INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO
|
|
- Marina Acosta Toledo
- hace 7 años
- Vistas:
Transcripción
1 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 probabilidad del feómeo e estudio. Se verá que, al ser fució de v.a. tambié es ua v.a. y se verá cómo obteer su distribució. Por último, se estudiará alguos casos cocretos de estadístico. Pricipales coteidos Itroducció Estimació de la media de ua població Estimació de la variaza de ua població Estimació de ua proporció Estadísticos ordeados 1
2 1 Itroducció El muestreo estadístico es la herramieta que la Matemática utiliza para el estudio de las características de ua població a través de ua determiada partedelamisma. La muestra de estudio debe ser lo más pequeña posible ya que del hecho de que ua muestra sea más grade, o se desprede ecesariamete que la iformació sea más fiable. Además, la muestra elegida debe serlo por u proceso aleatorio para que sea lo más represetativa posible. Térmios usuales e u estudio estadístico Població: cojuto de todos los idividuos que so objeto del estudio. Muestra: parte de la població e la que mide las características estudiadas. Muestreo: proceso seguido para la extracció de ua muestra. Ecuesta: proceso de obteer iformació de la muestra. Los resultados obteidos del estudio de ua muestra o so del todo fiables, pero sí e buea medida. Los parámetros que obtiee de ua muestra (estimadores estadísticos) os permitirá arriesgaros a predecir ua serie de resultados para toda la població. De estas prediccioes y del riesgo que colleva se ocupa la Iferecia Estadística. Las observacioes de ua muestra se deota por x 1,...,x. 2
3 Si embargo, ates de hacer u muestreo o de experimetar, cualquier observació e particular estará sujeta a icertidumbre (por ejemplo, ates de saber cuál es el gasto medio de ua familia de la muestra e alimetació, ésta podría ser x ó x ó muchos otros valores posibles). Debido a esta icertidumbre, ates de que se dispoga de datos uméricos cocretos, cosideramos las observacioes como variables aleatorias y las deotamos por letras mayúsculas X 1,...,X. Esto a su vez implica que hasta que se haya obteido los datos, cualquier fució de las observacioes (media muestral, variaza de la muestra, etc.) so fucioes de variables aleatorias, y por tato variables aleatorias co distribució de probabilidad propia, llamada distribució e el muestreo. Defiitio 1 Se llama espacio muestral al cojuto de muestras posibles que puede obteerse al seleccioar ua muestra aleatoria, de u determiado tamaño, de ua cierta població. Defiitio 2 Se llama estadístico a cualquier fució T (X 1,...,X ) de la muestra (X 1,...,X ). El estadístico T (X 1,...,X ), como fució de variables aleatorias (X 1,...,X ), es tambié ua variable aleatoria, y tedrá por tato ua distribució de probabilidad, llamada distribució e el muestreo. Alguos estadísticos importates: T (X 1,...,X )X X X Media Muestral T (X 1,...,X )Mi(X 1,...,X ) T (X 1,...,X )Max(X 1,...,X ) P T (X 1,...,X )SX 2 Xi X 2 Variaza Muestral P T (X 1,...,X )bs X 2 Xi X 2 Cuasivariaza Muestral 1 3
4 Example 3 Se está iteresado e coocer la probabilidad θ de obteer cara co ua moeda, es decir, se trata de estudiar la variable aleatoria ( 1 si se obtiee cara X 0 si se obtiee cruz cuya distribució está caracterizada por X i Probabilidad 1 θ 0 1 θ que depede del parámetro θ que varía e el espacio paramétrico Θ [0, 1]. Se realiza tres lazamietos, co lo que se dispoe de ua m.a.s X 1,X 2,X 3. Puesto que la muestra es aleatoria simple, se verifica que P (X 1 x 1,X 2 x 2,X 3 x 3 )P (X 1 x 1 ) P(X 2 x 2 ) P(X 3 x 3 ) La probabilidad de todas las muestras posibles es, por tato, la siguiete: X 1 X 2 X 3 Probabilidad θ θ 2 (1 θ) θ 2 (1 θ) θ 2 (1 θ) θ (1 θ) θ (1 θ) θ (1 θ) (1 θ) 3 Es decir, teemos la distribució de la muestra a través de su fució de 4
