Inferencia. Estadísticos. Distribuciones en el muestreo. Estadística aplicada a la empresa II Prof. D. Juan José Pérez Castejón
|
|
- María del Rosario Cordero Espinoza
- hace 7 años
- Vistas:
Transcripción
1 Inferencia. Estadísticos. Distribuciones en el muestreo Estadística aplicada a la empresa II Prof. D. Juan José Pérez Castejón 1
2 INFERENCIA. ESTADÍSTICOS Los apartados que siguen están dedicados a desarrollar la idea de inferencia estadística: qué es?, qué persigue?, cómo se efectúa?; así como a los elementos fundamentales mediante los que se lleva a efecto: la muestra y los estadísticos muestrales. Se examinan detenidamente estos últimos, citando los más utilizados en general, y los que se manejan cuando la población analizada es normal. Inferencia estadística. Muestra y estadísticos. Los elementos que se han introducido en temas anteriores (probabilidades de sucesos, distribuciones univariantes o multivariantes, características de variables o vectores aleatorios, parámetros de una distribución,...) no son directamente observables y, por ello, no son conocidos. Una vez que un investigador estadístico admite su existencia, lo siguiente que debe de hacer es obtener mayor conocimiento sobre ellos. Como los fenómenos aleatorios afectan a toda una población, esos elementos son propios de todos y cada uno de los individuos que forman la población, y se les califica como poblacionales. La población puede ser muy grande o incluso infinita y debido a eso, entre otras razones, no puede ser observada en su totalidad. Normalmente solo se está en condiciones de observar un grupo extraído de ella, formado por n individuos, grupo que recibe el nombre de muestra. La información sobre los elementos poblacionales de los que se habló en el párrafo anterior ha de ser conseguida observando únicamente esa muestra. El investigador estadístico debe saber pasar de las observaciones o resultados particulares obtenidos con una muestra (resultados muestrales), a conclusiones generales sobre la población. En general, en el ambiente científico, el proceso de pasar de lo particular a lo general se conoce como inferencia inductiva o inducción. Cuando la inducción se hace en el campo estadístico, en relación con los fenómenos aleatorios, se la denomina inducción de tipo estadístico. El trabajo estadístico se centra en las variables aleatorias X o los vectores V. Nosotros, en estos temas, nos restringiremos a considerar el trabajo con variables, quedando para cursos posteriores, el trabajo con vectores. Según todo lo que se ha dicho Prof. D. Juan José Pérez Castejón
3 hasta aquí, para hacer inducción sobre los elementos poblacionales relacionados con las variables, no se pueden observar todos sus valores sobre todos los individuos de la población a la que afectan, sino solo sobre n de ellos. Así, tendremos los individuos 1,...,n y la variable X que se estudia, considerada sobre cada uno de ellos, X 1,...,X n. Todas las X i se distribuyen como la X, X i ~X, y se dice que constituyen una muestra suya. Se suele usar la expresión X 1,...,X n es una muestra extraída de la población de X. A la cantidad n se la conoce como el tamaño muestral. Aunque no es la única posibilidad, los individuos que componen la muestra suelen escogerse de manera que entre sí sean independientes las distintas X i. Una muestra con esa característica se conoce como una muestra aleatoria simple (m.a.s.) de X. Nuestro trabajo práctico será siempre con mm.aa.ss, aunque el teórico procuraremos que sea aplicable a cualquier tipo de muestra. Aquellos aspectos teóricos que sólo sean ciertos para mm.aa.ss. serán señalados explícitamente si es que ello no es obvio en el propio enunciado del resultado correspondiente. Una vez que los individuos de la muestra sean observados, las correspondientes variables X 1,...,X n tomarán valores concretos que se suelen representar con letras minúsculas x 1,...,x n. Al conjunto de esos valores se le denomina realización muestral. La inferencia estadística se realizará a través de nuevas variables aleatorias que se obtienen a partir de las que componen la muestra, y del valor que esas nuevas variables tomen, valor que dependerá de la realización muestral. Esto es, continuamente manejaremos funciones deterministas, T(x 1,...,x n ):R n R m, que son funciones como las que hasta ahora se han venido manejando en cualquiera curso de matemáticas. Esas