Test de Kolmogorov Smirnov Patricia Kisbye El test chi-cuadrado en el caso continuo
|
|
- Juan Murillo Quintero
- hace 7 años
- Vistas:
Transcripción
1 Test de Kolmogorov Smirov Técicas de validació estadística Bodad de auste Kolmogorov-Smirov Patricia Kisbye FaMAF 29 de mayo, 2008 Icoveiete: No es secillo costruir los itervalos a partir de las probabilidades. Se pierde iformació al agrupar los datos e itervalos. Acoseable: Utilizar el test de Kolmogorov-Smirov. Test de Kolmogorov Smirov Compara las fucioes de distribució empírica de la muestra y la que se desea cotrastar. Es aplicable a distribucioes cotiuas. Para distribucioes discretas, los valores críticos o está tabulados. Para distribucioes cotiuas, los valores críticos está tabulados para: distribucioes co parámetros especificados, alguas distribucioes co parámetros o especificados (ormal, Weibull, gamma, epoecial). Test de Kolmogorov-Smirov Aplicació del test K-S El test chi-cuadrado e el caso cotiuo H 0 : Las v.a. Y 1, Y 2,...,Y tiee distribució cotiua F. Particioar el rago de Y = Y e k itervalos distitos: [y 0, y 1 ),[y 1, y 2 ),...,[y k 1, y k ), Cosiderar las v.a. discretizadas Y d 1, Y d 2,...,Y d dadas por Y d = i si Y i [y 1, y ). La hipótesis ula es etoces H 0 ) P(Y d = i) = F(y i ) F(y i 1 ), i = 1,...,k. Proceder ahora como e el caso discreto. Observar Y 1, Y 2,...,Y y cosiderar la distribució empírica F e () = #{i Y i }. F e (): proporció de valores observados meores o iguales a. Hipótesis ula: F e () es cercaa a F(). Estadístico de Kolmogorov-Smirov D ma F e () F(), < <.
2 Implemetació Ordear los datos observados Y 1 = y 1, Y 2 = y 2,...,Y = y e orde creciete: y () = ésimo valor más pequeño y (1) < y (2) < < y (). Por eemplo: y 1 = 3, y 2 = 5, y 3 = 1 y = 3, etoces y (1) = 1, y (2) = 3, y (3) = 5. 0 < y (1) 1 y (1) < y (2). Distribució empírica F e () = y () < y (+1). 1 y () Estadístico de Kolmogorov-Smirov D sup F e () F() << Podemos cosiderar las diferecias F e () F() y F() F e () y aalizar sus valores máimos (supremos). D + = sup {F e () F()}, D = sup {F() F e ()}. << << F e (y () ) = 1. Por lo tato, D + 0. F e () = 0 si < y (1), por lo que D 0. D = ma{d +, D } Gráficamete El estadístico D 1 F() F(y (4) ) F e (y (3) ) 1 D F e (y (2) ) D + F(y (2) ) y (1) y (2) y (3) y (4) y (1) y (2) y (3) y (4) y (5)
3 Cálculo de D Estadístico de K-S Notemos que: D + se alcaza e el límite iferior de algú itervalo, ya que F() es creciete y F e () es costate e [y ( 1), y () ): {( ) D + { ( ) ( )} = ma Fe y() F y() = ma F ( ) } y () 1 1 D se alcaza usto ates del límite superior de algú itervalo, ya que F e () es discotiua e tal puto: ( ) F e y() = = F ( e y() ǫ ) + 1, ǫ pequeño. { D { ( ) ( )} = ma F y() Fe y( 1) = ma F ( } ) 1 y () 1 1 E resume: H 0 ) Los datos proviee de ua v.a. co distribució cotiua F. Elegir u grado de sigificació (ivel de rechazo) α. Tomar la muestra y ordear los datos observados. Calcular el estadístico D e los datos observados. Valor observado: D = d. Calcular el valor p = P F (D d). valor p < α: se rechaza H0. valor p > α: o se rechaza H0. Cómo calcular el valor p? Cuál es la distribució del estadístico D? Ateció Estimació del valor p P F (D d) o depede de la distribució F. E alguos casos: ( F y () 1 ) > F ( y () ) icorrecto correcto El estadístico D depede de las observacioes Y 1, Y 2,...,Y : D = sup F e () F() = sup #{i Y i } F() D = ma 1 F(y ()) INCORRECTO { D = ma 1 F(y ()), F(y () ) 1 } Estadístico de K-S Si U (0, 1), etoces X = F 1 (U) tiee distribució F. (Recordar trasformada iversa). Recíprocamete, si Y tiee distribució F etoces F(Y) U(0, 1). Como F es ua fució creciete, etoces Y i implica F(Y i ) F().
