Tema 2. Introducción a la Estadística Bayesiana
|
|
- María Ángeles Lara Marín
- hace 7 años
- Vistas:
Transcripción
1 2-1 Tema 2 Introducción a la Estadística Bayesiana El teorema de Bayes Ejemplo Interpretación Ejemplo: influencia de la distribución a priori Ejemplo: densidad de flujo Probabilidad bayesiana Ejemplo: distancia a una estrella Estimación de parámetros Comparación de modelos La navaja de Occam Ejemplo: detección de una línea espectral Resumen Ventajas de la estrategia bayesiana
2 El teorema de Bayes 2-2 Def. de probabilidad condicionada: Teorema de Bayes Hipótesis, parámetro, modelo Datos, observaciones Distribución de probabilidad posterior de la hipótesis dados los datos Función de verosimilitud Distribución de probabilidad a priori (prior) Probabilidad marginal de los datos Para n hipótesis excluyentes
3 2-3 Ejemplo: bolas en una urna Observaciones: 6 éxitos (bolas rojas) de 10 pruebas modelo p = 0.0 p = 0.1 p = 0.2 p = 0.3 p = 0.4 p = 0.5 p = 0.6 p = 0.7 p = 0.8 p = 0.9 p = 1.0 P(prior) P(posterior)
4 2-4 Interpretación P(datos modelo) P(modelo datos) (estadística clásica) (estadística bayesiana) Interpretación subjetiva de la probabilidad (en contraposición con la interpretación clásica basada en las frecuencias relativas) En la estadística clásica no tiene sentido la probabilidad asociada a un parámetro de una población Sólo los datos realmente observados son relevantes para la decisión final (en estadística clásica se suponen infinitas observaciones hipotéticas). P(H 0 ) representa nuestros conocimientos previos sobre la hipótesis. Pero estos conocimientos previos pueden ser imprecisos o subjetivos (no existe un prior único correcto) Un prior diferente de una distribución de probabilidad uniforme (prior difuso) debe justificarse adecuadamente. Cuantas más observaciones se hagan, el prior tiene menos importancia.
5 2-5 Ejemplo: influencia de la distribución a priori
6 Ejemplo: densidad de flujo 2-6 Observaciones con un radiotelescopio de una región del cielo al azar Datos (D): se mide una densidad de flujo f f se distribuye normalmente (gaussiana) alrededor de un valor S con varianza σ 2 Información previa (prior): Probabilidad de observar f: (verosimilitud) Probabilidades de S: (posterior) Si se tienen n medidas independientes (f i ): Ejemplo: Datos (f i ): 2, 1.3, 3, 1.5, 2, 1.8 σ=1 (S entre 1 y 100) medidas
7 Probabilidad bayesiana 2-7 H i = hipótesis I = información a priori D = datos Probabilidad de que H i sea cierta dados I y D Probabilidad de A Y B Reglas básicas de la probabilidad bayesiana: (para hipótesis excluyentes) Probabilidad de A O B Teorema de Bayes: Factor de normalización
8 2-8 Para un prior difuso (uniforme): La probabilidad es una medida de nuestro estado del conocimiento sobre la hipótesis. Dicha probabilidad se calcula a partir de nuestros conocimientos previos + los nuevos datos El posterior de un estudio se usa como prior para el estudio siguiente:
9 2-9 Ejemplo: distancia a una estrella I El modelo M 1 predice una distancia d 1 = 100 al El modelo M 2 predice una distancia d 2 = 200 al La incertidumbre en las medidas sigue una dist. gausiana con La distancia medida es d = 120 al Modelo 1: Modelo 2: Ejemplo: tienes esa enfermedad?
