en encontrar los percentiles q i adecuados. Obviamente ello va ser siempre posible si la distribución de V π es de tipo continuo, aunque no está asegurado que existan en el caso discreto. Caso de no poder hallar los percentiles que precisemos, tomaremos como norma de conducta escoger aquellos que den el nivel de confianza superior más cercano posible al inicialmente buscado. Caso de existir los q i para un valor de c determinado, son siempre únicos?. Si no lo son hay algún criterio para seleccionar los más adecuados?. Es obvio que de existir, los q i no tiene porqué ser únicos. De hecho, en el caso de estadísticos pivotales de tipo continuo, la no unicidad está asegurada. De no ser únicos, sí que existe un criterio válido para seleccionarlos. Tal criterio requiere volver a considerar el aspecto de la precisión en la estimación, precisión que viene dada por T S. Parece adecuado que empleemos aquellos q i que provoquen la menor imprecisión en la estimación. Se trataría de escoger los que Prof. D. Juan José Pérez Castejón 7
8 resuelvan el siguiente problema: Min: T(X 1,...,X n ) S(X 1,...,X n ) s.a.: P(q 1 <V π <q ) = c En el caso del Ejemplo 1, la forma de S y T para los distintos q i posibles serías = X 1.96q y T = X 1.96q1, por lo que el problema de minimización anterior quedaría convenientemente expresado de la forma siguiente: Min: T S = 1.96 (q q 1 ) s.a.: P(q 1 <N(0,1)<q ) = 0.95 Su resolución mediante su correspondiente función lagrangiana L(q 1,q, λ) = 1.96(q q 1 ) λ q q 1 1 e π 1 x dx 0.95 es bastante sencilla y lleva a los dos percentiles simétricos que ya se comentaron: z (1-0.95)/ y z (1+0.95)/ = z (1-0.95)/. La notación que se ha utilizado para esos percentiles es la habitual en inferencia. Con la letra z se denotan los percentiles de una N(0,1) y con el subíndice, se hace referencia a la probabilidad que dejan a su derecha, esto es, z k indica un número tal que P(N(0,1) z k )=1 k. Hay que advertir que el problema anterior no siempre encuentra una solución tan sencilla, y que, a veces, tal solución ni siquiera existe. Por ello, con frecuencia se trabaja con valores de los percentiles que únicamente son aproximaciones de los verdaderos valores óptimos. Conviene cerrar las referencias al método pivotal con un nuevo ejemplo de cómo se aplica. Su examen nos servirá incluso para insistir en algunos aspectos comentados en relación a las definiciones fundamentales de este tema. El nuevo ejemplo consiste en una revisión del análisis dado al Ejemplo 1 anterior. Ejemplo 1 (continuación): Como resulta difícilmente creíble, eliminemos la hipótesis de que la dispersión en el tiempo consumido por los trabajadores empleando la nueva maquinaria, no se modifica. Cómo obtener en ese caso una estimación por intervalo de µ? Ahora la variable X sigue una distribución N(µ,σ ). El parámetro desconocido es π=(µ,σ) y la cantidad a estimar es h(π)=µ. Prof. D. Juan José Pérez Castejón 8
9 Aunque el resultado Z X µ ( σ n) ~ N(0,1 ) sigue siendo válido, deja de ser útil para realizar inducción pues la cantidad desconocida σ que aparece en su denominador genera intervalos inadecuados en los que sus extremos S y T dependen de esa cantidad no conocida. De temas anteriores, sabemos que el estadístico que se obtiene sustituyendo σ en la expresión de Z por su estimador muestral S X cumple que: S X X µ ~ t n 1 Su posible papel como nuevo estadístico pivotal se ve confirmado por el hecho de que resulta inmediato pivotar con él, generando el siguiente intervalo aleatorio: X q S X,X q n 1 1 n 1 S X n 1 En esa expresión, aún queda pendiente la selección de los q i. Según lo ya comentado, esos dos percentiles se pueden escoger iguales a los que resuelvan el siguiente problema de minimización: SX Min: (q q1) n 1 s.a.: (q t < q ) c P 1 < n 1 = Su resolución es análoga a la del problema de minimización ya examinado en el análisis inicial del Ejemplo 1, dando lugar a los valores q = t n-1,(1-c)/ y q 1 = t n 1,(1+c)/ = t n-1,(1-c)/ = q. En esas dos igualdades, hemos usado el convenio notacional por el que t n,k representaría la cantidad tal que P(t n t n,k )=1 k. Finalmente, emplearemos los datos muestrales para sustituirlos en las fórmulas obtenidas. Seleccionando dos niveles de confianza adecuados, c=95% y c=99%, se obtiene las siguientes estimaciones en minutos para µ. Con una confianza del 95%, µ está entre m. y m. Con una confianza del 99%, µ está entre m. y m. Comparando los resultados conseguidos bajo uno y otro planteamiento del Ejemplo 1, aún es posible derivar interesantes Prof. D. Juan José Pérez Castejón 9