4 Estimació del valor p Estimació del valor p D = sup #{i F(Y i ) F()} F() Podemos reemplazar F(Y i ) por U i, v.a. uiformemete distribuida e (0, 1). D = sup #{i U i F()} F() La variable real toma valores e (, ) La variable real y = F() toma valores e [0, 1]. sup 0 y 1 #{i U i y} y d Para calcular este supremo, procedemos como para el cálculo de d. D D + Ordear u (1),...,u (). Calcular ma 1 { u (), u () 1 } u (1) u (2) u () Estimació del valor p D = sup 0 y 1 #{i U i y} y Esta epresió o depede de la distribució F. valor p = P F (D d) = P U (D d), U U(0, 1). Eemplo Si = 3 y U 1 = 0.7, U 2 = 0.6, U 3 = 0.4, etoces U (1) = 0.4, U (2) = 0.6, U (3) = 0.7, y el valor D para este couto de datos es { 1 D = ma 3 0.4, , 1 0.7, 0.4, , } = Puede estimarse mediate simulació: Geerar úmeros aleatorios Ui, 1 i, Evaluar D y comparar co el valor observado d de la muestra origial. sup #{i U i y} y d 0 y 1 Repetir el procedimieto r veces. Se estima el valor p como la proporció de veces que se cumple la desigualdad D d. 1 2/3 1/ y = F(y)
5 Eemplo Test de Kolmogorov Smirov Se quiere probar la hipótesis que ua determiada distribució es epoecial co media 100 F() = 1 e /100. Los valores ordeados para ua muestra de tamaño 10 para esta distribució so: 66, 72, 81, 94, 112, 116, 124, 140, 145, 155, qué coclusió puede obteerse? Cuál es la distribució del estadístico D? Si los parámetros de la distribució so coocidos, eiste tablas co valores críticos d,α. Stephes (1974) diseña ua aproimació que o depede de : ( ) D > c 1 α. Los valores c 1 α está tabulados para los casos e que: se cooce todos los parámetros de la distribució, la distribució es ormal, epoecial, gamma, Weibull, y se debe estimar parámetros. Ver Law & Kelto, Cap. 6. Eemplo valores F(/) ( ) F 1 F ( ,48-0,38 0, ,51-0,31 0, ,56-0,26 0, ,61-0,21 0, ,67-0,17 0, ,69-0,09 0, ,71-0,01 0, ,75 0,05 0, ,77 0,13-0, ,79 0,21-0,11 d = 0, Calcular el valor p mediate simulacioes. Si el p valor es 0.012, se rechaza la hipótesis ula. ) Pruebas de bodad de auste si hay parámetros o especificados Caso discreto: test chi-cuadrado Dadas observacioes, Y 1,...,Y, éstas se agrupa e k itervalos distitos. La hipótesis ula está dada por H 0 ) P(Y i = ) = p, para 1 k, i = E alguos casos se tiee algua hipótesis sobre la forma de la distribució pero o sobre los parámetros de la misma: media, desviació estádar, variaza, etc. Esto puede implicar que se descoozca p : P(Y = ) = e λ λ! λ descoocido? E este caso, se estima el o los parámetros descoocidos a partir de la muestra.
6 El caso discreto Eemplo A partir de estas estimacioes, se obtiee las probabilidades estimadas: ˆp. El estadístico es el siguiete: Se establece los k itervalos. Elegimos k = 6: I 1 = {0} I 2 = {1} I 3 = {2} I 4 = {3} I 5= {4} I 6 = {5, 6, 7,... } T = k (N ˆp ) 2 =1 ˆp ˆp 1 = ˆp 4 = ˆp 2 = ˆp 5 = ˆp 3 = ˆp 6 = N : catidad de observacioes e el -ésimo itervalo. ˆp : probabilidad estimada, segú H 0, que Y caiga e la regió. Si el valor observado del estadístico es t, y se ha debido estimar m parámetros: valor p = P(T t) P(χ 2 k 1 m t). Frecuecias observadas: N 1 = 6, N 2 = 2, N 3 = 1, N 4 = 9, N 5 = 7, N 6 = 5. Frecuecias esperadas: 30 ˆp, 1 6. Estadístico: T = 6 (N 30 ˆp ) 2 = ˆp =1 Eemplo E u período de 30 días se registraro 6 días si accidetes, 2 co u accidete, 1 co dos accidetes, 9 co 3 accidetes, 7 co 4 accidetes, 4 co 5 accidetes y 1 co 8 accidetes. Realizar ua prueba de hipótesis para determiar si el úmero de accidetes sigue ua distribució de Poisso. Estimamos la media λ de la distribució: úmero de accidetes = = 87. ˆλ = úmero de accidetes total de días = = (2.9) ˆp +1 = P(Y = ) = e, = 0, 1, 2,...! Valor p El valor observado del estadístico es t = Como se estimó 1 parámetro, y se cosideraro 6 itervalos, se estima el valor p utilizado ua distribució χ 2 co = 4 grados de libertad: valor p P(χ 2 4 > ) = Coclusió: se rechaza la hipótesis ula. Simulació para determiar el valor p La hipótesis ula o especifica completamete la distribució. El procedimieto es similar al caso aterior, pero los parámetros debe estimarse uevamete e cada simulació.