10 Estimación de parámetros 2-10 Se supone que un cierto modelo M(θ) es cierto y el problema es encontrar el parámetro θ del modelo función de densidad Probabilidad (a priori) de que el verdadero valor del parámetro esté entre Verosimilitud global: Moda posterior: Valor de θ que maximiza (factor de normalización) La estadística bayesiana no proporciona estimaciones puntuales, sino funciones de densidad Media posterior: Intervalo de credibilidad: con mayor dentro de R que fuera (ej. C = 0.95)
11 Estimación de parámetros (II) 2-11 Supongamos M(θ,φ) y sólo estamos interesados en θ (φ es un parámetro irrelevante - nuisance) función de densidad posterior marginal = marginalización priors independientes Media de la función de verosimilitud pesada con el prior para el parámetro irrelevante Una de las ventajas técnicas de la estadística bayesiana
12 Comparación de modelos 2-12 El problema es comparar las probabilidades de diferentes modelos. Cada uno de ellos puede tener un número diferente de parámetros (la navaja de Occam) Prior: (uno de los modelos es el correcto) Probabilidad de cada modelo: verosimilitud del modelo i: Probabilidades relativas (odds) : factor de Bayes Si se calculan las probabilidades relativas frente a un modelo (ej.): O i1 Ej. para 2 modelos:
13 La navaja de Occam 2-13 M 1 : modelo con un parámetro θ M 0 : modelo sin parámetros (θ =θ 0 ) Normalmente la verosimilitud es más estrecha que el prior (suponemos prior uniforme): Verosimilitud global del modelo: Anchura característica de la verosimilitud = valor de máxima verosimilitud Factor de Bayes a favor del modelo más complicado: En general: factor de Occam >1 <1 Penaliza los modelos más complicados a favor de los más simples
14 Ejemplo: Detección de una línea espectral 2-14 La teoría 1 predice que debe existir una línea espectral con las siguientes características: predicción de la teoría 1 Perfil gausiano: T: amplitud de la línea (entre 0.1 y 100 mk) ν i : frecuencia (en nº de canal, entre 0 y 64) ν 0 = 37 σ L =2 (anchura de la línea) Datos: observaciones = el valor registrado en el canal i es d i Ruido gausiano caracterizado por σ = 1 mk La teoría 2 no predice ninguna línea: A la vista de los datos, que teoría es más probable? M 1 = La teoría 1 es correcta M 2 = La teoría 2 es correcta
15 2-15 DATOS P. Gregory, Bayesian Logical Analysis for the Physical Sciences (Cambridge University Press)
16 2-16 Probabilidades relativas: priors iguales Marginalización sobre el parámetro desconocido T: Elección del prior: Prior uniforme: (rango T min T T max ) Prior de Jeffreys: T min =0.1 mk T max =100 mk
17 2-17 Cálculo de: (verosimilitud) d i : valor observado en el canal i donde (e i : error) E i : el valor del error en el canal i está entre e i y e i + de i Ruido gausiano (σ) (si todos los e i son independientes) Máximo = = en T = mk
18 2-18 Cálculo de: (verosimilitud global) Prior uniforme: Factor de Occam Prior de Jeffreys:
19 2-19 Cálculo de: Según M 2, el espectro es consistente con ruido, sin parámetros libres. Probabilidades relativas (prior uniforme) No es necesario marginalizar Probabilidades relativas (prior de Jeffreys)
20 2-20 Estimación del parámetro T Asumiendo que el modelo M 1 es el correcto podemos calcular la distribución de probabilidades del parámetro T Teorema de Bayes: Prior uniforme: Prior de Jeffreys: Intensidad de la línea comparable con el ruido Si la línea fuese 5 veces más intensa:
21 2-21 Moralejas del ejemplo Para elegir el mejor modelo hay que marginalizar sobre sus parámetros, introduciendo el factor de Occam. Dicho factor depende fuertemente del prior (la penalización aumenta al aumentar el rango de parámetros permitidos). Cuando el rango a priori del parámetro incluye varios ordenes de magnitud, un prior uniforme favorece valores altos del parámetro. Si desconocemos la escala (valores grandes son igual de probables que pequeños) un prior de Jeffreys tiene más sentido. Si se obtuviesen más datos, el prior sería el resultado anterior Si la localización y la anchura fuesen desconocidos habría que marginalizar sobre estos parámetros, apareciendo más factores de Occam (si la posición de la línea es desconocida O_{12} disminuiría de 11 a 1. Función de densidad para la localización: En la estimación de parámetros no hay factores de Occam No se puede hacer primero la estimación de parámetros y descartar M 2 (T=0). No aplicaríamos la navaja de Occam. En un modelo más real habría que dejar libre el valor del fondo (se ha asumido = 0) y marginalizar sobre él.
