FORMULARIO. Rango intercuartílico: Diferencia entre el tercer y primer cuartil
|
|
- Felipe Lucero Soriano
- hace 7 años
- Vistas:
Transcripción
1 FORMULARIO Dato: x 1, x 2,..., x N } Media: x = N i=1 x i N Rango intercuartílico: Diferencia entre el tercer y primer cuartil Varianza: 2 = N i=1 (x i x) 2 = N i=1 x2 i N x2 Deviación típica: = N i=1 (x i x) 2 = N i=1 x2 i N x2 DISTRIBUCIONES DISCRETAS: Binomial(n, p): P (X = x) = ( n x ) p x q n x, x = 0, 1,..., n, q = 1 p µ = n p, y σ 2 = n p q ( n x ) = n! x! (n x)! iendo n! = n (n 1) (n 2) Poion(λ): ESTIMACIÓN P (X = x) = e λ λ x, x = 0, 1, 2, 3,... (x N) µ = λ y σ 2 = λ x! X Etimador puntual de p:, donde X e el número de éxito en lo N experimento N Etimador puntual de µ: X Etimador puntual de σ 2 : 2 = N i=1 (X i X) 2 Etimador puntual del parámetro λ de una Poion: ˆλ = X. INTERVALOS DE CONFIANZA: tamaño muetral =N, nivel de ignificación α A) Intervalo de confianza para µ, con σ 2 σ conocida: (x - z α/2 σ N), x + z α/2 N ) con P(Z z α/2 ) = α/2, Z N(0,1) B) Intervalo de confianza para µ, con σ 2 deconocida, para Normale: (x - t α/2 N), x + t α/2 N ) con P(T t α/2 ) = α/2, T e t- Student con N 1 grado de libertad
2 C) Intervalo de confianza para µ, con σ 2 deconocida y N grande (N 30): (x - z α/2 N), x + z α/2 N ) con P(Z z α/2 ) = α/2, Z N(0,1) Selección del tamaño de la muetra (media): N = ( z α/2 σ Error )2 D) Intervalo de confianza para la diferencia de media µ 1 - µ 2, con σ 2 1 y σ 2 2 conocida, para muetra aleatoria independiente (N 1 = tamaño muetral de la muetra de la población 1, = tamaño muetral de la muetra de la población 2): (x 1 - x 2 ± z α/2 σ 2 1 N 1 + σ2 2 ) con P(Z z α/2 ) = α/2, Z N(0,1) E) Intervalo de confianza para la diferencia de media µ 1 - µ 2, con σ1 2 y σ2 2 deconocida, para muetra aleatoria independiente y tamaño muetrale grande (N 1 = tamaño muetral de la muetra de la población 1, = tamaño muetral de la muetra de la población 2): (x 1 - x 2 ± z 2 1 α/2 N ) con P(Z z α/2 ) = α/2, Z N(0,1) F) Intervalo de confianza para la diferencia de media µ 1 - µ 2 de poblacione normale independiente, con varianza deconocida pero iguale (σ1 2 = σ2) 2 (N 1 = tamaño muetral de la muetra de la población 1, = tamaño muetral de la muetra de la población 2): (N (x 1 - x 2 ± t 1 1) 2 1 +( 1) 2 2 α/2 N N grado de libertad N 1 + N 1 ) con P(T t α/2 ) = α/2, T e t-student con G) Intervalo de confianza para la diferencia de media µ 1 - µ 2 de poblacione normale independiente, con varianza σ1, 2 σ2 2 deconocida y deiguale (N 1 = tamaño muetral de la muetra de la población 1, = tamaño muetral de la muetra de la población 2): (x 1 - x 2 ± t 2 ( ) 1 N 1 2 α/2 grado de libertad N ) con P(T t α/2 ) = α/2, T e t-tudent con ( 2 1 /N 1 )2 N (2 2 / )2 1 H) Intervalo de confianza para la diferencia de media µ 