10 conclusiones adicionales. Las expresiones de los intervalos a las que se ha llegado, según que se suponga σ conocida o no, son: σ conocida: z σ desconocida: X tn X (1 c), (1 c) 1,(1 c) σ X + z n S X, X + t n 1 σ n n 1,(1 c) S X n 1 De su examen y comparación se deduce que: La forma general estimación puntual ± error máximo, anunciada para los intervalos, se confirma como la que normalmente estos adoptan. Siempre se debe tener presente que el nivel de confianza señala la fiabilidad que se puede depositar en que realmente ese sea el error máximo cometido. El error máximo que se confía haber cometido aumenta con la fiabilidad que queramos darle y con la varianza de la estimación puntual. La necesidad de estimar el error debido a la presencia de parámetros molestos desconocidos provoca menor precisión. Como intuitivamente se puede prever, mayor tamaño muestral y el consiguiente aumento en la cantidad de información disponible, provoca estimaciones estadísticas mas precisas. Intervalos de confianza asintóticos. Usando combinadamente el método pivotal y resultados asintóticos, se obtienen intervalos que son asintóticamente válidos. Esto significa que su nivel de confianza es solo aproximado y que tal aproximación es aceptable únicamente si la muestra es lo bastante grande. Por ello siempre es preferible usar un resultado en muestra finita si es posible. Revisaremos dos casos concretos donde se presenta la posibilidad de usar combinadamente los dos elementos citados. Por supuesto, existen otras situaciones en las que un desarrollo análogo puede ser aplicado: Estimación por intervalo de E(X) mediante X dada una especificación paramétrica cualquiera de la distribución de la población, e incluso, sin ninguna especificación concreta para ella. Estimación por intervalo de π unidimensional mediante su Prof. D. Juan José Pérez Castejón 10
11 estimación máximo verosímil ˆπ. Los resultados asintóticos a usar en cada una de esas dos opciones son, respectivamente: N( µ, var (X)). X d π πˆ d N( π,cotacr( π)) De ellos se derivan los siguientes estadísticos pivotales de validez asintótica: X µ d Z N(0,1 ) var (X) π πˆ π d Z N(0,1 ) cotacr( π) En principio, el método pivotal debe utilizarse con esos estadísticos, de la forma como se empleó con el estadístico Z del Ejemplo 1. Sin embargo, la dependencia respecto de π que presentan los denominadores de ambos estadísticos puede complicar el proceso de pivotar. Si así ocurriera, las propiedades de la convergencia en ley permiten sustituir ambos denominadores por una estimación consistente suya. A su vez, las propiedades de la convergencia en probabilidad permiten que tal estimación se pueda hallar sustituyendo en las expresiones función de π de ambas cantidades, ese parámetro desconocido por alguna de sus estimaciones que sea consistente, por ejemplo, la propia estimación máximo verosímil. Todo ello, daría lugar a los siguientes estadísticos pivotes asintóticos alternativos: X µ X µ d Z = N(0,1 ) vâr (X) var (X) π πˆ πˆ π πˆ π d Z = N(0,1 ) cotˆ acr( π) cot acr( πˆ ) Empleándolos, se obtienen los siguientes intervalos aleatorios para E(X) y π respectivamente: ( X z( 1 c) vârπ(x), X + z(1 c) vârπ(x) ) ( πˆ z( 1 c) cotˆ acr( π), π ˆ + z(1 c) cotˆ acr( π) ) Prof. D. Juan José Pérez Castejón 11
12 Una última dificultad puede surgir al aplicar todo lo comentado. Se presentaría en el caso de que expresiones analíticas como funciones de π de la varianza de la media muestral o de la cota CR no fueran factibles. Pero tampoco en esas circunstancias se cierra la posibilidad de disponer de estimadores asintóticos adecuados para esas dos cantidades. Por ser el caso de más sencilla resolución y uno de los que más frecuente se presentan, citaremos lo que se hace en la primera de esas dos situaciones, la de la estimación de E(X). Ahí, la falta de la expresión analítica se puede dar, por ejemplo, si se pretende una estimación de esa media sin ninguna hipótesis paramétrica previa acerca de la distribución de X. Es por tanto una situación de inferencia de tipo no paramétrico, la única de ese tipo que citaremos dentro del ámbito de la estimación por intervalo. Para resolverla, se usa una estimación consistente de la varianza de la media muestral que no esté basada en la expresión analítica de la que se carece. Tal estimación, por lo que sabemos de temas anteriores, se puede conseguir en este caso a través de la varianza muestral si la muestra es aleatoria simple: X vâr (X) = S n π Finalicemos este apartado aplicando el método revisado a un ejemplo: Ejemplo : La compañía NPC ha decidido mejorar la calidad de fabricación de uno de sus principales productos, un componente electrónico. Quiere empezar por estudiar la fiabilidad de los que fabrica actualmente. Con ese fin, selecciona aleatoriamente 60 de ellos y mide el tiempo de funcionamiento continuo que cada uno soporta. Esa variable, medida en días, arroja los resultados indicados en la tabla. Su comportamiento aleatorio sigue una distribución e(1/λ). Se pretende una estimación por intervalo para la esperanza de vida de los componentes. Tiempo de vida de los componentes (medido en días) En la nueva situación planteada, X~e(1/λ), población que cumple que λ=e(x). En consecuencia, con el fin de la estimación que se persigue, cualquiera de los dos métodos asintóticos comentados es adecuado. Aún más, como Prof. D. Juan José Pérez Castejón 1
