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

Save this PDF as:
 WORD  PNG  TXT  JPG

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

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

Transcripción

1 RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre 1 y 6 con igual probabilidad. Definiremos la variable aleatoria x como la suma de los valores que toman los dos dados. 2

2 Ejemplo de distribución de probabilidades: x es la suma de dos dados v r Por ejemplo, en el dado rojo puede aparecer 4 y en el verde un 6 3 Ejemplo de distribución de probabilidades: x es la suma de dos dados v r Igualmente, si el dado rojo es 2 y el verde 5, la suma es 7 4

3 Ejemplo de distribución de probabilidades: x es la suma de dos dados v r Esta tabla muestra todos los posibles resultados, que van de 2 a Ejemplo de distribución de probabilidades: x es la suma de dos dados v r x f La frecuencia f es el número de veces que se repite un resultado Por ejemplo, hay cuatro resultados que hacen x igual a 5 6

4 Ejemplo de distribución de probabilidades: x es la suma de dos dados v r x f p Finalmente, derivamos la probabilidad de obtener cada valor de x. 7 Ejemplo de distribución de probabilidades: x es la suma de dos dados v r x f p Hay 1/6 de probabilidad de obtener cada número del dado rojo y lo mismo para el dado verde. Por lo tanto, cada valor en la tabla ocurre con probabilidad 1/36. 8

5 Ejemplo de distribución de probabilidades: x es la suma de dos dados v r x f p 2 1 1/ / / / / / / / / / /36 Por lo tanto, para obtener las probabilidades asociadas a cada valor de x, se dividen las frecuencias por Ejemplo de distribución de probabilidades: x es la suma de dos dados probabilidad / / x La distribución se muestra gráficamente. 10

6 VALOR ESPERADO DE UNA VARIABLE ALEATORIA DISCRETA La definición de E(x), el valor esperado de x: Notación alternativa para E(x): E(x) = µ x El valor esperado de una variable aleatoria, conocido también como la media poblacional, es la suma ponderada de los valores que toma la variable aleatoria, donde los pesos son las probabilidades ligadas a esos valores. 11 Valor esperado de una variable aleatoria x i p i x i p i x i p i x 1 p 1 x 1 p 1 2 1/36 x 2 p 2 x 2 p 2 3 2/36 x 3 p 3 x 3 p 3 4 3/36 x 4 p 4 x 4 p 4 5 4/36 x 5 p 5 x 5 p 5 6 5/36 x 6 p 6 x 6 p 6 7 6/36 x 7 p 7 x 7 p 7 8 5/36 x 8 p 8 x 8 p 8 9 4/36 x 9 p 9 x 9 p /36 x 10 p 10 x 10 p /36 x 11 p 11 x 11 p /36! x i p i = E(x) En el caso de la variable x, definida como la suma de los dados verde y rojo, se adjunta a cada posible valor su probabilidad. 12

7 Valor esperado de una variable aleatoria x i p i x i p i x i p i x i p i x 1 p 1 x 1 p 1 2 1/36 2/36 x 2 p 2 x 2 p 2 3 2/36 6/36 x 3 p 3 x 3 p 3 4 3/36 12/36 x 4 p 4 x 4 p 4 5 4/36 20/36 x 5 p 5 x 5 p 5 6 5/36 30/36 x 6 p 6 x 6 p 6 7 6/36 42/36 x 7 p 7 x 7 p 7 8 5/36 40/36 x 8 p 8 x 8 p 8 9 4/36 36/36 x 9 p 9 x 9 p /36 30/36 x 10 p 10 x 10 p /36 22/36 x 11 p 11 x 11 p /36 12/36! x i p i = E(x) 252/36 = 7 Por lo tanto, el valor esperado es 7. Este resultado era esperable si tenemos en cuenta que la distribución es simétrica en 7, como se vio en la transparencia del histograma 13 Valor esperado de una función de una variable aleatoria La definición de E[g(x)], no es más que : Ejemplo: 14

