ESTADÍSTICA. Tema 2 Nociones elementales de inferencia estadística

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "ESTADÍSTICA. Tema 2 Nociones elementales de inferencia estadística"

Transcripción

1 ESTADÍSTICA Grado en CC. de la Alimentación Tema 2 Nociones elementales de inferencia estadística Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 1

2 Estructura de este tema Conceptos básicos de probabilidad Algunos modelos de probabilidad. La distribución normal Estimación de una media poblacional Estimación de una proporción poblacional Intervalos de confianza para una media y una proporción poblacional Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 2

3 Probabilidad Tipos de fenómenos: Deterministas: Se conoce desde el principio el resultado final. Aleatorios: Muchas situaciones finales posibles. Un experimento aleatorio puede dar resultados diferentes aunque se repita bajo condiciones aparentemente idénticas. La teoría de la probabilidad estudia el comportamiento de los fenómenos o experimentos aleatorios. Una variable aleatoria (v.a.) es el valor de una característica de interés en un fenómeno aleatorio. Las v.a.s se suelen denotan con letra mayúscula (X, Y, Z... ) y su valor observado con letras minúsculas (x, y, z,... ). Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 3

4 Ejemplo 2.1: Un encuestador selecciona aleatoriamente a una persona y le preguntar con qué frecuencia consume un producto alimentario específico. Una variable aleatoria que representa el resultado es: Nunca Una vez al año Una vez al mes X = Todas las semanas Todos los días No contesta Ejemplo 2.2: X = superficie dedicada a alimentos de producción ecológica en un supermercado elegido al azar. Ejemplo 2.3: X = Número de frutas pochas que cuelan en una barqueta de 1/2 kg del producto durante el proceso de envasado. Ejemplo 2.4: X = Contenido de grasa, Y = Contenido proteico en una hamburguesa de un establecimiento de comida rápida. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 4

5 El espacio muestral Ω de un experimento aleatorio es el conjunto de todos los resultados elementales que pueden obtenerse en dicho experimento. Ejemplo 2.1 (cont.): Ejemplo 2.2 (cont.): Ejemplo 2.3 (cont.): Ejemplo 2.4 (cont.): Ejemplo 2.5: Sea X el número de caras obtenidas al lanzar al aire una moneda 10 veces. El espacio muestral es Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 5

6 Un suceso A es un subconjunto del espacio muestral Ω, A Ω. Ejemplo 2.5 (cont.): Consideremos el suceso A= Obtener un número par de caras Ejemplo 2.3 (cont.): A = Que como mucho haya tres frutas en mal estado en una barqueta Ejemplo 2.4 (cont.): A = Contenido en grasa de una hamburguesa basura Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 6

7 Dado un experimento aleatorio, es importante cuantificar cuál es la incertidumbre asociada a los posibles resultados finales. La probabilidad se define como una medida de la incertidumbre asociada a cada suceso. En muchas ocasiones, al repetirse muchas veces un experimento sus resultados (sucesos) presentan un comportamiento regular a largo plazo. Por ejemplo, al tirar muchas veces una moneda, la fracción de veces que sale cara se aproximará al 50 %. La probabilidad de un suceso es el valor al que converge la frecuencia relativa de veces que ocurre ese suceso al aumentar el número de veces que se repite el experimento. En general, la probabilidad se puede considerar como la modelización en la población de las frecuencias relativas. Notación: La probabilidad del suceso A se suele denotar P(A). Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 7

8 Propiedades básicas de la probabilidad: La probabilidad de un suceso siempre es un valor entre 0 y 1. La probabilidad de que un suceso no ocurra es 1 menos la probabilidad de que ocurra (P(A c ) = 1 P(A)). Si dos sucesos son incompatibles (disjuntos), la probabilidad de que ocurra alguno de los dos es la suma de las dos probabilidades. Si A B =, entonces P(A B) = P(A) + P(B). Si un suceso está incluido en otro, la probabilidad del primero es menor o igual que la probabilidad del segundo. Si A B entonces P(A) P(B). Principio de inclusión-exclusión: Si A y B son dos sucesos cualesquiera (no necesariamente incompatibles), entonces P(A B) = P(A) + P(B) P(A B). Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 8

9 Nos interesa conocer la probabilidad P de los sucesos correspondientes a una variable aleatoria X, es decir, conocer la distribución de probabilidad de la v.a. X. Ejemplo 2.6: Sea X el resultado obtenido al lanzar al aire un dado. Entonces Ω =. La probabilidad de obtener un número impar en un lanzamiento es Ejemplo 2.4 (cont.): Cuál es la probabilidad de que una hamburguesa sea basura (por su alto contenido graso)? Ejemplo 2.3 (cont.): Cuál es la probabilidad de que haya menos de tres frutas pochas en una barqueta? Y la probabilidad de que haya al menos tres? Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 9

10 Los dos tipos más importantes de v.a. s son: discretas y continuas. Una v.a. X es discreta si sólo toma un número finito o numerable de valores. La distribución de probabilidad de una v.a. discreta X queda caracterizada por la función de masa de X : P(x) = P{X = x} para cualquier posible valor x de X. Ejemplo 2.6 (cont.): Ejemplo 2.5 (cont.): Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 10

11 Ejemplo 2.3 (cont.): Sea X el número de fresas pochas en una barqueta de 1/2 kg: x P(x) 0,05 0,1 0,15 0,25 0,25 0,15 0,05 Cuál es la probabilidad de que haya menos de tres fresas pochas en una barqueta? Y la probabilidad de que haya al menos tres? Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 11

12 La esperanza de una v.a. es una medida de centralización, localización o posición de la variable. La media poblacional o esperanza de una v.a. discreta X, que tiene como posibles valores x 1,..., x n,..., es µ = E(X ) = i x i P(x i ). Ejemplo 2.3 (cont.): Ejemplo 2.6 (cont.): Interpretación física: Si sobre cada punto se pone una masa igual a la probabilidad de que la v.a. tome ese valor, µ corresponde con el centro de masas o de gravedad de estos puntos. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 12

13 Una medida de la dispersión de X en torno a su media µ es la varianza de X σ 2 = V (X ) = E[(X µ) 2 ] = i (x i µ) 2 P(x i ). Se cumple que σ 2 = E(X 2 ) µ 2 = i x 2 i P(x i ) µ 2. Ejemplo 2.3 (cont.): Ejemplo 2.6 (cont.): La desviación típica de X es σ = V (X ). Es una medida de dispersión expresada en las mismas unidades que X. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 13

14 Ejemplo 2.7: Calcular la media y la varianza de las siguientes v.a.s (a) X tiene distribución Valores 0 1 Probabilidades 0,25 0,75 (b) X tiene distribución Valores 0 1 Probabilidades 1 p p Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 14

15 Una v.a. continua puede tomar una cantidad infinita de valores. Intuitivamente puede tomar cualquier valor de un intervalo. Ejemplo 2.4 (cont.): X = % de grasa en una hamburguesa Ejemplo 2.8: X = Contenido de calcio (mg/100g) en un yogur. Ejemplo: X = Peso (en g) de un calabacín de una huerta casera Para determinar la distribución de una v.a. continua no se puede hacer una lista de todas las probabilidades ya que la variable puede tomar infinitos valores. Se utiliza una función de densidad f : R R, que satisface: f (x) 0 para todo x R; f (x)dx = 1. R Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 15