5 probabilidad. Si os iteresa el estadístico media muestral X X 1 + X 2 + X 3 3 a partir de la distribució e el muestreo de la muestra, se tiee la siguiete distribució e el muestreo para el estadístico: X Probabilidad 1 θ 3 2/3 3θ 2 (1 θ) 1/3 3θ (1 θ) 2 0 (1 θ) 3 Example 4 De ua població X co distribució de Poisso de parámetro λ, P oisso (λ), se obtiee ua m.a.s. de tamaño. Determiar la distribució e el muestreo de la media muestral X. λ λk Si X Poisso(λ), etoces P (X k) e, k 0, 1, 2,... k! Dada ua m.a.s. (X 1,...X ), T (X 1,...X ) 1 P X i X. Su distribució es: P X k µ 1 P P X i k P ( P X λ (λ)k i k) e (k)! X i P oisso(λ) Defiitio 5 Estimador Dada ua muestra (X 1,...X ), u estimador del parámetro θ es ua fució de la muestra T (X 1,...X ) que aproxima el valor de θ. Se suele deotar por T (X 1,...X ) b θ Defiitio 6 Estimador Isesgado: SeaT (X 1,...X ) u estadístico que estima u parámetro θ, deotémoslo por T (X 1,...X ) b θ. El sesgo del estimador de θ es h i h i Sesgo bθ E bθ θ E [T (X 1,...X )] θ 5
6 h i h i El estimador es isesgado si Sesgo bθ 0, es decir E bθ θ. Defiitio 7 Es u estimador asitóticamete isesgado si h i Sesgo bθ 0 cuado Defiitio 8 Estimador Cosistete: Sea T (X 1,...X ) u estadístico que estima u parámetro θ, deotémoslo por T (X 1,...X ) b θ. El estimador es cosistete si h i Var bθ VAr[T (X 1,...X )] 0 cuado 2 Estimació de la media de ua població Sea X 1,...,X ua m.a.s. de ua variable aleatoria X co media E (X) µ y variaza Var(X) σ 2. El estimador más razoable de la media poblacioal µ es la media muestral X 1 P X i que verifica las siguietes propiedades: 1. Es u estimador isesgado de µ. E X Ã! 1 X E X i 1 X E (X i ) 1 X µ µ 2. Es u estimador cosistete e media cuadrática de µ, puesto que es isesgado y su variaza tiede a 0 cuado. Var X Ã! 1 X Var X i 1 X Var(X 2 i ) 1 X σ σ2 σ2 6
7 3. La distribució de exacta de X depede de la distribució de la població X. Por ejemplo, si X es ormal la distribució de X tambié lo será. Para muestras grades, por el Teorema Cetral del Límite, la distribució de X puede aproximarse por ua ormal ( 30). Theorem 9 Sea X 1,...,X ua m.a.s. de ua variable aleatoria X N (µ, σ), etoces µ σ X N µ, Example 10 Sea X ua població co distribució N (90,σ 20). a) Si se obtiee ua m.a.s. de tamaño 16, cuál es la probabilidad de que la media muestral X sea mayor o igual que 92? b) Determiar el tamaño muestral para que la probabilidad de que la media muestral sea meor o igual que 98 sea P X 98 0, 99. X N (µ 90,σ 20) E X µ 90 Var X r σ σ X X N (90, 5) a) P X 92 µ P (N (90, 5) 92) P N (0, 1) P Z 2 5 P (Z 0.4) 0, b) 0.99 P X 98 µ µ P N 90, 20 Ã 98 P N (0, 1) P Z , ! µ 2 2, ,
8 3 Estimació de la variaza de ua població Sea X 1,...,X ua m.a.s. de ua variable aleatoria X co media E (X) µ yvariazavar(x) σ 2. El estimador más razoable de la variaza poblacioal σ 2 es la variaza muestral S 2 X 1 P Xi X 2 1 P Xi 2 X 2 que verifica las siguietes propiedades: 1. Es u estimador cosistete de σ Es u estimador asitóticamete isesgado de σ 2 puesto que E (S 2 X) σ2 + σ2 Puesto que la variaza muestral S 2 es u estimador sesgado (auque asitóticamete isesgado), para estimar la variaza σ 2 se usa la cuasivariaza muestral: cs x X Xi X 2 1 S2 que es u estimador isesgado y cosistete de σ 2. ³ µ E bs 2 E 1 S2 1 E S 2 1 µσ 2 σ2 σ 2 3. (Teorema de Fisher) Bajohipótesisdeormalidad(X N (µ, σ)) se 8