13 ˆ X = λ y varλ (X) = λ n = cotacr( λ), resulta que ambos métodos son equivalentes pues los estadísticos pivotales correspondientes coinciden: X λ λˆ λ X λ d Z = = N(0,1) var (X) cotacr( λ) λ n λ La dependencia respecto de λ que el denominador de ese estadístico presenta, aconseja su sustitución en este caso, simplemente para poder pivotar mejor por su estimación máximo verosímil: X λ λˆ λ X λ d Z = = N(0,1) var (X) cotacr( λˆ ) X n λˆ El intervalo aleatorio de probabilidad c para λ que se obtiene a partir de él, tiene la siguiente expresión: X X X z(1 c), X + z(1 c) n n Finalmente, los resultados muestrales nos permiten hacer las siguientes estimaciones a tres niveles de confianza diferentes, para la esperanza de vida de los componentes estudiados: Con una confianza del 90%, λ está entre y 53.5 días. Con una confianza del 95%, λ está entre y 6.1 días. Con una confianza del 99%, λ está entre y 78.9 días. Intervalos de confianza en poblaciones normales. Vamos a revisar ahora la expresión y obtención, de los principales intervalos de confianza para poblaciones normales. Supondremos pues, a partir de ahora, que la v.a. X analizada es normal. Para simplificar, añadiremos la hipótesis de que la muestra obtenida de ella, es una m.a.s. Los distintos intervalos que iremos presentando se organizarán según las diferentes situaciones inferenciales que se pueden presentar en este tipo de poblaciones, que coinciden con las que se distinguían cuando analizábamos los más importantes resultados muestrales para poblaciones normales en el tema dedicado a inferencia y estadísticos. De hecho, bajo cada uno de los diferentes epígrafes iremos haciendo uso de los correspondientes resultados que allí se expusieron. Prof. D. Juan José Pérez Castejón 13
14 INTERVALO PARA µ SIENDO σ CONOCIDA. Cuando se desea hace la estimación por intervalo de µ, y σ es una cantidad conocida, a partir del siguiente resultado, Z = (X µ ) /( σ / n) ~ N(0,1), se puede deducir que Z quizá haga el papel de estadístico pivote. Efectivamente, pivotar con él es sencillo y los q i que llevan al intervalo de longitud mínima para un determinado nivel de confianza c son z (1-c)/ y z (1+c)/ = z (1-c)/. De hecho esta situación fue la que se abordó con el primer enfoque que se dio al Ejemplo 1. Recuérdese que el intervalo de confianza σ σ final obtenido fue X z( 1 c), X + z(1 c). n n INTERVALO PARA µ SIENDO σ DESCONOCIDA. X µ En este caso, sabemos que T = ~ t n 1 y de ahí S / n 1 podemos derivar el estadístico pivote T. Como esta situación es a la que nos enfrentamos en el segundo enfoque que dimos al Ejemplo 1, no hace falta repetir todo el desarrollo que lleva a la siguiente expresión final para el correspondiente intervalo de amplitud mínima S S para µ y de nivel c: X tn 1,(1 c), X + tn 1,(1 c). n 1 n 1 INTERVALO PARA σ SIENDO µ CONOCIDA. Cuando se desea hace la estimación por intervalo de σ o σ siendo la media µ una cantidad conocida, el siguiente resultado, T=Σ(X i µ) /σ ~χ n, aporta un estadístico pivote adecuado. Efectivamente, encontrados los q i tales que P(q 1 <T~χ n<q )=c, pivotar sobre las desigualdades en q 1 <T<q es muy sencillo y lleva al intervalo aleatorio (Σ(X i µ) /q )<σ <(Σ(X i µ) /q 1 ) para σ, y a este otro, (Σ(X i µ) /q ) ½ <σ<(σ(x i µ) /q 1 ) ½, para σ. Escoger dos valores para los q i válidos es bastante sencillo pues la distribución χ n está tabulada. Más difícil resulta escogerlos de manera óptima, esto es, que minimicen la longitud del intervalo aleatorio final. De hecho, ese problema tiene una solución que varía con n y también precisa una tabla propia de tabulación. Por todo ello, y para simplificar, lo que habitualmente se hace es tomar la Prof. D. Juan José Pérez Castejón 14
15 siguiente aproximación a sus valores óptimos: q =χ n,(1 c)/ y q 1 =χ n,(1+c)/. Siguiendo con el convenio notacional antes acordado, χ n,k representa la cantidad tal que que P(χ n χ n,k)=1 k. Nótese que mientras que en los dos casos anteriores, los percentiles escogidos eran percentiles simétricos y a dos colas iguales (la cola de probabilidad de la izquierda del menor y la de la derecha del mayor valían lo mismo), ahora, sin embargo, aunque las colas siguen siendo iguales, la simetría desaparece. INTERVALO PARA σ SIENDO µ DESCONOCIDA. Ya se comentó en el tema anterior que, en esta situación, el resultado que afirma que ns /σ ~χ n 1, sería el empleado para hacer inferencia. Efectivamente, en relación con los intervalos de confianza para σ o σ, es el que aporta el estadístico pivote. Procediendo como en al apartado anterior, se llega al siguiente intervalo aleatorio de nivel c para σ : (ns /q )<σ <(ns /q 1 ), donde q =χ n 1,(1 c)/ y q 1 =χ n 1,(1+c)/. El intervalo para σ es muy fácil de obtener a partir de ese otro. Hay que señalar también que tampoco en este caso la selección de los q i es la óptima, sino solo una aproximación a ella. INTERVALO PARA LA DIFERENCIA DE MEDIAS SIENDO LAS VARIANZAS CONOCIDAS. Al comparar las medias µ X y µ Y entre dos poblaciones normales, lo que se precisa a veces es la estimación por intervalo de µ X µ Y. Obtener ese intervalo cuando las varianzas σ X y σ Y son conocidas es bastante sencillo, a partir del resultado que en su momento se razonó: (X Y ( µ X µ Y )) / ( σ X / n) + ( σ Y / m) ~ N(0,1 ). La analogía se da hasta en la obtención de los valores óptimos de los q i. El intervalo sería el que se formaría con los siguientes extremos: X Y ± z ( σ / n) + ( / m) ~ N(0,1 ). ( 1 c) / X σ Y INTERVALO PARA LA DIFERENCIA DE MEDIAS SIENDO LAS VARIANZAS DESCONOCIDAS. Distinguiremos los dos casos siguientes: Prof. D. Juan José Pérez Castejón 15