funciones dependerán de n variables (tantas como el tamaño de la muestra) y tendrán un número m de componentes que variará según nuestros propósitos desde m=1 hasta.... Aplicadas sobre las variables que componen la muestra, T(X 1,...,X n ), darán lugar a una nueva variable o vector aleatorio de dimensión m. Obviamente cuando se conozca la realización de la muestra, x 1,...,x n, estaremos también en condiciones de conocer la correspondiente realización de esa nueva variable, T(x 1,...,x n )=t. Cualquier variable de esa clase es conocida con el nombre genérico de estadístico muestral, y t será la realización de esa estadístico. Debe quedar claro que un estadístico es una v.a. más, y que, en consecuencia, todo lo que conocemos Prof. D. Juan José Pérez Castejón 3
4 acerca de ese concepto le será aplicable: tendrá su propia función de distribución, se podrá hablar de sus características como por ejemplo de su media, función generatriz,... Todo resultado inductivo o inferencial adolece de un defecto que lo dota de una particularidad específica. Por tratarse de un resultado obtenido pasando de lo particular a lo general, no puede pretender ser cierto con rotundidad. A lo más puede ser un resultado más o menos creíble en el que depositaremos cierto grado de confianza. Ello obliga a que cada vez que desarrollemos un método de obtención de algún resultado inductivo, parte de sus procedimientos estarán dedicados a medir de alguna manera su grado de confianza. Estadísticos más usuales y sus características más importantes. Sin justificarlos, citaremos a continuación cuáles son los estadísticos más habitualmente manejados al hacer inferencia de tipo estadístico. Igualmente en cada caso, y también sin justificación, mencionaremos sobre qué elemento relacionado con la variable X en estudio es aquel sobre el que se hace inducción empleando cada uno de los estadísticos que se expongan. El análisis de los estadísticos se completará razonando algunas de las características que tengan como vv.aa. MEDIA MUESTRAL. Dada un muestra X 1,...,X n de la v.a. X, el estadístico media muestral es igual a X=ΣX i /n. Este estadístico es empleado normalmente cuando hay que hacer inducción sobre la media o esperanza de la población o media poblacional, E(X). La esperanza de la media muestral, E( X), es siempre igual a la propia E(X). Cuando la muestra sea aleatoria simple, la varianza de X es var(x)/n (varianza poblacional dividida por n). El alumno puede revisar resultados de temas anteriores para establecer a qué sería igual esa misma varianza si la muestra no fuera aleatoria. Resulta bastante útil recordar en este punto el TCL de Lindeberg Lévy, para disponer de condiciones bajo las que la Prof. D. Juan José Pérez Castejón 4
5 distribución del estadístico X es, al menos aproximadamente, una normal. VARIANZA CUASIVARIANZA MUESTRALES. La varianza muestral, S =Σ(X i X) /n=(σx i/n) X, es uno de los estadísticos usados para realizar inducción sobre la varianza poblacional, var(x). Otro estadístico que también se usa con esos fines es la cuasivarianza muestral, S c =Σ(X i X) /(n 1)=nS /(n 1). Aunque laborioso, resulta fácil demostrar que si la muestra manejada es aleatoria, E(S )=(n 1)var(X)/n. De ahí se deduce que E(S c )= var(x). Para ese mismo tipo de muestra también es posible obtener la varianza tanto de la varianza muestral como de la cuasivarianza, aunque la expresión que ambas tienen en función de los momentos de la variable poblacional X es más complicada que la que tienen las esperanzas. MOMENTOS ORDINARIOS CENTRALES MUESTRALES. En general, para hacer inferencia sobre los momentos ordinarios y centrales poblacionales, E(X k ) y E(X E(X)) k, se emplean los respectivos momentos ordinarios y centrales muestrales, O k =ΣX i k /n y C k =Σ(X i X) k /n. COVARIANZA CUASICOVARIANZA MUESTRALES. Aunque el tratamiento de la inferencia sobre vectores la hemos pospuesto a cursos posteriores, podemos citar aquí a modo testimonial, el caso en el que el vector estudiado sea bidimensional, V=(X,), y la cantidad poblacional de interés sea cov(x,). En este caso la muestra estaría compuesta por n vectores V 1 =(X 1, 1 ),..., V n =(X n, n ) todos distribuidos V i ~V. Esa muestra también podrá ser aleatoria simple los V i independientes entre sí o no. Para hacer inferencia sobre la covarianza, se emplea la covarianza muestral, S X, =Σ(X i X)( i )/n=σ(x i i )/n X, o el estadístico alternativo, S c,x, =Σ(X i X)( i )/(n 1)=nS X, /(n 1), que se conoce como cuasicovarianza muestral. Prof. D. Juan José Pérez Castejón 5
