Conceptos generales de inferencia estadística. Estimación de parámetros. Intervalos de confianza.
|
|
- Martín Redondo Castilla
- hace 7 años
- Vistas:
Transcripción
1 FCEyN - Estadística para Química do. cuat Marta García Be Coceptos geerales de iferecia estadística. Estimació de parámetros. Itervalos de cofiaza. Iferecia estadística: Dijimos e la primera clase que iferecia estadística es el estudio de técicas que permite, a partir de los datos de ua muestra, obteer algua iformació sobre la població (de la que se extrajo la muestra). Veamos alguos ejemplos de problemas e los que se puede aplicar técicas de iferecia estadística: Ejemplo 1: Quiero coocer la media de las estaturas de los iños de 8 años varoes que vive e la ciudad de Bueos Aires. Para ello elijo 00 iños al azar y les mido su estatura. Ejemplo : Quiero coocer el coteido de hierro de ua muestra de cierto mieral. Hago 10 determiacioes. Ejemplo 3: Quiero coocer la proporció de persoas que está de acuerdo co cierta medida del gobiero etre las persoas mayores de 18 años que vive e la ciudad de Bueos Aires. Para ello elijo 400 persoas al azar y le preguto a cada ua si está o o de acuerdo. Modelos probabilísticos que puedo usar para estos problemas: Para el ejemplo 1: Llamo X i a la estatura del i-ésimo iño seleccioado al azar, etoces supogo: X 1, X,..., X 00 vs. as. i.i.d N(µ,σ ) Dode o coozco i µ i σ µ represeta la media poblacioal de las estaturas y σ la variaza poblacioal. Para el ejemplo : se suele usar u modelo similar: X 1, X,..., X 10 vs. as. i.i.d N(µ,σ ) Que represeta X i, µ y σ e este ejemplo? Para el ejemplo 3: 1er modelo: Si llamo X=ro de persoas que respode que está a favor, etoces X Bi(=400, p) dode p es descoocido Que represeta p e este ejemplo? Otro modelo: Si llamo X i a la variable que vale 1 si la i-ésima persoa ecuestada respode que está a favor y 0 e caso cotrario, etoces X 1, X,..., X 400 vs. as. i.i.d Bi(1,p) (o Beroulli(p) que es lo mismo). Como puede apreciarse e estos ejemplos e iferecia estadística plateamos primero modelos probabilísticos que cosideramos adecuados para el problema que queremos resolver. E estos tres ejemplos y e muchos otros los modelos so de este tipo: X 1, X,..., X vs. as. i.i.d., cada ua co ua distribució de la forma F(x,θ,λ,...) dode la fució F es coocida, pero los parámetros θ, λ, etc. so descoocidos. 66
2 FCEyN - Estadística para Química do. cuat Marta García Be Estimació de parámetros E el ejemplo 1 queremos estimar (coocer aproximadamete) la media µ. U estimador ituitivamete razoable es la media muestral X i i X = =1 E el ejemplo 3, u estimador ituitivamete razoable de la proporció poblacioal p de X persoas que está de acuerdo co el gobiero es la proporció muestral pˆ = si plateamos X i i el primer modelo o la proporció muestra pˆ = = 1 si plateamos el segudo. E geeral si X 1, X,..., X so vs. as. cuya distribució depede de u parámetro descoocido θ u estimador de θ es ua fució de X 1, X,..., X "coveietemete" elegida, de modo de que el error de estimació sea "pequeño". U criterio para medir la bodad de u estimador: Error cuadrático Medio. Sea X 1, X,..., X vs. as. cuya distribució depede de u parámetro descoocido θ y sea θˆ = g(x1, X,..., X ) u estimador θ. Se defie error cuadrático medio del estimador θˆ ECM de θˆ = E( θˆ - θ ) Buscaremos estimadores que tega ECM "pequeño". Ejemplo: Sea X 1, X,..., X vs.as. i.i.d. co cualquier distribució co E(X i )=µ y Var(X i )= σ. Hallar el ECM de X como estimador de µ. Ua propiedad de u estimador: estimadores isesgados. Defiició: Sea X 1, X,..., X vs. as. cuya distribució depede de u parámetro descoocido θ y sea θˆ = g(x1, X,..., X ) u estimador θ. Se dice que θˆ es u estimador isesgado de θ si E( θˆ ) = θ Ejemplo:Sea X 1, X,..., X vs.as. i.i.d. co cualquier distribució co E(Xi)=µ y Var(Xi) = σ. a) Es X u estimador isesgado de µ? b) Ecotrar u estimador isesgado de σ Sesgo de u estimador Sea θˆ u estimador θ. Se defie sesgo de θˆ : sesgo de θˆ = E( θˆ ) - θ 67
3 FCEyN - Estadística para Química do. cuat Marta García Be Relació etre ECM, variaza y sesgo: Se puede demostrar facilmete que ECM de θˆ = Var( θˆ ) + (sesgo de θˆ ) por lo que buscamos estimadores que tega "poca" variaza y "poco" sesgo. Muchas veces se busca estimadores isesgados (o sea co sesgo cero) pero esta propiedad o es imprescidible. Ua propiedad de u estimador para muestras grades: estimadores cosistetes. Defiició: Sea X 1, X,..., X vs. as. cuya distribució depede de u parámetro descoocido θ y sea = g(x 1, X,..., X ) ua sucesió de estimadores de θ. Se dice que θˆ es cosistete si θˆ lim θˆ = θ Itervalo de cofiaza para u parámetro Ates de dar la defiició de itervalo de cofiaza, vamos a ecotrarlo para u ejemplo. Supogamos que se cooce por la experiecia previa que u método de medició del porcetaje de hierro e u mieral tiee ua desviació stadard de 0.1. Tambié se sabe por experiecia que si hacemos muchas determiacioes de la misma muestra la distribució de las medicioes es aproximadamete ormal (el histograma de las medicioes hechas e ua misma muestra se parece a la curva de Gauss co σ=0.1). Hacemos 4 determiacioes del coteido de hierro e u trozo de mieral y obteemos: 15.18% 15.3% 15.46% 15.5% Teiedo e cueta la experiecia previa, podemos cosiderar el siguiete modelo: Modelo: X 1, X,..., X vs. as. i.i.d N(µ,σ ) co =4 y σ=0.1 El úico parametro descoocido de este modelo es la media µ. El estimador de µ es la media muestral X que e este ejemplo da o, redodeado, Pero cuato vale µ? Obviamete µ o tiee por qué valer Pero vamos a ecotrar u itervalo que cotiee al verdadero valor de µ co probabilidad alta. Itervalo de cofiaza para la media de u població, basado e ua muestra ormal co variaza coocida. Cosideramos el siguiete modelo: X 1, X,..., X vs. as. i.i.d N(µ,σ ) co σ coocido. (1) El estimador de µ X = i= 1 X i Sabemos que, bajo el modelo (1) σ X N( µ, ) 68