1 - µ 2 para muetra apareada: (d ± t d α/2 N ) donde d e la media de la diferencia y d e la deviación típica de la diferencia. Ademá, P(T t α/2 ) = α/2, T e t-student con N - 1 grado de libertad, N e el número de objeto (pareja) de que diponemo I) Intervalo de confianza para σ 2 en una población normal: ( ()2 χ 2 α/2 libertad, ()2 ) con P(χ 2 > χ 2 χ 2 α/2 ) = α/2, χ2 e chi- cuadrado con N 1 grado de 1 α/2 J) Intervalo de confianza para el cociente σ 2 1/σ 2 2 de varianza de do poblacione normale independiente: ( F α/2, grado de libertad 1 F 1 α/2 ) donde P( F > F α/2 ) = α/2 y F e F de Sndecor con (N 1 1, 1)
3 K) Intervalo de confianza para una proporción p (de una Binomial) cuando N e grande y la proporción no e cercana a cero: ˆpˆq (ˆp ± z α/2 ), donde P( Z > z N α/2) = α/2 Z N(0,1) y ˆp = X /N, ˆq = 1 - ˆp, X = número de éxito Selección del tamaño de la muetra (proporción): N = p(1 p) ( z α/2 E )2 1 4 ( z α/2 E )2 L) Intervalo de confianza para una proporción p, i éta e muy cercana a cero: (0, 1 2N χ2 α) con P(χ 2 > χ 2 α) = α, χ 2 e chi- cuadrado con 2(X + 1) grado de libertad, X = número de éxito M) Intervalo de confianza para la diferencia de do proporcione, con N 1 y grande (N 1 = tamaño muetral de la muetra de la población 1, = tamaño muetral de la muetra de la población 2): ˆp ( ˆp 1 - ˆp 2 ± z 1 ˆq 1 α/2 N 1 + ˆp 2 ˆq 2 ), donde P( Z > z α/2 ) = α/2 Z N(0,1), ˆp 1 = X 1 /N 1, ˆq 1 = 1 - ˆp 1, X 1 = número de éxito en la N 1 prueba y ˆp 2 = X 2 /, ˆq 2 = 1 - ˆp 2, X 2 = número de éxito en la prueba CONTRASTE DE HIPÓTESIS: tamaño muetral =N, nivel de ignificación α A) Contrate de hipótei para µ, con N grande: Z = X µ 0 S/ N N(0,1) H 0 : µ = µ 0 µ < µ 0 (, z α ) µ µ 0 (, z α/2 ) (z α/2, ) µ > µ 0 (z α, ) B) Contrate de hipótei para µ, con σ 2 deconocida para una población Normal: T = X µ 0 S/ N t H 0 : µ = µ 0 µ < µ 0 (, t α ) µ µ 0 (, t α/2 ) (t α/2, ) µ > µ 0 (t α, ) C) Contrate para la diferencia de media µ 1 - µ 2, con σ 2 1 y σ 2 2 deconocida, para muetra aleatoria independiente y tamaño muetrale grande (N 1 = tamaño muetral de la muetra de la población 1, = tamaño muetral de la muetra de la población 2): Z X 1 X 2 0 N(0, 1) 2 1 /N / H0 : µ 1 µ 2 = 0
4 H 1 Región crítica µ 1 µ 2 < 0 (, z α ) µ 1 µ 2 0 (, z α/2 ) (z α/2, ) µ 1 µ 2 > 0 (z α, ) D) Contrate para la diferencia de media µ 1 - µ 2 de poblacione normale independiente, con varianza poblacionale deconocida pero iguale (σ 2 1 = σ 2 2) (N 1 = tamaño muetral de la muetra de la población 1, = tamaño muetral de la muetra de la población 2): T = X 1 X 2 0 N1 t N1 (N 1 1) 2 1 +( 1) 2 +N 2 N 1 + N N H0 : µ 1 µ 2 = 0 H 1 Región crítica µ 1 µ 2 < 0 (, t α ) µ 1 µ 2 0 (, t α/2 ) (t α/2, ) µ 1 µ 2 > 0 (t α, ) E) Contrate para la diferencia de media µ 1 - µ 2 de poblacione normale independiente, con