6 Si la muestra es aleatoria, se puede demostrar que E(S X, )= (n 1)cov(X,)/n y que E(S c,x, )=cov(x,). Resultados muestrales más usuales cuando la población es normal. La presentación que se ha hecho de algunos de los estadísticos muestrales más importantes, se puede completar con algunos resultados adicionales en el caso en el que la variable X muestreada sea una v.a. normal. Únicamente imponiendo un tipo de distribución específica para esa variable, se pueden obtener resultados más avanzados. Afortunadamente, la hipótesis de normalidad no es una hipótesis demasiado restrictiva. a hemos visto en otros temas anteriores, que la distribución normal es un tipo de distribución de uso bastante general. Los resultados que se van a presentar estarán organizados de la manera siguiente. Primero se presentará un resultado (el lema de Fisher) de uso general en cualquier proceso de inferencia acerca de la distribución de X. Después nos centraremos en el proceso de realización de inferencia acerca de los parámetros de los que la distribución de X depende (µ y σ). Distinguiremos los casos en los que la inferencia a realizar es sobre uno de ellos, de los casos en lo que es sobre el otro. a su vez, dentro de cada una de esas dos opciones, diferenciaremos entre los casos en los que el parámetro no afectado por la inferencia es conocido o no. Siempre se trabajará bajo la hipótesis de que se dispone de una m.a.s. de X Lema (de Fisher Cochran): Si las X i forman una m.a.s. de tamaño n de X~N(µ,σ ), entonces S y X son independientes, X~N(µ,σ /n) y ns /σ ~χ n 1. Expongamos ahora el resto de resultados. Téngase en cuenta que aquí se trata solo de presentarlos y no de justificar porqué son empleados o cómo se utilizan: INFERENCIA SOBRE µ SIENDO σ CONOCIDA. El siguiente resultado, que ya se ha demostrado y enunciado varias veces en clase, además de estar incluido en el propio Lema Prof. D. Juan José Pérez Castejón 6
7 de Fisher, será empleado continuamente en esta situación: X ~ N( µ, σ / n). INFERENCIA SOBRE µ SIENDO σ DESCONOCIDA. En este caso, el resultado al que se recurre es el que afirma X µ que: ~ t n 1. Su demostración es fácil a partir del Lema de S / n 1 Fisher. INFERENCIA SOBRE σ SIENDO µ CONOCIDA. El resultado al que se recurre en este caso es el siguiente, de demostración muy sencilla: Σ(X i µ) /σ ~χ n. INFERENCIA SOBRE σ SIENDO µ DESCONOCIDA. El propio lema de Fisher provee del resultado que se empleará en este caso: S ~σ χ n 1/n. Nótese que lo que hemos hecho es sustituir en el estadístico del apartado anterior, el parámetro µ desconocido y molesto porque sobre él no queremos realizar ningún tipo de inferencia, por su estimación natural que es la media muestral mas adelante se justificará esa idea de estimar parámetros por estadísticos. Las consecuencias de ello es una pérdida de un grado de libertad en la distribución correspondiente. Este proceso de pérdida de tantos grados de libertad como parámetros molestos tengamos que estimar, se repetirá en muchas situaciones de inferencia y, como veremos, provoca siempre resultados más imprecisos. COMPARACION DE MEDIAS SIENDO LAS VARIANZAS CONOCIDAS. Una situación en la que es preciso hacer inferencia y a la que aún no hemos hecho referencia es la siguiente. A veces existen dos poblaciones independientes, con variables X e, y se precisa comparar cantidades análogas de una y de otra. La inferencia a realizar se refiere a una magnitud que sirva para efectuar tal comparación. Para llevar a cabo la comparación se dispone de dos muestras independientes entre sí, una de X, X 1,...,X n, y otra de, Prof. D. Juan José Pérez Castejón 7