22 2-22 Ventajas de la estadística bayesiana Procedimiento elegante, simple y racional para contestar cualquier cuestión teniendo en cuenta toda la información previa. Es un procedimiento directo. Se calculan directamente las probabilidades de las hipótesis: Toda la información relevante previa se incorpora a través del prior. Esto aumenta mucho la potencia del método (en particular para señales-ruido altas). Proporciona un método para eliminar los parámetros irrelevantes a través de la marginalización. Tiene una navaja de Occam incorporada, constituyendo un método potente para la comparación de modelos de diferente complejidad Proporciona un método para incorporar los efectos de errores sistemáticos.
23 2-23 Resumen Estadística clásica Estadística bayesiana La probabilidad es la frecuencia relativa que se obtiene tras repetir muchas veces el experimento. La probabilidad es objetiva y es igual para todos los observadores. La inferencia se basa en calcular las probabilidades de los datos observados o de datos hipotéticos más extremos, dada una hipótesis. Un intervalo de confianza del 95% es el resultado de un proceso que tiene un 95% de probabilidades de producir un intervalo que contenga al parámetro poblacional. El nivel de significación de un contraste de hipótesis es la probabilidad de que, dada la hipótesis nula, se obtenga un resultado tanto o más extremo como el observado. La probabilidad es una medida del grado de incertidumbre que tiene un observador sobre el resultado de un experimento. La probabilidad es subjetiva y depende del observador. La inferencia se basa en evaluar la probabilidad de que un modelo, o hipótesis, sea cierto dados unos datos observados. La probabilidad de que el parámetro poblacional caiga en un intervalo de credibilidad del 95% es del 95% Se evalúa la probabilidad del modelo (o parámetros de este) a partir únicamente de los datos observados. Los datos hipotéticos son irrelevantes
24 2-24 Bibliografía Bayesian Statistics, J.M. Bernardo, Bayesian Theory, J.M. Bernardo & A.F.M. Smith, ed. Wiley Introduction to Bayesian Statistics, W. M. Bolstad, ed. Wiley-IEEE Bayesian Spectrum Analysis and Parameter Estimation, G.L. Bretthorst, Springer-Verlag Probability and Measurement Uncertainty in Physics A Bayesian Primer Notes, G. D Agostini, hep-ph/ Bayesian Data Analysis, A.B. Gelman, CRC Press Bayesian Logical Data Analysis for the Physical Science, P. Gregory, Cambridge University Press Bayesian reading list, T. Griffiths, Probability Theory: The Logic Of Science, E.T. Jaynes Information Theory, Inference and Learning Algorithms, D.J.C. MacKay, Cambridge University Press
2 La precisión en los modelos clásicos. estimador por punto para el parámetro e 3θ para una población de Poisson
POR QUÉ LA INFERENCIA ESTADISTICA BAYESIANA M. A. Gómez Villegas 1 Introducción En este artículo se pretende justificar por qué se debe utilizar la aproximación bayesiana a la inferencia estadística. Como
Más detallesINFERENCIA BAYESIANA. Antonio López Universitat de València. ESTADÍSTICA ESPACIAL EN EPIDEMIOLOGÍA Y MEDIO AMBIENTE Burjassot, Primavera de 2004
Antonio López Universitat de València ESTADÍSTICA ESPACIAL EN EPIDEMIOLOGÍA Y MEDIO AMBIENTE Burjassot, Primavera de 2004 - Introducción a la inferencia bayesiana - Análisis bayesiano mediante simulación
Más detalles2.3. Análisis bayesiano para datos normales
2.3. Análisis bayesiano para datos normales 87 2.3. Análisis bayesiano para datos normales Otra de las situaciones más frecuentes en la práctica estadística es aquella en la que nos encontramos con datos
Más detallesESTADÍSTICA BAYESIANA Y TEORÍA DE DECISIONES
MISIÓN Formar profesionales altamente capacitados, desarrollar investigación y realizar actividades de extensión en Matemáticas y Computación, así como en sus diversas aplicaciones. ESTADÍSTICA BAYESIANA
Más detallesSesión 2: Teoría de Probabilidad