9 verifica que S 2 σ 2 ( 1) bs 2 σ 2 P Xi X 2 σ 2 χ Si coocemos la variaza poblacioal µ, se verifica P (X i µ) 2 σ 2 χ 5. Bajo hipótesis de ormalidad (X N (µ, σ)), las variables aleatorias X y b S 2 so idepedietes. Example 11 Dada ua població X N (6,σ 2.5), y tomado ua muestra aleatoria simple X 1,...,X de tamaño 12,calcularla probabilidad de que la variaza muestral sea mayor que 4.9. µ S 2 P (S 2 > 4.9) 1 P (S 2 4.9) 1 P 4.9 σ 2 σ 2 µ 1 P χ P (χ ) E la tabla de la distribució de la χ 2 aparece los siguietes resultados P (χ ) 0.25 P (χ ) 0.5 Mediate ua iterpolació umérica se calcula la probabilidad que i- 9
10 teresa x y p y y 1 + y 2 y (x x 1 ) (x 7.58) x 2 x y 0.102x p P (S 2 > 4.9) 1 P (χ ) Estadístico t de Studet. Estimació de la media poblacioal cuado σ 2 es descoocida. Bajo hipótesis de ormalidad (X N (µ, σ)) se verifica que X N o equi-valetemete X µ σ N (0, 1) µ µ, σ, Este resultado puede ser de poca utilidad si la variaza poblacioal σ 2 es descoocida, ya que etoces o se podrá usar esta coclusió para hacer previsioes acerca de X. Cabe pesar que el resultado o será muy distito si se sustituye σ por la cuasidesviació típica muestral S, b puesto que, al meos para muestras grades, σ 2 y bs 2 tedrá valores semejates. Tal idea llevó a Studet (pseudóimo de W. Gosset) a cosiderar el estadístico X µ bs X µ S 1 t 1 10
11 Example 12 Dada ua població X N ( 1,σ), seextraeuam.a.s. de tamaño 10co los siguietes resultados: 1.08, 1.79, 2.54, 0.37, 0.6, 0.53, 0.28, 2.21, 2.66, 1.45 Calcular la probabilidad de que la media muestral X sea mayor que 1.2. P X> P X 1.2 X µ 1 P bs S µ bs P Xi 2 X ( ) [ 1 ( )] S r S b 1 S2 P X> 1.2 X µ 1 P bs 1 P t ( 1) µ bs r P t ( 1) P (t ) P (t ) 11
12 Se calcula la probabilidad aterior por iterpolació umérica x y p y y 1 + y 2 y (x x 1 )0.6+ (x ) x 2 x y x p P X> Estimació de ua proporció Se desea estimar la proporció p de idividuos de ua població que tiee ua determiada característica. Para ello se toma ua m.a.s. de elemetos de la població, aotado u 1 si dicho elemeto tiee la característica, y 0 e otro caso, es decir, se tiee ua m.a.s. X 1,...,X de ua B (1,p) ( 1 (tiee la caract.) co probab. p X, E (X) p, V ar (X) p (1 p) 0 (o la tiee) co probab. 1 p U estimador razoable de p es la proporció de elemetos de la muestra que tiee dicha característica, es decir bp X X 12
13 Propiedades µ 1 P 1. E (bp) E X i 1 µ 1 2. Var(bp) Var P E (X i ) 1 p p P X i 1 P p (1 p) 2 p (1 p) 3. La distribució de bp depede de la distribució de la població X, pero cuado es grade à r! p (1 p) bp N p, Example 13 E el proceso de producció de ua empresa, el 1% de los productos sale defectuoso. Para corroborarlo se obtiee ua m.a.s.de tamaño 25y se estima la proporció de productos defectuosos. Estimar la probabilidad de que la proporció estimada sea mayor que el 2%. P (bp >0.02) P bp p r > 0.02 p r p (1 p) p (1 p) ' P Z> 0.02 bp r bp (1 bp) P Z> r 0.01 (1 0.01) P (Z >0.50) P (bp >0.02)
14 5 Estadísticos ordeados Sea X 1,...,X ua m.a.s de ua població X co fució de distribució F (x) ydesidadf (x). Es importate estudiar etre qué valores podría estar los valores muestrales; se cosidera etoces X (1),...,X () los estadísticos de orde (los valores muestrales ordeados de meor a mayor X(1)... X (). Auque X1,...,X so idepedietes idéticamete distribuidos (i.i.d.) por tratarse de ua m.a.s., X (1),...,X () o lo so. Ejemplos X (1) mi(x 1,...,X ) X () max(x 1,...,X ) 14
Estimación 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 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 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 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 detallesDistribuciones 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 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 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 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 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. 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 detallesQué es la estadística?