16 La probabilidad de que la v.a. X tome valores en el intervalo (a, b), P(a < X < b), es el área por debajo de la función de densidad. f P(a<X<b) a b Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 16

17 La densidad como ĺımite de histogramas: n=10 n=100 n=10000 Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 17

18 La media de X es el promedio de los valores que toma X ponderado por la probabilidad con la que los toma. En el caso continuo es necesario expresar este promedio como una integral. La esperanza de una v.a. continua X con densidad f se calcula así µ = E(X ) = x f (x) dx. La varianza de X es la media de las desviaciones al cuadrado de los valores que toma X respecto a la media de X. También puede expresarse como una integral: σ 2 = V (X ) = E[(X µ) 2 ] = (x µ) 2 f (x) dx R = E(X 2 ) µ 2 = x 2 f (x) dx µ 2 R R Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 18

19 Densidades, media y varianza: Densidad Varianza = 8 Densidad Varianza = 16 Densidad Varianza = 1 Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 19

20 Dos modelos de probabilidad: Bernoulli y normal Distribución de Bernoulli Una prueba de Bernoulli es un experimento aleatorio con sólo dos posibles resultados (excluyentes): éxito (E) y fracaso (F), con P(E) = p y P(F) = 1 p. Ejemplo: Lanzamos una moneda al aire y tomamos E = Cara y F = Cruz. Ejemplo: Un hombre y una mujer, cada uno con un gen recesivo (azul) y uno dominante (marrón) para el color de los ojos, tienen un niño. Se considera E = Niño ojos azules y F = Marrones. Ejemplo: En una campaña para detección de diabetes se realizan análisis de sangre a voluntarios. Si el nivel de glucosa está por encima de 200 mg/dl, se realizan más pruebas para confirmar si la persona es diabética. Si no, se considera que el individuo está sano. Tomamos E = Diabético potencial con P(E) = 0,03. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 20

21 Una variable X tiene distribución de Bernoulli de parámetro p si { 1 si en la prueba Bernoulli sale éxito X = 0 si sale fracaso Su distribución de probabilidad es: Valores 0 1 Probabilidades 1 p p Su esperanza y varianza son: E(X ) = y Var(X ) = Siempre que examinamos a n individuos de una población para ver si presentan o no cierta característica tenemos una muestra X 1,..., X n de variables de Bernoulli. Las pruebas de Bernoulli dan lugar a otros modelos de probabilidad muy utilizados que no estudiaremos, como la distribución binomial, la distribución geométrica, la binomial negativa y la hipergeométrica. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 21

22 Distribución normal Muchos histogramas tienen la siguiente forma aproximada: Densidad x Simétrica alrededor de un valor central µ. A medida que los valores se alejan del centro las frecuencias disminuyen rápidamente. La dispersión viene dada por la desviación típica poblacional σ. Los puntos de inflexión se sitúan en los valores µ σ y µ + σ. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 22

23 La v.a. continua X sigue una distribución N(µ, σ), normal de parámetros µ y σ ( 8.3. < Distribución µ < y σ > normal 0), si su densidad es [ f (x) = 1 σ 2π exp 1 ( ) ] x µ 2 para todo x R. 2 σ La función de densidad normal depende de 2 parámetros: µ y σ. σ=0,5 σ=1 σ=2 µ=0 11 Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 23

24 8.3. Distribución normal La curva de densidad normal dependiendo de µ y σ: µ=-1 µ=0 µ=1 σ=0.5 σ=1 σ=2 12 Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 24

25 Propiedades básicas de la normal N(µ, σ): Media y varianza: E(X ) = µ, Var(X ) = σ 2. Simetría: f es una densidad simétrica respecto a µ. Aprox. el 68 % de los datos está entre µ σ y µ + σ. Aprox. el 95 % de los datos está entre µ 2σ y µ + 2σ. Más del 99 % de los datos está entre µ 3σ y µ + 3σ. Tipificación o estandarización: Si una v.a. X tiene distribución N(µ, σ), entonces la variable estandarizada Z = X µ σ tiene distribución N(0, 1) (normal estándar). Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 25

26 Ejemplo 2.8: Sea X la v.a. que representa la cantidad de calcio (mg/100g) en un yogur natural. Se sabe que X es normal con media µ = 167 y desviación típica σ = 5. Usando las propiedades anteriores da respuestas aproximadas a las preguntas siguientes: Cuál es la probabilidad de que X esté entre 163 y 171 mg/100g? Cuál es la probabilidad de que X sea mayor que 171 mg/100g? Cuál es la probabilidad de que X sea mayor que 163 mg/100g? Cuál es la probabilidad de que X sea mayor que 167 mg/100g? Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 26

27 La distribución normal o gaussiana es la distribución de probabilidad más importante. (1) Modeliza muchos fenómenos aleatorios habituales como (entre otros): peso o altura de una persona o animal (datos biométricos en general); contenido de un nutriente o elemento en un alimento; errores de medición; etc. (2) Muchos estadísticos estudiados en este curso siguen distribuciones normales o aproximadamente normales. (3) (1) y (2) son debidos (principalmente) a que se verifica un resultado importante, el Teorema Central del Límite (TCL). (4) Para variables con densidad asimétrica, se puede intentar transformar la variable a normal. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 27

28 Inferencia estadística La distribución de probabilidad de la v.a. X de interés no suele ser conocida. Supondremos que sigue un modelo paramétrico: la distribución tiene expresión matemática conocida y depende sólo de unos parámetros desconocidos. Entonces, especificando el valor de los parámetros, determinamos totalmente la distribución de X. Los parámetros que nos van a interesar en este curso son: La media µ y la varianza σ 2 de una variable X normal. La proporción p de individuos que presentan cierta característica. Objetivo: Estimar los parámetros desconocidos a partir del conocimiento de una muestra aleatoria de la población. Una muestra aleatoria (simple) de tamaño n de X es una colección X 1,..., X n tal que cada X i tiene la misma distribución de probabilidad que X ; las v.a. X 1,..., X n son independientes entre sí. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 28

29 Un estimador es una cantidad que se puede calcular a partir de la muestra y que aproxima el valor de un parámetro de interés. Una estimación (puntual) es el valor (numérico) concreto que toma un estimador al ser aplicado a una realización muestral. Estimadores naturales de la media y varianza poblacional son: Media muestral: X = X X n = 1 n X i n n i=1 Varianza muestral: V X = 1 n (X i X ) 2 = 1 n Xi 2 X 2 n n i=1 Cuasi-varianza muestral: S 2 = 1 n 1 i=1 n (X i X ) 2 i=1 Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 29

30 Determina en los ejemplos un parámetro poblacional de interés, su correspondiente estimador y la estimación con los datos obtenidos. Ejemplo 2.9: En 2004 en Bolivia se seleccionaron aleatoriamente 35 quesos frescos (fabricados a partir de leche sin pasteurizar) y se analizó la presencia de Listeria monocitogenes en cada uno de ellos. La presencia de la bacteria se confirmó en seis quesos. Ejemplo 2.10: Se escogen uvas de la variedad Cannonau en diez lugares distintos de Cerdeña y se mide su contenido en flavonoides (en mg/kg de uva fresca). La media observada es 51,6. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 30