16 1. Varianzas desconocidas de las que se sabe que son iguales. n + m (X Y) ( X Al cumplirse que Y ) nm µ µ ~ t n+ m, n + m ns + ms X Y el estadístico que aparece en esa expresión es el usado como pivote aquí. El intervalo aleatorio final que queda tendría los n + m ns ms siguientes extremos: X Y t X + ± Y n+ m,(1 c) /. nm n + m. Varianzas desconocidas sin ninguna otra información. En este caso, como entero más cercano a (X Y) ( µ X µ Y ) tν donde ν es el S / n + S / m c, X c, Y ( S c, X n + S c, Y m) ( S n) ( S m) c, X n 1 + c, Y m 1, entonces el intervalo S c, S c, con los extremos X Y ± t ν, (1 c) / + es un intervalo n m válido, al menos, aproximadamente. Cuando n y m son ambas grandes, esa t de Student y sus percentiles se pueden sustituir por una N(0,1). INTERVALO PARA EL COCIENTE DE VARIANZAS SIENDO LAS MEDIAS CONOCIDAS. X ) Y ) X (Xi µ /(nσ ) Como ~ F n, m, se obtiene el siguiente (Yi µ /(mσ Y ) intervalo de confianza para σ X/σ Y: 1 (Xi µ X ) / n σ X 1 (Xi µ X ) / n < < F (Y ) / m F µ σ (Y µ ) / m n,m,(1 c) / i Y Y X n,m,(1+ c) / Sobre la selección de los percentiles de la distribución F habría que señalar lo mismo que se dijo al estimar por intervalo de confianza la varianza en el caso de una sola población normal. Y i Y Prof. D. Juan José Pérez Castejón 16
17 INTERVALO PARA EL COCIENTE DE VARIANZAS SIENDO LAS MEDIAS DESCONOCIDAS. X X X X F ns /((n 1) σ ) S En este caso, de c, / σ = ~ n 1,m 1 se ms Y /((m 1) σ Y ) S c, Y / σ Y obtiene el siguiente intervalo de confianza para σ X/σ Y: 1 S c, X σ X 1 S < < c, X F n 1,m 1,(1 c) / S c, Y σ Y Fn 1,m 1,(1 + c) / S c, Y Aunque hay que tener en cuenta que ese intervalo tampoco es el de longitud mínima. Prof. D. Juan José Pérez Castejón 17
Estadistica II Tema 1. Inferencia sobre una población. Curso 2009/10
Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza
Más detallesEstimación por intervalos
Método de construcción de intervalos de confianza Intervalos de confianza para una población normal Estadística II Universidad de Salamanca Curso 2011/2012 Método de construcción de intervalos de confianza
Más detallesTema 11: Intervalos de confianza.
Tema 11: Intervalos de confianza. Presentación y Objetivos. En este tema se trata la estimación de parámetros por intervalos de confianza. Consiste en aproximar el valor de un parámetro desconocido por
Más detallesUnidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones
Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una
Más detallesTeoría de la decisión Estadística
Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesPruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B 1. Queremos invertir una cantidad de dinero en dos tipos
Más detallesAnálisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears
Análisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears CONTENIDOS Introducción a la inferencia estadística. Muestreo. Estimación
Más detallesMuestreo y Distribuciones muestrales. 51 SOLUCIONES
Muestreo y Distribuciones muestrales. 51 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería Soluciones de la hoja de problemas 5. Muestreo
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detallesD.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO
Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos
Más detallesTema 3: Estimadores de máxima verosimilitud
Tema 3: Estimadores de máxima verosimilitud 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: motivación Método
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)
PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua
Más detalles8.2.5. Intervalos para la diferencia de medias de dos poblaciones
8.. INTERVALOS DE CONFIANZA PARA LA DISTRIBUCIÓN NORMAL 89 distribuye de modo gaussiana. Para ello se tomó una muestra de 5 individuos (que podemos considerar piloto), que ofreció los siguientes resultados:
Más detallesÍndice general. 7.3.2. Intervalo de confianza para la media si la varianza poblacional es. conocida... 3. desconocida... 3
Índice general 7. Estimación por intervalos de confianza 1 7.1. Introducción.................................. 1 7.2. Método de construcción de intervalos de confianza: método pivotal.... 2 7.3. Intervalos
Más detallesINFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016
INFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016 Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 1. COMENTARIOS Y/O ACOTACIONES RESPECTO AL TEMARIO EN RELACIÓN
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesIntroducción a la estadística básica, el diseño de experimentos y la regresión
Introducción a la estadística básica, el diseño de experimentos y la regresión Objetivos José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Objetivo general Organizar el estudio
Más detallesTEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL
ESTADÍSTICA II TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL II.1.- Distribución chi-cuadrado. II.1.1.- Definición. II.1..- Función de densidad. Representación gráfica. II.1.3.- Media y varianza.
Más detalles4. " $#%&' (#) para todo $#* (desigualdad triangular).