Qué es la estadística? La estadística tiee que ver co la recopilació, presetació, aálisis y uso de datos para tomar decisioes y resolver problemas. Qué es la estadística? U agete recibe iformació e forma
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 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 detallesTema 7: Estimación puntual.
Estadística 68 Tema 7: Estimació putual. 7.1 Itroducció a la Iferecia Estadística. E los temas ateriores se ha hecho éfasis e la teoría de la probabilidad y e determiados modelos probabilísticos. E este
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 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 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 detallesTema 2. Medidas descriptivas de los datos
Tema 2. Medidas descriptivas de los datos Resume del tema 2.1. Medidas de posició So valores que os sirve para idicar la posició alrededor de la cual se distribuye las observacioes. 2.1.1. Mediaa La mediaa
Más detallesUT-4: Distribuciones fundamentales de muestreo y descripción de datos
UT-4: Distribucioes fudametales de muestreo y descripció de datos Sub tema: Muestreo aleatorio. Distribucioes muestrales. Distribucioes muestrales de medias. Teorema del límite cetral. Aplicacioes. DF
Más detallesEl método de Monte Carlo
El método de Mote Carlo El método de Mote Carlo es u procedimieto geeral para seleccioar muestras aleatorias de ua població utilizado úmeros aleatorios. La deomiació Mote Carlo fue popularizado por los
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 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 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 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 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 detallesTEMA 6 MUESTRAS ALEATORIAS Y DISTRIBUCIONES EN EL MUESTREO
.- Itroducció: TEMA MUESTRAS ALEATORIAS Y DISTRIBUCIONES EN EL MUESTREO Los aálisis estadísticos que se realiza e el mudo real tiee como objetivo estudiar las propiedades características de las poblacioes
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 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 detallesTema 9. Introducción a la Inferencia Estadística. Presentación y Objetivos. Esquema Inicial. Probabilidades y Estadística I
Tema 9. Itroducció a la Iferecia Estadística Presetació y Objetivos. La iferecia utiliza el leguaje de la probabilidad para sacar coclusioes de los datos y acompañar esas coclusioes por ua declaració formal
Más detallesMuestreo sistemático
Capítulo 1 Muestreo sistemático El muestreo sistemático es u tipo de muestreo que es aplicable cuado los elemetos de la població sobre la que se realiza el muestreo está ordeados Este procedimieto de muestreo
Más detallesConceptos generales de inferencia estadística. Estimación de parámetros. Intervalos de confianza.
FCEyN - Estadística para Química do. cuat. 006 - Marta García Be Coceptos geerales de iferecia estadística. Estimació de parámetros. Itervalos de cofiaza. Iferecia estadística: Dijimos e la primera clase
Más detallesE.U.I.T.I. Bilbao. Asignatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA
E.U.I.T.I. Bilbao Asigatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA E.U.I.T.I. Bilbao Asigatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA PARTE : ESTADÍSTICA INFERENCIAL 0. RECORDATORIO Estadística iferecial.