31 Antes de la observación: X X 1,..., X n V X S 2 son v.a. s Si tomo observaciones concretas de la población: x x 1,..., x n v x son números. s 2 Si tomo nuevas observaciones de la población: x x 1,..., x n ṽ x son otros números. s 2 Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 31

32 Ejemplo 2.10 (cont.): Los valores observados de flavonoides fueron: 57,6 39,9 52,9 71,3 41,7 41,5 35,0 63,7 44,4 68,4. x = v x = Se vuelve a los mismos viñedos y se escogen uvas Cannonau de plantas diferentes a las de la muestra anterior, obteniéndose los siguientes contenidos en flavonoides: 58,2 36,7 54,1 68,0 45,3 42,8 34,6 65,2 43,5 70,1. x = v x = Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 32

33 Para estimar la media de una población, µ, el estimador más natural es la media muestral. X = X X n n = 1 n n i=1 X i Cuál es la calidad del estimador? Son las estimaciones obtenidas con la media muestral precisas? Un estimador es una variable aleatoria ya que su valor depende de la muestra concreta de la que se dispone y la selección de la muestra es aleatoria. La precisión de las estimaciones se mide analizando lo que ocurriría si dispusiéramos de muchas muestras y pudiéramos evaluar la media de cada una de ellas. Tenemos que estudiar la distribución de X. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 33

34 Distribución de la media muestral Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 34

35 Distribución de la media muestral Población n=5 n=10 Densidad Frecuencia Frecuencia Observaciones Medias Medias n=50 n=100 Comparación Frecuencia Frecuencia Medias Medias n=5 n=10 n=50 n=100 Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 35

36 Sea X una variable con con media µ y varianza σ 2. La media muestral X verifica: E( X ) = µ, Var( X ) = σ2 y Var( X ) = σ. n n Si X tiene distribución normal, entonces la distribución de los valores que toma X es también normal. ( ) σ Si X N(µ, σ) = X N µ,. n Teorema del ĺımite central (TCL): Si n es grande, la distribución de X es aproximadamente normal de media µ y desviación típica σ/ n, aunque X no sea normal. Si n es grande = X aprox ( ) σ N µ,. n Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 36

37 Ejemplo 2.11: Un laboratorio determina el contenido de ácido ascórbico (en mg/100 ml) de zumos de naranja comerciales mediante cromatografía ĺıquida de alta resolución. Las medidas tienen distribución normal con media µ = 55 mg/100 ml y desviación típica σ = 10 mg/100 ml. (a) Se calcula la media de 3 medidas: Cuál es la distribución de X? X = X 1 + X 2 + X 3. 3 (b) Cuál es la probabilidad de que X diste de µ menos de 5 mg/100 ml? (c) Cuál es la probabilidad de que una única medida de vitamina C diste de µ menos de 5 mg/100 ml? Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 37

38 Ejemplo 2.12: El peso de los huevos producidos por una gallina tiene distribución normal de media µ = 65 g. y desviación típica σ = 5 g. Cuál es la probabilidad de que una docena de huevos pese entre 750 y 825 g.? Ejemplo 2.13: De acuerdo con la Organización Mundial de la Salud un individuo tiene sobrepeso si su índice de masa corporal (IMC) es superior a 25. Se sabe que el IMC de una población es una variable con distribución normal de media µ = 26 y desviación típica σ = 6. (a) Calcula la probabilidad de que un individuo seleccionado al azar en esta población presente sobrepeso. (b) Calcula el valor x tal que el IMC del 25 % de la población es menor que x. (c) Si se seleccionan aleatoriamente 100 individuos y se calcula la media de sus IMC, cuál es la probabilidad de que esta media sea superior a 25.5? Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 38

39 El error típico de un estimador es un estimador (o una estimación) de su desviación típica. La desviación típica de la media es σ/ n, pero en la práctica σ es un parámetro poblacional desconocido. Resulta natural estimar σ 2 con la cuasivarianza muestral: s 2 = (x 1 x) (x n x) 2. n 1 Se divide por n 1 ya que puede demostrarse que al dividir por n el estimador tiene una tendencia sistemática a infraestimar el verdadero valor de la varianza poblacional σ 2. El error típico de la media muestral es s n Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 39

40 Ejemplo con una población pequeña: Población: Los 12 alumnos de una clase. Variable: Nota que un alumno obtiene en un examen Estudiante Nota Notas Density x Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 40

41 Ejemplo con una población pequeña (cont.): Media poblacional: µ = = 4,75 Varianza poblacional: σ 2 = (1 4,75)2 + (0 4,75) (3 4,75) 2 12 = 7,3542 Desviación típica poblacional: σ = 7,3542 = 2,7119 Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 41

42 Ejemplo con una población pequeña (cont.): Una posible muestra de tamaño 4 es: Estudiante Nota x 1 = 4, x 2 = 3, x 3 = 5, x 4 = 6 A partir de estos datos, un estimador de µ (que sería útil si no conociéramos µ) es: ˆµ = x = = 4,5 Cómo se evalúa la precisión de x, sin conocer µ? Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 42

43 Ejemplo con una población pequeña (cont.): Extraemos 2000 muestras de tamaño 4. Todos los valores son equiprobables y se extraen con reemplazamiento (muestreo aleatorio simple). Un histograma de las correspondientes 2000 medias muestrales: Frecuencias Medias Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 43

44 Ejemplo con una población pequeña (cont.): Las propiedades de X como estimador de µ se corresponden con las propiedades del histograma anterior. La forma del histograma es la de una distribución normal. Los valores de X se centran alrededor del verdadero valor de µ. El estimador es centrado o insesgado. La desviación típica de X es menor que σ. Se puede demostrar que la desviación típica de X es: σ = 2,7119 1,356. n 2 Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 44

45 Ejemplo con una población pequeña (cont.): Como X es insesgado, no hay tendencia sistemática a infraestimar o sobreestimar el valor de µ. Como X = N(µ, σ/ n), con probabilidad aproximada 0.95 el error cometido al estimar µ mediante X es menor o igual que 2 σ/ n 2,7119 Es decir, que podemos tener bastante confianza en que el valor de µ se encuentra en el intervalo: [4,75 2,7119] Como en la práctica σ 2 es desconocida se usa s 2 en su lugar: s 2 = (4 4,5)2 + (3 4,5) 2 + (5 4,5) 2 + (6 4,5) 2 3 = 1,666. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 45

46 Varianza y cuasivarianza muestrales Sea X 1,..., X n una muestra de X con varianza Var(X ) = σ 2. La varianza muestral V X = 1 n n (X i X ) 2 = 1 n i=1 y la cuasi-varianza muestral S 2 = 1 n 1 verifican: E(V X ) = n 1 n σ2. E(S 2 X ) = σ2. n i=1 n (X i X ) 2 i=1 X 2 i X 2 Esta es la razón por la que se divide por n 1 para calcular la cuasi-varianza muestral. De esta forma se consigue un estimador insesgado de la varianza poblacional. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 46