varianza poblacionale σ 2 1, σ 2 2 deconocida y deiguale (N 1 = tamaño muetral de la muetra de la población 1, = tamaño muetral de la muetra de la población 2): T = X 1 X 2 0 t 2 1 /N g.l. g.l. = 2/ ( 2 1 N ) 2 ( 2 1 /N 1) 2 N 1 + (2 2 /) H0 : µ 1 µ 2 = 0 H 1 Región crítica µ 1 µ 2 < 0 (, t α ) µ 1 µ 2 0 (, t α/2 ) (t α/2, ) µ 1 µ 2 > 0 (t α, ) F) Contrate para la diferencia de media µ 1 - µ 2 para muetra apareada, cuya diferencia e normal: D y SD on la media y deviación típica de la diferencia T = D 0 S D / N t H0 : µ D = 0 µ D < 0 (, t α ) µ D 0 (, t α/2 ) (t α/2, ) µ D > 0 (t α, )
5 G) Contrate para σ 2 en una población normal: χ 2 0 = (N 1)S2 σ 2 0 χ 2 H0 : σ 2 = σ 2 0 σ 2 < σ0 2 (0, χ 2 1 α) σ 2 σ0 2 (0, χ 2 1 α/2 ) (χ2 α/2, ) σ 2 > σ0 2 (χ 2 α, ) H) Contrate para el cociente σ 2 1/σ 2 2 de varianza de do poblacione normale independiente: F = S2 1 S 2 2 F (N1 1, 1) H0 : σ 2 1 = σ 2 2 σ1 2 < σ2 2 1 (0, F 1 α ) = (0, F ( 1,N 1 α 1) σ1 2 σ2 2 (0, F 1 α/2 ) (F α/2, ) σ1 2 > σ2 2 (F α, ) ) I) Contrate para una proporción p (de una Binomial) cuando N e grande y la proporción no e cercana a cero ni a uno: ˆp = X/N (X = número de éxito en la N prueba), q 0 = 1 - p 0 Z ˆp p 0 p0 q 0 /N N(0, 1) H0 : p = p 0 p < p 0 (, z α ) p p 0 (, z α/2 ) (z α/2, ) p > p 0 (z α, ) J) Contrate para la diferencia de do proporcione, con N 1 y grande (N 1 = tamaño muetral de la muetra de la población 1, = tamaño muetral de la muetra de la población 2): ˆp 1 = X 1 /N 1 (X 1 = número de éxito en la N 1 prueba), ˆp 2 = X 2 / (X 2 = número de éxito en la prueba), ˆp = (X 1 + X 2 )/(N 1 + ) Z ˆp 1 ˆp 2 ˆp(1 ˆp)(1/N1 + 1/ ) N(0, 1) H0 : p 1 = p 2
6 p 1 < p 2 (, z α ) p 1 p 2 (, z α/2 ) (z α/2, ) p 1 > p 2 (z α, ) K) Prueba de la bondad de ajute con la χ 2 : χ 2 0 = k i=1 (o i e i ) 2 e i, Bajo H 0, igue aproximadamente una ditribución χ 2 con k r 1 grado de libertad, iendo r el número de parámetro etimado por máxima veroimilitud. La región crítica (a nivel α) e: (χ 2 α, ). L) Prueba con tabla de contingencia: X \ Y y 1... y j... y c Total x 1 o o 1j... o 1c T x i o i1... o ij... o ic T i x r o r1... o rj... o rc T r. Total T.1... T.j... T.c T T i. e el total de obervacione de la fila i-éima, T.j e el total de obervacione de la columna j-éima y T e el total de obervacione. χ 2 = r i=1 c j=1 (o ij e ij ) 2 e ij, iendo e ij = T i. T.j / T Bajo H 0, igue aproximadamente una ditribución χ 2 con (r 1) (c 1) grado de libertad. La región crítica (a nivel α) e: (χ 2 α, ). CONTROL DE CALIDAD: Gráfico de control X: LSC = x + A 2 r LC = x LIC = x A 2 r donde x = 1 m m i=1 X i ( X i e la media muetral de la muetra i-éima, calculada con lo n valore de cada muetra y m e el número total de muetra), r = 1 m m i=1 R i (donde R i e el rango de la muetra i-éima) y la contante A 2 aparece tabulada.