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 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 detallesPoblación Joven Adulta Total A favor En contra Total
Nombre: Libre Reglametado C.I.: EXAMEN El exame costa de dos partes. La Primera Parte debe ser realizada por todos los alumos y el tiempo previsto es de 2 horas. La Seguda Parte debe ser realizada sólo
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 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 detallesGuía 1 Matemática: Estadística NM 4
Cetro Educacioal Sa Carlos de Aragó. Sector: Matemática. Prof.: Ximea Gallegos H. 1 Guía 1 Matemática: Estadística NM 4 Nombre: Curso: Fecha. Uidad: Estadística y Probabilidades. Apredizajes Esperados:
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 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 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 detallesDISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS ESPACIO MUESTRAL. El cojuto de todos los resultados posibles de u eperimeto estadístico deotado por S o Ω VARIABLE. Se deomia variable a la
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 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 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 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 detallesSeries alternadas Introducción
Sesió 26 Series alteradas Temas Series alteradas. Covergecia absoluta y codicioal. Capacidades Coocer y aplicar el criterio para estudiar series alteradas. Coocer y aplicar el teorema de la covergecia
Más detallesT ema 8 ESTIMACIÓN. Conceptos previos. Población y muestra:
T ema 8 ESTIMACIÓN Coceptos previos Població y muestra: Població se refiere al cojuto total de elemetos que se quiere estudiar ua o más características. Debe estar bie defiida. Llamaremos N al úmero total
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 detallesPRUEBAS DE HIPÓTESIS.
PRUEBAS DE HIPÓTESIS. HIPÓTESIS ESTADÍSTICA Paramétrica : No Paramétrica Es ua afirmació sobre los valores de los parámetros poblacioales descoocidos. Es ua afirmació sobre algua característica Simple
Más detallesTEMA 1. ESTADÍSTICA DESCRIPTIVA
TEMA. ESTADÍSTICA DESCRIPTIVA. Itroducció: coceptos básicos. Tablas estadísticas y represetacioes gráficas. Características de variables estadísticas uidimesioales.. Características de posició.. Características
Más detallesESTADÍSTICA II TEMA IV: ESTIMACION
ESTADÍSTICA II TEMA IV: ESTIMACION IV.. Itroducció. IV.. Estimació putual. Métodos y propiedades. IV... Cocepto y defiició. IV... Propiedades de los estimadores putuales. IV..3. Métodos de estimació putual.
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Primer Semestre. EstadísTICa Curso Primero Graduado e Geomática y Topografía Escuela Técica Superior de Igeieros e Topografía, Geodesia y Cartografía. Uiversidad Politécica de Madrid
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 detallesT ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos:
T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Variable aleatoria: defiició y tipos: Ua variable aleatoria es ua fució que asiga u úmero real, y sólo uo, a cada uo de los resultados de u eperimeto aleatorio.
Más detallesTEMA 2: INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA.
TEMA : INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA...- CONCEPTOS FUNDAMENTALES. Iferecia estadística. Ua iferecia es ua extesió de lo particular a lo geeral. La iferecia iductiva es u proceso co riesgo ya
Más detalles1. QUÉ ES LA ESTADÍSTICA?
1. QUÉ ES LA ESTADÍSTICA? Cuado coloquialmete se habla de estadística, se suele pesar e ua relació de datos uméricos presetada de forma ordeada y sistemática. Esta idea es la cosecuecia del cocepto popular
Más detallesBloque 3 Tema 12 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS
Bloque 3 Tema 1 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS Hay ocasioes e las que teemos que tomar decisioes relativas a ua població sobre la base de los coocimietos 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 detallesCAPÍTULO 7 DISTRIBUCIONES EN EL MUESTREO Introducción
CAPÍTULO 7 DISTRIBUCIONES EN EL MUESTREO 7.. Itroducció Geeralmete, las poblacioes tiee tamaños que hace que estudiarla e su totalidad sea poco práctico desde diversos putos de vista; costo, tiempo, tipo
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 detallesAnálisis estadístico de datos simulados
Aálisis estadístico de datos simulados Ídice 1. Itroducció 1 2. Selecció de ua distribució de probabilidad 2 2.1. Distribucioes cotiuas.................................. 3 2.2. Distribucioes discretas...................................