47 Por qué se divide por n 1 en lugar de n? Puede comprobarse que la varianza muestral (dividiendo por n) presenta una tendencia sistemática a infraestimar σ 2. Para corregir este sesgo se incrementa ligeramente el valor del estimador dividiendo por n 1 en lugar de n. Diagramas de cajas de las 2000 varianzas y cuasivarianzas muestrales. La ĺınea roja corresponde a σ 2 = 7,3542. Dividir por n Dividir por n Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 47

48 Estimación de una proporción poblacional Queremos estimar la proporción p de explotaciones de cerdo de cebo en las que hay salmonelosis. Para ello, se examinan 232 explotaciones y definimos { 0, si en la explotación i no se detecta salmonelosis X i = 1, si la explotación i da positivo en salmonella, que es una v.a. Bernoulli de parámetro p. Se detecta la salmonelosis en 100 de las explotaciones. Cuál es el estimador más natural de p? Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 48

49 Distribución de la proporción muestral Población (p=0.1) n=5 n= Frecuencia Frecuencia Medias Medias n=50 n=100 Comparación Frecuencia Frecuencia Medias Medias n=5 n=10 n=50 n=100 Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 49

50 Según el TCL, cómo se distribuye aproximadamente la proporción muestral ˆp? Cuál es la desviación típica de ˆp? Cuál es el error típico de ˆp? Calcula el error típico de ˆp para los datos de la salmonelosis. Cuál es el máximo (mínimo) valor posible de este error típico? En qué situación se va a dar ese valor? Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 50

51 Intervalos de confianza La estimación puntual nos proporciona un valor concreto como aproximación de un parámetro desconocido. Sin embargo, en general no se precisa la incertidumbre existente en dicha estimación. La estimación por intervalos nos proporciona un intervalo de valores donde el parámetro se puede encontrar, junto con un nivel de exactitud o fiabilidad de la estimación, el nivel de confianza. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 51

52 Un intervalo de confianza (IC) para un parámetro es un intervalo, calculado a partir de la muestra, que contiene al parámetro con un alto grado de seguridad. La fórmula general de los intervalos que vamos a estudiar es: IC =[Estimador Margen de error] En general, el centro del intervalo es el estimador del parámetro en el que estamos interesados. El margen de error depende de la precisión del estimador utilizado, del grado de seguridad con el que queremos que el intervalo contenga al parámetro (el nivel de confianza). Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 52

53 IC para la media de una población normal (varianza conocida) Queremos estimar el contenido medio en grasas (en g/100 g) de la carne de cerdo, µ. Para ello disponemos de una muestra de 12 piezas de carne para la que el contenido medio es x = 24,93. Esto significa que µ 24,93. Por supuesto, µ 24,93. Si tomáramos otras 12 piezas distintas nos habría resultado una estimación de µ diferente. Un IC es una forma de precisar qué significa µ 24,93. Suponemos que la población es normal y que la desviación típica de la población es conocida y vale σ = 0,25. Como X N(µ, 0,25/ 12), sabemos qué valores podríamos esperar si tomáramos muchas muestras de tamaño 12. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 53

54 Aproximadamente para el 95 % de las muestras de tamaño 12 se cumple: 0,072 1,96 < X µ < 0,072 1,96. Las desigualdades anteriores son equivalentes a: x 0,072 1,96 < µ < X + 0,072 1,96. Aproximadamente para el 95 % de las muestras de tamaño 12 se cumple que µ [ X 0,1411]. Confiamos (con un nivel del 95 %) en que la única muestra de la que disponemos sea una de las que verifican la condición. Decimos que [24,93 0,1411] es un IC para µ a un nivel de confianza del 95 %. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 54

55 Cuestiones: Con los mismos datos del ejemplo anterior calcula dos intervalos cuyos nivel de confianza sean 90 % y 99 %. Se ha obtenido x = 24,93 pero la muestra era de 36 piezas en lugar de 12. Calcula un intervalo de nivel 95 %. Se ha obtenido x = 24,93 con una muestra de 36 piezas pero σ = 1 en lugar de σ = 0,25. Calcula un intervalo de nivel 95 %. Fórmula general: Un IC con nivel de confianza 1 α para la media de una población normal con σ conocida viene dado por: [ x z α/2 σ n ] Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 55

56 [ x z α/2 σ n ] Aparecen tres cantidades variables: la confianza, 1 α; el tamaño muestral, n; la semiamplitud o error, z α/2 σ n. A mayor tamaño muestral, n, se reduce el intervalo de confianza (se reduce el error). A mayor confianza exigida, 1 α, aumenta el intervalo de confianza (aumenta el error). Cualesquiera dos de estas tres cantidades permiten determinar la otra tercera. Fijado un nivel de confianza, podemos encontrar el tamaño de la muestra necesario para que el error de la estimación sea tan pequeño como queramos. Esto ocurre en el resto de los intervalos de confianza que veremos. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 56

57 Interpretación del nivel de confianza Si tenemos muchas realizaciones muestrales para estimar un parámetro, con cada realización obtendremos distintos intervalos de confianza. Entre éstos algunos contendrán el verdadero valor del parámetro y otros no. Al tomar muchos intervalos, la proporción de ellos que contiene al parámetro será aproximadamente el (1 α)100 %. Ejemplo 2.14: Se extraen 100 muestras de tamaño n = 20 de una población normal con media µ = 0 y σ = 1. Para cada muestra se calcula x y el intervalo de confianza para µ de nivel 95 % (suponemos varianza poblacional conocida): [ x z 0,025 σ/ n]. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 57

58 Se representa un histograma de las 100 medias obtenidas, así como los 100 intervalos (en verde si contienen el valor 0 y en rojo si no). Medias Intervalos Frecuencias Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 58

59 Población normal con varianza desconocida Cuando la población es normal y σ no es conocida, es posible dar un IC exacto incluso cuando el tamaño muestral es pequeño. Para ello, basta mirar en unas tablas distintas. En lugar de buscar z α/2 en las tablas de la normal, buscamos t n 1,α/2 en las tablas de la distribución t de Student. La fórmula del IC queda [ ] s x t n 1;α/2. n Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 59

60 Distribución t de Student La distribución t de Student con n 1 grados de libertad (t n 1 ) es la distribución de en una población normal. X µ S/ n La forma de la densidad de t n es similar a la de la normal. Es simétrica alrededor de cero. Sin embargo, la distribución t n da más probabilidad a valores lejanos al centro. Si n es grande t n = N(0, 1). Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 60

61 Cuestiones: Busca en las tablas de la distribución t de Student un valor de c que verifique: Si tenemos n = 15 datos, la probabilidad de es 0,025. X µ S/ n > c Si tenemos n = 15 datos, la probabilidad de es 0,75. X µ S/ n < c Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 61

62 Ejemplo 2.15: El envenenamiento por DDT causa temblores y convulsiones. En un estudio se ha administrado una dosis de DDT a 4 ratones y se ha medido posteriormente en cada uno el periodo absolutamente refractario, es decir, el tiempo que tardan sus nervios en recuperarse tras un estímulo. Las 4 medidas en milisegundos son: 1,7 1,6 1,8 1,9 (a) Estima el periodo absolutamente refractario medio µ para toda la población de ratones de la misma cepa sujeta al mismo tratamiento con DDT. La estimación de µ es la media muestral: x = 1,7 + 1,6 + 1,8 + 1,9 4 = 1,75. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 62