4 FCEyN - Estadística para Química do. cuat Marta García Be Estadarizado: σ / N( 0,1) () Como e la curva de Gauss el area etre 1.96 y 1.96 es 0.95 resulta que: P ( ) =0.95 σ / Pasado térmios de miembro co el objetivo de dejar µ e el cetro obteemos: P ( X 1.96 * σ / µ X * σ / ) = 0.95 (3) El itervalo [ X 1.96 * σ /, X * σ / ] (4) se llama itervalo de cofiaza para µ co ivel de cofiaza del 0.95 (o 95%). Ejemplo: e el ejemplo de las 4 determiacioes de hierro obteemos: [ , ] [ , ] o redodeado, el itervalo de cofiaza al 95% para la media µ es [15.18, 15.4]. Que sigifica que el itervalo de cofiaza tega ivel 95%? Sigifica que si extrajésemos muchas (muchísimas!) muestras y para cada muestra calculásemos el itervalo de cofiaza, etoces el 95% de los itervalos cotedría al verdadero valor del parámetro de la població (e uestro ejemplo el parámetro es la media µ ). Cometarios: 1) Volvamos al ejemplo de las determiacioes de hierro: Habíamos obteido que el itervalo de cofiaza para µ al 95% es [15.18, 15.4] Auque sea ituitivamete razoable o es correcto escribir por qué? P ( µ 15.4 ) = 0.95 ) Qué vetajas y que desvetajas tiee calcular u IC al 99% e vez del 95%. 3) Qué es lo que hay que cambiar e (4) para obteer u IC al 99%? 69
5 FCEyN - Estadística para Química do. cuat Marta García Be Cotiuado co el modelo (1), o sea co el modelo de ua muestra ormal co variaza coocida, la expresió para el IC para co cualquier ivel es similar a (4) pero cambiado el valor Llamemos z α/ al valor que deja u area de α/ e la cola de la curva ormal estádar (y por lo tato u área 1-α etre -z α/ y z α/ ). El itervalo [ X z α/ * σ /, X + z α/ * σ / ] (5) es u itervalo de cofiaza para µ co ivel de cofiaza 1-α. Defiició geeral de itervalo de cofiaza: Sea X 1, X,..., X vs. as. cuya distribució depede de u parámetro descoocido θ. U itervalo de cofiaza para θ co ivel de cofiaza 1-α es u itervalo de extremos aleatorios (que depede de la muestra X 1, X,..., X ) [ a(x 1, X,..., X ), b(x 1, X,..., X ) ] tal que P ( a(x 1, X,..., X ) θ b(x 1, X,..., X ) ) = 1 - α Cometario: La expresió (5) os dá u itervalo de cofiaza para µ para variables co distribució ormal y variaza coocida. Tambié vamos a poder calcular IC para µ si coocer la variaza, o si coocer la distribució de la variable o itervalos de cofiaza para otros parámetros. Las expresioes para calcularlos va a ser diferetes e cada caso, pero el objetivo y las ideas geerales so siempre los mismos. Cálculo del tamaño de la muestra. Co la muestra de las cuatro determiacioes de hierro obtuvimos el siguiete IC al 95% para la media: [ , ] [ , ] El itervalo obteido tiee logitud = * = 0.35 Que se puede hacer si se desea u IC al 95% co meor logitud? Llamado L a la logitud del IC, se puede obteer de (4) que L = * 1.96 * σ / y etoces, puede observarse que aumetado dismiuye la logitud del IC y que esta logitud puede hacerse ta pequeña como se desee tomado suficietemete grade. Si por ejemplo deseamos calcular u IC de logitud L 0.10 deberá ser 70
6 FCEyN - Estadística para Química do. cuat Marta García Be De esta iecuació se despeja L = * 1.96 * 0.1 / 0.10 ( * 1.96 * 0.1 ) / 0.10 [( * 1.96 * 0.1 ) / 0.10 ].13 o sea que haciedo 3 (o más) determiacioes se obtiee u IC de logitud que Cometarios: 1) Cuado se duplica el tamaño de la muestra (), que ocurre co la logitud del IC? ) Cuado se multiplica por 4 el tamaño de la muestra? Itervalo de cofiaza para la media de u població, basado e ua muestra ormal co variaza descoocida. Cosideramos ahora el siguiete modelo: X 1, X,..., X vs. as. i.i.d N(µ,σ ) co σ coocido. (6) El estimador de µ sigue siedo X Sigue valiedo que, bajo el modelo (6) σ X N( µ, ) Estadarizado: N( 0,1) (7) σ / Si seguimos los mismos pasos que para el caso σ coocido, volveríamos a obteer las expresio (4) o la expresió más geeral (5). Pero (4) o (5) o so itervalos de cofiaza para µ, porque los extremos del itervalo depede de σ y por lo tato o cumple la defiició de IC. Además es ituitivo que (4) o (5) o so de utilidad ya que o puede calcularse, verdad? Para solucioar este problema reemplacemos e (7) σ por la variaza muestral s y obteemos s / La distribució de (7) es N(0,1) pero la de (8) o. W. S. Gosset, que escribía bajo el seudóimo de Studet, a pricipios del siglo XX ecotró la distribució de (8) (su fució de desidad ya que es ua variable aleatoria cotiua). La fució de desidad de (8) depede del tamaño de la muestra (), La fució de desidad de (8) tiee ua forma de campaa similar a la curva ormal, pero tiee mayor variaza que la distribució N(0,1) (esto último es ituitivamete razoable, por qué). Cuado es grade se parece a la curva N(0,1) (esto tambié es ituitivamete esperable). E hoor a Studet, la distribució de (8) se llama distribució "t de Studet co -1 grados de libertad", lo que otaremos: (8) 71
7 FCEyN - Estadística para Química do. cuat Marta García Be s / t -1 (9) Si llamamos t -1 ; α/ al valor que deja u área de α/ e la cola de la fució de desidad t -1, siguiedo ua deducció aáloga al caso σ coocido obteemos: P ( X t -1 ; α/ * s / µ X + t -1 ; α/ * s / ) = 1-α y por lo tato el itervalo [ X t -1 ; α/ * s / µ X + t -1 ; α/ * s / ] (10) es u itervalo de cofiaza para µ co ivel de cofiaza 1-α. Ejemplo: e el ejemplo de las 4 determiacioes de hierro calculamos X =15.305, s= Buscamos e u tabla o e Statistix el valor de la curva de t co -1=3 grados de libertad que deje u area de 0.05 e la cola que es Reemplazamos e (10) [ * / 4, * / 4] [ , ] [ , ] o redodeado, el itervalo de cofiaza al 95% para la media µ es [15.11, 15.49]. Este itervalo puede calcularse si hacer igua cueta co Statistix. Para ello hay que igresar las cuatro determiacioes hechas y luego marcar Summary Statistics, Descriptive Statistics y poer u tilde e el casillero Cof It. Se obtiee: DESCRIPTIVE STATISTICS VARIABLE N LO 95% CI MEAN UP 95% CI SD HIERRO Cometario: Los valores de la tabla de t que deja u area 1-α e el cetro y α/ e cada cola dismiuye cuado aumeta y tiede al valor z α/ cuado. Por ejemplo para 1-α = 0.95, el valor t -1 ; α/ es 3.18 para =4,.6 para =10, 1.98 para =100 y su limite para es Ejercicio: Sea X 1, X,..., X vs. as. i.i.d N(µ,σ ), ecotrar u itervalo de cofiaza co ivel 1-α para la variaza σ supoiedo: a) µ coocido b) µ descoocido. Itervalo de cofiaza co ivel asitótico para la media de ua població para cualquier distribució (válidos para muestras grades ). La limitació que tiee los modelos ateriores es que supoe distribució ormal. Gracias al Teorema Cetral del Límite vamos a poder calcular itervalos de cofiaza para µ auque sepamos que la variable o tiee distribució ormal o o tegamos igua iformació previa sobre la distribució de la variable. Pero estos itervalos sólo va a valer para "grade". 7