Modelos Gráficos Probabilistas L. Enrique Sucar INAOE Sesión 2: Teoría de Probabilidad las reglas mátemáticas de la probabilidad no son simplemente reglas para calcular frecuencias de variables aleatorias;
Más detallesTema 7. Introducción Metodología del contraste de hipótesis Métodos no paramétricos
7-1 Tema 7 Contrastes de Hipótesis para una Muestra Introducción Metodología del contraste de hipótesis Métodos no paramétricos Test binomial Test de los signos Test de rango con signos de Wilcoxon Test
Más detallesTema 6: Introducción a la Inferencia Bayesiana
Tema 6: Introducción a la Inferencia Bayesiana Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Contenidos 1. Elementos básicos de
Más detallesDEPARTAMENTO DE MATEMÁTICAS Página 1
DEPARTAMENTO DE MATEMÁTICAS Página 1 APROBADO EN EL CONSEJO DE LA FACULTAD DE CIENCIAS EXACTAS ACTA 13 DEL 21 ABRIL 2010 PROGRAMAS DEL DEPARTAMENTO DE MATEMÁTICAS El presente formato tiene la finalidad
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesINDICE Capitulo uno Introducción y estadísticas descriptiva Capitulo dos Conceptos en probabilidad Capitulo tres
INDICE Capitulo uno Introducción y estadísticas descriptiva 1.1. Introducción 1.2. descripción grafica de los datos 3 1.3. medidas numéricas descriptivas 11 Ejercicios 22 Apéndice: sumatorias y otras notaciones
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda.
ESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda. APRENDIZAJE AUTOMÁTICO, ESTIMACIÓN Y DETECCIÓN Introducción
Más detallesPROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT
PROGRAMA DE CURSO Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT Unidades Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
Más detallesEstadística Bayesiana
Universidad Nacional Agraria La Molina 2017-1 Teoría de la decisión Riesgo de Bayes La teoría de decisión es un área de suma importancia en estadística ya que muchos problemas del mundo real pueden tomar
Más detallesPart VII. Estadística I. Mario Francisco. Introducción a la inferencia. Estimación puntual. Propiedades deseables de los estimadores
Part VII La inferencia puede definirse como el conjunto de métodos mediante cuales podemos extraer información sobre distintas características de interés de cierta distribución de probabilidad de la cual
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN HORAS SEMANA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN PROGRAMA DE ASIGNATURA SEMESTRE:6 (SEXTO) Estadística
Más detallesEXAMEN DE ESTADÍSTICA Junio 2011
EXAMEN DE ESTADÍSTICA Junio 2011 Apellidos: Nombre: DNI: GRUPO: 1. Sea X una variable aleatoria discreta. Determine el valor de k para que la función p(x) { k/x x 1, 2, 3, 4 0 en otro caso sea una función
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesTema 6: Introducción a la inferencia estadística
Tema 6: Introducción a la inferencia estadística Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 6: Introducción a la inferencia estadística
Más detallesGUIA DOCENTE ESTADÍSTICA II
GUIA DOCENTE 2016-17 ESTADÍSTICA II Mayo 2016 DATOS GENERALES Nombre del curso: Código: ESTADÍSTICA II 801101, ADE 801916, MKCD Curso: 2016-17 Titulación: Grado en Administración y Dirección de Empresas
Más detallesEstadística. Contrastes para los parámetros de la Normal
Contrastes para los parámetros de la Normal Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Contrastes para los parámetros de la Normal Contrastes para los parámetros
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Recuerdo que Conceptos estadísticos Población y muestra Población es una colección de posibles individuos, especímenes, objetos o medidas de interés sobre
Más detallesRepaso de Probabilidad y Estadística
Repaso de Probabilidad y Estadística Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2011 Probabilidad 2 Definición.............................................................