63 (b) Calcula el error típico de la estimación anterior. Para calcular el error típico, primero hay que calcular la varianza muestral: s 2 = (1,7 1,75)2 + (1,6 1,75) 2 + (1,8 1,75) 2 + (1,9 1,75) 2 3 Por lo tanto s 2 0,017 y s = 0,017 0,13. El error típico es s/ n = 0,13/2 = 0,065. (c) Calcula un intervalo de confianza para µ con nivel de confianza 90 %. (Se supone normalidad). Como t 3;0,05 = 2,353, un I.C. con nivel de confianza 1 α = 0,90 es [1,75 2,353 0,065] = [1,597, 1,903]. Podemos afirmar que 1,597 < µ < 1,903 con un nivel de confianza del 90 %. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 63

64 (d) Calcula otro intervalo, pero ahora con un nivel del 95 %. Como t 3;0,025 = 3,182, un I.C. con nivel de confianza 1 α = 0,95 es [1,75 3,182 0,065] = [1,543, 1,957]. Podemos afirmar que 1,543 < µ < 1,957 con un nivel de confianza del 95 %. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 64

65 Cuestiones En un informe leemos que un intervalo de confianza para la puntuación media de los estudiantes en un test de inglés es (267,8, 276,2). (a) Verdadero o falso: El 95 % de los estudiantes han tenido puntuaciones entre y (b) Cuál fue la puntuación media de los estudiantes de la muestra utilizada para calcular el intervalo? (c) Es correcto decir que la puntuación media pertenece al intervalo (267,8, 276,2) con probabilidad 0.95? Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 65

66 IC para una proporción La idea para construir un IC en este caso es que X aprox. N(p, p(1 p)/n) para n grande y que p(1 p) se puede estimar mediante ˆp(1 ˆp). La fórmula del intervalo queda: [ ] ˆp(1 ˆp) ˆp z α/2 n y es válida para n grande, ya que se basa en el TCL. El margen de error en este caso es ˆp(1 ˆp) E = z α/2. n Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 66

67 Ejemplo 2.15: En una encuesta para estudiar la preocupación de la población por su alimentación, se ha preguntado a 965 personas si han seguido alguna dieta en los últimos 5 años. De ellas, 406 han respondido afirmativamente. Con esta información: (a) Estima la proporción p de la población que ha seguido alguna dieta en los últimos 5 años. El estimador de p a partir de los datos disponibles es la proporción muestral ˆp = 406/965 = 0, 421. (b) Calcula el error típico del estimador anterior. El error típico de este estimador es ˆp(1 ˆp) n = 0, 421 (1 0, 421) 965 = 0, Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 67

68 (c) Calcula un intervalo de confianza para p con un nivel de confianza del 95 %. Como z 0,025 = 1,96, un I.C. con nivel de confianza 1 α = 0,95 es [0,421 1,96 0,0159] = [0,39, 0,45]. (d) Si para un nuevo estudio se desea estimar p con un margen de error de 1 % y un nivel de confianza del 95 %, a cuántas personas hay que entrevistar aproximadamente? Para calcular n despejamos en la ecuación: 1,96 De aquí obtenemos: 0,421 (1 0,421) n = 0,01 n = 0,421 (1 0,421) 1,962 0,01 2 = 9364, Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 68

69 . de la actuación del Rey 58,8 en estas tres décadas? En % 8 72 ( Nov. 2000) Nov Muy buena 26,8 34 Buena 2 52,4 50 Regular 4 14,4 8 Mala 2,2 2 Está a favor o en contra de que Muy se mala modifique 2,1 la Constitución2 para abolir la preferencia del NS/NC 2,1 4 hombre sobre la mujer en la Cuál sucesión sería valoración trono? de la actuación del heredero de la Corona, En % el principe Felipe? En % Nov ( Nov. 2000) 3 ( Nov. 2000) En % Ficha técnica de una encuesta Igual NS/NC Sigue siendo 7,2 necesaria 958,8 ( Nov. 2000) 72 ( Nov. 2000) 19 ( Nov. 2000) Es partidario de NS/NC que esa reforma se realice 7,2cuanto antes? 9 ( Nov. 2000) En % Está a favor o en contra de que se modifique la Constitución para abolir la preferencia del hombre sobre la mujer en la sucesión al trono? En % En % NO 28 58,6 Ha cumplido su misión ( Nov. 2000) Es partidario de que esa reforma se realice cuanto antes? NS/NC 8,5 9 ( Nov. 2000) Usted se considera NS/NC monárquico o republicano? 8,5 9 ( Nov. 2000) En % Republicano 29 Muy buena 19,4 28 NO Republicano Buena 51,4 55 Monárquico A favor En contra SÍ Regular 17, ,4 6,4 56 Monárquico A favor En contra SÍ 45 Mala 2,7 3 NS/NC 83,4 6,4 56 NS/NC NS/NC 10,2 NS/NC 16 NS/NC 27NS/NC Muy mala 2,5 2 10, NS/NC 6,5 6 FICHA TÉCNICA Realización del trabajo de campo: la encuesta ha sido realizada por el Instituto Opina los días 7 y 8 de noviembre de Ámbito geográfico: España. Recogida de a encuesta información: ha sido mediante realizada entrevista por telefónica el Instituto asistida Opina por ordenador los días (CATI). 7 y Universo 8 de noviembre de análisis: de población mayor Ámbito de 18 geográfico: años residente en España. hogares con Recogida teléfono. Tamaño de fónica de la asistida muestra: por ordenador entrevistas proporcionales. (CATI). Universo Error muestral: de análisis: el margen población de error para mayor el total de 18 la muestra años residente ± 3,10% en para hogares un margen con de teléfono. confianza del Tamaño 95% y bajo orcionales. el supuesto Error de máxima muestral: indeterminación el margen (p=q=50%). de error Procedimiento para el total de muestreo: de la muestra selección es polietápica de ± 3,10% del entrevistado: para un unidades margen primarias de confianza de muestreo del (municipios) 95% y bajo seleccionadas de forma aleatoria proporcional para cada provincia. Unidades secundarias (hogares) mediante la selección aleatoria de números de teléfono. Unidades ón (p=q=50%). últimas (individuos) Procedimiento según cuotas cruzadas de muestreo: de sexo, edad selección y recuerdo polietápica de voto en las del elecciones entrevistado: generales unidades de primarias de muestreo (municipios) orcional para cada provincia. Unidades secundarias (hogares) mediante la selección aleatoria de números de teléfono. Unidades EL PAÍS zadas de sexo, edad y recuerdo de voto en las elecciones generales de En % la mayoría de la gente en España esperaba cuando llegó al 3,9 trono? Mejor 58,6 67 ( Nov. 2000) Usted se considera monárquico o republicano? EL PAÍS entrevistados ahora señala que la figura del Rey sigue siendo necesaria, un porcentaje sensible- Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 69 En % ( Nov. 2000) Peor 3,9 3 ( Nov. 2000)

70 El margen de error del intervalo de confianza de una proporción verifica ɛ = z α/2 ˆp(1 ˆp) n z α/2 1 4n ya que el caso p = q = 1/2 (q = 1 p) es el más desfavorable. Según la ficha técnica, n = 1000 y 1 α = 0,95 (z 0,025 = 1,96), por lo que en el caso más desfavorable: 1 ɛ = 1, ,031. El valor que da la fórmula es consistente con el margen de error de 3,10 % para los porcentajes estimados en el sondeo. Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 70

Definición de probabilidad

Definición de probabilidad Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total

Más detalles

INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.

INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes

Más detalles

INTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)

INTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith) INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7) TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de

Más detalles

Teorema Central del Límite (1)

Teorema Central del Límite (1) Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico

Más detalles

Tema 4: Probabilidad y Teoría de Muestras

Tema 4: Probabilidad y Teoría de Muestras Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009

Más detalles

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:

Más detalles

ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.

ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que

Más detalles

Tema 5 Algunas distribuciones importantes

Tema 5 Algunas distribuciones importantes Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos

Más detalles

Tema 7 Intervalos de confianza Hugo S. Salinas

Tema 7 Intervalos de confianza Hugo S. Salinas Intervalos de confianza Hugo S. Salinas 1 Introducción Hemos definido la inferencia estadística como un proceso que usa información proveniente de la muestra para generalizar y tomar decisiones acerca

Más detalles

INFERENCIA ESTADÍSTICA

INFERENCIA ESTADÍSTICA INFERENCIA ESTADÍSTICA 1. DEFINICIÓN DE INFERENCIA ESTADÍSTICA Llamamos Inferencia Estadística al proceso de sacar conclusiones generales para toda una población a partir del estudio de una muestra, así

Más detalles

Curso 2016/17 Grados en Biología y Biología Sanitaria Departamento de Física y Matemáticas Marcos Marvá Ruiz ESTADÍSTICA

Curso 2016/17 Grados en Biología y Biología Sanitaria Departamento de Física y Matemáticas Marcos Marvá Ruiz ESTADÍSTICA Curso 2016/17 Grados en Biología y Biología Sanitaria Departamento de Física y Matemáticas Marcos Marvá Ruiz ESTADÍSTICA Algunas ideas generales Una definición de Estadística: parte de las matemáticas

Más detalles

Técnicas Cuantitativas para el Management y los Negocios I

Técnicas 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 detalles

Variables aleatorias

Variables aleatorias Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando

Más detalles

conocida comúnmente, como la Campana de Gauss ".

conocida comúnmente, como la Campana de Gauss . CURSO DE ESTADÍSTICA INFERENCIAL EJERCICIOS Y PROBLEMAS RESUELTOS DE DISTRIBUCIÓN NORMAL Prof.:MSc. Julio R. Vargas A. La Distribución Normal: La distribución normal N (μ, σ): es un modelo matemático que

Más detalles

DISTRIBUCIÓN N BINOMIAL

DISTRIBUCIÓN N BINOMIAL DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina

Más detalles

Variable Aleatoria Continua. Principales Distribuciones

Variable Aleatoria Continua. Principales Distribuciones Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables

Más detalles

ESTADÍSTICA. Tema 4 Regresión lineal simple

ESTADÍSTICA. Tema 4 Regresión lineal simple ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del

Más detalles

Tema 4: Probabilidad y Teoría de Muestras

Tema 4: Probabilidad y Teoría de Muestras Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009

Más detalles

ESTADISTICA Y PROBABILIDAD ESTADÍSTICA

ESTADISTICA Y PROBABILIDAD ESTADÍSTICA ESTADÍSTICA La estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comprobaciones y sacar conclusiones. Un estudio estadístico consta

Más detalles

Unidad IV: Distribuciones muestrales

Unidad IV: Distribuciones muestrales Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia

Más detalles

Conceptos Básicos de Inferencia

Conceptos Básicos de Inferencia Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos

Más detalles

EJERCICIOS DE SELECTIVIDAD

EJERCICIOS DE SELECTIVIDAD EJERCICIOS DE SELECTIVIDAD INFERENCIA 1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media μ = 100 meses y desviación típica σ

Más detalles

Matemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis

Matemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José

Más detalles

Tema 4 Variables Aleatorias

Tema 4 Variables Aleatorias Tema 4 Variables Aleatorias 1 Introducción En Estadística Descriptiva, se estudiaron las distribuciones de frecuencias de conjuntos de datos y posteriormente se vimos los fundamentos de la teoría de probabilidades.

Más detalles

Probabilidad y Estadística

Probabilidad y Estadística Probabilidad y Estadística Grado en Ingeniería Informática Tema 3 Variables aleatorias Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.

Más detalles

T1. Distribuciones de probabilidad discretas

T1. Distribuciones de probabilidad discretas Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de

Más detalles

Bioestadística. Curso Capítulo 3

Bioestadística. Curso Capítulo 3 Bioestadística. Curso 2012-2013 Capítulo 3 Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Índice 1. Introducción 2 2. Variable aleatoria 2 2.1. Variables aleatorias discretas...............................

Más detalles

Distribuciones de Probabilidad

Distribuciones de Probabilidad Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica

Más detalles

Tema 5. Variables Aleatorias

Tema 5. Variables Aleatorias Tema 5. Variables Aleatorias Presentación y Objetivos. En este tema se estudia el concepto básico de Variable Aleatoria así como diversas funciones fundamentales en su desarrollo. Es un concepto clave,

Más detalles

Tema 8. Muestreo. Indice

Tema 8. Muestreo. Indice Tema 8. Muestreo Indice 1. Población y muestra.... 2 2. Tipos de muestreos.... 3 3. Distribución muestral de las medias.... 4 4. Distribución muestral de las proporciones.... 6 Apuntes realizados por José

Más detalles

INFERENCIA DE LA PROPORCIÓN

INFERENCIA DE LA PROPORCIÓN ESTADISTICA INFERENCIA DE LA PROPORCIÓN DISTRIBUCIÓN MUESTRAL DE PROPORCIONES En una población la proporción de elementos (personas, animales, cosas o entes) que posee una cierta característica es p. En

Más detalles

ALGUNAS CUESTIONES DESTACABLES EN INFERENCIA ESTADÍSTICA

ALGUNAS CUESTIONES DESTACABLES EN INFERENCIA ESTADÍSTICA ALGUNAS CUESTIONES DESTACABLES EN INFERENCIA ESTADÍSTICA Las encuestas sociológicas suelen trabajar con muestras. Sería demasiado costoso entrevistar al total de la población española adulta, que suele

Más detalles

478 Índice alfabético

478 Índice alfabético Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión

Más detalles

Unidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.

Unidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua. Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,

Más detalles

UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)

UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) 1. ESTADÍSTICA: CLASES Y CONCEPTOS BÁSICOS En sus orígenes históricos, la Estadística estuvo ligada a cuestiones de Estado (recuentos, censos,

Más detalles

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...