8 FCEyN - Estadística para Química do. cuat Marta García Be Cosideramos el siguiete modelo: X 1, X,..., X vs. as. i.i.d co cualquier distribució (11) Llamemosµ=E(X i ) y σ = Var(X i ). Vamos a supoer (es el caso más usado) que o coocemos σ. El estimador de µ sigue siedo X Sigue valiedo que, bajo el modelo (11), gracias al TCL cumple X a ~ N( µ, σ ) para grade dode hemos usado la otació a ~ para idicar "tiee distribució aproximadamete" Estadarizado: σ / a ~ N( 0,1) para grade Si es grade, la DS muestral es u estimador cosistete de la DS poblacioal, así que ambas va a ser parecidas s σ, por lo tato s / a ~ N( 0,1) para grade Luego: P ( - z α/ s / z α/ ) 1-α para grade o, más claramete escrito: Pasado de miembro se llega a que lim P ( - z α/ s / z α/ ) = 1-α lim P ( X z α/ * s / µ X + z α/ * s / ) = 1-α y por esto el itervalo [ X z α/ * s /, X + z α/ * s / ] (1) se llama itervalo de cofiaza para µ co ivel de cofiaza asitótico 1-α. 73
9 FCEyN - Estadística para Química do. cuat Marta García Be Ejemplo: E la clase de estadística descriptiva mostramos el siguiete histograma de PCR (proteía C reactica) e pacietes cardíacos. Se puede ver que la distribució o es gaussiaa. Estamos e el límite de poder aplicar el TCL porque habíamos dicho como "receta" que e geeral daba ua aproximació aceptable para 30. Acá =9. Apliquémoslo igual, sabiedo que el ivel de cofiaza o es exacto sio ua aproximació. Calculamos primero la media y la DS co el Statistix: DESCRIPTIVE STATISTICS PCR N 9 MEAN SD ST QUARTI MEDIAN RD QUARTI Si queremos u IC al 95%, etoces z α/ = Reemplazamos e (1): [ * / 9, * / 9] [ , ] [4.639, 5.691] o redodeado "el itervalo de cofiaza al 95% para la media de PCR e la població de efermos cardíacos co tales características... es [4.6, 5.7]" o, como se suele escribir resumiedo: "La media de PCR los 9 pacietes cardíacos estudiados es38.7 (IC al 95%: 4.6 a 5.7)." 74
10 FCEyN - Estadística para Química do. cuat Marta García Be Si e Statistix, e Descriptive Statistics tildamos la casilla que dice "Cof. It." obteemos: DESCRIPTIVE STATISTICS VARIABLE N LO 95% CI MEAN UP 95% CI SD PCR Se observa que e el Statistix el IC al 95% resulta ser [4.0, 53.3] y osotros obtuvimos [4.6, 5.7]. Hay alguo erróeo? Por qué esta discrepacia? Tamaño de la muestra cuado o se cooce σ. Co la muestra de 9 pacietes cardíacos el IC al 95% para la media (poblacioal) de PCR resultó: [ , ] [4.639, 5.691] El itervalo obteido tiee logitud = *14.06 = 8.05 Que se puede hacer si se desea u IC al 95% co meor logitud? Llamado L a la logitud del IC, se puede obteer de (1) que L = * z α/ * s / Si deseamos obteer u IC al 95% para la media de PCR de logitud L 10 deberá ser Despejado : L = * 1.96 * / 10 ( * 1.96 * ) / 10 [( * 1.96 * ) / 10] 8. o sea que habría que tomar ua muestra de 9 pacietes (o más) para obteer u IC de logitud meor o igual que 10. Pero este procedimieto es aproximado, porque o podemos asegurar que tomado 9 pacietes la logitud del IC sea 10. Esto se debe que e el razoamieto aterior hay ua pequeña trampita: cuado extraemos la ueva muestra de 9 pacietes, s ya o va a ser igual a que es el valor que obtuvimos co 9 pacietes. Lo que hemos aplicado es u procedimieto aproximado que podemos resumir e los siguiete pasos: 75
11 FCEyN - Estadística para Química do. cuat Marta García Be Procedimieto aproximado para obteer u IC de ua logitud deseada: 1er paso: se obtiee ua estimació de la desviació stadard de algú estudio previo, de ua muestra piloto, de la literatura o de la experiecia del ivestigador. Llamemos s* a esa estimació. do paso: usado s* se calcula el tamaño de la muestra: L = * 1.96 * s / * 1.96 * s* / Logitud Deseada y de la última iecuació se despeja. 3er. paso: Se extrae la muestra del tamaño calculado e el do paso y se calcula el IC basádose e esta muestra. Co este procedimieto: - No se asegura que la logitud del IC sea la deseada. Es u procedimieto aproximado. - Si la estimació previa de la DS o es buea, esto puede hacer que el IC calculado o sea correcto y o tega el ivel de cofiaza deseado del 95%? Cometarios: 1) Hay otra aproximació e este procedimieto que e el ejemplo aterior o importó. E el ejemplo aterior =9, pero si hubiésemos obteido u chico (digamos <30), para calcular el IC e el 3er. paso, o habría que usar (1) sio (10) (siempre que la variable tega distribució aproximadamete gaussiaa) y esto o lo hemos teido e cueta e el primer paso. Pero esto es lo más fácil de arreglar (pesar o cosultar). Lo más difícil de arreglar es lo que dijimos ates: el descoocimieto de s. ) Existe u procedimieto exacto para calcular el que asegure u IC de logitud log deseada. No lo explicaremos e este curso. Se usa poco, ya que e geeral el ivestigador quiere teer ua idea aproximada de la logitud del IC, pero o tiee establecida la obligació de obteer u itervalo de logitud prefijada. Itervalo de cofiaza co ivel asitótico para ua proporció poblacioal (o para el parámetro "p" de la distribució biomial). Pesemos e u problema como el del ejemplo 3 e el que deseamos estimar ua probabilidad o ua proporció poblacioal. Podemos cosiderar el modelo: X Bi(, p) o el modelo X 1, X,..., X vs. as. i.i.d Bi(1,p) El estimador de p es la proporció muestral p ˆ = X X i= 1 = i 76