7 Valor p co parámetros estimados - El modelo H 0 ) Los datos de la muestra Y 1, Y 2,...,Y proviee de ua distribució determiada, salvo u couto de parámetros descoocidos θ 1,...,θ m. Bao la hipótesis H 0, Y i toma los valores 1, 2,...,k. - Primer paso ˆθ : estimació de θ a partir de la muestra, = 1, 2,...,m. ˆp : P(Y = ) si la distribució tiee parámetros ˆθ 1,..., ˆθ m. Estadístico T : T = k (N ˆp ) 2 =1 ˆp t valor observado del estadístico T. Valor p co parámetros estimados Luego de r pasos se ha obteido r valores para T : Eemplo Parámetro estimado: ˆλ = 2.9. T 1, T 2,...,T r. valor p #{ T t} r Valor del estadístico segú la muestra: t = Simulació: 1. Geerar 30 v.a. Poisso co media ˆλsim : estimació de λ segú esta muestra. 3. pi : Probabilidad de tomar el valor i segú ua Poisso de parámetro ˆλ sim. 4. Calcular T. 5. valor p: proporció de valores de T mayores a Valor p co parámetros estimados - Simulació Obetivo: estimar el valor p. ˆF: distribució propuesta e H0, co los parámetros estimados segú la muestra. El procedimieto cosiste e repetir r veces los siguietes pasos: 1. Geerar Y 1,...,Y ˆF. 2. Calcular N i = #{ Y = i}, i = 1,...,k. 3. ˆθ1,sim,..., ˆθ m,sim : estimacioes de los parámetros a partir de los valores Y i geerados. 4. p i = P(Y = i) si la distribució tiee parámetros ˆθ 1,sim,..., ˆθ m,sim. 5. Calcular T : T = k (N p ) 2 =1 p Test de Kolmogorov-Smirov si hay parámetros o especificados Caso cotiuo H 0 ): Las v. a. Y 1,...,Y proviee de ua distribució F co parámetros descoocidos θ 1,...,θ m. Tomar ua muestra Y 1,...,Y. Estimar los parámetros a partir de la muestra: ˆΘ = (ˆθ 1,..., ˆθ m ). Calcular el estadístico a partir de la distribució co parámetros estimados: D = sup Fe () FˆΘ(). d valor de D observado. valor p P FˆΘ (D d) = P U(D d). Este valor sobreestima el valor de p.
8 Simulació del valor p Si p < α, se rechaza la hipótesis ula. Si está próimo o es mayor que α, se optimiza la estimació del valor p. Optimizació: Luego de calcular d, a partir de la muestra: 1. Geerar Y 1,..., Y segú la distribució FˆΘ. 2. ˆΘ sim = (ˆθ 1,sim,..., ˆθ m,sim ): estimació de los parámetros segú los datos simulados. 3. F e,sim : distribució empírica de los datos simulados. 4. Calcular el estadístico D :. D = sup F e,sim () FˆΘ sim () Repetir el procedimieto r veces, para obteer D 1,...,D r : valor p #{ D d r
Test 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 detallesTécnicas experimentales de Física General 1/11
La distribució de Itroducció. Ejemplo. Defiició geeral de. Grados de libertad. reducido. La distribució de. Probabilidades de. Ejemplos: 1. Distribució de Poisso.. Bodad de u ajuste. Técicas eperimetales
Más detalles4 Contrastes del Chi 2 de bondad del ajuste
4 Cotrastes del Chi de bodad del ajuste U cotraste de bodad del ajuste es de la forma o H 0 : P = P 0 frete a H 1 : P P 0 H 0 : P {P θ } θ Θ frete a H 1 : P / {P θ } θ Θ 4.1 Cotraste del χ para modelos
Más detallesIntervalo de confianza para µ
Itervalo de cofiaza para p y ˆp1 ˆp ˆp1 ˆp ˆp z 1 α/ ; ˆp + z 1 α/, 7.6 ˆp + z 1 α/ ± z 1 α/ 1 + z 1 α/ ˆp1 ˆp + z 1 α/ 4 7.7 siedo ˆp = x/ y z 1 α/ el cuatil 1 α/ de la distribució ormal estádar. El itervalo
Más detalles8. INTERVALOS DE CONFIANZA
8. INTERVALOS DE CONFIANZA Al estimar el valor de u parámetro de la distribució teórica, o se provee iformació sobre la icertidumbre e el resultado. Esa icertidumbre es producida por la dispersió de la
Más detalles14. Técnicas de simulación mediante el método de Montecarlo
4. Técicas de simulació mediate el método de Motecarlo 4. Técicas de simulació mediate el método de Motecarlo Qué es la simulació? Proceso de simulació Simulació de evetos discretos Números aleatorios
Más detallesTEMA 7. ESTIMACIÓN. 7.2. Estimación puntual. Propiedades deseables de los estimadores 7.2.1. Introducción y definiciones 7.2.2. Estimadores Insegados
TEMA 7. ETIMACIÓN 7.1. Itroducció y defiicioes 7.. Estimació putual. Propiedades deseables de los estimadores 7..1. Itroducció y defiicioes 7... Estimadores Isegados 7.3. Estimació por itervalos de cofiaza
Más detallesEL CONTRASTE DE HIPOTESIS: Esquemas y ejemplos
EL CONTRASTE DE HIPOTESIS: Esquemas y ejemplos Ua vez expuesta la lógica de u Cotraste de Hipótesis y tras haber defiido los térmios y coceptos ivolucrados, hay que decir que esa lógica geeral se cocreta
Más detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 28 de mayo, 2013 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detalles11 I N F E R E N C I A E S T A D Í S T I C A I (INTERVALOS DE CONFIANZA)
I N F R N C I A S T A D Í S T I C A I (INTRVALOS D CONFIANZA) Sea Ω ua població y sobre ella ua variable aleatoria X que sigue ua ley ormal N(µ; ), co media µ descoocida y desviació típica coocida. Co
Más detallesT ema 8 ESTIMACIÓN. Conceptos previos. Población y muestra:
T ema 8 ESTIMACIÓN Coceptos previos Població y muestra: Població se refiere al cojuto total de elemetos que se quiere estudiar ua o más características. Debe estar bie defiida. Llamaremos N al úmero total
Más detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 31 de mayo, 2011 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
Más detallesLicenciatura en Matemáticas Febrero 2011. x(1 x) θ 1 I [0,1] (x). (1)
Estadística I Exame Liceciatura e Matemáticas Febrero 2011 1. Sea X 1,..., X ua muestra aleatoria de ua variable X co distribució Beta de parámetros 2 y θ > 0. Esto último sigifica que la fució de desidad
Más detallesEstimador Es la regla o procedimiento, expresado en general por medio de una fórmula, que se utiliza para deducir la estimación.