7 Gráfico R: LSC = D 4 r LC = r LIC = D 3 r. Lo valore de D 3 y D 4 para ditinto valore de n aparecen tabulado. Un etimador de σ e ˆσ = R /d 2, donde d 2 etá tabulada. Índice de capacidad del proceo: LSE LIE ICP =, 6σ donde LSE y LIE on lo límite uperior e inferior de epecificación. Longitud de corrida promedio (ARL): ICP k = min LSE µ 3σ, µ LIE }. 3σ ARL = 1/p, p e la probabilidad de que cualquier punto exceda lo límite de control. Gráfica P : p(1 p) LSC = p + 3 n LC = p p(1 p) LIC = p 3, n donde p e el etimador de p (fracción defectuoa del proceo), obtenido mediante: p = 1 m m ˆp i i=1 con ˆp i la proporción muetral de unidade defectuoa en la muetra i-éima. Gráfico U: LSC = ū + 3 LC = ū ū n ū LIC = ū 3 n
8 donde, i tenemo n (que puede no er un entero) unidade y un total de defecto C entonce U = C n, e el promedio de defecto por unidad. Con m muetra preliminare y valore aleatorio U 1,..., U m entonce el número medio de defecto por unidad e Ū = 1 m m U i. i=1 DISEÑO DE EXPERIMENTOS: Dieño completamente aleatorizado: análii de la varianza con un olo factor. Y ij = µ i + ɛ ij ɛ ij N(0, σ 2 ) Y ij = µ + τ i + ɛ ij ɛ ij N(0, σ 2 ), con τ i definida como deviacione de la media global µ, por lo que a i=1 τ i = 0. Denotaremo por n i la obervacione en el tratamiento i-éimo y N el total de obervacione, a e el número de nivele del factor. Fuente de Suma de Grado de Media de variación cuadrado libertad cuadrado F Tratamiento (entre grupo) a i=1 n i(ȳ i. ȳ.. ) 2 a 1 SC T ratamiento /(a 1) CM T ratamiento /CM E Error (dentro grupo) i j (y ij ȳ i. ) 2 N a Total i j (y ij ȳ.. ) 2 N 1 SC E /(N a) Table 1: Tabla ANOVA de un factor. Región crítica (a nivel α): (F α,a 1,N a, ) Método de la mínima diferencia ignificativa o LSD (Leat Significant Difference): el par de media µ i y µ j e declarará ignificativamente diferente i ȳ i. ȳ j. > LSD, donde LSD al nivel α viene definida como t α/2,n a CME (1/n i + 1/n j ). Dieño en bloque aleatorizado. Y ij = µ + τ i + β j + ɛ ij i = 1,..., a j = 1,... b, donde ɛ ij on variable N(0, σ 2 ) independiente, y i τ i = 0 y j β j = 0
9 Fuente de Suma de Grado de Media de variación cuadrado libertad cuadrado F Tratamiento SC T ratamiento a 1 SC T ratamiento /(a 1) CM T ratamiento /CM E Bloque SC Bloque b 1 SC Bloque /(b 1) Error SC E (a 1)(b 1) SC E /(a 1)(b 1) Total SC T ab 1 Table 2: Tabla ANOVA de un factor dieño en bloque aleatorizado. Región crítica (a nivel α): (F α,a 1,(a 1)(b 1), ) Método LSD: LSD = t α/2,(a 1)(b 1) 2CME /b.
FORMULARIO. x N+1 si N es impar. si N es par
ESTADÍSTICA DESCRIPTIVA Dato: {x, x 2,..., x } FORMULARIO Media: x i x i Mediana: {x, x 2,..., x } ordenado de menor a mayor x + i e impar 2 Me x 2 +x 2 + i e par 2 Moda: Valor muetral con la frecuencia
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 detallesEstadistica 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 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 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 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 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 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 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 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 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 detallesTema 1. Modelo de diseño de experimentos (un factor)
Tema 1. Modelo de diseño de experimentos (un factor) Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 1 Introducción El objetivo del Análisis de la Varianza
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 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 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 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 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 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 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 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 detallesEl método de mínimos cuadrados. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
El método de mínimos cuadrados Curso de Estadística TAE, 005 J.J. Gómez-Cadenas Mínimos cuadrados y máxima verosimilitud Teorema del límite central Una medida y, puede considerarse como un variable aleatoria,
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 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 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 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 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 detallesEstadística II Examen Final - Enero 2012. Responda a los siguientes ejercicios en los cuadernillos de la Universidad.