Más detallesTeorema 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 detallesAnálisis de Datos en Física de Partículas
Análisis de Datos en Física de Partículas Sección de Posgrado Facultad de Ciencias Universidad Nacional de Ingeniería C. Javier Solano S. jsolano@uni.edu.pe http://compinformatidf.wordpress.com/ Página
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesProblemas de Estimación de una y dos muestras
Problemas de Estimación de una y dos muestras Walpole Myers Myers Facultad de Estudios Superiores Acatlán Licenciatura en Economía 13 de marzo 2017 José A. Huitrón Mendoza Introducción En los ejercicios
Más detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 6109 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
Más detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 8104 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
Más detallesProbabilidad y Estadística
Programa de la Asignatura: Código: 23 Probabilidad y Estadística Carrera: Ingeniería en Computación Plan: 2013 Carácter: Obligatoria Unidad Académica: Secretaría Académica Curso: Tercer año Primer cuatrimestre
Más detallesContrastes de hipótesis. 1: Ideas generales
Contrastes de hipótesis 1: Ideas generales 1 Inferencia Estadística paramétrica población Muestra de individuos Técnicas de muestreo X 1 X 2 X 3.. X n Inferencia Estadística: métodos y procedimientos que
Más detallesEstadística Clase 3. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase 3 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri 1. Pasos en un proceso estadístico 1. Plantear una hipótesis sobre una población.. Diseñar
Más detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
UNIVERSIDAD AUTÓNOMA CHAPINGO DIVISIÓN DE CIENCIAS FORESTALES CARRERA DE: Licenciado en Estadística PROGRAMA DE LA ASIGNATURA DE INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DATOS GENERALES Departamento (División):
Más detallesEstadística Inferencial. Resúmen
Ofimega - Estadística inferencial - 1 Estadística Inferencial. Resúmen Métodos y técnicas que permiten inducir el comportamiento de una población. Muestreo o selección de la muestra: 1. Aleatorio simple:
Más detallesEstadística Bayesiana
Introducción Universidad Nacional Agraria La Molina 2017-1 Introducción Introducción La estadística Bayesiana le debe su nombre al trabajo pionero del reverendo Thomas Bayes titulado: An Essay towards
Más detallesEconometría 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 detallesMuestreo, Generación de Valores de Variables Aleatorias y Entropía
Muestreo, Generación de Valores de Variables Aleatorias y Entropía Dr. José Elías Rodríguez Muñoz elias@cimat.mx Dept. de Matemáticas, U. de Gto. Tercer Verano de Probabilidad y Estadística en el CIMAT,
Más detallesPLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07
PLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07 TEMAS A ESTUDIAR En esta guía nos dedicaremos a estudiar el tema de Estimación por intervalo y comenzaremos a estudiar las pruebas de hipótesis paramétricas.
Más detallesGRADO EN CIENCIAS Y TECNOLOGÍAS APLICADAS AL DEPORTE Y AL ACONDICIONAMIENTO FÍSICO GUÍA DOCENTE ESTADÍSTICA
GRADO EN CIENCIAS Y TECNOLOGÍAS APLICADAS AL DEPORTE Y AL ACONDICIONAMIENTO FÍSICO GUÍA DOCENTE ESTADÍSTICA 2018-19 ESTADÍSTICA DATOS GENERALES ASIGNATURA: Estadística CÓDIGO: 801721 CURSO: 2017-18 CRÉDITOS
Más detallesPrograma Regular. Probabilidad y Estadística.