Teoría de la Estimació Estadística Teoría de la Estimació Estadística Razó para estimar Los admiistradores utiliza las estimacioes porque se debe tomar decisioes racioales, si que tega la iformació pertiete
Más detallesProbabilidad y Estadística 2003 Intervalos de Confianza y Test de Hipótesis paramétricos
Probabilidad y Estadística 3 Itervalos de Cofiaza y Test de Hipótesis paramétricos Itervalos de Cofiaza Defiició Dada ua muestra aleatoria simple es decir, u vector de variables aleatorias X co compoetes
Más detallesCalculamos los vértices del recinto resolviendo las ecuaciones las rectas de dos en dos.
IES Fco Ayala de Graada Sobrates de 006 (Modelo 1 ) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A (3 putos) Ua impreta local edita periódicos y revistas. Para cada periódico ecesita u cartucho de
Más detallesTema 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD. X- μ. f(x) = e para - < x < Z 2. . e para - < z <
Tema 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD La distribució ormal: La distribució ormal, campaa de Gauss o, curva ormal, tambié defiida por De Moivre. Características y propiedades: La siguiete fórmula
Más detalles1 x 1 0,1666. sabiendo que 506, 508, 499, 503, 504, 510, 497, 512, 514, 505, 493, 496, 506, 502, 509, 496.
GRADO GESTIÓN AERONÁUTICA: EXAMEN ESTADÍSTICA TEÓRICA 9 de Eero de 015. E-7. Aula 104 1.- La fució de desidad de ua variable aleatoria es: a b 0 f() 0 e el resto sabiedo que 1 P 1 0,1666. Determiar a y
Más detallesMétodo de máxima verosimilitud. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Método de máxima verosimilitud Curso de Estadística TAE,2005 J.J. Gómez Cadeas Muestras Cosiderar ua variable aleatoria x descrita por la pdf f(x). El espacio de muestras está costituido por todos los
Más detallesTema 6: Distribuciones Muestrales
Tema 6: Distribucioes Muestrales El objetivo es efectuar ua geeralizació de los resultados de la muestra a la població. Iferir o adiviar el comportamieto de la població a partir del coocimieto de ua muestra.
Más detallesTEMA 6. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
TEMA 6. INTRODUCCIÓN A LA INFERENCIA ETADÍTICA 6.. Itroducció 6.. Coceptos básicos 6.3. Muestreo aleatorio simple 6.4. Distribucioes asociadas al muestreo 6.4.. Distribució Chi-Cuadrado 6.4.. Distribució
Más detallesMedidas de Tendencia Central
1 Medidas de Tedecia Cetral La Media La media (o promedio) de ua muestra x 1, x,, x de tamaño de ua variable o característica x, se defie como la suma de todos los valores observados e la muestra, dividida
Más detallesTema 7: Estimación por intervalos de confianza.
Estadística 69 Tema 7: Estimació por itervalos de cofiaza. 7. Itroducció. Cuado tratamos la estimació putual, uo de los problemas que se platearo es que el valor de la estimació es sólo uo de los valores
Más detallesOPCIÓN A EJERCICIO 1_A
IES Fco Ayala de Graada Sobrates de 2006 (Modelo 6 ) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A (2 putos) Sea las matrices A= y B = (1 1). -5-4 Eplique qué dimesió debe teer la matriz X para
Más detallesSimulación Financiera
Simulació Fiaciera Pruebas Estadísticas No Paramétricas Para modelos estadísticos, pruebas estadísticas e iferecia o paramétrica. Estos so métodos libres de distribució, es decir, o se basa e supuestos
Más detallesESTIMACIÓN. TEMA 5: Estimación puntual I. Propiedades de los estimadores. TEMA 6: Estimación puntual II. Métodos de estimación puntual
ESTIMACIÓN TEMA 5: Estimació putual I. Propiedades de los estimadores TEMA 6: Estimació putual II. Métodos de estimació putual TEMA 7: Estimació por itervalos CONTRASTES DE HIPÓTESIS TEMA 8: Cotrastes
Más detallesOPCIÓN A EJERCICIO 1 (A) -5 0
IES Fco Ayala de Graada Sobrates 014 (Modelo 1 ) Solucioes Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 014 MODELO 1 OPCIÓN A EJERCICIO 1 (A) -5 0-1 -8-1 Sea las matrices B =
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2009 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 009 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Juio, Ejercicio 3, Parte II, Opció A Juio, Ejercicio 3, Parte II, Opció B Reserva
Más detalles1. Intervalos de Conanza
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.: Itervalos de coaza Objetivos Costruir itervalos de coaza para los parámetros más importates. Aplicar coveietemete los IC atediedo a cada situació
Más detallesProblemas de Estimación de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Problemas de Estimació de Ua y Dos Muestras UCR ECCI CI-35 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviaa Ramírez Beavides Iferecia Estadística La teoría de la iferecia estadística cosiste e aquellos
Más detallesIntervalos de confianza para la media