12 FCEyN - Estadística para Química do. cuat Marta García Be Sabemos que si es grade, la distribució biomial se puede aproximar por la ormal. X a ~ N( p, p(1-p)) para grade pˆ a ~ N( p, p(1 p) ) para grade Estadarizado pˆ p p(1 p)/ a ~ N( 0,1) para grade Pero p ˆ es u estimador cosistete de p, luego si es grade, pˆ p, por lo tato pˆ p a ~ N( 0,1) para grade pˆ(1 pˆ)/ Luego: lim P ( - z α/ pˆ p pˆ(1 pˆ)/ z α/ ) = 1-α y cotiuado como e el caso del IC para µ se deduce que el itervalo [ p ˆ + zα/ * pˆ (1 pˆ), pˆ + zα/ * pˆ (1 pˆ) ] (13) es u itervalo de cofiaza para p co ivel de cofiaza asitótico 1-α. Ejemplo: Supogamos que e el ejemplo 3, de las 400 persoas ecuestadas 80 (0%) respode que está a favor de la medida de gobiero. Etoces 80 p ˆ = = Si queremos u IC al 95% para p, etoces z α/ = 1.96 y reemplazado e (13) obteemos: [ * 0.0(1 0.0) 400, * 0.0(1 0.0) 400 ] [ , ] [ , 0.39 ] Redodeado el IC al 95% para la proporció de persoas que está de acuerdo co la medida del gobiero es [0.16, 0.4]. 77
Distribuciones en el muestreo, EMV
Distribucioes e el muestreo, E Tema 6 Descripció breve del tema. Itroducció y coceptos básicos. Propiedades de los estimadores Sesgo, Variaza, Error Cuadrático Medio y Cosistecia 3. Distribució de u estimador
Más detalles) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1
ESTIMACIÓN PUNTUAL. ESTIMACIÓN POR INTERVALOS DE CONFIANZA. 1. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA El objetivo básico de la iferecia estadística es hacer iferecias o sacar coclusioes sobre la població
Más detallesIntervalos de Confianza basados en una muestra. Instituto de Cálculo
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky Hay dos razoes por las cuales el itervalo (6.63,.37) tiee mayor logitud que el obteido ateriormete (7.69, 0.3). la variaza
Más detallesProbabilidad y Estadística 2003 Intervalos de Confianza y Test de Hipótesis paramétricos
Probabilidad y Estadística 3 Itervalos de Cofiaza y Test de Hipótesis paramétricos Itervalos de Cofiaza Defiició Dada ua muestra aleatoria simple es decir, u vector de variables aleatorias X co compoetes
Más detallesIntervalos de Confianza basados en una sola muestra. Denotaremos al parámetro de interés con la letra θ y con θ un estimador para θ.
Itervalos de Cofiaza basados e ua sola muestra Ua estimació putual sólo os proporcioa u valor umérico, pero NO proporcioa iformació sobre la precisió y cofiabilidad de la estimació del parámetro. Etoces
Más detalles1.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky 106 1. INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL upogamos que X1,...,X es ua muestra aleatoria de ua
Más detalles13.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA
Dra. Diaa M. Kelmasky 109 13. INTERVALOS DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL Supogamos que X1,...,X es ua muestra aleatoria de ua població ormal co media μ y variaza. Sabemos que la media
Más detallesTema 4. Estimación de parámetros
Estadística y metodología de la ivestigació Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 4. Estimació de parámetros 1. Estimació putual 1 1.1. Estimació de la proporció e la distribució Bi(m, p).......................
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO Objetivos geerales del tema E este tema se itroducirá el cocepto de estadístico como medio para extraer iformació acerca de la ley de
Más detallesObjetivos. 1. Inferencia Estadística. INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo. M. Iniesta Universidad de Murcia
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo Objetivos Tratar co muestras aleatorias y su distribució muestral e ejemplos de tamaño reducido. Tratar co la distribució de la
Más detallesEstadística y sus aplicaciones en Ciencias Sociales Práctico 4 - Solución Curso ) Como se trata de muestreo sin reposición, se tiene C 5 3
Estadística y sus aplicacioes e Ciecias Sociales Práctico 4 - Solució Curso 016 Ejercicio 1 5! 1) Como se trata de muestreo si reposició, se tiee C 5 3 3!! muestras de tamaño =3. ) Distribució muestral
Más detallesEstimación de parámetros. Biometría
Estimació de parámetros Biometría Estimació Las poblacioes so descriptas mediate sus parámetros Para variables cuatitativas, las poblacioes so descriptas mediate y Para variables cualitativas, las poblacioes
Más detallesEstimación de Parámetros. Estimación de Parámetros
Uiversidad Técica Federico Sata María Capítulo 7 Estimació de Parámetros Estadística Computacioal II Semestre 007 Prof. Carlos Valle Págia : www.if.utfsm.cl/~cvalle e-mail : cvalle@if.utfsm.cl C.Valle
Más detallesEn el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo:
TEMA 6. Estimació putual. E muchos casos o será posible determiar el valor de u parámetro poblacioal descoocido, aalizado todos los valores poblacioales, pues el proceso a seguir puede ser destructivo,
Más detallesProblemas de Estimación de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Problemas de Estimació de Ua y Dos Muestras UCR ECCI CI-35 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviaa Ramírez Beavides Iferecia Estadística La teoría de la iferecia estadística cosiste e aquellos
Más detallesEstimación de Parámetros
Igacio Cascos Ferádez Departameto de Estadística Uiversidad Carlos III de Madrid Estimació de Parámetros Estadística I curso 008 009 Veremos cómo costruir valores aproximados de los parámetros de los modelos
Más detallesEjercicios resueltos de Muestreo
Tema Ejercicios resueltos de Muestreo Ejercicio Sea ua població ita de 4 elemetos: P = f; 4; ; g : Se cosidera muestras de elemetos que se supoe extraidos y o devueltos a la població y que el muestreo
Más detallesResumen Tema 2: Muestreo aleatorio simple. Muestreo con probabilidades desiguales.