8 Valor esperado de una función de una variable aleatoria x i p i g(x i ) g(x i ) p i x i p i x i 2 x i2 p i x 1 p 1 g(x 1 ) g(x 1 ) p 1 2 1/ x 2 p 2 g(x 2 ) g(x 2 ) p 2 3 2/ x 3 p 3 g(x 3 ) g(x 3 ) p 3 4 3/ / / / / / / / x n p n g(x n ) g(x n ) p n 12 1/ " " "! g(x i ) p i En nuestro ejemplo valor esperado de x 2 es Observar que no es igual a 7 elevado al cuadrado. Es decir, E(x 2 15 ) no es lo mismo que E(x) elevado al cuadrado Las reglas del valor esperado 1. E(x+y) = E(x) + E(y) 2. E(ax) = ae(x) 3. E(a) = a Donde, x e y son variables aleatorias y a es una constante. 16

9 Independencia de dos variables aleatorias Dos variables aleatorias x e y se dicen independientes si E[f(x)g(y)] = E[f(x)] E[g(y)] para cualquier f(x), g(y) Caso particular: si x e y son independientes, E(xy) = E(x) E(y). 17 LA VARIANZA POBLACIONAL DE UNA VARIABLE ALEATORIA DISCRETA La varianza poblacional de x : La varianza mide la dispersión de la distribución con respecto a la media de la población. 18

10 La varianza poblacional de una variable aleatoria discreta x i p i x i -µ (x i -µ) 2 (x i -µ) 2 p i 2 1/ / / / / / / / / / / En nuestro ejemplo de los dados. 19 La varianza poblacional de una variable aleatoria discreta Varianza poblacional de x : notación pop.var(x) 20

11 La varianza poblacional de una variable aleatoria discreta Desviación típica de x" VARIABLES ALEATORIAS CONTINUAS probabilidad / / x Una variable aleatoria discreta sólo toma un conjunto finito de valores, con probabilidad positiva, como la suma del valor de dos dados. 22

12 Variables aleatorias continuas densidad de probabilidad x Sin embargo, la mayoría de las variables aleatorias en econometría son continuas, como puede ser, por ejemplo, la temperatura en un cuarto, que puede tomar valores entre 55 y 75 grados Farenheit. 23 Variables aleatorias continuas densidad de probabilidad x Observar que la probabilidad de que una variable continua tome un valor determinado es infinitamente pequeña (cero, en realidad). Por este motivo, la probabilidad de variables continuas se calcula para intervalos de valores de x. El área que corresponde a ese 24 intervalo es la probabilidad del mismo.

13 Variables aleatorias continuas densidad de probabilidad x Por ejemplo, la probabilidad de que la temperatura este entre 55 y 56 F es Estamos considerando que todas las temperaturas son igual de probables, por lo que el área de todo el rectángulo es 1. Es decir, como la base es de 20 grados, la probabilidad de cada grado es 0.05 (0.05*20=1) 25 Variables aleatorias continuas densidad de probabilidad x La probabilidad por unidad es el área del rectángulo definida por dicha unidad, es decir

14 Variables aleatorias continuas densidad de probabilidad f(x) = 0.05 para 55 x 75 f(x) = 0 para x < 55 o x > x La probabilidad por intervalo unitario se llama densidad y es igual a la altura del intervalo unidad (dado que el área es base por altura) 27 Matemáticamente, la densidad se escribe como una función de la variable f(x). Variables aleatorias continuas f(x) f(x) = 0.05 si 55 x 75 f(x) = 0 si x < 55 y x > x El eje vertical se conoce como la densidad de probabilidad y la función de densidad, f(x), es la línea gruesa negra. 28

15 Variables aleatorias continuas densidad f(x) 0.05 f(x) = 0.05 para 55 < x < 75 f(x) = 0 para x < 55 o x > x Supongamos que queremos calcular la probabilidad en el intervalo 65 y 70. Debemos calcular el área debajo de la densidad entre 65 y Cuál es la expresión de la esperanza y la varianza de una variable continua? Investígalo. 30

16 LOS COMPONENTES FIJOS Y ALEATORIOS DE UNA VARIABLE ALEATORIA Media poblacional de x: E(x) =µ x Lo que nos interesa ver aquí es cómo podemos escribir una variable aleatoria formada por dos componentes: una parte, la media, que sería el componente fijo y otra parte, que es lo que puede llamarse perturbación, que es el componente aleatorio puro. 31 Los componentes fijos y aleatorios de una variable aleatoria Media poblacional de x: E(x) =µ x Para la observación i, el componente aleatorio está dado por u i = x i - µ x El valor observado de la variable x para el individuo i, por ejemplo, su salario, será en general distinto al valor medio µ x. La diferencia no es la misma para todos los individuos, es decir, será aleatoria u i = x i - µ x. 32