Estadística II Examen Final - Enero 2012 Responda a los siguientes ejercicios en los cuadernillos de la Universidad. No olvide poner su nombre y el número del grupo de clase en cada hoja. Indique claramente
Más detallesAnálisis de Capabilidad (Porcentaje Defectuoso)
Análisis de Capabilidad (Porcentaje Defectuoso) STATGRAPHICS Rev. 9/4/2006 Este procedimiento esta diseñado para estimar el porcentaje de artículos defectuosos en una población basándose en muestra de
Más detallesCÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS SIMCE
CÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS SIMCE SIMCE Unidad de Currículum y Evaluación Ministerio de Educación 011 Índice 1. Antecedentes Generales 1. Comparación de puntajes promedios.1. Errores
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 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 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 detallesMuestreo y estimación: problemas resueltos
Muestreo y estimación: problemas resueltos BENITO J. GONZÁLEZ RODRÍGUEZ (bjglez@ull.es) DOMINGO HERNÁNDEZ ABREU (dhabreu@ull.es) MATEO M. JIMÉNEZ PAIZ (mjimenez@ull.es) M. ISABEL MARRERO RODRÍGUEZ (imarrero@ull.es)
Más detallesCÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS DE LAS PRUEBAS SIMCE
CÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS DE LAS PRUEBAS SIMCE Unidad de Análisis Estadístico División de Evaluación de Logros de Aprendizaje Agencia de Calidad de la Educación 013 Índice 1.
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 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 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 detallesTema 2. Contraste de hipótesis en una población
Tema 2. Contraste de hipótesis en una población Contenidos Introducción, las hipótesis nula y alternativa El procedimiento de contraste de hipótesis Errores de Tipo I y Tipo II, potencia del contraste
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 detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
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 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 detallesContenido. Introducción. Introducción. Definiciones. Estadística Descriptiva. Estadística Descriptiva
Contenido Introducción al Diseño de Eperimentos para el Reconocimiento de Patrones Capítulo : Modelos Estadísticos Curso de doctorado impartido por Dr. Quiliano Isaac Moro Dra. Aranzazu Simón Hurtado Marzo
Más detalles1.2.2. Técnicas estadísticas más utilizadas en la investigación
Contenido PRÓLOGO... 1. LA ESTADÍSTICA COMO HERRAMIENTA EN LA INVESTIGACIÓN TURÍSTICA 1.1. EL TURISMO Y LA ESTADÍSTICA... 2 1.1.1. El turismo... 2 1.1.2. La estadística... 4 1.2. LA ESTADÍSTICA Y LA INVESTIGACIÓN
Más detallesTema 1. Inferencia estadística para una población
Tema 1. Inferencia estadística para una población Contenidos Inferencia estadística Estimadores puntuales Estimación de la media y la varianza de una población Estimación de la media de la población mediante
Más detallesProblemas resueltos. Tema 12. 2º La hipótesis alternativa será que la distribución no es uniforme.