Programa Regular Probabilidad y Estadística. Modalidad de la asignatura: teórico-práctica. Carga horaria: 5hs. Objetivos: Con relación a los conocimientos a impartir en el desarrollo de la materia, es
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesTema 6. Estimación puntual
1 Tema 6. Estimación puntual En este tema: Planteamiento del problema. Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Métodos
Más detallesInferencia Estadística
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Ciencias Plan de estudios de la Licenciatura en Actuaría Inferencia Estadística Clave 1541 Modalidad Semestre 5 Créditos 10 Área Campo de conocimiento
Más detallesPlanificaciones Probabilidad y Estadística A. Docente responsable: MANCILLA AGUILAR JOSE LUIS. 1 de 5
Planificaciones 6106 - Probabilidad y Estadística A Docente responsable: MANCILLA AGUILAR JOSE LUIS 1 de 5 OBJETIVOS 1) Introducir al alumno en la comprensión de la necesidad y oportunidad de la aplicación
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más detallesPlanificaciones Probabilidad y Estadística A. Docente responsable: MANCILLA AGUILAR JOSE LUIS. 1 de 6
Planificaciones 8103 - Probabilidad y Estadística A Docente responsable: MANCILLA AGUILAR JOSE LUIS 1 de 6 OBJETIVOS 1) Introducir al alumno en la comprensión de la necesidad y oportunidad de la aplicación
Más detallesBLOQUE III: INFERENCIA ESTADISTICA. X, variable aleatoria de interés sobre una determinada población
BLOQUE III: INFERENCIA ESTADISTICA TEMA 8. MUESTREO Y DISTRIBUCIONES DE MUESTREO 1. Introducción a la Inferencia Estadística X, variable aleatoria de interés sobre una determinada población Observar el
Más detallesDISEÑO CURRICULAR ESTADÍSTICA III
UNIVERSIDAD NUEVA ESPARTA FACULTAD DE CIENCIAS DE LA INFORMATICA ESCUELA DE COMPUTACION DISEÑO CURRICULAR ESTADÍSTICA III ESCUELA DE COMPUTACIÓN CÓDIGO DE LA ESCUELA: 10-0762-2 ASIGNATURA: Estadística
Más detallesMétodos Bayesianos (Convocatoria Febrero 2005)
Dpto. Métodos Cuantitativos en Economía y Gestión Univ. de Las Palmas de G.C. Licenciatura en Economía Cuarto curso Curso 04/05 Métodos Bayesianos (Convocatoria Febrero 005) EJERCICIO 1. El método estándar
Más detallesINFERENCIA ESTADÍSTICA MUESTRAL TEMA 4: MEDIAS Y PROPORCIONES CON DOS POBLACIONES
UNIDAD 2 INFERENCIA ESTADÍSTICA MUESTRAL TEMA 4: MEDIAS Y PROPORCIONES CON DOS POBLACIONES Técnicas para comparar dos poblaciones 1 Técnicas para comparar dos poblaciones Técnicas para comparar dos poblaciones
Más detallesTécnicas de Muestreo Métodos
Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad
Más detallesGrado en Ciencias Ambientales Universidad de Alcalá Curso Académico 2016/17 Segundo Curso Primer Cuatrimestre
ESTADÍSTICA Grado en Ciencias Ambientales Universidad de Alcalá Curso Académico 2016/17 Segundo Curso Primer Cuatrimestre GUÍA DOCENTE Nombre de la asignatura: ESTADÍSTICA Código: 670010 Titulación en
Más detallesEXAMEN DE ESTADÍSTICA Junio 2012
EXAMEN DE ESTADÍSTICA Junio 2012 Apellidos: Nombre: DNI: GRUPO: 1. En una población se han realizado 120 observaciones sobre las variables X e Y, obteniéndose la siguiente tabla de frecuencias absolutas
Más detallesEstadística Clase 4. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 Clase 4 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 4 1. Pasos en un proceso estadístico. Inferencia Estadística 3. Estimación Puntual
Más detallesUNIVERSIDAD MILITAR NUEVA GRANADA
CONTENIDO PROGRAMÁTICO Fecha Emisión: 2011/09/15 Revisión No. 1 AC-DO-F-8 Página 1 de 7 PROBABILIDAD Y ESTADÍSTICA CÓDIGO 1722109 PROGRAMA Tecnología en Horticultura ÁREA DE FORMACIÓN Ciencias Básicas