10 Capítulo 2 Espacios Métricos 21 Distancias y espacios métricos Definición 211 (Distancia) Dado un conjunto, una distancia es una aplicación que a cada par le asocia un número real y que cumple los siguientes
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2014/15 Contenidos 1. Introducción
Más detallesTema II. Las muestras y la teoría paramétrica
2.1. Muestras y muestreos: - La muestra:. Subconjunto de elementos de la población. Necesidad práctica:. Motivos económicos. Imposibilidad (práctica/teórica) de estudiar TODA la población. Inconveniencia
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 9 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización Los métodos estadísticos y las técnicas de
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesINTERVALO DE CONFIANZA PARA LA PROPORCIÓN
INTERVALO DE CONFIANZA PARA LA PROPORCIÓN Si deseamos estimar la proporción p con que una determinada característica se da en una población, a partir de la proporción p' observada en una muestra de tamaño
Más detallesPráctica 2 Métodos de búsqueda para funciones de una variable
Práctica 2 Métodos de búsqueda para funciones de una variable Introducción Definición 1. Una función real f se dice que es fuertemente cuasiconvexa en el intervalo (a, b) si para cada par de puntos x 1,
Más detallesDISTRIBUCIONES DE PROBABILIDAD (RESUMEN)
DISTRIBUCIONES DE PROBABILIDAD (RESUMEN) VARIABLE ALEATORIA: un experimento produce observaciones numéricas que varían de muestra a muestra. Una VARIABLE ALEATORIA se define como una función con valores
Más detalles7. Distribución normal
7. Distribución normal Sin duda, la distribución continua de probabilidad más importante, por la frecuencia con que se encuentra y por sus aplicaciones teóricas, es la distribución normal, gaussiana o
Más detallesPropiedades en una muestra aleatoria
Capítulo 5 Propiedades en una muestra aleatoria 5.1. Conceptos básicos sobre muestras aleatorias Definición 5.1.1 X 1,, X n son llamadas una muestra aleatoria de tamaño n de una población f(x) si son variables
Más detallesCONCEPTOS FUNDAMENTALES
TEMA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICAS PRIMERA PARTE: Conceptos fundamentales 8.1. Hipótesis estadística. Tipos de hipótesis 8.2. Región crítica y región de aceptación 8.3. Errores tipo I y tipo
Más detallesMétodos Estadísticos de la Ingeniería Tema 10: Inferencia Estadística, Intervalos de Confianza Grupo B
Métodos Estadísticos de la Ingeniería Tema 10: Inferencia Estadística, Intervalos de Confianza Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Abril 010 Contenidos...............................................................
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2010/11
Estadística II Tema 4. Regresión lineal simple Curso 010/11 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesSucesiones y series de números reales
Capítulo 2 Sucesiones y series de números reales 2.. Sucesiones de números reales 2... Introducción Definición 2... Llamamos sucesión de números reales a una función f : N R, n f(n) = x n. Habitualmente
Más detallesSelectividad Junio 2007 JUNIO 2007
Bloque A JUNIO 2007 1.- Julia, Clara y Miguel reparten hojas de propaganda. Clara reparte siempre el 20 % del total, Miguel reparte 100 hojas más que Julia. Entre Clara y Julia reparten 850 hojas. Plantea
Más detallesEconometria. 4. Modelo de Regresión Lineal Simple: Inferencia. Prof. Ma. Isabel Santana
Econometria 4. Modelo de Regresión Lineal Simple: Inferencia Prof. Ma. Isabel Santana MRLS: Inferencia Hasta ahora nos hemos ocupado solamente de la estimación de los parámetros del modelo de regresión
Más detallesAnálisis de Datos CAPITULO 3: MEDIDAS DE VARIABILIDAD Y ASIMETRÍA
1. INTRODUCCIÓN En el tema 1 veíamos que la distribución de frecuencias tiene tres propiedades: tendencia central, variabilidad y asimetría. Las medidas de tendencia central las hemos visto en el tema
Más detalles1) Características del diseño en un estudio de casos y controles.
Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Estudios de casos y controles CONCEPTOS CLAVE 1) Características del diseño en un estudio de casos y controles. )
Más detallesTest de Kolmogorov-Smirnov
Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar
Más detallesx R F (x) := P (X 1 (, x]) = P ({e Ω : X(e) x}) = P (X x) salvo que en este caso esta función es siempre una función continua.
PROBABILIDAD Tema 2.3: Variables aleatorias continuas Objetivos Distinguir entre variables aleatorias discretas y continuas. Dominar el uso de las funciones asociadas a una variable aleatoria continua.
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD Se llama variable aleatoria a toda función que asocia a cada elemento del espacio muestral E un número real. Una variable aleatoria discreta es aquella que sólo puede tomar
Más detallesTeoría de la estimación
Teoría de la estimación En las primeras unidades se desarrollaron los conceptos vinculados a la definición de estimadores, sus propiedades deseables, los métodos para obtener buenos estimadores, y se plantearon
Más detallesDeterminación del tamaño muestral para calcular la significación del coeficiente de correlación lineal
Investigación: Determinación del tamaño muestral para calcular 1/5 Determinación del tamaño muestral para calcular la significación del coeficiente de correlación lineal Autores: Pértegas Día, S. spertega@canalejo.org,
Más detallesCOMPARACIÓN DE SUPERFICIES DE RESPUESTA CON BÚSQUEDA TABÚ Y ALGORITMOS GENÉTICOS
71 CAPITULO 5 COMPARACIÓN DE SUPERFICIES DE RESPUESTA CON BÚSQUEDA TABÚ Y ALGORITMOS GENÉTICOS En este capítulo se presentan los resultados obtenidos y los comentarios de éstos, al correr algunos ejemplos
Más detallesTema 5: Principales Distribuciones de Probabilidad
Tema 5: Principales Distribuciones de Probabilidad Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Principales Distribuciones de Probabilidad
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2004 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 004 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Parte II, Opción A Junio, Ejercicio 3, Parte II, Opción B Reserva
Más detallesMODELO DE RESPUESTAS Objetivos del 1 al 9
PRUEBA INTEGRAL LAPSO 05-764 - /9 Universidad Nacional Abierta Probabilidad y Estadística I (Cód. 764) Vicerrectorado Académico Cód. Carrera: 6 Fecha: 0-04-06 MODELO DE RESPUESTAS Objetivos del al 9 OBJ
Más detallesLa Estadística Médica. Descripción General de la Bioestadística. Esquema de la presentación. La Bioestadística. Ejemplos de fuentes de Incertidumbre
Esquema de la presentación A. DESCRIPCIÓN GENERAL La Estadística Médica B. ORGANIZACIÓN DE LA ASIGNATURA 1. PROGRAMA 2. METODOLOGÍA DOCENTE 3. BIBLIOGRAFÍA 4. EVALUACIÓN 2 La Bioestadística Descripción
Más detallesEl problema inverso: Técnicas de identificación de parámetros.