17 Los componentes fijos y aleatorios de una variable aleatoria Media poblacional de x: E(x) =µ x Para la observación i, el componente aleatorio está dado por u i = x i - µ x Por tanto x podemos escribirla como la suma de dos componentes: x i = µ x + u i 33 Los componentes fijos y aleatorios de una variable aleatoria Media poblacional de x: E(x) =µ x Para la observación i, el componente aleatorio está dado por u i = x i - µ x Por tanto x, la podemos escribir como la suma de dos componentes : x i = µ x + u i Observar que el valor esperado de u i es cero: E(u i ) = E(x i - µ x ) = E(x i ) + E(-µ x ) =µ x - µ x = 0 34

18 3. ESTIMADORES Estimadores y estimaciones: Un estimador es una fórmula matemática. Una estimación es un número que se obtiene de aplicar el estimador a los datos de una muestra concreta. Salvo en casos artificialmente simples, como el de los dados, no conoceremos la distribución de probabilidad o la función de densidad de la variable objeto de estudio. En consecuencia, tampoco conoceremos la media o la varianza poblacionales. Se trata, entonces, de obtener estimaciones a partir de una muestra de n observaciones. 35 Estimadores Característica Poblacional Estimador Media: µ x Varianza : 36

19 Estimadores Los estimadores son variables aleatorias: veamos la media muestral como ejemplo: 37 Estimadores La media muestral puede descomponerse en una parte fija y otra estocástica 38

20 Estimadores De forma que no es más que la media de n valores fijos y n valores aleatorios. 39 Estimadores Donde! es la media de los términos aleatorios de la muestra. 40

21 Estimadores Densidad de x Densidad de x µ x x µ x x Estos gráficos describen la densidad de x y x. Como se observó, ambos tienen el mismo componente fijo, pero la distribución de la media muestral está más concentrada. 41 Estimadores Densidad de x Densidad de x µ x x µ x x La diferencia está en el componente aleatorio de ambas variables. El componente aleatorio de la media muestral es menor que el de la variable original dado que es la media de los componentes aleatorios de todas las variables, y estos tienden a cancelarse. 42

22 INSESGADEZ Y EFICIENCIA Insesgadez de x: Supongamos que queremos estimar la media poblacional µ x de una variable aleatoria x dado un conjunto de n observaciones. Un estimador a utilizar es la media muestral. Demostraremos que es insesgado. 43 Insesgadez y Eficiencia Insesgadez de x: Es decir, el valor esperado de la media muestral es igual al parámetro poblacional que estamos buscando µ x 44

23 Insesgadez y Eficiencia Insesgadez de x : Estimador General Z =! 1 x 1 +! 2 x 2 Sin embargo, la media muestral no es el único estimador insesgado de la media poblacional. Supongamos que tenemos únicamente dos observaciones y nos construimos un estimador general, Z 45 Insesgadez y Eficiencia Insesgadez de x: Estimador General Z =! 1 x 1 +! 2 x 2 El estimador general Z lo definimos como la suma ponderada de las dos observaciones que tenemos, donde los pesos son! 1 y! 2. Por ejemplo, en el caso de la media muestral los dos pesos son iguales a 1/n = 1/2 porque sólo tenemos dos observaciones. 46

24 Insesgadez y Eficiencia Insesgadez de x: Estimador General Z =! 1 x 1 +! 2 x 2 Cómo deben ser esos ponderadores para que el valor esperado del estimador sea igual a la media poblacional? 47 Insesgadez y Eficiencia Insesgadez de x: Estimador General Z =! 1 x 1 +! 2 x 2 48

25 Insesgadez y Eficiencia Insesgadez de x: Estimador General Z =! 1 x 1 +! 2 x 2 49 Insesgadez y Eficiencia Insesgadez de x: Estimador General Z =! 1 x 1 +! 2 x 2 Dado que las variables aleatorias son iid., su valor esperado es µ x. 50