Resume Tema 2: Muestreo aleatorio simple. Muestreo co probabilidades desiguales. M.A.S.: Muestreo aleatorio simple co probabilidades iguales si reemplazo. Hipótesis: Marco perfecto, si omisioes i duplicados
Más detallesEJERCICIOS RESUELTOS TEMA 8
EJERCICIOS RESUELTOS TEMA 8 8.. U ivestigador desea coocer la opiió de los madrileños sobre la saidad pública. Para ello, acude a las 8 de la mañaa al hospital público de la capital más cercao a su domicilio
Más detalles1. Intervalos de Conanza
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.: Itervalos de coaza Objetivos Costruir itervalos de coaza para los parámetros más importates. Aplicar coveietemete los IC atediedo a cada situació
Más detallesPRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA
PRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA Pruebas de hipótesis es ua parte de la ESTADISTICA INFERENCIAL y tiee su aalogía co los pasos que se realiza e u JUICIO. Objetivo: Aquí o se busca Estimar
Más detallesEjercicios de intervalos de confianza en las PAAU
Ejercicios de itervalos de cofiaza e las PAAU 2008 1 1.-El úmero de días de permaecia de los efermos e u hospital sigue ua ley Normal de media µ días y desviació típica 3 días. a)determiar u itervalo de
Más detallesMUESTREO Y ESTIMACIÓN ESTADÍSTICA
1 MUESTREO Y ESTIMACIÓN ESTADÍSTICA Muestreo. Métodos de muestreo Se llama població al cojuto de idividuos que posee cierta característica. Ua muestra es ua parte de esa població. Muestreo es el proceso
Más detallesINFERENCIA ESTADÍSTICA Y ESTIMACIÓN
INFERENCIA ESTADÍSTICA Y ESTIMACIÓN La estadística iferecial se ocupa de exteder o extrapolar a toda ua població, iformacioes obteidas a partir de ua muestra, así como de tomar de decisioes. El muestreo
Más detallesIntroducciónalaInferencia Estadística
Capítulo 6 ItroduccióalaIferecia Estadística 6.1. Itroducció El pricipal objetivo de la Estadística es iferir o estimar características de ua població que o es completamete observable (o o iteresa observarla
Más detallesCAPÍTULO 8: INTERVALOS DE CONFIANZA PARA PROPORCIONES Y MEDIAS
Págia 1 de 11 CAPÍTULO 8: INTERVALOS DE CONFIANZA PARA PROPORCIONES Y MEDIAS Itervalos de Cofiaza para ua proporció Cuado hacemos u test de hipótesis decidimos sobre u valor hipotético del parámetro. Qué
Más detallesTEMA 3: INFERENCIA ESTADISTICA
ESTADÍSTICA, CURSO 008 009 TEMA 3: INFERENCIA ESTADISTICA INTRODUCCION oblació. Muestra, muestreo. Objetivos de la iferecia estadística. Métodos paramétricos y o paramétricos. TEORIA ELEMENTAL DEL MUESTREO.
Más detallesESTIMACIÓN. TEMA 5: Estimación puntual I. Propiedades de los estimadores. TEMA 6: Estimación puntual II. Métodos de estimación puntual
ETIMACIÓN TEMA 5: Estimació putual I. Propiedades de los estimadores TEMA 6: Estimació putual II. Métodos de estimació putual TEMA 7: Estimació por itervalos CONTRATE DE HIPÓTEI TEMA 8: Cotrastes paramétricos
Más detallesUNIDAD 3.- INFERENCIA ESTADÍSTICA I
UNIDAD 3.- INFERENCIA ESTADÍSTICA I 1. ESTADÍSTICA INFERENCIAL. MUESTREO La Estadística es la ciecia que se preocupa de la recogida de datos, su orgaizació y aálisis, así como de las prediccioes que, a
Más detallesINFERENCIA ESTADÍSTICA: ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA
. Metodología e Salud Pública INFERENCIA ESTADÍSTICA: ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA Autor: Clara Lagua 5.1 INTRODUCCIÓN La estadística iferecial aporta las técicas ecesarias para extraer
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD PAUTA DE CORRECCIÓN PRUEBA RECUPERATIVA N 2 Profesor: Hugo S. Salias. Segudo Semestre 2009 DESARROLLO
Más detalles2 Algunos conceptos de convergencia de sucesiones de variables aleatorias
INTRODUCCIÓN A LA CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIAS Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció Se puede utilizar diferetes coceptos de covergecia para las sucesioes
Más detallesPrueba A = , = [ 7.853, 8.147]
PRUEBAS DE ACCESO A LA UNIVERSIDAD CURSO 5-6 - CONVOCATORIA: Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo debe
Más detalles3.1. Muestreo aleatorio sin reposición Muestreo aleatorio con reposición (muestreo aleatorio simple)
1 Muestreo Tema 1 1. Muestreo. Muestreo aleatorio 3. Tipos de muestreo aleatorio 3.1. Muestreo aleatorio si reposició 3.. Muestreo aleatorio co reposició (muestreo aleatorio simple) 3.3. Muestreo aleatorio
Más detalles6. DISTRIBUCIONES MUESTRALES
6. DISTRIBUCIONES MUESTRALES Dr. Edgar Acua http://math.uprm.edu/~edgar UNIVERSIDAD DE UERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es saber
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 2.001-2.002 - CONVOCATORIA: Juio MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella,
Más detallesCAPÍTULO 6 DISTRIBUCIONES MUESTRALES
CAPÍTULO 6 DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es coocer acerca del comportamieto de parámetros poblacioales tales como: la media ( μ ), la variaza ( ) o la proporció ( p ).