Capítulo 4 El problema inverso: Técnicas de identificación. 4.1 Introducción En el primer capitulo de esta tesina se ha dado alguna noción acerca de la teoría de inversión, pero conviene remarcar algunos
Más detallesProblemas resueltos. Temas 10 y 11 11, 9, 12, 17, 8, 11, 9, 4, 5, 9, 14, 9, 17, 24, 19, 10, 17, 17, 8, 23, 8, 6, 14, 16, 6, 7, 15, 20, 14, 15.
Temas 10 y 11. Contrastes paramétricos de hipótesis. 1 Problemas resueltos. Temas 10 y 11 1- las puntuaciones en un test que mide la variable creatividad siguen, en la población general de adolescentes,
Más detallesDistribuciones muestrales. Distribución muestral de Medias
Distribuciones muestrales. Distribución muestral de Medias Algunas secciones han sido modificadas de: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua TEORIA DEL MUESTREO
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 8 Distribución normal estándar y distribuciones relacionadas Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Explicar los conceptos de la distribución
Más detallesTema 1. Álgebra lineal. Matrices
1 Tema 1. Álgebra lineal. Matrices 0.1 Introducción Los sistemas de ecuaciones lineales aparecen en un gran número de situaciones. Son conocidos los métodos de resolución de los mismos cuando tienen dos
Más detallesESTADISTICA INFERENCIAL
ESTADISTICA INFERENCIAL PROFESOR: DR. JORGE ACUÑA A. 1 LA ESTADISTICA Estadística descriptiva Método científico Muestreo Información de entrada y de salida Estadística inferencial Inferencias Intervalos
Más detalles4. Método Simplex de Programación Lineal
Temario Modelos y Optimización I 4. Método Simplex de Programación Lineal A- Resolución de problemas, no particulares, con representación gráfica. - Planteo ordenado de las inecuaciones. - Introducción
Más detallesMETODO SIMPLEX ANALISIS DE SENSIBILIDAD Y DUALIDAD
METODO SIMPLEX ANALISIS DE SENSIBILIDAD Y DUALIDAD Análisis de sensibilidad con la tabla simplex El análisis de sensibilidad para programas lineales implica el cálculo de intervalos para los coeficientes
Más detallesHOMOGENEIDAD DIMENSIONAL
HOMOGENEIDAD DIMENSIONAL Los observables que podemos medir se agrupan en conjuntos caracterizados por una propiedad que llamamos magnitud. Existe la magnitud tiempo, la magnitud velocidad, la magnitud
Más detallesEJERCICIOS RESUELTOS TEMA 7
EJERCICIOS RESUELTOS TEMA 7 7.1. Seleccione la opción correcta: A) Hay toda una familia de distribuciones normales, cada una con su media y su desviación típica ; B) La media y la desviaciones típica de
Más detallesPruebas de Bondad de Ajuste
1 Facultad de Ingeniería IMERL PROBABILIDAD Y ESTADÍSTICA Curso 2008 Pruebas de Bondad de Ajuste En esta sección estudiaremos el problema de ajuste a una distribución. Dada una muestra X 1, X 2,, X n de
Más detallesFascículo 5.4 Tamaño de las muestras para el control de calidad de tuberculos-semilla de papa
Producción de Tubérculos-Semillas de Papa Manual de Capacitación CIP Fascículo 5.4 Tamaño de las muestras para el control de calidad de tuberculos-semilla de papa Alfredo García Goicochea Introducción
Más detallesEstadística Inferencial. Sesión 5. Prueba de hipótesis
Estadística Inferencial. Sesión 5. Prueba de hipótesis Contextualización. En la práctica, es frecuente tener que tomar decisiones acerca de poblaciones con base en información de muestreo. Tales decisiones
Más detallesTEMA 4: CONTRASTES DE HIPÓTESIS. CONCEPTOS BÁSICOS
ASIGNATURA: ESTADÍSTICA II (Grado ADE,MIM,FBS) TEMA 4: CONTRASTES DE HIPÓTESIS. CONCEPTOS BÁSICOS 4.1. Hipótesis estadística. Tipos de hipótesis 4.2. Región crítica y región de aceptación 4.3. Errores
Más detallesÍNDICE CAPITULO UNO CAPITULO DOS. Pág.