26 Insesgadez y Eficiencia Insesgadez de x: Estimador General Z =! 1 x 1 +! 2 x 2 Por lo tanto, cualquier estimador Z será un estimador insesgado de µ si la suma de los pesos de las observaciones es 1. Observar que existen infinitas combinaciones de los ponderadores que hacen que su suma sea igual a densidad Insesgadez y Eficiencia estimator B estimador A µ x Cómo elegimos entre estimadores? Cuanto más preciso sea un estimador, es decir, cuanto menos incertidumbre nos transmita sobre el valor del parámetro, mejor será. La propiedad de eficiencia se refiere justamente a la precisión. 52

27 Insesgadez y Eficiencia densidad estimator B estimador A µ x De la densidad se observa que si bien los dos estimadores A y B son insesgados, el estimador B es más preciso, tiene menor varianza. 53 Insesgadez y Eficiencia Estimador General Z =! 1 x 1 +! 2 x 2 Analicemos la varianza poblacional del estimador general buscando definir los pesos que minimicen dicha varianza 54

28 Insesgadez y Eficiencia Estimador General Z =! 1 x 1 +! 2 x 2 Es decir, si tenemos dos observaciones, cada observación la debemos ponderar por un medio para obtener el estimador insesgado de menor varianza. Pero ponderar por un medio es justamente definir el estimador Z como la media muestral. 55 CONFLICTO ENTRE VARIANZA MÍNIMA E INSESGADEZ densidad estimador B estimador A " Supongamos que tenemos dos estimadores alternativos para estimar ", uno que es insesgado y el otro que es sesgado pero con varianza menor que el primero: cuál de los dos elegimos? 56

29 Conflicto entre varianza mínima e insesgadez pérdida error (negativa) error (positiva) Una forma para decidir entre uno y otro es definirse una función de pérdida y decidir en función de la pérdida mayor o menor: es decir, nos quedaremos con aquél que tenga menor pérdida. 57 Conflicto entre varianza mínima e insesgadez densidad " Una función muy utilizada es la que se conoce como el error cuadrático medio (mean squared error MSE), que se define como el valor esperado del cuadrado de las desviaciones del estimador y el parámetro poblacional. 58

30 Conflicto entre varianza mínima e insesgadez densidad sesgo " µ Z El error cuadrático medio puede escribirse como la suma del sesgo al cuadrado más la varianza: es decir, combina el conflicto entre varianza y sesgo en un solo indicador. Supongamos que el sesgo del estimador Bcon respecto a µ Z es el que aparece en el gráfico. 59 Conflicto entre varianza mínima e insesgadez densidad sesgo " µ Z Se puede demostrar que el MSE es igual a la suma de la varianza poblacional más el sesgo al cuadrado. 60

31 Conflicto entre varianza mínima e insesgadez densidad estimador B estimador A " Cómo elegiremos entre ambos estimadores? Buscando aquel que tenga menor MSE. 61 EFECTO DE UN AUMENTO DEL TAMAÑO MUESTRAL densidad de x 0.08 n # x n = La media muestral es un estimador de la media poblacional qué pasa cuando la muestra crece? 62

32 densidad de x Efecto de un aumento del tamaño muestral 0.08 n # x n = Supongamos que x tiene media poblacional 100 y desviación típica 50. Supongamos, además, que no conocemos esta media y que queremos estimarla 63 densidad de x Efecto de un aumento del tamaño muestral 0.08 n # x n = De las propiedades de la media muestral, sabemos que su media coincide con la media poblacional, que es insesgada y que su desviación típica será igual a la desviación típica poblacional dividida por la raíz cuadrada del número de observaciones

33 densidad de x Efecto de un aumento del tamaño muestral 0.08 n # x n = Por tanto, cuanto mayor sea n, menor será la varianza de la media muestral. 65 densidad de x Efecto de un aumento del tamaño muestral n = 100 n # x