Itervalos de cofiaza para la media Ejercicio º 1.- Las vetas diarias, e euros, e u determiado comercio sigue ua distribució N(950, 200). Calcula la probabilidad de que las vetas diarias e ese comercio:
Más detallesAnálisis de resultados. Independencia de las muestras
Aálisis de resultados Clase ro. 8 Curso 00 Idepedecia de las muestras Los resultados de ua corrida de simulació, so muestras de algua distribució. Esos resultados los llamamos "respuestas". Las respuestas
Más detallesIES Fco Ayala de Granada Sobrantes de 2004 (Modelo 2) Solución Germán-Jesús Rubio Luna OPCIÓN A 0 2-4 (A I 2 ) B = A A A = -
IES Fco Ayala de Graada Sobrates de 004 (Modelo ) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO _A - 0 0 - - - Sea las matrices A=, B= y C= - 0 0 - ( puto) Calcule (A I ) B, siedo I la matriz idetidad
Más detallesEstadístico. Parámetro
La iferecia estadística comprede el establecer ciertos juicios co respecto a algo después de examiar solamete ua parte o muestra de ello. Así, se ofrece ua muestra gratis de u uevo producto alimeticio
Más detallesGUIAS ÚNICAS DE LABORATORIO DE FÍSICA I ASPECTOS PRELIMINARES INTRODUCCIÓN AL CÁLCULO DE INCERTIDUMBRE EN LAS MEDICIONES
GUIAS ÚNICAS DE LABORATORIO DE FÍSICA I ASPECTOS PRELIMINARES INTRODUCCIÓN AL CÁLCULO DE INCERTIDUMBRE EN LAS MEDICIONES SANTIAGO DE CALI UNIVERSIDAD SANTIAGO DE CALI DEPARTAMENTO DE LABORATORIOS INTRODUCCIÓN
Más detallesESTADÍSTICA. Estadística: Es una rama de la matemática que comprende Métodos y Técnicas que se emplean
ESTADÍSTICA Estadística: Es ua rama de la matemática que comprede Métodos y Técicas que se emplea e la recolecció, ordeamieto, resume, aálisis, iterpretació y comuicació de cojutos de datos. Població:
Más detallesSobrantes de 2004 (Junio Modelo 5) Soluciones Germán-Jesús Rubio Luna OPCIÓN A
IES Fco Ayala de Graada Sobrates de 2004 (Juio Modelo 5) Solucioes Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A x+y 6 3x-2y 13 Sea el sistema de iecuacioes. x+3y -3 x 0 (2 putos) Dibuje el recito cuyos
Más detallesOPCIÓN A EJERCICIO 1_A x 1 0 1
IES Fco Ayala de Graada Sobrates de 006 (Modelo 3 Juio) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A x 1 0 1 Sea las matrices A = y B =. 1 x+1 (1 puto) Ecuetre el valor o valores de x de forma
Más detallesEstimación de Parámetros
Igacio Cascos Ferádez Departameto de Estadística Uiversidad Carlos III de Madrid Estimació de Parámetros Estadística I curso 008 009 Veremos cómo costruir valores aproximados de los parámetros de los modelos
Más detallesORGANIZACIÓN DE LOS DATOS.
ORGANIZACIÓN DE LOS DATOS. La toma de datos es ua de las partes de mayor importacia e el desarrollo de ua ivestigació. Así los datos obteidos mediate u primer proceso recibe el ombre de datos si tratar
Más detallesDISTRIBUCIONES DE PROBABILIDAD. DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL.
DISTRIBUCIONES DE PROBABILIDAD. DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL. E estadística, la distribució biomial es ua distribució de probabilidad discreta que mide el úmero de éxitos e ua secuecia de esayos
Más detallesESTADÍSTICA. n i Se pide:
ESTDÍSTIC Tercera Prueba de Evaluació cotiua 1 de diciembre de 16 1.- l calcular cico veces la distacia etre dos putos, obteemos los siguietes valores: 17,13m; 17,1m; 17,m; 17,65m; 17,4 a) Itervalo de
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO Objetivos geerales del tema E este tema se itroducirá el cocepto de estadístico como medio para extraer iformació acerca de la ley de
Más detallesSELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SEPTIEMBRE 2012 (COMÚN MODELO 3) OPCIÓN A
IES Fco Ayala de Graada Sobrates de 01 (Septiembre Modelo ) Solució Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SEPTIEMBRE 01 (COMÚN MODELO 3) OPCIÓN A EJERCICIO 1_A ( 5 putos) U empresario
Más detallesTema 7 (IV). Aplicaciones de las derivadas (2). Representación gráfica de curvas y fórmula de Taylor
Tema 7 (IV) Aplicacioes de las derivadas () Represetació gráfica de curvas y fórmula de Taylor Aplicacioes de la derivada primera El sigo de la derivada primera de ua fució permite coocer los itervalos
Más detallesDeterminación del tamaño de una muestra (para dos o más muestras)
STATGRAPHICS Rev. 457 Determiació del tamaño de ua muestra (para dos o más muestras) Este procedimieto determia el tamaño de muestra apropiado para estimar o realiar pruebas de hipótesis respecto a alguo
Más detallesPROCESO DE POISSON Rosario Romera Febrero 2009
1 PROCESO DE POISSON Rosario Romera Febrero 2009 1. Proceso de Coteo U proceso estocástico fn t g t0 es u proceso de coteo si N t represeta el total de sucesos ocurridos asta el tiempo t. Sea u espacio
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2011 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 7: CONTRASTE DE HIPÓTESIS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 211 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 7: CONTRASTE DE HIPÓTESIS Juio, Ejercicio 4, Oció A Reserva 1, Ejercicio 4, Oció A Reserva 2, Ejercicio