8 1,..., m, que no tienen porqué tener el mismo tamaño (no es necesario que m=n). Cuando las variables X e son normales, N(µ X,σ X) y N(µ,σ ), las comparaciones habituales deben hacerse entre las correspondientes medias o las varianzas (desviaciones típicas). Comencemos por tratar la comparación entre medias, en cuyo caso, la magnitud de interés es µ X µ. Analizaremos primero ese caso si las varianzas (o las desviaciones típicas) σ X y σ son conocidas. El resultado que se empleará para comparar medias si las varianzas se conocen, es un resultado sencillo y fácil de demostrar: X ~ N( µ µ,( σ / n) + ( σ / m) ) X X COMPARACION DE MEDIAS SIENDO LAS VARIANZAS DESCONOCIDAS. Para comparar las medias en el caso en el que σ X y σ sean desconocidas, el resultado que se emplea es más o menos complejo según que se sepa que esas varianzas son iguales o no: 1. Varianzas desconocidas de las que se sabe que son iguales. En este caso es cierto que el siguiente estadístico tiene la n + m (X ) ( X distribución indicada, ) nm µ µ ~ t n+ m. n + m ns + ms X La demostración de ese resultado se obtiene aplicando sucesivamente el Lema de Fisher a una y otra muestra.. Varianzas desconocidas sin ninguna otra información. Si no se dispone de ninguna información sobre las varianzas, el resultado que se usa, únicamente establece una distribución (X ) ( µ X µ ) aproximada para cierto estadístico: tν, siendo S / n + S / m ν=entero más cercano a c, X ( S c, X n + S c, m) ( S n) ( S m) c, X n 1 + c, m 1 c,. Nótese que para n y Prof. D. Juan José Pérez Castejón 8
9 m grandes, la distribución t ν se puede aproximar, a su vez, por una N(0,1). COMPARACION DE VARIANZAS SIENDO LAS MEDIAS CONOCIDAS. Para comparar las varianzas, la magnitud sobre la que se hace inferencia es el cociente entre ellas, σ X/σ. Para el caso en el que se conozcan las medias, µ X y µ, el siguiente resultado es muy sencillo de demostrar y con él se obtienen los diferentes resultados (Xi µ X ) /(nσ inductivos reuqueridos: X ) ~ F n, m. ( µ ) /(mσ ) i COMPARACION DE VARIANZAS SIENDO LAS MEDIAS DESCONOCIDAS. Para comparar las varianzas cuando no se dispone de información sobre las medias, el resultado que se utilizará se deriva directamente de las conclusiones del Lema de Fisher: ns /((n 1) σ X ) S X c, X / σ = X ~ F n 1,m 1. ms /((m 1) σ ) S / σ c, Prof. D. Juan José Pérez Castejón 9
Muestreo e intervalos de confianza
Muestreo e intervalos de confianza Intervalo de confianza para la media (varianza desconocida) Intervalo de confinza para la varianza Grados en Biología y Biología sanitaria M. Marvá. Departamento de Física
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesTema 1: Distribuciones en el muestreo
Tema 1: Distribuciones en el muestreo 1 (transparencias de A. Jach http://www.est.uc3m.es/ajach/) Muestras aleatorias Estadísticos Concepto de distribución muestral Media muestral Distribución muestral
Más detallesTema 4: Estimación por intervalo (Intervalos de Confianza)
Tema 4: Estimación por intervalo (Intervalos de Confianza (a partir del material de A. Jach (http://www.est.uc3m.es/ajach/ y A. Alonso (http://www.est.uc3m.es/amalonso/ 1 Planteamiento del problema: IC
Más detallesTema 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 detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesMuestreo de variables aleatorias
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 Distribución de la muestra 3 4 5 Distribuciones de la media y la varianza en poblaciones normales Introducción Tiene como
Más detallesResumen 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 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 detallesJuan Carlos Colonia DISTRIBUCIONES MUESTRALES
Juan Carlos Colonia DISTRIBUCIONES MUESTRALES POBLACIÓN Es el conjunto de individuos u objetos que poseen alguna característica común observable y de la cual se desea obtener información. El número de
Más detallesEjemplos Resueltos Tema 4
Ejemplos Resueltos Tema 4 01 1. Intervalo de Confianza para la Media µ (con σ conocida Dada una muestra de tamaño n, para un nivel de confianza 1-α y la desviación típica de la población σ, el Intervalo
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 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 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 detallesTécnicas de Inferencia Estadística II. Tema 2. Contrastes de hipótesis en poblaciones normales
Técnicas de Inferencia Estadística II Tema 2. Contrastes de hipótesis en poblaciones normales M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 2. Contrastes
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 detallesJuan Carlos Colonia INFERENCIA ESTADÍSTICA
Juan Carlos Colonia INFERENCIA ESTADÍSTICA PARÁMETROS Y ESTADÍSTICAS Es fundamental entender la diferencia entre parámetros y estadísticos. Los parámetros se refieren a la distribución de la población
Más detalles1. Muestreo e Inferencia Estadística
Tema 6: Introducción a la Inferencia Estadística Objetivos Introducir los conceptos elementales en esta parte de la asignatura. Tratar con muestras aleatorias y su distribución muestral en ejemplos de