Más detalles8. INTERVALOS DE CONFIANZA
8. INTERVALOS DE CONFIANZA Al estimar el valor de u parámetro de la distribució teórica, o se provee iformació sobre la icertidumbre e el resultado. Esa icertidumbre es producida por la dispersió de la
Más detallesPaso 2: Elegir un estadístico de contraste. Como queremos hacer un contraste de hipótesis para la media, el estadístico de contraste adecuado es:
Hoja 6: Cotraste de hipótesis 1. U laboratorio farmacéutico ha elaborado u fármaco e forma de comprimidos cuyo peso sigue ua distribució Normal co ua desviació típica de 0.12 mg. Se sabe que ua dosis de
Más detallesAnálisis de resultados. Independencia de las muestras
Aálisis de resultados Clase ro. 8 Curso 00 Idepedecia de las muestras Los resultados de ua corrida de simulació, so muestras de algua distribució. Esos resultados los llamamos "respuestas". Las respuestas
Más detalles1. Propiedades de los estimadores
. Propiedades de los estimadores.. Eficiecia relativa. Defiició: Dados dos estimadores isesgados, ˆ y ˆ, de u parámetro, co variazas V ( ˆ ) y V ( ˆ ), etoces la eficiecia (eff) de ˆ respecto a ˆ, se defie
Más detallesEn esta tema sentaremos las bases del muestreo estadístico y estudiaremos las distribuciones de algunos estadísticos a partir de una muestra.
Capítulo 6 Muestreo Estadístico E esta tema setaremos las bases del muestreo estadístico y estudiaremos las distribucioes de alguos estadísticos a partir de ua muestra. 6.1. Coceptos básicos Auque e el
Más detallesTécnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20
Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra
Más detalles5.1. Tipos de convergencia
Estadística Tema 5 Covergecia de Variables Aleatorias 51 Tipos de covergecia 52 Ley de los grades úmeros 53 Teorema cetral del límite 54 Método delta Objetivos 1 Motivació estudio secuecias de VAs 2 Covergecia
Más detalles12 I N F E R E N C I A E S T A D Í S T I C A II (CONTRASTE DE HIPÓTESIS)
12 I N F E R E N C I A E S T A D Í S T I C A II (CONTRASTE DE HIPÓTESIS) 1 Supogamos que ua variable aleatoria X sigue ua ley N(µ; =,9). A partir de ua muestra de tamaño = 1, se obtiee ua media muestral
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 1999-.000 - CONVOCATORIA: SEPTIEMBRE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de
Más detalles- estimación de parámetros, - intervalos de confianza y
Iferecia estadística: es el proceso de sacar coclusioes de la població basados e la iformació de ua muestra de esa població. Objetivos de la iferecia: - estimació de parámetros, - itervalos de cofiaza
Más detalles6. DISTRIBUCIONES MUESTRALES
6. DISTRIBUCIONES MUESTRALES DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es saber acerca del comportamieto de parámetros poblacioales tales como: la media ( ), la variaza ( ) o la proporció
Más detallesSESION 15 DISTRIBUCIONES DE MUESTREO
SESION 15 DISTRIBUCIONES DE MUESTREO I. CONTENIDOS: 1. Distribució de muestreo. 2. Distribucioes de muestreo de la media 3. Media, mediaa y moda, así como su relació co la desviació estádar de las distribucioes
Más detallesCAPÍTULO 6 DISTRIBUCIONES MUESTRALES
CAPÍTULO 6 DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es saber acerca del comportamieto de parámetros poblacioales tales como: la media ( ), la variaza ( ) o la proporció ( p ). Para
Más detalles8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS
8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS Sea ua variable aleatoria de ley descoocida co 0,00. Si 0,, emplear la desigualdad de TCHEBYCHEFF para acotar iferiormete la probabilidad E( ) [
Más detallesEjercicio 1: Un embalaje contiene 9 cajas de CDs. Las 9 cajas tienen la siguiente composición:
Parcial de Probabilidad y Estadística : parte A Ejercicio 1: U embalaje cotiee 9 cajas de CDs. Las 9 cajas tiee la siguiete composició: 6 cajas cotiee 5 discos de música rock y 15 discos de música clásica
Más detallesMétodos estadísticos y numéricos Estimación por Intervalos de confianza 1 PROBLEMAS RESUELTOS DE ESTIMACIÓN POR INTERVALOS DE CONFIANZA
Métodos estadísticos y uméricos Estimació por Itervalos de cofiaa PROBLEMA REUELTO DE ETIMACIÓN POR INTERVALO DE CONFIANZA U adador obtiee los siguietes tiempos, e miutos, e 0 pruebas croometradas por
Más detallesPreguntas más Frecuentes: Tema 2
Pregutas más Frecuetes: Tema 2 Pulse sobre la preguta para acceder directamete a la respuesta 1. Se puede calcular la media a partir de las frecuecias absolutas acumuladas? 2. Para calcular la media aritmética,
Más detallesPROBLEMAS DE LOS TEMAS 5, 6 Y 7 PROPUESTOS EN EXÁMENES DE ESTADÍSTICA EMPRESARIAL (ANTIGUA LICENCIATURA ADE)
TUTORÍA DE ETADÍTICA EMPREARIAL (º A.D.E.) e-mail: imozas@elx.ued.es https://www.iova.ued.es/webpages/ilde/web/idex.htm PROBLEMA DE LO TEMA 5, 6 Y 7 PROPUETO EN EXÁMENE DE ETADÍTICA EMPREARIAL (ANTIGUA
Más detallesPrueba A. b) Obtener un intervalo de confianza de la proporción de partos de madres de más de 30 años al 90% de confianza
PRUEBAS DE ACCESO A LA UNIVERSIDAD CURSO.6-.7 - CONVOCATORIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo debe respoder
Más detallesCONTRASTE DE HIPÓTESIS
Estadística: Cotraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Cotraste de hipótesis sobre la media poblacioal Se parte de ua població supuestamete ormal de media y desviació típica N(, ); se tipifica
Más detallesCurso de Estadística Aplicada a las Ciencias Sociales. Tema 11. Estimación de una media. Introducción. Introducción (2) Introducción
Curso de Estadística Aplicada a las Ciecias Sociales Tema 11. Estimació de ua (Cap. 1 del libro) Tema 11. Estimació de ua Itroducció 1. Distribució de la e el. La muestral es cetrada 3. El error típico
Más detallesPráctica 2 VARIABLES ALEATORIAS CONTINUAS
Práctica. Objetivos: a) Apreder a calcular probabilidades de las distribucioes Normal y Chi-cuadrado. b) Estudio de la fució de desidad de la distribució Normal ~ N(µ;σ) c) Cálculo de la fució de distribució
Más detallesLey de Grandes Números y Teorema Central del
Ley de Grades Números y Teorema Cetral del Límite 25 de mayo de 2017 2 Capítulo 1 Ley de grades úmeros y Teorema cetral del límite 1.1. Sucesioes i.i.d. E el capítulo aterior cosideramos variables X 1,...,X
Más detallesIntervalos de Confianza
Itervalos de Cofiaza 1.- Se quiere estudiar la vida útil de uas uevas pilas que se va a lazar al mercado. Para ello se examia la duració de 40 de ellas, resultado ua media de 63 horas. Supoiedo que el
Más detalles2 Conceptos básicos y planteamiento
ESTADÍSTICA DESCRIPTIVA: DOS VARIABLES Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció E muchos casos estaremos iteresados e hacer u estudio cojuto de varias características de ua població.