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 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 detallesMUESTREO ESTRATIFICADO. TECNICAS DE MUESTREO II
MUESTREO ESTRATIFICADO TECNICAS DE MUESTREO II Email:cgozales@lamolia.edu.pe CONSTRUCCION DE OS ESTRATOS Cuál es la mejor característica para la costrucció de los estratos? Cómo se determia los límites
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 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 detallesMétodos Estadísticos de la Ingeniería Tema 9: Inferencia Estadística, Estimación de Parámetros Grupo B
Métodos Estadísticos de la Igeiería Tema 9: Iferecia Estadística, Estimació de Parámetros Grupo B Área de Estadística e Ivestigació Operativa Licesio J. Rodríguez-Aragó Abril 200 Coteidos...............................................................
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 detallesCapítulo 4. Inferencia Estadística: Introducción Preliminares Noción de Muestra.
Capítulo 4 Iferecia Estadística: Itroducció. 4.. Prelimiares. Nos hemos maejado co la Teoría de la Probabilidad y os dispoemos a afrotar problemas de Iferecia Estadística. Para ello, además del maejo de
Más detallesMEDIDAS DE DISPERSIÓN.
MEDIDA DE DIPERIÓN. Las medidas de tedecia cetral solamete da ua medida de la localizació del cetro de los datos. Co mucha frecuecia, es igualmete importate describir la forma e que las observacioes está
Más detallesUn sistema de m ecuaciones lineales con n incógnitas es un conjunto de m igualdades del tipo:......
1. Sistemas de m ecuacioes lieales co icógitas U sistema de m ecuacioes lieales co icógitas es u cojuto de m igualdades del tipo: a11x 1 a1 x... a1 x b1 a1x1 ax... ax b (1)... am1x1 amx... amx bm Los úmeros
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 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 detallesMEDIDAS DE TENDENCIA CENTRAL. _ xi
EDIDAS DE TENDENCIA CENTRAL. EDIA ARITÉTICA. Es la medida más coocida y tambié es llamada promedio se obtiee sumado todos los valores de la muestra o població, dividida etre el total de elemetos que cotiee
Más detallesCombinatoria. Tema Principios básicos de recuento
Tema 4 Combiatoria La combiatoria, el estudio de las posibles distribucioes de objetos, es ua parte importate de la matemática discreta, que ya era estudiada e el siglo XVII, época e la que se platearo
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 detallesn x i n y i = 0 ,..., x n u)... exp 1 y 1 y y n u . Demuestre que i=1 Y n
47 Capítulo 9 Propiedades de los estimadores putuales y métodos de estimació ii Demuestre que para que esta relació sea idepediete de p, debemos teer x i y i = 0 o x i = y i. iii De acuerdo co el método
Más detallesPasos básicos para docimar una hipótesis:
Pasos básicos para docimar ua hipótesis:. Defiir cual es la població y el o los parámetro de iterés.. Establecer la hipótesis (ula y alterativa). 3. Establecer el ivel de sigificació α. 4. Recoger los
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 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 detallesProbabilidad FENÓMENOS ALEATORIOS
Probabilidad FENÓMENOS ALEATORIOS E el mudo real hay feómeos regidos por leyes de tipo empírico (basadas e la experiecia), lógico o deductivo, e los que el efecto está determiado por ciertas causas. El
Más detallesTema 5. Sucesiones de Variables Aleatorias
CSA. Sucesioes de VA Tema 5. Sucesioes de Variables Aleatorias. CONCEPTO E muchos problemas de procesado de señal o image, cotrol digital y comuicacioes dispoemos de datos muestreados e u determiado orde
Más detallesCapítulo VARIABLES ALEATORIAS
Capítulo VI VARIALES ALEATORIAS. Itroducció Detro de la estadística se puede cosiderar dos ramas perfectamete difereciadas por sus objetivos y por los métodos que utiliza: Estadística Descriptiva o Deductiva
Más detalles