34 densidad de x Efecto de un aumento del tamaño muestral n = 5000 n # x En el límite, la desviación típica de la media muestral tiende a cero, por lo que la media muestral tenderá, en el límite, a la media poblacional: consistencia. 67 Efecto de un aumento del tamaño muestral Muestra Finita: x es un estimador insesgado de µ La insesgadez es un concepto de muestras finitas. El valor esperado de la media muestral es igual a su valor poblacional. Pero ojo! el valor real que toma la media muestral puede no coindicir con la media poblacional. 68

35 Efecto de un aumento del tamaño muestral Muestra Finita: x es un estimador insesgado de µ Muestra grande: la distribución de x colapsa en µ plim x = µ La consistencia es un concepto de muestras grandes. Un estimador consistente es más preciso a medida que el tamaño de la muestra aumenta. 69 EJEMPLO DE UN ESTIMADOR SESGADO PERO CONSISTENTE densidad de Z n = 20 "$ Z Es posible que un estimador sea sesgado en muestras pequeñas pero consistente. 70 7

36 Ejemplo de un estimador sesgado pero consistente densidad de Z n = 20 "$ Z Sea Z un estimador de la característica poblacional ". Mirando a la densidad de Z, se observa que sobreestima el valor del parámetro, es decir, tiene un sesgo positivo 71 7 Ejemplo de un estimador sesgado pero consistente n = 100 n = 20 "$ Z Para que el estimador sea consistente, deben pasar dos cosas cuando la muestra aumenta. El sesgo debe disminuir. 72 7

37 Ejemplo de un estimador sesgado pero consistente n = 1000 n = 100 n = 20 y la densidad debe colapsar en el parámetro. "$ Z 73 7 Ejemplo de un estimador sesgado pero consistente n = n = 1000 n = 100 "$ Z 74 7

38 RELACIONES ENTRE VARIABLES Cómo podemos inferir si existe una relación entre dos variables económicas a partir de los estadísticos covarianza y correlación? 75 COVARIANZA POBLACIONAL La covarianza poblacional: # XY =E((X-µ X ) (Y-µ Y )) La covarianza poblacional de dos variables aleatorias es el valor esperado del producto de sus desviaciones con respecto a la media 76

39 Covarianza Poblacional Si X sony indeptes, # XY = 0 77 COVARIANZA MUESTRAL Dada una muestra de n observaciones de dos variables, X, Y, la covarianza muestral no es más que la media del producto de sus desviaciones con respecto a la media muestral. 78

40 La covarianza muestral es un estimador sesgado de la covarianza poblacional 79 Reglas de la covarianza 1. Si Y = V + W, Cov(X, Y) = Cov(X, V) + Cov(X, W) 2. Si Y = az, donde a es constante, Cov(X, Y) = Cov(X, az) = acov(x, Z) Ejemplo: Cov(X, 3Z) = 3Cov(X, Z) 3. Si Y = a, donde a es constante, Cov(X, Y) = Cov(X, a) = 0 Ejemplo: Cov(X, 10) = 0 80

41 EXPRESIONES ALTERNATIVAS DE LA COVARIANZA POBLACIONAL D # XY =E((X-µ X ) (Y-µ Y ))=E(XY)- µ X µ Y MUESTRAL 81 RELACIÓN ENTRE LA VARIANZA Y LA COVARIANZA La varianza de una variable aleatoria no es más que la covarianza de dicha variable respecto a sí misma 82

42 Por tanto, las reglas de la varianza se pueden deducir a partir de las reglas de la covarianza 83 Regla 1: Si Y = V + W, Var(Y) = Var(V) + Var(W) + 2Cov(V, W) Prueba: Var(Y) = Cov(Y, Y) = Cov(Y, [V + W]) = Cov(Y, V) + Cov(Y, W) = Cov([V + W], V) + Cov([V + W], W) = Cov(V, V) + Cov(W, V) + Cov(V, W) + Cov(W, W) = Var(V) + Var(W) + 2Cov(V, W) 84

43 Regla 2: Si Y = bz, donde b es constante, Var(Y) = b 2 Var(Z) Prueba: Var(Y) = Cov(Y, Y) = Cov(Y, bz) = bcov(y, Z) = bcov(bz, Z) = b 2 Cov(Z, Z) = b 2 Var(Z) 85 Regla 3: Si Y = b, donde b es constante, Var(Y) = 0 Prueba: Var(Y) = Cov(Y, Y) = Cov(b, b) = 0 86