Más detallesPROGRAMA DE CURSO. Código Nombre MA3402 Estadística Nombre en Inglés Statistics SCT Requisitos. DIM Resultados de Aprendizaje
> < ; U Q R ;?C: VT 2 +D :?CB J B > > ; S6D :? < ;? ; C?C : >? ; W( U C > X?2 > R+DE?C : < > ; ; 9 : : R > ; Y < > < ; U Q R ;?C: VT 2 +D :?C B J B > > ; S6D :? < ;? ; C?C : >? ; W( U C > X?2 > R+DE?C
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesHipótesis. (x), donde es el parámetro poblacional desconocido. Problemas Inferenciales sobre
Tema 7: Introducción a los Contrastes de Hipótesis Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f (x), donde es el parámetro poblacional desconocido Problemas Inferenciales
Más detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detallesQué hacemos cuando la distribución no es normal? Qué significa ser normal? Qué significa ser normal? 1er. Simposio Metodología Seis Sigma
er. imposio Metodología eis igma Resumen Qué hacemos cuando la distribución no es normal? Qué significa ser normal? Ejemplos de situaciones normales Ejemplos de situaciones no normales Resumen Implicaciones
Más detallesUNIVERSIDAD MILITAR NUEVA GRANADA
CONTENIDO PROGRAMÁTICO Fecha Emisión: 2011/09/15 Revisión No. 1 AC-DO-F-8 Página 1 de 10 ESTADÍSTICA I CÓDIGO 14241 PROGRAMA INGENIERÍA INDUSTRIAL ÁREA DE FORMACIÓN CIENCIAS BÁSICAS SEMESTRE TERCERO PRERREQUISITOS
Más detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesUNIVERSIDAD DE LOS LLANOS Facultad de Ciencias Básicas e Ingeniería Programa Ingeniería de Sistemas
CURSO: PROBABILIDAD Y ESTADÍSTICA 1 SEMESTRE: V 2 CÓDIGO: 602504 3 COMPONENTE: 4 CICLO: 5 ÁREA: Profesional 6 FECHA DE APROBACIÓN: 7 NATURALEZA: 8 CARÁCTER: Obligatorio 9 CRÉDITOS (RELACIÓN): 3 (1-1) 10
Más detallesUniversidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
Universidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA Ateneo Ruperto P. Bonet Chaple UTB-Julio 2016 OBJETIVO Aplicar las técnicas de Muestreo e Inferencia Estadística Determinar el tamaño
Más detallesInstituto: ICSA Modalidad: Presencial. Programa: Maestría en Economía Carácter: Obligatorio. Teoría: 13 Hrs.
CARTA DESCRIPTIVA DE PROBABILIDAD Y ESTADÍSTICA I. Identificadores de la asignatura Instituto: ICSA Modalidad: Presencial Departamento: Ciencias Sociales Materia: Probabilidad y estadística Créditos: 8
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesTeórica básica. Incluimos. - Temas
Teórica básica Incluimos - Temas 1 - Tema 1: Fenómenos aleatorios. Conceptos de probabilidad. Propiedades. Independencia de sucesos. Teorema de Bayes. - Tema 2: Variables aleatorias. Variables discretas.
Más detallesTema 4 - Introducción
Tema 4 - Introducción 1 Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Cómo obtener estimadores? Tema
Más detallesPE - Probabilidad y Estadística
Unidad responsable: 230 - ETSETB - Escuela Técnica Superior de Ingeniería de Telecomunicación de Barcelona Unidad que imparte: 749 - MAT - Departamento de Matemáticas Curso: Titulación: 2016 GRADO EN INGENIERÍA
Más detallesAplicación de la distribución empírica: Tests de bondad de ajuste
Aplicación de la distribución empírica: Tests de bondad de ajuste 4 de marzo de 2009 Test de bondad de ajuste Supongamos que se dispone de una m.a.s de tamaño n de una población X con distribución desconocida
Más detallesRégimen de Cursada: Semestral Carácter): Obligatoria Correlativas: Matemática II Profesor/es: María B. Pintarelli Hs. semanales : 6 hs.