Tema 12. Contrastes No Paramétricos. 1 Problemas resueltos. Tema 12 1.- En una partida de Rol se lanza 200 veces un dado de cuatro caras obteniéndose 60 veces el número 1, 45 veces el número 2, 38 veces
Más detalles1.2 Estimación puntual 1.3 Estimación por intervalos de confianza: medias, varianzas y proporciones
Tema 1 Inferencia estadística. Estimación. 1.1 Introducción a la inferencia estadística 1.2 Estimación puntual 1.3 Estimación por intervalos de confianza: medias, varianzas y proporciones 1.1. Introducción
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detalles1 Descripción de datos con gráficas 7. 2 Descripción de datos con medidas numéricas 47. Contenido. 2.1 Descripción de un conjunto de datos mediante
Introducción:Una invitación a la estadística 1 La población y la muestra 3 Estadística descriptiva y estadística inferencial 3. Cómolograrel objetivode la estadísticainferencial: los pasos necesarios 4
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 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 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 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 detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detalles4. DISEÑOS MULTIFACTORIALES O FACTORIALES
4. DISEÑOS MULTIFACTORIALES O FACTORIALES 4.1 PRINCIPIOS Y DEFINICIONES BASICAS Los arreglos factoriales se utilizan cuando en una investigación se pretende estudiar simultáneamente la influencia del cambio
Más detallesEstadística Inferencial 3.7. Prueba de hipótesis para la varianza. σ gl = n -1. Es decir: Ho: σ 2 15 Ha: σ 2 > 15 (prueba de una cola)
UNIDAD III. PRUEBAS DE HIPÓTESIS 3.7 Prueba de hipótesis para la varianza La varianza como medida de dispersión es importante dado que nos ofrece una mejor visión de dispersión de datos. Por ejemplo: si
Más detallesMétodos de Regresión Ciencias y Técnicas Estadísticas Práctica 1. Curso 2007 / 2008
Método de Regreión Ciencia y Técnica Etadítica Práctica. Curo 2007 / 2008 t-student y Anova F. t-student.. Excel. Se tienen dato experimentale correpondiente a 7 individuo de lo que e ha recogido el valor
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 detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov para una muestra Lilliefords Kolmogorov-Smirnov para dos muestras B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta
Más detallesEstadística para las Ciencias Agropecuarias
Estadística para las Ciencias Agropecuarias Séptima Edición Di Rienzo, Julio Alejandro Casanoves, Fernando Gonzalez, Laura Alicia Tablada, Elena Margot Díaz, María del Pilar Robledo, Carlos Walter Balzarini,
Más detallesINTRODUCCIÓN DIAGRAMA DE DISPERSIÓN. Figura1
Capítulo 5 Análisis de regresión INTRODUCCIÓN OBJETIVO DE LA REGRESIÓN Determinar una función matemática sencilla que describa el comportamiento de una variable dadoslosvaloresdeotrauotrasvariables. DIAGRAMA
Más detallesDiseño de experimentos: ANOVA. Elisa Mª Molanes López
Diseño de experimentos: ANOVA Elisa Mª Molanes López Un ejemplo introductorio Un ingeniero de desarrollo de productos desea maximizar la resistencia a la tensión de una nueva fibra sintética que se utilizará
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 detallesESTADÍSTICA APLICADA. PRÁCTICAS CON SPSS. TEMA 2
ESTADÍSTICA APLICADA. PRÁCTICAS CON SPSS. TEMA 2 1.- ANÁLISIS DE LA VARIANZA CON UN FACTOR El análisis de la varianza estudia el efecto de una o varias variables independientes denominadas factores sobre
Más detalles1. IDENTIFICACIÓN DE LA ASIGNATURA
UNIVERSIDAD DE SANTIAGO DE CHILE FACULTAD DE ADMINISTRACION Y ECONOMIA DEPARTAMENTO DE CONTABILIDAD Y AUDITORIA PROGRAMA DE ESTUDIO ESTADÍSTICA APLICADA II 1. IDENTIFICACIÓN DE LA ASIGNATURA 2. OBJETIVOS
Más detallesDCA: Es el más simple de todos los diseños, solamente se estudia el. en diferentes tratamientos o niveles.
completamente aleatorizado (DCA): 1 solo factor con diferentes tratamientos. DCA: Es el más simple de todos los diseños, solamente se estudia el efecto de un factor, el cual se varía en diferentes tratamientos
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 detallesÚnicamente uso libro texto (no fotocopias) o tablas estadísticas y calculadora.1 acierto 1 pto.1 fallo, -0,25.