44 Regla 4: Si Y = V + b, donde b es constante, Var(Y) = Var(V) Prueba: Var(Y) = Var(V + b) = Var(V) + Var(b) + 2Cov(V, b) = Var(V) 0 V 0 V + b Sumar una constante sólo tiene un efecto de traslación: la varianza no cambiará y la media se verá desplazada por la constante de la traslación. 87 COEFICIENTE DE CORRELACIÓN Coef. Correlación Poblacional Coef. Correlación Muestral 88

45 Coeficiente de Correlación Por qué el coeficiente de correlación es mucho mejor que la covarianza como mediada de la asociación entre dos variables? Por que la covarianza depende de las unidades en las que las variables están medidas, mientras que el coeficiente de correlación no. 89

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

Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B

Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos...............................................................

Más detalles

ANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.

ANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada. ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos

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

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

Variables aleatorias

Variables aleatorias Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,

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

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

Profesorado de Nivel Medio y Superior en Biología Matemática - 1º Cuatrimestre Año 2013 FUNCIÓN CUADRÁTICA

Profesorado de Nivel Medio y Superior en Biología Matemática - 1º Cuatrimestre Año 2013 FUNCIÓN CUADRÁTICA Matemática - º Cuatrimestre Año 0 FUNCIÓN CUADRÁTICA Hemos definido anteriormente la función lineal como una función f: R R de la forma f()a+b con a R y b R, que se representa en el plano mediante una

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

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

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

Distribuciones de Probabilidad para Variables Aleatorias Discretas 1

Distribuciones de Probabilidad para Variables Aleatorias Discretas 1 Distribuciones de Probabilidad para Variables Aleatorias Discretas Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística,

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

VARIABLES ALEATORIAS DISCRETAS

VARIABLES ALEATORIAS DISCRETAS VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el

Más detalles

Distribuciones de probabilidad bidimensionales o conjuntas

Distribuciones de probabilidad bidimensionales o conjuntas Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso

Más detalles

Introducción al Tema 9

Introducción al Tema 9 Tema 2. Análisis de datos univariantes. Tema 3. Análisis de datos bivariantes. Tema 4. Correlación y regresión. Tema 5. Series temporales y números índice. Introducción al Tema 9 Descripción de variables

Más detalles

Teoría de la decisión

Teoría de la decisión 1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia

Más detalles

Método de cuadrados mínimos

Método de cuadrados mínimos REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,

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

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

Tema 2. Descripción Conjunta de Varias Variables

Tema 2. Descripción Conjunta de Varias Variables Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis

Más detalles

Maestría en Bioinformática Probabilidad y Estadística: Clase 3

Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias

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

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

U.D.1: Análisis estadístico de una variable Consideraciones iniciales: Propuesta: 1.1 Distribución de frecuencias. Variables Cualitativas: Ejemplo

U.D.1: Análisis estadístico de una variable Consideraciones iniciales: Propuesta: 1.1 Distribución de frecuencias. Variables Cualitativas: Ejemplo U.D.1: Análisis estadístico de una variable Consideraciones iniciales: - Población: Es el conjunto de todos los elementos que cumplen una determinada característica. Ej.: Alumnos del colegio. - Individuo:

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

Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR

Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión

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

Capítulo 6: Variable Aleatoria Bidimensional

Capítulo 6: Variable Aleatoria Bidimensional Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el

Más detalles

VARIABLES ESTADÍSTICAS BIDIMENSIONALES

VARIABLES ESTADÍSTICAS BIDIMENSIONALES VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes

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

PREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2

PREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2 PREGUNTAS TIPO EXAMEN- ESTADÍSTICA DESCRIPTIVA 2 Preg. 1. Para comparar la variabilidad relativa de la tensión arterial diastólica y el nivel de colesterol en sangre de una serie de individuos, utilizamos

Más detalles

Tema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.

Tema 1. El Modelo de Regresión Lineal con Regresores Aleatorios. ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores

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

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

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

La desviación típica y otras medidas de dispersión

La desviación típica y otras medidas de dispersión La desviación típica y otras medidas de dispersión DISPERSIÓN O VARIACIÓN La dispersión o variación de los datos intenta dar una idea de cuan esparcidos se encuentran éstos. Hay varias medidas de tal dispersión,

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

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 CON EXCEL

ESTADÍSTICA CON EXCEL ESTADÍSTICA CON EXCEL 1. INTRODUCCIÓN La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en

Más detalles

Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución.

Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución. CONTENIDO: MEDIDAS DE DISPERSIÓN INDICADOR DE LOGRO: Determinarás y aplicarás, con perseverancia las medidas de dispersión para datos no agrupados y agrupados Guía de trabajo: Las medidas de dispersión

Más detalles

INDICE. Prólogo a la Segunda Edición

INDICE. 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 detalles

Medidas de dispersión

Medidas de dispersión Medidas de dispersión Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución. Las medidas de dispersión son: Rango o recorrido El rango es la diferencia

Más detalles

2.- Tablas de frecuencias

2.- Tablas de frecuencias º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II TEMA 3.- ESTADÍSTICA DESCRIPTIVA PROFESOR: RAFAEL NÚÑEZ -----------------------------------------------------------------------------------------------------------------------------------------------------------------

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

Introducción. Flujo Eléctrico.

Introducción. Flujo Eléctrico. Introducción La descripción cualitativa del campo eléctrico mediante las líneas de fuerza, está relacionada con una ecuación matemática llamada Ley de Gauss, que relaciona el campo eléctrico sobre una

Más detalles

Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s).

Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). VARIABLE ALEATORIA Definición: Se llama variable aleatoria a toda función X que asigna a c/u de los elementos del espacio muestral S, un número Real X(s). X : S S s s X () s X(s) Rx Rx es el recorrido

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

CALCULO INTEGRAL CONCEPTOS DE AREA BAJO LA CURVA. (Se utiliza el valor de la función en el extremo izquierdo de cada subintervalo)

CALCULO INTEGRAL CONCEPTOS DE AREA BAJO LA CURVA. (Se utiliza el valor de la función en el extremo izquierdo de cada subintervalo) CALCULO INTEGRAL CONCEPTOS DE AREA BAJO LA CURVA El problema del área, el problema de la distancia tanto el valor del área debajo de la gráfica de una función como la distancia recorrida por un objeto

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL MEDIDAS DE TENDENCIA CENTRAL Al describir grupos de observaciones, con frecuencia es conveniente resumir la información con un solo número. Este número que, para tal fin, suele situarse hacia el centro

Más detalles

Medidas de centralización

Medidas de centralización 1 1. Medidas de centralización Medidas de centralización Hemos visto cómo el estudio del conjunto de los datos mediante la estadística permite realizar representaciones gráficas, que informan sobre ese

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

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

Teorema de Bayes. mientras que B tiene una tasa de defectos del 4%.

Teorema de Bayes. mientras que B tiene una tasa de defectos del 4%. Teorema de Bayes Ejemplo: En una empresa manufacturera, una máquina A produce el 60% de la producción total, mientras que una máquina B el restante 40%. 71 El 2% de las unidades producidas por A son defectuosas,

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

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

Derivada de la función compuesta. Regla de la cadena

Derivada de la función compuesta. Regla de la cadena Derivada de la función compuesta. Regla de la cadena Cuando en las matemáticas de bachillerato se introduce el concepto de derivada, su significado y su interpretación geométrica, se pasa al cálculo de

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

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

UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO

UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO LICENCIATURA EN TURISMO UNIDAD DE APRENDIZAJE: ESTADISTICA TEMA 1.5 : ESTADISTICA DESCRIPTIVA M. EN C. LUIS ENRIQUE KU MOO FECHA:

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

Probabilidad y Estadística, EIC 311

Probabilidad y Estadística, EIC 311 Probabilidad y Estadística, EIC 311 Medida de resumen 1er Semestre 2016 1 / 105 , mediana y moda para datos no Una medida muy útil es la media aritmética de la muestra = Promedio. 2 / 105 , mediana y moda

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

Métodos Estadísticos Multivariados

Métodos Estadísticos Multivariados Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre

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

INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016

INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016 ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una

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

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

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

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

TEMA 3: Contrastes de Hipótesis en el MRL

TEMA 3: Contrastes de Hipótesis en el MRL TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12