Más detallesParte 2. Estadística inferencial
Parte. Estadística iferecial. Distribucioes muestrales Recordemos que el objetivo de la Estadística es hacer iferecias acerca de los parámetros de ua població co base e la iformació coteida e ua muestra.
Más detallesMATEMÁTICAS 2º BACH. CC. SS. 4 de abril de 2006 Probabilidades
MATEMÁTIAS º BAH.. SS. 4 de abril de 006 Probabilidades 1) Sea A y B dos sucesos idepedietes tales que B) = 0.05 y A/ B) = 0.35. a) uál es la probabilidad de que suceda al meos uo de ellos? ( putos) b)
Más detallesInferencia estadística: estimación de parámetros.
Capítulo 7 Iferecia estadística: estimació de parámetros. 7.1. Itroducció E este tema estudiaremos como aproximar distitos parámetros poblacioales a partir de ua m.a.s. formada por observacioes idepedietes
Más detallesObjetivo. 1. Intervalos y test (una sola muestra) Práctica 7: Intervalos de conanza y contrastes de hipótesis I. M. Iniesta Universidad de Murcia
Práctica 7: Itervalos de coaza y cotrastes de hipótesis I Objetivo E esta práctica y e la siguiete apredemos a aplicar e iterpretar las técicas de itervalos de coaza y test de hipótesis, seleccioado la
Más detallesLuis González Abril y Luis M. Sánchez-Reyes {luisgon, - Dpto. Economía Aplicada I Universidad de Sevilla
ETUDIO OBRE EL EXCEO DE AMPLITUD EN LA CONTRUCCIÓN DE INTERVALO DE CONFIANZA PARA LA MEDIA POBLACIONAL CON VARIANZA DECONOCIDA EN UNA POBLACIÓN NORMAL Luis Gozález Abril y Luis M. áchez-reyes {luisgo,
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2013 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 013 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Juio, Ejercicio 4, Opció A Juio, Ejercicio 4, Opció B Reserva 1, Ejercicio 4, Opció
Más detallesPRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA. Esquema del procedimiento de Prueba de Hipótesis
PRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA Pruebas de hipótesis es ua parte de la ESTADISTICA INFERENCIAL y tiee su aalogía co los pasos que se realiza e u JUICIO. Objetivo: Aquí o se busca Estimar
Más detallesTema 8. Sesiones 15 y 16 Guía de clase 8. CONTRASTE DE HIPOTESIS
UNIVERSIDAD DE LOS ANDES NUCLEO UNIVERSITARIO RAFAEL RANGEL DEPTO DE CIENCIAS ECONOMOMICAS Y ADMIMISTRATIVAS AREA DE ESTADÍSTICA ESTADÍSTICA BASICA CONTADURÍA PÚBLICA Tema 8. Sesioes 5 y 6 Guía de clase
Más detallesMuestreo e Intervalos de Confianza
Muestreo e Itervalos de Cofiaza PROBLEMAS DE SELECTIVIDAD RESUELTOS MUESTREO E INTERVALOS DE CONFIANZA 1) E ua població ormal co variaza coocida se ha tomado ua muestra de tamaño 49 y se ha calculado su
Más detallesDeterminación del tamaño de una muestra (para dos o más muestras)
STATGRAPHICS Rev. 457 Determiació del tamaño de ua muestra (para dos o más muestras) Este procedimieto determia el tamaño de muestra apropiado para estimar o realiar pruebas de hipótesis respecto a alguo
Más detalles4 - DESIGUALDAD DE CHEBYSHEV- LEY DE LOS GRANDES NUMEROS
arte Desigualdad de Chebyshev rof. María B. itarelli 4 - DESIGULDD DE CHEBYSHE- LEY DE LOS GRNDES NUMEROS La desigualdad de Chebyshev es ua importate herramieta teórica. Etre otras aplicacioes costituirá
Más detallesFormulas. Población infinita. Población finita
Formulas X~N(μ, σ 2 ) x = x i x ~N si X~N o si > 30 Població ifiita Població fiita x ~N(μ, σ2 ) N x ~N(μ, N 1 σ2 ) Ejercicio Se sabe que la media poblacioal e u exame de Estadística es de 70 y que la variaza
Más detallesSOLUCIONES DE LA SEGUNDA PRUEBA DE EVALUACION CONTINUA (PEC 2)
Curso 2012-13 PEC2 Pág. 1 SOLUCIONES DE LA SEGUNDA PRUEBA DE EVALUACION CONTINUA (PEC 2) Gráfico 1: E ua ivestigació se compara la eficacia de tres tipos de tratamieto de las fobias, atediedo a si ha habido
Más detallesDISTRIBUCIÓN DE LA MEDIA MUESTRAL. (a) Las muestras de tamaño n obtenidas en una población de media y desviación típica,
1 MAJ04 DISTRIBUCIÓN DE LA MEDIA MUESTRAL 1. E u servicio de ateció al cliete, el tiempo de espera hasta recibir ateció es ua variable ormal de media 10 miutos y desviació típica 2 miutos. Se toma muestras
Más detallesMirando las gráficas, justifica estas afirmaciones: Cuantos más dados intervienen, más se parece la distribución de sus promedios a la curva normal.
Uidad 1. Iferecia estadística. Estimació de la media Matemáticas aplicadas a las Ciecias Sociales II Resuelve Págia 85 Lazamieto de varios dados Comprueba e la tabla aterior ue: DESV. TÍPICA DESV. TÍPICA
Más detalles6. DISTRIBUCIONES MUESTRALES CONTENIDO 6 DISTRIBUCIONES MUESTRALES INTRODUCCION PARÁMETROS Y ESTADÍSTICOS...