Únicamente uso libro texto (no fotocopias) o tablas estadísticas y calculadora.1 acierto 1 pto.1 fallo, -0,5. 1. La media recortada, al 10 %, de los datos siguientes, es: 18 1 1 3 17 8 17 1 18 0 19 17
Más detallesCONTENIDO. Prólogo a la 3. a edición en español ampliada... Prólogo...
CONTENIDO Prólogo a la 3. a edición en español ampliada.................................. Prólogo.................................................................. vii xvii 1. Métodos descriptivos................................................
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 detallesPruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León
Pruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León MATEMÁTICAS APLICAAS A LAS CIENCIAS SOCIALES EJERCICIO Nº Páginas 2 OPTATIVIA: EL ALUMNO EBERÁ ESCOGER UNA E LAS OS OPCIONES
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 detallesCALIDAD DE MARCAS ECONÓMICAS DE ESMALTE DE UÑAS COMPARANDO TIEMPO DE SECADO Y DURACIÓN
CALIDAD DE MARCAS ECONÓMICAS DE ESMALTE DE UÑAS COMPARANDO TIEMPO DE SECADO Y DURACIÓN Espinoza Cárdenas Sara Dalila Flores Balderas Mayra Celeste Gómez Llanos Sandoval Ana Isabel LOS ESMALTES DE UÑAS
Más detallesLA DISTRIBUCIÓN NORMAL
LA DISTRIBUCIÓN NORMAL En estadística y probabilidad se llama distribución normal, distribución de Gauss o distribución gaussiana, a una de las distribuciones de probabilidad que con más frecuencia aparece
Más detallesSnapStat: Análisis de Una Muestra
SnapStat: Análisis de Una Muestra Resumen La SnapStat Análisis de Una Muestra crea un resumen en una hoja de una sola columna de datos numéricos. Calcula estadísticas de resumen e intervalos de confianza,
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 detallesTamaño de muestra agropecuaria
Pablo Tadeo Cruz * RESUMEN En este documento, se analizan condiciones de productividad y rentabilidad de los Sistemas de Producción Agropecuaria, dónde se aplica metodología de determinación de tamaño
Más detallesEstadística Inferencial
Estadística Inferencial Estimación de parámetros Estadística Básica - Manuel Spínola (ICOMVIS - UNA) 1 Estadística Descriptiva e Inferencial Estadística Descriptiva Estadística Estadística Inferencial
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 detallesy = b 0 + b 1 x 1 + + b k x k
Las técnicas de Regresión lineal multiple parten de k+1 variables cuantitativas: La variable respuesta (y) Las variables explicativas (x 1,, x k ) Y tratan de explicar la y mediante una función lineal
Más detallesCapítulo 6. Inferencia estadística. 6.1. Introducción. 6.2 Estimación. 6.3 Contrastes de hipótesis. 6.4 Diseño de expermientos
Capítulo 6 Inferencia estadística 6.1 Introducción 6.2 Estimación 6.3 Contrastes de hipótesis 6.4 Diseño de expermientos 6.1. Introducción La inferencia estadística trata los métodos mediante los cuales
Más detallesProbabilidades. 11 de noviembre de 2013. Felipe Bravo Márquez
Felipe José Bravo Márquez 11 de noviembre de 2013 Motivación Las probabilidades son el lenguaje de la incertidumbre que a la vez es la base de la inferencia estadística. El problema estudiado en probabilidades
Más detallesTeoría de Matrices. Julio Yarasca. 30 de junio de 2015. Julio Yarasca
30 de junio de 2015 Matriz de m por n Definimeros a una matriz A de orden m por n como un arreglo de números de m filas y n columnas. a 11 a 12 a 13 a 1n a 21 a 22 a 23 a 2n A = a 31 a 32 a 33 a 3n....