Más detalles

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

Límites y continuidad de funciones reales de variable real

Límites y continuidad de funciones reales de variable real Límites y continuidad de funciones reales de variable real Álvarez S., Caballero M.V. y Sánchez M. a M. salvarez@um.es, m.victori@um.es, marvega@um.es Índice 1. Definiciones 3 2. Herramientas 10 2.1. Funciones

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

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

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

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

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

Estimación por métodos Geoestadísticos

Estimación por métodos Geoestadísticos Estimación por métodos Geoestadísticos Métodos de Estimación de Recursos Mineros Estimación global Estimación local La media aritmética Los polígonos El método del inverso de la distancia Geoestadística

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

REGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS)

REGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS) 1 REGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS) 1. EN LA REGIÓN DE DRAKUL DE LA REPÚBLICA DE NECROLANDIA, LAS AUTORIDADES ECONÓMICAS HAN REALIZADO UNA REVISIÓN

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

Coordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 7: Lunes 22 - Viernes 27 de Abril. Contenidos

Coordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 7: Lunes 22 - Viernes 27 de Abril. Contenidos Coordinación de Matemática I (MAT01) 1 er Semestre de 013 Semana 7: Lunes - Viernes 7 de Abril Cálculo Contenidos Clase 1: Álgebra de límites. Teorema del Sandwich. Cálculo de límites. Límites trigonométricos.

Más detalles

Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México

Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel

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

TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN

TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN En este artículo, se trata de explicar una metodología estadística sencilla y sobre todo práctica, para la estimación del tamaño de muestra

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

CAPÍTULO 4 TÉCNICA PERT

CAPÍTULO 4 TÉCNICA PERT 54 CAPÍTULO 4 TÉCNICA PERT Como ya se mencionó en capítulos anteriores, la técnica CPM considera las duraciones de las actividades como determinísticas, esto es, hay el supuesto de que se realizarán con

Más detalles

Curva de Lorenz e Indice de Gini Curva de Lorenz

Curva de Lorenz e Indice de Gini Curva de Lorenz Curva de Lorenz e Indice de Gini Curva de Lorenz La curva de Lorenz es útil para demostrar la diferencia entre dos distribuciones: por ejemplo quantiles de población contra quantiles de ingresos. También

Más detalles

Tema 2 Datos multivariantes

Tema 2 Datos multivariantes Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,

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 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

Tema 5: Introducción a la inferencia estadística

Tema 5: Introducción a la inferencia estadística Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas

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

TEOREMA DEL LÍMITE CENTRAL

TEOREMA DEL LÍMITE CENTRAL Material de clase n 2 Domingo 13 Junio TEOREMA DEL LÍMITE CENTRAL A medida que n se vuelve más grande, la distribución de las medias muestrales se aproxima a una distribución normal con una media x = µ

Más detalles

Estadística Avanzada y Análisis de Datos

Estadística 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 detalles

CONTINUIDAD DE FUNCIONES. SECCIONES A. Definición de función continua. B. Propiedades de las funciones continuas. C. Ejercicios propuestos.

CONTINUIDAD DE FUNCIONES. SECCIONES A. Definición de función continua. B. Propiedades de las funciones continuas. C. Ejercicios propuestos. CAPÍTULO IV. CONTINUIDAD DE FUNCIONES SECCIONES A. Definición de función continua. B. Propiedades de las funciones continuas. C. Ejercicios propuestos. 121 A. DEFINICIÓN DE FUNCIÓN CONTINUA. Una función

Más detalles

MÓDULO III. MEDIDAS DE TENDENCIA CENTRAL, DISPERSIÓN Y ASIMETRÍA

MÓDULO III. MEDIDAS DE TENDENCIA CENTRAL, DISPERSIÓN Y ASIMETRÍA 1 UNIVERSIDAD NACIONAL EXPERIMENTAL DE LOS LLANOS OCCIDENTALES EZEQUIEL ZAMORA VICE-RECTORADO DE PLANIFICACIÓN Y DESARROLLO SOCIAL PROGRAMA CIENCIAS SOCIALES Y JURIDICAS SUBPROGRAMA ADMINISTRACIÓN SUBPROYECTO:

Más detalles