Más detallesAnálisis estadístico de datos simulados Estimadores
Aálisis estadístico de datos simulados Estimadores Patricia Kisbye FaMAF 11 de mayo, 2010 Aálisis estadístico Iferecia estadística: Elegir ua distribució e base a los datos observados. Estimar los parámetros
Más detallesIES Fco Ayala de Granada Modelo 6 del 2015 (Soluciones) Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO 6 DEL 2015 OPCIÓN A
SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO 6 DEL 015 OPCIÓN A EJERCICIO 1 (A) 1 (1 5 putos) Resuelva la ecuació matricial 1 X + 1-1 0 = I. 0 1 a b (1 puto) Dadas las matrices M = y A =, calcule los
Más detallesINTRODUCCION Teoría de la Estimación
INTRODUCCION La Teoría de la Estimació es la parte de la Iferecia Estadística que sirve para coocer o acercarse al valor de los parámetros, características poblacioales, geeralmete descoocidos e puede
Más detalles2.2. Estadísticos de tendencia central
40 Bioestadística: Métodos y Aplicacioes La dispersió o variació co respecto a este cetro; Los datos que ocupa ciertas posicioes. La simetría de los datos. La forma e la que los datos se agrupa. Cetro,
Más detallesEstimación por intervalos
Estimació por itervalos Estimació por itervalos para la media poblacioal co (variaza poblacioal) coocida P( x z/ x z/ ) 1 co (variaza poblacioal) descoocida Si 30 se reemplaza por S y usamos el itervalo
Más detallesProbabilidades y Estadística (M) Práctica 8 1 cuatrimestre 2012 Convergencias - Ley de los Grandes Números
robabilidades y Estadística (M) ráctica 8 cuatrimestre 22 Covergecias - Ley de los Grades Números. Ua máquia produce artículos de 3 clases: A, B y C e proporcioes 25 %, 25 % y 5 % respectivamete. Las logitudes
Más detallesPRUEBAS DE HIPÓTESIS.
PRUEBAS DE HIPÓTESIS. HIPÓTESIS ESTADÍSTICA Paramétrica : No Paramétrica Es ua afirmació sobre los valores de los parámetros poblacioales descoocidos. Es ua afirmació sobre algua característica Simple
Más detallesUniversidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA. Ingenierías RH-Amb-Ag TEORÍA
Uiversidad Nacioal del Litoral Facultad de Igeiería Ciecias Hídricas ESTADÍSTICA Igeierías RH-Amb-Ag TEORÍA Mg. Susaa Valesberg Profesor Titular INFERENCIA ESTADÍSTICA TEST DE HIPÓTESIS INTRODUCCIÓN Geeralmete
Más detallesTeoría de muestras INTRODUCCIÓN A LA TEORÍA DE MUESTRAS
Teoría de muestras INTRODUCCIÓN A LA TEORÍA DE MUESTRAS Cuado se lleva a cabo ua ivestigació estadística, se pretede realizar algua iferecia acerca de situacioes aparetemete ifluidas por el azar. Por ejemplo,
Más detallesIntervalos de Confianza basados en una sola muestra. Denotaremos al parámetro de interés con la letra θ y con θ un estimador para θ.
Itervalos de Cofiaza basados e ua sola muestra Ua estimació putual sólo os proporcioa u valor umérico, pero NO proporcioa iformació sobre la precisió y cofiabilidad de la estimació del parámetro. Etoces
Más detallesResumen Tema 2: Muestreo aleatorio simple. Muestreo con probabilidades desiguales.
Resume Tema 2: Muestreo aleatorio simple. Muestreo co probabilidades desiguales. M.A.S.: Muestreo aleatorio simple co probabilidades iguales si reemplazo. Hipótesis: Marco perfecto, si omisioes i duplicados
Más detallesMuestreo. Mucho de las acciones y decisiones que se toman están basados en la información de una muestra.
1 Muestreo Muco de las accioes y decisioes que se toma está basados e la iformació de ua muestra. La preguta que siempre se ace, es: qué tamaño de muestra es suficiete para obteer ua buea aproximació de
Más detallesINFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS
INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS Població E el cotexto de la estadística, ua població es el cojuto de todos los valores que puede tomar ua característica medible e particular, de u cojuto correspodiete
Más detalles1. Propiedades de los estimadores
. Propiedades de los estimadores.. Eficiecia relativa. Defiició: Dados dos estimadores isesgados, ˆ y ˆ, de u parámetro, co variazas V ( ˆ ) y V ( ˆ ), etoces la eficiecia (eff) de ˆ respecto a ˆ, se defie
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA.
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA. Població: El cojuto de todos los elemetos o idividuos que posee ua determiada característica o cualidad de iterés. Existe situacioes e las que o es posible aalizar
Más detalles) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1
ESTIMACIÓN PUNTUAL. ESTIMACIÓN POR INTERVALOS DE CONFIANZA. 1. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA El objetivo básico de la iferecia estadística es hacer iferecias o sacar coclusioes sobre la població
Más detallesMEDIDAS RESUMEN: Numéricas y Gráficas. Ejemplo.