MATEMATICA III (1º cuatrimestre) Carrera/ Plan: (Dejar lo que corresponda) Licenciatura en Informática Plan 2015-3º año Licenciatura en Sistemas Plan 2015 3º año Licenciatura en Informática Plan 2003-07
Más detallesmatemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4
PS0401 - Probabilidad y Estadística DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de materia: Obligatoria Clave de la materia: PS0401 Cuatrimestre: 4 UNIVERSIDAD AUTÓNOMA DE Área
Más detallesGuía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA
1. Introducción Guía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA Los análisis económicos y empresariales se efectúan sobre la base de la toma de decisiones, las cuales se toman a partir de la información
Más detallesTEL / / FAX Correo electrónico: Página Web:
UNIVERSIDAD DE COSTA RICA FACULTAD DE CIENCIAS ECONÓMICAS ESCUELA DE ESTADÍSTICA CURSO: XS-1130 Estadística Introductoria II Créditos: 4 II Ciclo 2017 GRUPO Y DOCENTE: HORARIO : AULA: CORREO ELECTRÓNICO:
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesIntroducción a la inferencia estadística
M. Wiper Estadística 1 / 15 Introducción a la inferencia estadística Michael Wiper Departamento de Estadística Universidad Carlos III de Madrid M. Wiper Estadística 2 / 15 Objetivo Introducir la distribución
Más detallesTeoría de la decisión Estadística
Pruebas de hìpótesis Unidad 8. Pruebas de hipótesis. Formulación general. Distribución de varianza conocida. Prueba para la bondad del ajuste. Validación de modelos 1 Formulación Una Hipótesis es una proposición
Más detallesTEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS
TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) PROCEDIMIENTOS ESTADISTICOS CONSTRUCCION DE MODELOS DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS Cada procedimiento es aplicable a un
Más detallesPrograma(s) Educativo(s): Clave de la materia:
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre: Área en plan de estudios: Créditos
Más detallesUniversidad nacional Autónoma de México Facultad de psicología. Matemáticas II
Universidad nacional Autónoma de México Facultad de psicología PROGRAMA DE ASIGNATURA Nombre de la Asignatura Matemáticas II Clave 0497 Semestre Segundo Número de créditos 8 Horas Teoría 4 Horas Práctica
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #9 Tema: Estimación puntual y por Intervalo de confianza Prof.: MSc. Julio Rito Vargas A. Grupos: CCEE y ADMVA /2016 Objetivos:
Más detallesTécnicas de Inferencia Estadística II. Tema 5. Estadísticos de orden
Técnicas de Inferencia Estadística II Tema 5. Estadísticos de orden M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 5. Estadísticos de orden Contenidos
Más detallesESTADÍSTICA. 4 horas a la semana 8 créditos Semestre variable según la carrera
ESTADÍSTICA 4 horas a la semana 8 créditos Semestre variable según la carrera Objetivo del curso: Aplicar los conceptos de la teoría, metodología y las técnicas de la Estadística, requeridas para modelar
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE
PROCESO DE COORDINACIÓN DE LAS ENSEÑANZAS PR/CL/001 Sistemas de ASIGNATURA 595000313 - PLAN DE ESTUDIOS 59SC - Grado en Ingenieria de CURSO ACADÉMICO Y SEMESTRE 2017-18 - Primer semestre Índice Guía de
Más detallesGUIA DOCENTE DE LA ASIGNATURA Curso Académico 2018 / 2019 (Fecha de última actualización: 12/06/2018)
GUIA DOCENTE DE LA ASIGNATURA Curso Académico 2018 / 2019 (Fecha de última actualización: 12/06/2018) Gestión empresarial con información externa MÓDULO ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER 2 Gestión
Más detalles6. Inferencia con muestras grandes. Informática. Universidad Carlos III de Madrid
6. Inferencia con muestras grandes 1 Tema 6: Inferencia con muestras grandes 1. Intervalos de confianza para μ con muestras grandes 2. Determinación del tamaño muestral 3. Introducción al contraste de
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Mag. María del Carmen Romero 2014 romero@econ.unicen.edu.ar Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo
Más detallesDiseño de experimentos - prueba de hipótesis.
Diseño de experimentos - prueba de hipótesis http://www.academia.utp.ac.pa/humberto-alvarez/diseno-deexperimentos-y-regresion Inferencia estadística Conjunto de métodos y técnicas que permiten inducir,
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detalles