Más detallesTOPICOS DE INFERENCIA ESTADÍSTICA: EL METODO INDUCTIVO Y EL PROBLEMA DEL TAMAÑO DE LA MUESTRA
FIDES ET RATIO VOL 7: (86-92), MARZO 2014, ISSN 2071-081X TOPICOS DE INFERENCIA ESTADÍSTICA: EL METODO INDUCTIVO Y EL PROBLEMA DEL TAMAÑO DE LA MUESTRA TOPICS OF STATISTICAL INFERENCE: INDUCTIVE METHOD
Más detallesConceptos 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 detallesTema 3: Estimación estadística de modelos probabilistas. (primera parte)
Tema 3: Estimación estadística de modelos probabilistas. (primera parte) Estructura de este tema: 1. 2 Estimación por intervalos de confianza. 3 Contrastes de hipótesis. Planteamiento del problema Inconveniente:
Más detallesAgro 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 detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9)
PROBABILIDAD Y ESTADÍSTICA Sesión 6 (A partir de tema 5.9) 5.9 Muestreo: 5.9.1 Introducción al muestreo 5.9.2 Tipos de muestreo 5.10 Teorema del límite central 5.11 Distribución muestral de la media 5.12
Más detalles( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE
Estudiamos algunos ejemplos de distribuciones de variables aleatorias continuas. De ellas merecen especial mención las derivadas de la distribución normal (χ, t de Student y F de Snedecor), por su importancia
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesINTERVALOS 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 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 detallesTEMA 2: Estimadores y distribuciones en el muestreo. Alfredo García Hiernaux. Grupos 69 y 73 Estadística I. Curso 2006/07
TEMA 2: Estimadores y distribuciones en el muestreo 1) Introducción 2) Tipos de muestreos 3) Estadísticos INDICE 4) Estimadores y propiedades 5) Distribución muestral 6) Teorema Central del Límite 7) Distribuciones
Más detallesTeoría de la decisión
Unidad 7.. Definiciones. Muestreo aleatorio y estadístico. Estadísticos importantes. Técnica de muestreo. Transformación integral Muestreo: selección de un subconjunto de una población ) Representativo
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 10 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización En estadística existen dos métodos para la
Más detalles= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] =
El peso en kg de los estudiantes universitarios de una gran ciudad se supone aproximado por una distribución normal con media 60kg y desviación típica 8kg. Se toman 100 muestras aleatorias simples de 64
Más detallesConceptos básicos estadísticos
Conceptos básicos estadísticos Población Población, en estadística, también llamada universo o colectivo, es el conjunto de elementos de referencia sobre el que se realizan las observaciones. El concepto
Más detallesMODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO.
DISTRIBUCIÓN t Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza, en estos casos utilizamos la distribución de t de Student. Si el tamaño de la muestra es suficientemente
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 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 detallesTeoría del muestreo. Tipos de muestras
Teoría del muestreo El total de un grupo de datos de llama población o universo, y una porción representativa de este grupo se llama muestra. Las muestras desempeñan un papel muy importante en los trabajos
Más 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 detalles1. Ejercicios. 2 a parte
1. Ejercicios. 2 a parte Ejercicio 1 Calcule 1. P (χ 2 9 3 33) 2. P (χ 2 15 7 26). 3. P (15 51 χ 2 8 22). 4. P (χ 2 70 82). Ejercicio 2 Si X χ 2 26, obtenga un intervalo [a, b] que contenga un 95 % de
Más detallesTema 3: Estimación estadística de modelos probabilistas. (segunda parte)
Tema 3: Estimación estadística de modelos probabilistas. (segunda parte) Estructura de este tema: 1 Técnicas de muestreo y estimación puntual. 2. 3 Contrastes de hipótesis. Planteamiento del problema Sea
Más detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO 22/23 FECHA: 9 de Enero de 23 Duración del examen: 3 horas Fecha publicación
Más detallesVerificación de una hipótesis sobre una media
Sesión 14 Verificación de una hipótesis sobre una media Verificación de una hipótesis sobre una media Procedimiento de verificación de una hipótesis si el parámetro de interés es una media poblacional.