ÍNDICE CAPITULO UNO Pág. Concepto de Estadística 1 Objetivo 1 Diferencia entre estadísticas y estadística 1 Uso de la estadística 1 Divisiones de la estadística 1 1. Estadística Descriptiva 1 2. Estadística
Más detallesMATEMÁTICAS I SUCESIONES Y SERIES
MATEMÁTICAS I SUCESIONES Y SERIES. Sucesiones En casi cualquier situación de la vida real es muy frecuente encontrar magnitudes que varían cada cierto tiempo. Por ejemplo, el saldo de una cuenta bancaria
Más detallesPrueba de hipótesis. 1. Considerando lo anterior específica: a. La variable de estudio: b. La población: c. El parámetro. d. Estimador puntual:
Prueba de hipótesis Problema Un grupo de profesores, de cierto estado de la república, plantea una investigación acerca del aprendizaje de las ciencias naturales en la escuela primaria. Uno de los objetivos
Más detallesPráctica 3. CÁLCULO DE LA FUNCIÓN SENO UTILIZANDO UN DESARROLLO EN SERIE
PROGRAMACIÓN (EUI). Curso 2001-2002 Práctica 3. CÁLCULO DE LA FUNCIÓN SENO UTILIZANDO UN DESARROLLO EN SERIE F. Marqués y N. Prieto Índice General 1 Introducción 1 2 El problema 1 2.1 Desarrollo en serie
Más detallesESTADISTICA APLICADA: PROGRAMA
Pág. 1 de 5 ESTADISTICA APLICADA: PROGRAMA a) OBJETIVOS Y BLOQUE 1: Teoría de Probabilidades 1.1 Comprender la naturaleza de los experimentos aleatorios y la estructura de los espacios de probabilidades,
Más detalles4. Medidas de tendencia central
4. Medidas de tendencia central A veces es conveniente reducir la información obtenida a un solo valor o a un número pequeño de valores, las denominadas medidas de tendencia central. Sea X una variable
Más detallesDISTRIBUCIONES MUESTRALES
DISTRIBUCIONES MUESTRALES Distribuciones muestrales Autores: Ángel A. Juan (ajuanp@uoc.edu), Máximo Sedano (msedanoh@uoc.edu), Alicia Vila (avilag@uoc.edu). ESQUEMA DE CONTENIDOS CARACTERÍSTICAS DE LA
Más detallesDistribución muestral de proporciones. Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua
Distribución muestral de proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Distribución muestral de Proporciones Existen ocasiones
Más detallesEl método utilizado en esta investigación será el método probabilístico ya que el universo en estudio es finito.
CAPITULO III: MARCO METODOLOGICO. 3.1 TIPO DE INVESTIGACION: El tipo de estudio que se desarrollara en la investigación es, descriptiva, porque está dirigido a determinar cómo es, cómo está la situación
Más detallesDOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL
DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL 3.1 INTRODUCCIÓN Como ya sabes, una distribución de probabilidad es un modelo matemático que nos ayuda a explicar los
Más detallesUNIDAD 2: LÍMITES DE FUNCIONES.CONTINUIDAD = 3 2
UNIDAD 2: LÍMITES DE FUNCIONES.CONTINUIDAD 1.- Límites en el Infinito: lim x + f(x) = L Se dice que el límite de f (x) cuando x tiende a + es L ϵ Ɽ, si podemos hacer que f(x) se aproxime a L tanto como
Más detalles2.5. Asimetría y apuntamiento
2.5. ASIMETRÍA Y APUNTAMIENTO 59 variable Z = X x S (2.9) de media z = 0 y desviación típica S Z = 1, que denominamos variable tipificada. Esta nueva variable carece de unidades y permite hacer comparables
Más detallesDESCOMPOSICIÓN FACTORIAL
6. 1 UNIDAD 6 DESCOMPOSICIÓN FACTORIAL Objetivo general. Al terminar esta Unidad resolverás ejercicios y problemas en los que apliques la factorización de polinomios cuyos términos tienen coeficientes
Más detallesTema 3. Medidas de tendencia central Ejercicios resueltos 1
Tema 3. Medidas de tendencia central Ejercicios resueltos 1 Ejercicio resuelto 3.1 La demanda de cierto artículo en 48 días fue 1, 4, 1, 0, 2, 1, 1, 3, 2, 1, 1, 0, 3, 2, 4, 3, 4, 1, 2, 1, 1, 2, 2, 2, 1,
Más detallesDepartamento Administrativo Nacional de Estadística. Dirección de Censos y Demografía
Departamento Administrativo Nacional de Estadística Dirección de Censos y Demografía ESTIMACIÓN E INTERPRETACIÓN DEL COEFICIENTE DE VARIACIÓN DE LA ENCUESTA COCENSAL CENSO GENERAL 2005 - CGRAL Junio de
Más detalles1 Econometría y datos económicos
1 Econometría y datos económicos Ezequiel Uriel Universidad de Valencia Versión: 09-013 1 Econometría y datos económicos 1 1.1 Qué es la econometría? 1 1. Etapas en la elaboración de un modelo econométrico
Más detalles3. Resolver triángulos rectángulos utilizando las definiciones de las razones trigonométricas.
Contenidos mínimos MI. 1. Contenidos. Bloque I: Aritmética y Álgebra. 1. Conocer las clases de números, los conjuntos numéricos: naturales, enteros, racionales, reales y complejos y las propiedades que
Más detallesContenidos mínimos 4B ESO. 1. Contenidos. Bloque I: Aritmética y álgebra.
Contenidos mínimos 4B ESO. 1. Contenidos. Bloque I: Aritmética y álgebra. 1. Clasificar distintos tipos de números: naturales, enteros, racionales y reales. 2. Operar con números reales y aplicar las propiedades
Más detalles5 Relaciones entre variables.