2 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 detalles

Variables aleatorias unidimensionales

Variables aleatorias unidimensionales Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen

Más detalles

Distribuciones de probabilidad

Distribuciones de probabilidad Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir

Más detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 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 detalles

Grado en Ingeniería Informática Estadística Tema 5: Teoría Elemental del Muestreo e Inferencia Paramétrica Ángel Serrano Sánchez de León

Grado en Ingeniería Informática Estadística Tema 5: Teoría Elemental del Muestreo e Inferencia Paramétrica Ángel Serrano Sánchez de León Grado en Ingeniería Informática Estadística Tema 5: Teoría Elemental del Muestreo e Inferencia Paramétrica Ángel Serrano Sánchez de León Distribuciones Muestrales 1. Sea una población de 5 números: 2,

Más detalles

Estructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo

Estructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,

Más detalles

Medidas de Tendencia Central.

Medidas de Tendencia Central. Medidas de Tendencia Central www.jmontenegro.wordpress.com MEDIDAS DE RESUMEN MDR MEDIDAS DE TENDENCIA CENTRAL MEDIA MEDIANA MODA CUARTILES,ETC. MEDIDAS DE DISPERSIÓN RANGO DESVÍO EST. VARIANZA COEFIC.

Más detalles

Grupo 23 Semestre Segundo examen parcial

Grupo 23 Semestre Segundo examen parcial Probabilidad Grupo 23 Semestre 2015-2 Segundo examen parcial La tabla siguiente presenta 20 postulados, algunos de los cuales son verdaderos y otros son falsos. Analiza detenidamente cada postulado y elige

Más detalles

CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS

CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos

Más detalles

LECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.

LECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL. LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante

Más detalles

Probabilidad y Estadística Descripción de Datos

Probabilidad y Estadística Descripción de Datos Descripción de Datos Arturo Vega González a.vega@ugto.mx Division de Ciencias e Ingenierías Universidad de Guanajuato Campus León Universidad de Guanajuato, DCI, Campus León 1 / 28 Contenido 1 Probabilidad

Más detalles

Discretas. Continuas

Discretas. Continuas UNIDAD 0. DISTRIBUCIÓN TEÓRICA DE PROBABILIDAD Discretas Binomial Distribución Teórica de Probabilidad Poisson Normal Continuas Normal Estándar 0.1. Una distribución de probabilidad es un despliegue de

Más detalles

Conceptos. Experimento Aleatorio: Es un fenómeno en el que interviene el azar, es decir no se puede predecir el resultado.

Conceptos. Experimento Aleatorio: Es un fenómeno en el que interviene el azar, es decir no se puede predecir el resultado. Teresa Pérez P DíazD Profesora de matemática tica Conceptos Experimento Aleatorio: Es un fenómeno en el que interviene el azar, es decir no se puede predecir el resultado. Ejemplos: E : Lanzar un dado,

Más detalles

INDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso

INDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso INDICE Capítulo I: Conceptos Básicos 1.- Introducción 3 2.- Definición de calidad 7 3.- Política de calidad 10 4.- Gestión de la calidad 12 5.- Sistema de calidad 12 6.- Calidad total 13 7.- Aseguramiento

Más detalles

Distribuciones muestrales. Distribución muestral de Medias

Distribuciones muestrales. Distribución muestral de Medias Distribuciones muestrales. Distribución muestral de Medias TEORIA DEL MUESTREO Uno de los propósitos de la estadística inferencial es estimar las características poblacionales desconocidas, examinando

Más detalles

Teoría de muestras 2º curso de Bachillerato Ciencias Sociales

Teoría de muestras 2º curso de Bachillerato Ciencias Sociales TEORÍA DE MUESTRAS Índice: 1. Introducción----------------------------------------------------------------------------------------- 2 2. Muestras y población-------------------------------------------------------------------------------

Más detalles

Resumen teórico de los principales conceptos estadísticos

Resumen teórico de los principales conceptos estadísticos Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Muestreo aleatorio simple Resumen teórico Resumen teórico de los principales conceptos estadísticos Muestreo aleatorio

Más detalles

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------

Más detalles

ACTIVIDAD 2: La distribución Normal

ACTIVIDAD 2: La distribución Normal Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la

Más detalles

2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria

2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria 2. Probabilidad y variable aleatoria Curso 2011-2012 Estadística 2. 1 Probabilidad 2 Experimento Aleatorio EL término experimento aleatorio se utiliza en la teoría de la probabilidad para referirse a un

Más detalles

Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad

Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Sistemas de ayuda a la decisión Modelización de la incertidumbre Tema 2. Incertidumbre y Probabilidad Indice 1) Sucesos aleatorios. Espacio muestral. 2) Operaciones con sucesos. 3) Enfoques de la Probabilidad.

Más detalles

Unidad Temática 2 Probabilidad

Unidad Temática 2 Probabilidad Unidad Temática 2 Probabilidad Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una F si la rechaza. 1. El experimento que consiste

Más detalles

Fase 2. Estudio de mercado: ESTADÍSTICA

Fase 2. Estudio de mercado: ESTADÍSTICA 1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.

Más detalles

INFERENCIA ESTADISTICA

INFERENCIA ESTADISTICA 1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,

Más detalles

6. VARIABLES ALEATORIAS

6. VARIABLES ALEATORIAS 6. VARIABLES ALEATORIAS Objetivo Introducir la idea de una variable aleatoria y su distribución y características como media, varianza etc. Bibliografía recomendada Peña y Romo (1997), Capítulo 15. Hasta

Más detalles

EXPERIMENTO ALEATORIO

EXPERIMENTO ALEATORIO EXPERIMENTO ALEATORIO En concepto de la probabilidad, un experimento aleatorio es aquel que bajo el mismo conjunto aparente de condiciones iniciales, puede presentar resultados diferentes, en otras palabras,

Más detalles

= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] =

= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] = El peso en kg de los estudiantes universitarios de una gran ciudad se supone aproximado por una distribución normal con media 60kg y desviación típica 8kg. Se toman 100 muestras aleatorias simples de 64

Más detalles

Distribución normal estándar. Juan José Hernández Ocaña

Distribución normal estándar. Juan José Hernández Ocaña Distribución normal estándar Juan José Hernández Ocaña Tipos de variables jujo386@hotmail.com Tipos de variables Cualitativas Son las variables que expresan distintas cualidades, características o modalidades.