Más detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD OPCIÓN A
OPCIÓN A 1 a 1/ 0 Se consideran las matrices A = y B =, 0 1 3/ 4 0 siendo a un número real cualquiera 014 a) (1 punto) Obtenga la matriz A 3 b) (15 puntos) Para a =, resuelva la ecuación matricial A X
Más detalles2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS)
2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS) La idea principal en este capitulo es el inicio a planear los diseño experimentales y su correspondiente análisis estadístico. En este caso iniciaremos
Más detallesTema 9: Introducción al problema de la comparación de poblaciones
Tema 9: Introducción al problema de la comparación de poblaciones Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 9: Introducción al problema
Más detallesCAPITULO III: METODOLOGIA. En el presente capítulo se describirá el conjunto de pasos a seguir para lograr el
CAPITULO III: METODOLOGIA En el presente capítulo se describirá el conjunto de pasos a seguir para lograr el objetivo propuesto en esta tesis. Primero se presenta la descripción general del programa y
Más detalles11. PRUEBAS NO PARAMÉTRICAS
. PRUEBAS NO PARAMÉTRICAS Edgar Acuña http://math.uprm/edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ PRUEBAS NO PARAMÉTRICAS Se estudiarán las pruebas noparamétricas, las cuales
Más detallesDistribuciones de probabilidad. El teorema central del límite
8 Distribuciones de probabilidad. El teorema central del límite Neus Canal Díaz 8.1. Introducción La distribución de frecuencias es uno de los primeros pasos que debemos realizar al inicio del análisis
Más detallesUNA COMPARACIÓN DE LOS MODELOS POISSON Y BINOMIAL NEGATIVA CON STATA: UN EJERCICIO DIDÁCTICO
3er Encuentro de Usuarios de Stata en México UNA COMPARACIÓN DE LOS MODELOS POISSON Y BINOMIAL NEGATIVA CON STATA: UN EJERCICIO DIDÁCTICO Noé Becerra Rodríguez Fortino Vela Peón Mayo, 2011 Mo9vación Ac#vidad
Más detallesDISEÑO EXPERIMENTAL Biología, 2º Ciclo 2004-2005 Profesores: Mauro Santos y Hafid Laayouni PROGRAMA TEÓRICO
DISEÑO EXPERIMENTAL Biología, 2º Ciclo 2004-2005 Profesores: Mauro Santos y Hafid Laayouni PROGRAMA TEÓRICO Tema 1 Introducción Diseño experimental e inferencia estadística: las dos caras de una misma
Más detallesANOVA Simple. StatFolio de Ejemplo: oneway.sgp
ANOVA Simple Resumen El procedimiento ANOVA Simple (o de un criterio de clasificación) está diseñado para construir un modelo estadístico que describa el impacto de un solo factor categórico X sobre una
Más detallesANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación
ANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación Francisca José Serrano Pastor Pedro A. Sánchez Rodríguez - Implica siempre a variables
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 detallesDESCRIPCIÓN DE DATOS POR MEDIO DE GRÁFICAS
ÍNDICE Introducción: Entrene su cerebro para la estadística... 1 La población y la muestra... 3 Estadísticas descriptivas e inferenciales... 4 Alcanzar el objetivo de estadísticas inferenciales: los pasos
Más detalles2013-B. Diseño y análisis de experimentos. El chocomilk ideal
2013-B El chocomilk ideal Nadia Berenice Haro Mares Ulises Guadalupe Herrera Sillas Violeta María Isabel Martínez Mercado Angélica Rivera Pulido Proyecto Final Angélica, Nadia, Violeta y Ulises, acaban
Más detallesPropuesta A. 2 0 b) Dada la ecuación matricial: X = , despeja y calcula la matriz X. (0.75 ptos) 2 1
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (015) Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II El alumno deberá contestar a una de las dos opciones propuestas A o B. Se
Más detallesPrueba t para muestras independientes
Prueba t para muestras independientes El procedimiento Prueba t para muestras independientes compara las medias de dos grupos de casos. Para esta prueba, idealmente los sujetos deben asignarse aleatoriamente
Más detallesCaso 2. Diseño de experimentos: tamaño de muestra y potencia de una prueba, asignaciones aleatorias.
Caso2: Diseño de experimentos: tamaño de muestra y potencia de una prueba 7 Caso 2. Diseño de experimentos: tamaño de muestra y potencia de una prueba, asignaciones aleatorias. (JESÚS LÓPEZ FIDALGO, UCLM)
Más detalles