Más detallesDISTRIBUCION JI-CUADRADA (X 2 )
DISTRIBUCION JI-CUADRADA (X 2 ) En realidad la distribución ji-cuadrada es la distribución muestral de s 2. O sea que si se extraen todas las muestras posibles de una población normal y a cada muestra
Más detallesTeoría de muestras. Distribución de variables aleatorias en el muestreo. 1. Distribución de medias muestrales
Teoría de muestras Distribución de variables aleatorias en el muestreo 1. Distribución de medias muestrales Dada una variable estadística observada en una población, se puede calcular se media y su desviación
Más detallesEXAMEN DE ESTADÍSTICA Septiembre 2011
EXAMEN DE ESTADÍSTICA Septiembre 2011 Apellidos: Nombre: DNI: GRUPO: 1. De una clase de N alumnos se tiene la siguiente información sobre las calificaciones obtenidas del 1 al 8 en una cierta asignatura
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
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 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 detallesSumas/promedios de variables aleatorias
Sumas/promedios de variables aleatorias Dadas unas variables aleatorias X 1,..., X n, interesa considerar las variables S n = X i o bien Z n = 1 n X i. De las variables S n y Z n querremos calcular sus
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesDistribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio
Distribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población),
Más detallesINTERPRETACIÓN 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 detallesContrastes para los parámetros de dos poblaciones Normales independientes. Varianzas desconocidas iguales
Contrastes para los parámetros de dos poblaciones Normales independientes. Ejercicios Tema 6 (Resuelto). Problema 4 En un estudio se determinaron las tasas de ramoneo de dos especies de erizo de mar, Paracentrotus
Más detallesCAPITULO 8 MUESTRAS ALEATORIAS Y NUMEROS ALEATORIOS
Teoría elemental de muestreo CAPITULO 8 TEORIA DE MUESTREO La teoría de muestreo es el estudio de las relaciones existentes entre una población y las muestras extraídas de ella. Es de gran utilidad en
Más detallesESTADÍSTICA. 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 detallesTEMA 4: CONTROL POR VARIABLES Hoja de ejercicios (Entregar el 7 -problema de examen-)
MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE LA CALIDAD INGENIERIA DE TELECOMUNICACIONES TEMA 4: CONTROL POR VARIABLES Hoja de ejercicios (Entregar el 7 -problema de examen-) 1. Un proceso industrial fabrica
Más detallesENRIC RUIZ MORILLAS ESTADÍSTICA APLICADA A EXPERIMENTOS Y MEDICIONES
ENRIC RUIZ MORILLAS ESTADÍSTICA APLICADA A EXPERIMENTOS Y MEDICIONES Índice 1. Experimento y medición...1 2. Frecuencia y probabilidad...3 3. Características teóricas de las variables aleatorias...25 4.