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad

Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Facultad de Ciencias Sociales Universidad de la República Curso 2016 Índice 2.1. Variables aleatorias: funciones de distribución,

Más detalles

Examen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2015) Selectividad-Opción A Tiempo: 90 minutos

Examen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2015) Selectividad-Opción A Tiempo: 90 minutos Examen de Matemáticas Aplicadas a las CC. Sociales II (Junio 2015) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (2 puntos) Se considera el sistema de ecuaciones dependiente del parámetro real a:

Más detalles

Unidad 1: Espacio de Probabilidad

Unidad 1: Espacio de Probabilidad Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar

Más detalles

Estadistica II Tema 1. Inferencia sobre una población. Curso 2009/10

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 detalles

Probabilidad. Si lanzamos una moneda no sabemos de antemano si saldrá cara o cruz. Teoría de probabilidades

Probabilidad. Si lanzamos una moneda no sabemos de antemano si saldrá cara o cruz. Teoría de probabilidades Experimentos deterministas Probabilidad Son los experimentos de los que podemos predecir el resultado antes de que se realicen. Si dejamos caer una piedra desde una ventana sabemos, sin lugar a dudas,

Más detalles

Dr. Richard Mercado Rivera 18 de agosto de 2012 Matemática Elemental

Dr. Richard Mercado Rivera 18 de agosto de 2012 Matemática Elemental Universidad de Puerto Rico Recinto de Aguadilla Programa CeCiMat Elemental Definición de conceptos fundamentales de la Estadística y la Probabilidad y su aportación al mundo moderno Dr. Richard Mercado

Más detalles

Unidad II: Fundamentos de la teoría de probabilidad

Unidad II: Fundamentos de la teoría de probabilidad Unidad II: Fundamentos de la teoría de probabilidad 2.1 Teoría elemental de probabilidad El Cálculo de Probabilidades se ocupa de estudiar ciertos experimentos que se denominan aleatorios, cuya característica

Más detalles

UNIDAD 6. Estadística

UNIDAD 6. Estadística Matemática UNIDAD 6. Estadística 2 Medio GUÍA N 1 MEDIDAS DE DISPERSIÓN PARA DATOS NO AGRUPADOS ACTIVIDAD Consideremos los siguientes conjuntos de valores referidos a las edades de los jugadores de dos

Más detalles

Otra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza

Otra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer

Más detalles

PROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES. Prof. Johnny Montenegro 1 M.

PROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES. Prof. Johnny Montenegro 1 M. PROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES Prof. Johnny Montenegro 1 M. PROBABILIDADES 2 Una variable es aleatoria si toma los valores de los resultados de un experimento aleatorio. Esta

Más detalles

RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO

RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre

Más detalles

Simulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12

Simulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación

Más detalles

Algunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Algunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda

Más detalles

Variables Aleatorias. Introducción

Variables Aleatorias. Introducción Variables Aleatorias Introducción Concepto de variable aleatoria Es conveniente que los resultados de un experimento aleatorio estén expresados numéricamente. Se prueban tres componentes electrónicos,

Más detalles

Fundamentos de Estadística y Simulación Básica

Fundamentos de Estadística y Simulación Básica Fundamentos de Estadística y Simulación Básica TEMA 2 Estadística Descriptiva Clasificación de Variables Escalas de Medición Gráficos Tabla de frecuencias Medidas de Tendencia Central Medidas de Dispersión

Más detalles

Prueba Integral Lapso /6

Prueba Integral Lapso /6 Prueba Integral Lapso 2 009-2 76 - /6 Universidad Nacional Abierta Probabilidad y Estadística I (76) Vicerrectorado Académico Cód. Carrera: 06-20 - 508 Fecha: 2-2 - 2 009 MODELO DE RESPUESTAS Objetivos,

Más detalles

ESTADÍSTICA APLICADA. TEMA 1. ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA APLICADA. TEMA 1. ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA APLICADA. TEMA 1. ESTADÍSTICA DESCRIPTIVA Definición de Estadística: La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer

Más detalles

Bloque 1. Contenidos comunes. (Total: 3 sesiones)

Bloque 1. Contenidos comunes. (Total: 3 sesiones) 4º E.S.O. OPCIÓN A 1.1.1 Contenidos 1.1.1.1 Bloque 1. Contenidos comunes. (Total: 3 sesiones) Planificación y utilización de procesos de razonamiento y estrategias de resolución de problemas, tales como

Más detalles

Repaso de conceptos de álgebra lineal

Repaso de conceptos de álgebra lineal MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso

Más detalles

Distribuciones de probabilidad más usuales

Distribuciones de probabilidad más usuales Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y

Más detalles

Puntuaciones Estándarizadas, Distribución Normal y Aplicaciones. Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010

Puntuaciones Estándarizadas, Distribución Normal y Aplicaciones. Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010 Puntuaciones Estándarizadas, Distribución Normal y Aplicaciones Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010 Objetivos de Lección Conocer características principales de una

Más detalles

Habilidades Matemáticas. Alejandro Vera

Habilidades Matemáticas. Alejandro Vera Habilidades Matemáticas Alejandro Vera La distribución normal Introducción Una de las herramientas de mayor uso en las empresas es la utilización de la curva normal para describir situaciones donde podemos

Más detalles

TEMA 5. Probabilidad

TEMA 5. Probabilidad TEMA 5. Probabilidad Alicia Nieto Reyes BIOESTADÍSTICA Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 5. Probabilidad 1 / 7 Hasta ahora hemos aprendido a describir datos mediante: gráficas (histogramas y diagramas

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es

Más detalles

Tema 9: Probabilidad: Definiciones

Tema 9: Probabilidad: Definiciones Tema 9: Probabilidad: Definiciones 1. CONCEPTOS Experimento aleatorio Suceso Espacio muestral 2. DEFINICIÓN DE PROBBILIDD Enfoque clásico Enfoque frecuencialista 3. PROBBILIDD CONDICIONL 4. TEOREMS BÁSICOS

Más detalles

Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos

Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,

Más detalles

Lanzamos 1 dado y comprobamos cuál es el resultado que aparece en la cara superior.

Lanzamos 1 dado y comprobamos cuál es el resultado que aparece en la cara superior. Curso ON LINE Tema 01 SÓLO ENUNCIADOS. PROBABILIDADES I Lanzamos 1 dado y comprobamos cuál es el resultado que aparece en la cara superior. 001 002 003 004 005 Lanzamos 1 dado y comprobamos cuál es el

Más detalles

ÍNDICE CAPÍTULO 1. INTRODUCCIÓN

ÍNDICE CAPÍTULO 1. INTRODUCCIÓN ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.

Más detalles

Estadística. Análisis de datos.

Estadística. Análisis de datos. Estadística Definición de Estadística La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un

Más detalles

La distribución de Probabilidad normal, dada por la ecuación:

La distribución de Probabilidad normal, dada por la ecuación: La distribución de Probabilidad normal, dada por la ecuación: Donde: x = X -, la distancia entre X y en el eje de las X. = la media de la población o universo ( de las X ) fx= La altura de la ordenada

Más detalles

Estadística Inferencial. Estadística Descriptiva

Estadística Inferencial. Estadística Descriptiva INTRODUCCIÓN Estadística: Ciencia que trata sobre la teoría y aplicación de métodos para coleccionar, representar, resumir y analizar datos, así como realizar inferencias a partir de ellos. Recogida y

Más detalles

EJERCICIOS RESUELTOS DE ESTADÍSTICA II

EJERCICIOS RESUELTOS DE ESTADÍSTICA II EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo

Más detalles

Cálculo de Probabilidades II Preguntas Tema 1

Cálculo de Probabilidades II Preguntas Tema 1 Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga

Más detalles

MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN

MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MODELO DE EXAMEN CURSO 2014-2015 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES

Más detalles

Teoría del muestreo. Tipos de muestras

Teoría del muestreo. Tipos de muestras Teoría del muestreo El total de un grupo de datos de llama población o universo, y una porción representativa de este grupo se llama muestra. Las muestras desempeñan un papel muy importante en los trabajos

Más detalles

8.2.5. Intervalos para la diferencia de medias de dos poblaciones

8.2.5. 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 detalles