MEDIDAS RESUMEN: Numéricas y Gráficas. Ejemplo. Admítelo ua salchicha o es ua zaahoria. Así decía la revista El Cosumidor e u cometario sobre la baja calidad utricioal de las salchichas. Hay tres tipos
Más detallesSobre los intervalos de confianza y de predicción
Sobre los itervalos de cofiaza y de predicció Itervalos de cofiaza Javier Satibáñez 28 de febrero de 2018 Se costruye itervalos de cofiaza para parámetros. Sea X = X 1,..., X } ua muestra aleatoria de
Más detallesMAS obtenidas de una población N, son por naturaleza propia impredecibles. No esperamos que dos muestras aleatorias de tamaño n, tomadas de la misma
MAS obteidas de ua població N, so por aturaleza propia impredecibles. No esperamos que dos muestras aleatorias de tamaño, tomadas de la misma població N, tega la misma media muestral o que sea completamete
Más detallesTEORÍA DE LA ESTIMACIÓN
TEORÍA DE LA ESTIMACIÓN Objetivo: El objetivo de la estimació putual es usar ua muestra para obteer úmeros (estimacioes putuales) que sea la mejor represetació de los verdaderos parámetros de la població.
Más detallesIES Fco Ayala de Granada Junio de 2011 (General Modelo 4) Soluciones Germán-Jesús Rubio Luna
SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 011 (COMÚN MODELO) OPCIÓN A EJERCICIO 1_A -5 Sea las matrices A = 1-3, B = 3-1 0 1 1, C = 1 3-1 5 3. a) (1 puto) Calcule A B.C t. b) (1 5 putos) Resuelva la
Más detallesIngeniería Industrial. Curso 2009-2010. Departamento de Matemática Aplicada II. Universidad de Sevilla. Lección 5. Series.
CÁLCULO Igeiería Idustrial. Curso 2009-200. Departameto de Matemática Aplicada II. Uiversidad de Sevilla. Lecció 5. Series. Resume de la lecció. 5.. Sucesioes y series. Sucesió covergete. Se de e ua sucesió
Más detallesMatemáticas 1 1 EJERCICIOS RESUELTOS: Funciones de una variable. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación
Matemáticas EJERCICIOS RESUELTOS: Fucioes de ua variable Elea Álvarez Sáiz Dpto. Matemática Aplicada y C. Computació Uiversidad de Catabria Igeiería de Telecomuicació Fudametos Matemáticos I Ejercicios:
Más detallesDISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS ESPACIO MUESTRAL. El cojuto de todos los resultados posibles de u eperimeto estadístico deotado por S o Ω VARIABLE. Se deomia variable a la
Más detallesTEMA 8. Tests de hipótesis. 8.1. Introducción 8.1.1. Definiciones 8.1.2. Pasos para la realización de un test
TEMA 8. Tests de hipótesis 8.. Itroducció 8... Defiicioes 8... Pasos para la realizació de u test 8.. Tests paramétricos. 8... Cotrastes clásicos sobre los parámetros de ua distribució Normal 8... Cotrastes
Más detallesPRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA
PRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA Pruebas de hipótesis es ua parte de la ESTADISTICA INFERENCIAL y tiee su aalogía co los pasos que se realiza e u JUICIO. Objetivo: Aquí o se busca Estimar
Más detallesTEMA 1. ESTADÍSTICA DESCRIPTIVA
TEMA. ESTADÍSTICA DESCRIPTIVA. Itroducció: coceptos básicos. Tablas estadísticas y represetacioes gráficas. Características de variables estadísticas uidimesioales.. Características de posició.. Características
Más detallesFórmula de Taylor. Si f es continua en [a,x y derivable en (a,x), existe c (a,x) tal que f(x) f(a) f '(c) f(x) f(a) f '(c)(x a)
Aproimació de ua fució mediate u poliomio Cuado y=f tiee ua epresió complicada y ecesitamos calcular los valores de ésta, se puede aproimar mediate fucioes secillas (poliómicas). El teorema del valor medio
Más detallesLas distribuciones binomial y normal
Las distribucioes biomial y ormal Evaluació CRITERIOS DE EVALUACIÓN A. Obteer la fució de probabilidad de ua variable aleatoria discreta (v. a. d.). B. Calcular los parámetros de ua v. a. d., media o esperaza
Más detallesObjetivos. 1. Inferencia Estadística. INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo. M. Iniesta Universidad de Murcia
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo Objetivos Tratar co muestras aleatorias y su distribució muestral e ejemplos de tamaño reducido. Tratar co la distribució de la
Más detallesPRÁCTICA 6: TEOREMA CENTRAL DEL LÍMITE
PRÁCTICA 6: TEOREMA CENTRAL DEL LÍMITE Objetivos Comprobar que la suma de variables aleatorias idepedietes y co la misma distribució es aproximadamete ormal. Estudiar la robustez de la aproximació frete
Más detalles1. Sucesiones y series numéricas
ITINFORMÁTICA CÁLCULO INFINITESIMAL BOLETÍN CON SOLUCIONES DE LOS EJERCICIOS CURSO 005-06 Sucesioes y series uméricas Escribir ua expresió para el -ésimo térmio de la sucesió: +, + 3 4, + 7 8, + 5 6, 3,
Más detallesBloque 3 Tema 12 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS
Bloque 3 Tema 1 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS Hay ocasioes e las que teemos que tomar decisioes relativas a ua població sobre la base de los coocimietos que
Más detallesMETODO DE ITERACION DE NEWTON