6. DISTRIBUCIONES MUESTRALES CONTENIDO 6 DISTRIBUCIONES MUESTRALES... 7 6. INTRODUCCION...7 6. PARÁMETROS Y ESTADÍSTICOS...8 6.3 DISTRIBUCIÓN DEL PROMEDIO MUESTRAL...9 6.4 DISTRIBUCIÓN DE LA FRECUENCIA
Más detallesUnidad N 2. Medidas de dispersión
Uidad N 2 Medidas de dispersió Ua seguda propiedad importate que describe ua serie de datos uméricos es ua variació. La variació es la catidad de dispersió o propagació e los datos. Dos series de datos
Más detallesUNIDAD 4.- INFERENCIA ESTADÍSTICA II
UNIDAD 4.- INFERENCIA ESTADÍSTICA II. ESTIMACIÓN POR INTERVALOS DE CONFIANZA Cosideraremos ua variable aleatoria X co ua media µ descoocida y ua desviació típica coocida (parámetros poblacioales). Lo que
Más detallesCapítulo 4 (Continuación) MÉTODOS ESTADÍSTICOS. Autor: José María García Palanco
Capítulo 4 (Cotiuació MÉTODOS ESTADÍSTICOS Autor: José María García Palaco Técicas Eperimetales Medida de magitudes 4.8 Métodos Estadísticos Ya hemos visto e los apartados ateriores, que u procedimieto
Más detallesEstadística Teórica II
tervalos de cofiaza Estadística Teórica NTERVALOS DE CONFANZA Satiago de la Fuete Ferádez 77 tervalos de cofiaza CÁLCULO DE NTERVALOS DE CONFANZA PARA LA MEDA CON DESVACÓN TÍPCA POBLACONAL CONOCDA Y DESCONOCDA.
Más detallesTEMA 5: Gráficos de Control por Atributos. 1. Gráfico de control para la fracción de unidades defectuosas
TEMA 5: Gráficos de Cotrol por Atributos 1 Gráfico de cotrol para la fracció de uidades defectuosas 2 Gráfico de cotrol para el úmero medio de discoformidades por uidad Selecció del tamaño muestral 3 Clasificació
Más detallesCAPÍTULO I. Conceptos Básicos de Estadística
CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia
Más detalles17.3 Intervalos de predicción para el promedio de m observaciones futuras
4 7.3 Itervalos de predicció para el promedio de m oservacioes futuras Para reducir la icerteza de las prediccioes o alcaza co aumetar idefiidamete el tamaño de la muestra e la que se asa el ajuste. Si
Más detallesTeorema del límite central
Teorema del límite cetral Carles Rovira Escofet P03/75057/01008 FUOC P03/75057/01008 Teorema del límite cetral Ídice Sesió 1 La distribució de la media muestral... 5 1. Distribució de la media muestral
Más detalles1. Teorema del Límite Central. Como se dijo varias clases atras si tenemos n variables aleatorias, cada una de. X i = X. n = 1 n.
1. Teorema del Límite Cetral Teorema: ea Y 1, Y,..., Y variables aleatorias idepedietes idéticamete distribuidas co EY i = µ y V Y i =
Más detallesDistribuciones de probabilidad
Distribucioes de probabilidad 1. Variable aleatoria real: Ejemplo: Ua variable aleatoria X es ua fució que asocia a cada elemeto del espacio muestral E u úmero X: E ú Cosideremos el experimeto aleatorio
Más detallesPráctica 7 CONTRASTES DE HIPÓTESIS
Práctica 7. Cotrastes de hipótesis Práctica 7 CONTRATE DE IPÓTEI Objetivos Utilizar los cotrastes de hipótesis para decidir si u parámetro de la distribució de uos datos objeto de estudio cumple o o ua
Más detallesIES Fco Ayala de Granada Sobrantes de 2006 (Modelo 4 ) Solución Germán-Jesús Rubio Luna OPCIÓN A
IES Fco Ayala de Graada Sobrates de 006 (Modelo 4 ) Solució Germá-Jesús Rubio Lua EJERCICIO _A OPCIÓN A - ( putos) Sea las matrices A=, B=. Calcule A - (B A t ). - 0 4 3 0 x ( putos) Resuelva y clasifique
Más detallesIntervalo de confianza para µ
Itervalo de cofiaza para p y ˆp1 ˆp ˆp1 ˆp ˆp z 1 α/ ; ˆp + z 1 α/, 7.6 ˆp + z 1 α/ ± z 1 α/ 1 + z 1 α/ ˆp1 ˆp + z 1 α/ 4 7.7 siedo ˆp = x/ y z 1 α/ el cuatil 1 α/ de la distribució ormal estádar. El itervalo
Más detallesTopografía 1. II semestre, José Francisco Valverde Calderón Sitio web:
II semestre, 2013 José Fracisco Valverde Calderó Email: geo2fra@gmail.com Sitio web: www.jfvc.wordpress.com José Fracisco Valverde C Cualquier actividad técica dode se requiera recopilar iformació espacial,
Más detallesCapítulo 8: Inferencia e Intervalos de confianza para proporciones y medias
Capítulo 8: Iferecia e Itervalos de cofiaza para proporcioes y medias 8 Tomado decisioes acerca de la proporció de ua població 8 Tomado decisioes acerca de la media de ua població 83 Itervalos de cofiaza
Más detallesComo se ha podido apreciar en los módulos anteriores, La estadística trata con recolección de datos, su análisis e interpretación.
Uiversidad Técica Federico Sata María Departameto de Matemática Reato Allede Olivares 7. QUINTO MÓDULO 7. Iferecia Estadística Como se ha podido apreciar e los módulos ateriores, La estadística trata co
Más detallesIES Fco Ayala de Granada Sobrantes de 2004 (Modelo 4) Solución Germán-Jesús Rubio Luna OPCIÓN A
IES Fco Ayala de Graada Sobrates de 004 (Modelo 4) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A ( putos) Sabemos que el precio del kilo de tomates es la mitad que el del kilo de care. Además, el
Más detallesImportancia de las medidas de tendencia central.
UNIDAD 5: UTILICEMOS MEDIDAS DE TENDENCIA CENTRAL. Importacia de las medidas de tedecia cetral. Cuado recopilamos ua serie de datos podemos resumirlos utilizado ua tabla de clases y frecuecias. La iformació
Más detallesTEMA 7. ESTIMACIÓN. 7.2. Estimación puntual. Propiedades deseables de los estimadores 7.2.1. Introducción y definiciones 7.2.2. Estimadores Insegados
TEMA 7. ETIMACIÓN 7.1. Itroducció y defiicioes 7.. Estimació putual. Propiedades deseables de los estimadores 7..1. Itroducció y defiicioes 7... Estimadores Isegados 7.3. Estimació por itervalos de cofiaza
Más detallesIntroducción a la Inferencia Estadística. Muestreo en poblaciones normales
Ídice 5 Itroducció a la Iferecia Estadística Muestreo e poblacioes ormales 51 51 Itroducció 51 52 Estadísticos y mometos muestrales 53 521 Media muestral Propiedades 54 522 Variaza muestral Propiedades
Más detalles8.1 Al finalizar el tema el alumno debe conocer Características de la estimación utilizando los contrastes o test de hipótesis.
TEMA 8. Cotrastes de hipótesis. E este capítulo se epodrá el cotraste o test de hipótesis estadísticas, que está muy relacioado co la «estimació por itervalos» del capítulo aterior. Va a defiirse importates
Más detalles