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS FEBRERO Código asignatura: EXAMEN MODELO B DURACION: 2 HORAS
Febrero 2011 EXAMEN MODELO B Pág. 1 INTRODUCCIÓN AL ANÁLISIS DE DATOS FEBRERO Código asignatura: 62011037 EXAMEN MODELO B DURACION: 2 HORAS X Ciudad A Ciudad B 17-20 10 17 13-16 20 27 9-12 25 15 5-8 15
Más detallesESTADÍSTICA I Tema 4: Estimación por intervalos de confianza
ESTADÍSTICA I Tema 4: Estimación por intervalos de confianza El concepto de intervalo de confianza (IC) IC aproximados basados en el TCL: intervalos para una proporción Determinación del mínimo tamaño
Más detallesAsignatura : INFERENCIA ESTADÍSTICA I Titulación : DIPLOMADO EN ESTADÍSTICA Profesor : ISABEL MOLINA PERALTA Capítulo 5 : INTERVALOS DE CONFIANZA
Asignatura : INFERENCIA ESTADÍSTICA I Titulación : DIPLOMADO EN ESTADÍSTICA Profesor : ISABEL MOLINA PERALTA Capítulo 5 : INTERVALOS DE CONFIANZA Typeset by FoilTEX 5.1 MÉTODO DE LA CANTIDAD PIVOTAL X
Más detallesBioestadística: Variables Aleatorias. Distribuciones de Probabilidad II
Bioestadística: Variables Aleatorias. Distribuciones de Probabilidad II M. González Departamento de Matemáticas. Universidad de Extremadura 3. El periodo de incubación de una determinada enfermedad se
Más detallesTécnicas de Inferencia Estadística II. Tema 6. Contrastes de independencia
Técnicas de Inferencia Estadística II Tema 6. Contrastes de independencia M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2015/16 Contenidos 1. Introducción 2.
Más detallesCap. 5 : Distribuciones muestrales
Cap. 5 : Distribuciones muestrales Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 18 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de
Más detallesEstadística II Tema 1: Distribución normal multivariante
Estadística II Tema 1: Distribución normal multivariante José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Algunas propiedades de los vectores aleatorios Sea X = (X 1,..., X
Más detallesTema 7: Introducción a la Teoría sobre Estimación
Tema 7: Introducción a la Teoría sobre Estimación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Introducción a la Teoría sobre Estimación
Más detallesCOMPROBACIÓN DE HIPÓTESIS
COMPROBACIÓN DE HIPÓTESIS TAMBIÉN LLAMADO PRUEBA DE HIPÓTESIS MIC-FCA-UCE DR. DAVID ECHE, PH.D. 1 PRUEBAS ESTADISTICAS Ha Ho MIC-FCA-UCE DR. DAVID ECHE, PH.D. 2 MIC-FCA-UCE DR. DAVID ECHE, PH.D. 3 VALIDEZ
Más detallesMs. C. Marco Vinicio Rodríguez
Ms. C. Marco Vinicio Rodríguez mvrodriguezl@yahoo.com http://mvrurural.wordpress.com/ Uno de los objetivos de la estadística es saber acerca del comportamiento de parámetros poblacionales tales como:
Más detallesDistribuciones Continuas
Capítulo 5 Distribuciones Continuas Las distribuciones continuas mas comunes son: 1. Distribución Uniforme 2. Distribución Normal 3. Distribución Eponencial 4. Distribución Gamma 5. Distribución Beta 6.
Más detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
Más detallesEstadística Inferencial. Sesión 4. Estimación por intervalos
Estadística Inferencial. Sesión 4. Estimación por intervalos Contextualización. Como se definió en la sesión anterior la estimación por intervalos es utilizada para medir la confiabilidad de un estadístico.
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesÍndice. Diseños factoriales. José Gabriel Palomo Sánchez E.U.A.T. U.P.M. Julio de 2011
Diseños factoriales José Gabriel Palomo Sánchez gabrielpalomo@upmes EUAT UPM Julio de 2011 Índice 1 Diseños factoriales con dos factores 1 Denición 2 Organización de los datos 3 Ventajas de los diseños
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesEstadística I Tema 7: Estimación por intervalos
Estadística I Tema 7: Estimación por intervalos Tema 7: Estimación por intervalos Ideas a transmitir Definición e interpretación frecuentista. Intervalos de confianza para medias y varianzas en poblaciones
Más detallesUnidad 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 detallesTema 3 Normalidad multivariante
Aurea Grané Máster en Estadística Universidade Pedagógica Aurea Grané Máster en Estadística Universidade Pedagógica Tema 3 Normalidad multivariante 3 Normalidad multivariante Distribuciones de probabilidad
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 detallesTeoría de la decisión
Unidad 7.. Definiciones. Muestreo aleatorio y estadístico. Estadísticos importantes. Técnica de muestreo. Transformación integral 1 Muestreo: selección de un subconjunto de una población 1) Representativo
Más detallesa. N(19 5, 1 2) P(19 X 21) = P( Z ) = = P = P P = = P P = P = = = El 55 72% no son adecuados.