METODO DE ITERACION DE NEWTON Supogamos que queremos resolver la ecuació f( ) y lo que obteemos o es la solució eacta sio sólo ua buea aproimació, para obteer esta aproimació observemos la siguiete figura
Más detallesTEST DE HIPÓTESIS. 5.1. Introducción. 5.2. Hipótesis estadísticas
Capítulo 5 TEST DE HIPÓTESIS 5.1. Itroducció E este tema trataremos el importate aspecto de la toma de decisioes, referida a decidir si u valor obteido a partir de la muestra es probable que perteezca
Más detallesEl método de Monte Carlo
El método de Mote Carlo El método de Mote Carlo es u procedimieto geeral para seleccioar muestras aleatorias de ua població utilizado úmeros aleatorios. La deomiació Mote Carlo fue popularizado por los
Más detallesCAPÍTULO I. Conceptos Básicos de Estadística
CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia
Más detallesEstadística y sus aplicaciones en Ciencias Sociales Práctico 4 - Solución Curso ) Como se trata de muestreo sin reposición, se tiene C 5 3
Estadística y sus aplicacioes e Ciecias Sociales Práctico 4 - Solució Curso 016 Ejercicio 1 5! 1) Como se trata de muestreo si reposició, se tiee C 5 3 3!! muestras de tamaño =3. ) Distribució muestral
Más detallesMuestreo y estimación
Muestreo y estimació BENITO J. GONZÁLEZ RODRÍGUEZ bjglez@ull.es DOMINGO HERNÁNDEZ ABREU dhabreu@ull.es MATEO M. JIMÉNEZ PAIZ mjimeez@ull.es M. ISABEL MARRERO RODRÍGUEZ imarrero@ull.es ALEJANDRO SANABRIA
Más detallesESTIMACIÓN POR INTERVALOS DE CONFIANZA
Estimació por itervalos de cofiaza. I.E.. A uqueira I pag. Coceptos ETIMACIÓN POR INTERVALO DE CONFIANZA E este tema vamos a estudiar como estimar, es decir proosticar, u parámetro de la població, geeralmete
Más detallesEn el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo:
TEMA 6. Estimació putual. E muchos casos o será posible determiar el valor de u parámetro poblacioal descoocido, aalizado todos los valores poblacioales, pues el proceso a seguir puede ser destructivo,
Más detalles4.- Aproximación Funcional e Interpolación
4- Aproximació Fucioal e Iterpolació 4 Itroducció Ua de las mayores vetajas de aproximar iformació discreta o fucioes complejas co fucioes aalíticas secillas, radica e su mayor facilidad de evaluació y
Más detallesCLAVES DE CORRECCIÓN GUÍA DE EJERCITACIÓN FACTORES Y PRODUCTOS PREGUNTA ALTERNATIVA Nivel
x Estimado alumo: Aquí ecotrarás las claves de correcció, las habilidades y los procedimietos de resolució asociados a cada preguta, o obstate, para reforzar tu apredizaje es fudametal que asistas a la
Más detallesPRACTICA N 05 DETERMINACIÓN DEL TAMAÑO DE PARTÍCULA
PRACTICA N 05 DETERMINACIÓN DEL TAMAÑO DE PARTÍCULA CAPACIDADES A LOGRAR 1. Cooce y aplica procedimietos para determiar tamaño de partícula de polvos. 2. Iterpreta, clasifica y orgaiza datos y calcula
Más detallesDERIVADA DE FUNCIONES DEL TIPO f ( x) c, donde c es una constante, la derivada de esta función es siempre cero, es decir:
DERIVADA DE FUNCIONES DEL TIPO f ( ) c Coceptos clave: 1. Derivada de la fució costate f ( ) c, dode c es ua costate, la derivada de esta fució es siempre cero, es decir: f '( ) 0 c. Derivada de ua fució
Más detallesPreguntas más Frecuentes: Tema 2
Pregutas más Frecuetes: Tema 2 Pulse sobre la preguta para acceder directamete a la respuesta 1. Se puede calcular la media a partir de las frecuecias absolutas acumuladas? 2. Para calcular la media aritmética,
Más detallesMATEMÁTICA LIC. Y PROF. EN CS. BIOLÓGICAS
Defiició de límite de ua fució (segú Heie) Sea f : D R ua fució y a R (D R) Diremos que se cumple que f() L R a f( ) L si para cualquier sucesió { } D { a} tal que a Ejemplos: ) Probar que Demostració:
Más detallesObjetivos. Contenidos. Cátedra I Estadística II Autor I Hebe Goldenhersch. Este Capítulo tiene por propósitos centrales:
INFERENCIA ESTADÍSTICA: TEORÍA DE LA ESTIMACIÓN I Objetivos Este Capítulo tiee por propósitos cetrales: Compreder el cocepto de estimador y estimació putual; Coocer las propiedades de los bueos estimadores
Más detallesTécnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20
Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra
Más detallesAnálisis estadístico de datos. Análisis estadístico de datos simulados. Elección de una distribución. Análisis estadístico de datos simulados
Aálisis estadístico de datos Aálisis estadístico de datos simulados Patricia Kisbye FaMAF 29 de abril, 2008 Cada fuete de aleatoriedad debe expresarse de acuerdo a ua distribució de probabilidad. Ua mala
Más detalles8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS
8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS Sea ua variable aleatoria de ley descoocida co 0,00. Si 0,, emplear la desigualdad de TCHEBYCHEFF para acotar iferiormete la probabilidad E( ) [
Más detallesDeducción de las Ecuaciones del Método de Runge-Kutta
Deducció de las Ecuacioes del Método de Ruge-Kutta El problema cosiste e ecotrar ua solució umérica a la ecuació dierecial d ordiaria de primer orde: ( ) sujeta a la codició iicial ( ). El d objetivo cosiste
Más detalles