ANÁLISIS EPLORATORIO DE DATOS 39 ANÁLISIS EPLORATORIO DE DATOS 40 Relaciones entre variables..1 Ejercicios. Ejercicio.1 En una muestra de 0 individuos se recogen datos sobre dos medidas antropométricas
Más detalles1.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Probabilidad y Estadística. Carrera: Ingeniería en Materiales. Clave de la asignatura: MAM 0524
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería en Materiales MAM 0524 3 2 8 2.- HISTORIA
Más detallesEstadística II Tema 3. Comparación de dos poblaciones. Curso 2010/11
Estadística II Tema 3. Comparación de dos poblaciones Curso 2010/11 Tema 3. Comparación de dos poblaciones Contenidos Comparación de dos poblaciones: ejemplos, datos apareados para la reducción de la variabilidad
Más detallesPROGRAMACION ENTERA. M. en C. Héctor Martínez Rubin Celis 1
M. en C. Héctor Martínez Rubin Celis PROGRAMACION ENTERA En muchos problemas prácticos, las variables de decisión son realistas únicamente si estas son enteras. Hombres, máquinas y vehículos deben ser
Más detallesMatemáticas I: Hoja 1
Matemáticas I: Hoja 1 1. Números complejos Hasta ahora, hemos visto que los números reales son aquellos que poseen una expresión decimal y que podemos representar en una recta infinita. No obstante, para
Más detallesCONTROL DE LOS PROCESOS DE FABRICACIÓN. Introducción a las técnicas de control estadístico de los procesos
CONTROL DE LOS PROCESOS DE FABRICACIÓN Introducción a las técnicas de control estadístico de los procesos Introducción Departamento de Ingeniería Mecánica de la UPV-EHU ElControlEstadísticodelosProcesos
Más detallesNombre de la asignatura: Probabilidad y Estadística Ambiental
Nombre de la asignatura: Probabilidad y Estadística Ambiental Créditos: 2 2-4 Aportación al perfil Proporcionar los fundamentos necesarios para el manejo estadístico de datos experimentales que le permitan
Más detallesEspacio de Funciones Medibles
Capítulo 22 Espacio de Funciones Medibles Igual que la σ-álgebra de los conjuntos medibles, la familia de funciones medibles, además de contener a todas las funciones razonables (por supuesto son medibles
Más detallesDefiniciones Diseño de Experimentos: Diseño del Experimento: Replicación o Repetición:
Definiciones Diseño de Experimentos: La experimentación es una técnica utilizada para encontrar el comportamiento de una variable a partir de diferentes combinaciones de factores o variables de entrada
Más detallesDistribuciones bidimensionales. Regresión.
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 5: Distribuciones bidimensionales. Regresión. Resumen teórico Resumen teórico de los principales conceptos estadísticos
Más detalles2. OBJETIVOS ESPECÍFICOS Y METODOLOGÍA
2. OBJETIVOS ESPECÍFICOS Y METODOLOGÍA A continuación, se describe de forma detallada cuáles son los objetivos específicos de información y la metodología empleada tanto en la recogida de información como
Más detallesEcuaciones de segundo grado
Ecuaciones de segundo grado 11 de noviembre 009 Ecuaciones de segundo grado con una incógnita método de solución, formula general e incompletas Algebra Ecuaciones de segundo grado con una incógnita Las
Más detallesIntervalos de Confianza para dos muestras
Intervalos de Confianza para dos muestras Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Comparación de dos poblaciones La comparación
Más detallesMétodo de fórmula general
Método de fórmula general Ahora vamos a utilizar el método infalible. La siguiente fórmula, que llamaremos «fórmula general» nos ayudará a resolver cualquier ecuación cuadrática. Fórmula General La fórmula
Más detallesLa distribución normal o gaussiana es la distribución. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si
La distribución normal La distribución normal o gaussiana es la distribución continua más importante. Definición 42 Se dice que una variable X se distribuye como normal con parámetros µ y σ si f(x) = 1
Más detallesTema 3. 3. Correlación. Correlación. Introducción
3-1 Introducción Tema 3 Correlación Coeficiente de correlación lineal de Pearson Coeficiente de correlación poblacional Contraste paramétrico clásico Transformación de Fisher Correlación bayesiana Test
Más detallesREVISION DE CONCEPTOS BÁSICOS
REVISION DE CONCEPTOS BÁSICOS Objetivos Introducir, de manera muy general, algunos de los conceptos matemáticos y estadísticos que se utilizan en el análisis de regresión. La revisión no es rigurosa y
Más detallesEl supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo.
El supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo. El supermercado cuenta con 3 departamentos: Abarrotes, Embutidos y. Solamente el Departamento
Más detallesMétodos numéricos para Ecuaciones Diferenciales Ordinarias
Métodos numéricos para Ecuaciones Diferenciales Ordinarias Laboratori de Càlcul Numèric (LaCàN) Departament de Matemàtica Aplicada III Universitat Politècnica de Catalunya (Barcelona) http://www-lacan.upc.es
Más detallesSistemas de ecuaciones lineales
Sistemas de ecuaciones lineales Este tema resulta fundamental en la mayoría de las disciplinas, ya que son muchos los problemas científicos y de la vida cotidiana que requieren resolver simultáneamente
Más detallesMétodos Numéricos: Resumen y ejemplos Tema 5: Resolución aproximada de ecuaciones
Métodos Numéricos: Resumen y ejemplos Tema 5: Resolución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña Abril 009,
Más detalles