El diámetro de los tubos de cartón para un envase ha de estar entre 19 y 21mm. La maquina prepara tubos cuyos diámetros están distribuidos como una manual de media 19 5mm y desviación típica 1 2mm. Qué
Más detallesTAMAÑO 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 detallesEstimación. Introducción. Sea X la variable aleatoria poblacional con distribución de probabilidad f θ donde. es el parámetro poblacional desconocido
Tema : Introducción a la Teoría de la Estimación Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f θ (x), donde θ Θ es el parámetro poblacional desconocido Objetivo:
Más detallesFundamentos para la inferencia. Unidad 3 Parte II Estadísca Prof. Tamara Burdisso
Fundamentos para la inferencia Estadísca 017 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesde Muestreo de Medias, Inferencia Estadística (Naturaleza de las Pruebas ) (Cap. 7 y Sec. 8.3)
Variabilidad Muestral, Distribuciones de Muestreo de Medias, Inferencia Estadística (Naturaleza de las Pruebas ) (Cap. 7 y Sec. 8.3) Distribución muestral de un estadístico Es la distribución de valores
Más detalles478 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 detallesMATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II. TEORÍA DE MUESTRAS E INFERENCIA. Ejercicios propuestos en Selectividad. AÑO
MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 6. TEORÍA DE MUESTRAS E INFERENCIA. Ejercicios propuestos en Selectividad. AÑO 2009 1. 7. 8. 2. 3. 9. 4. 10. 11. 5. 12. AÑO 2010 18. 13. 14. 19. 15. AÑO
Más detallesVariables aleatorias continuas y Teorema Central del Limite
Variables aleatorias continuas y Teorema Central del Limite FaMAF 17 de marzo, 2015 Variables aleatorias continuas Definición Una variable aleatoria X se dice (absolutamente continua) si existe f : R R
Más detallesTécnicas de investigación cuantitativas: Tema 4: MUESTREO PROBABILÍSTICO
Técnicas de investigación cuantitativas: Tema 4: MUESTREO PROBABILÍSTICO Grado en Criminología Curso 2014/2015 Técnicas de investigación cualitativa y cuantitativa Diseño muestral Recordemos (Tema 3):
Más detallesIntervalo para la media si se conoce la varianza
178 Bioestadística: Métodos y Aplicaciones nza para la media (caso general): Este se trata del caso con verdadero interés práctico. Por ejemplo sirve para estimar intervalos que contenga la media del colesterol
Más detallesEJERCICIOS DE SELECTIVIDAD
EJERCICIOS DE SELECTIVIDAD INFERENCIA 1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media μ = 100 meses y desviación típica σ
Más detalles(1 punto) (1.5 puntos)
Ejercicios de inferencia estadística. 1. Sea la población {1,2,3,4}. a) Construya todas las muestras posibles de tamaño 2, mediante muestreo aleatorio simple. b) Calcule la varianza de las medias muestrales.
Más detallesEstadística Inferencial. Sesión 3. Estimación de parámetros y por intervalos
Estadística Inferencial. Sesión 3. Estimación de parámetros y por intervalos Contextualización. Se denomina estadístico a un estimador insesgado de un parámetro poblacional si la media o la esperanza del
Más detallesESTIMACIÓN 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 detallesEstadística I para futuros ingenieros Unidad 4. Segunda parte
Estadística I para futuros ingenieros Unidad 4 Segunda parte ITSS L.A. Jorge VC 2 Estimación: puntual y por intervalos A partir de los estadísticos que hemos obtenido en la/s muestra/s queremos obtener
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesTeoría de muestras 2º curso de Bachillerato Ciencias Sociales
TEORÍA DE MUESTRAS Índice: 1. Introducción----------------------------------------------------------------------------------------- 2 2. Muestras y población-------------------------------------------------------------------------------
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2006 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 006 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Parte II, Opción A Junio, Ejercicio 3, Parte II, Opción B Reserva
Más detallesEstimación por intervalos
Capítulo 9 Estimación por intervalos 9.1. Introducción En este capítulo se desarrolla la estimación por intervalos donde el proceso de inferencia se realiza de la forma θ C, donde C = Cx) es un conjunto
Más detallesCálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo
Más detallesVariables aleatòries vectorials Els problemes assenyalats amb un (*) se faran a classe. 1.- Los estudiantes de una universidad se clasifican de acuerdo a sus años en la universidad (X) y el número de visitas
Más detalles