TEMA 2: INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA.
|
|
- María Victoria Belmonte Ríos
- hace 7 años
- Vistas:
Transcripción
1 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 que ua iferecia iductiva exacta es imposible. La iferecia estadística proporcioa u método objetivo que establece reglas base para criticar, rechazar y aceptar "items" de iformació cietífica cuado prevalece codicioes de icertidumbre. De esta forma, se puede extraer coclusioes (co icertidumbre valorada mediate probabilidad si se aplica pricipios y reglas objetivables) sobre ua població utilizado como materia prima la iformació muestral. Ua clara aplicació se tiee sobre la realidad ecoómica de la que se estudia problemas cocretos para mejorar el coocimieto de ciertas poblacioes. Los procedimietos empleados puede clasificarse e fució del objetivo de la iferecia e métodos paramétricos (se desea evaluar los parámetros poblacioales descoocidos) y métodos o paramétricos (se desea coocer otra característica de la població). Los procedimietos empleados puede clasificarse segú la técica iferecial e Estimació y Cotraste de Hipótesis. La Estimació asiga valores a parámetros: si asiga u úico valor es Estimació Putual y si asiga u itervalo es Estimació por Itervalos. El Cotraste de Hipótesis establece ua regla de rechazo o aceptació de cierta afirmació o hipótesis, sobre los parámetros poblacioales o sobre otro aspecto poblacioal o paramétrico, mediate prueba basada e iformació muestral. Los procedimietos empleados puede clasificarse segú el tipo de iformació que utiliza e métodos clásicos (los parámetros se cosidera valores fijos pero descoocidos) y métodos bayesiaos (los parámetros se trata como si fuera variables aleatorias). E esta documetació se preseta sólo los métodos clásicos (más adecuados para la crítica de modelos) tato paramétricos como o paramétricos.
2 Població y muestra. La població se defie como cojuto de elemetos objeto de estudio (característica de los elemetos estudiados). De forma más cocreta, si os referimos a los elemetos o uidades elemetales o primarias se llega al Uiverso o Colectivo (se dice dado u colectivo de idividuos), si se refiere a la característica que represeta la variable aleatoria se tiee la Població que se idetifica co la variate (se dice sea ua població co comportamieto ormal). Alterativamete, la població se defie como cojuto de posibles resultados de u experimeto aleatorio. E adelate, se hará u uso geeral de la defiició de població. El úmero de elemetos u observacioes se deomia tamaño poblacioal. Puede ser fiito o ifiito. Muchas de las aplicacioes o casos reales estudiados so fiitos, auque cuado la població es muy amplia se trata o asume como poblacioes ifiitas. Como los modelos so idealizacioes matemáticas lo ifiito y lo cotiuo implica simplificació. La iformació sobre la població se ecuetra e los elemetos o uidades elemetales o primarias. Se recoge recoge habitualmete e el ámbito ecoómico-social mediate ecuestas. So ecuestas cesales si se llega a todos los elemetos (recueto y observacioes exhaustivas o de todos los idividuos lo que colleva costes muy elevados), sería lo ideal para obteer toda la iformació. Como o siempre es viable, se ecesita las ecuestas muestrales. So ecuestas muestrales si se recoge iformació sólo de ua parte de la població, que represeta a toda ella. La muestra se defie como u subcojuto represetativo de la població. No cualquier parte de ua població sirve como muestra, debe ser ua parte represetativa de la població, debe mateer la estructura de la població (e cuato a la característica estudiada), debe ser ua image e pequeño de la població e la que se matega la heterogeeidad o variabilidad existete e la població (micropoblació). Si ua ura tiee bolas de dos colores, la mitad so rojas y la otra mitad azules, ua muestra de tamaño 0 debería teer de forma ideal 0 rojas y 0 azules. E realidad o so las muestras ideales o de perfecta represetatividad y podría darse ua muestra diferete (por ejemplo 9 rojas y azules). De hecho, para ua muestra de tamaño se defie el espacio de las muestras o Espacio Muestral como
3 el cojuto de todas las muestras (diferetes) de tamaño que se puede obteer a partir de ua població dada. Las desviacioes respecto de la perfecta represetatividad, que se atribuye al proceso de selecció de la muestra, o ivalida el proceso iferecial siempre y cuado tega orige aleatorio, es decir, sea debidas al azar. El azar se ecargará de proporcioar ua muestra co la represetatividad deseada. Por limitacioes e los recursos (tiempo acotado, presupuesto o coste limitado, observació destructiva, biees perecederos) es habitual el uso de muestras e vez de cesos. Además, existe ciertas vetajas a teer e cueta: mayor detalle y calidad e la observació y recogida de datos al ser meor el úmero de idividuos a estudiar, ahorro de tiempo y costes. Los icoveietes surge por la icertidumbre ievitable debida al proceso iferecial, por los errores e la forma de seleccioar la muestra, y por la mayor cualificació que se debe teer para efectuar procesos ifereciales. Segú la forma e que se seleccioa las uidades muestrales se distigue dos grades tipos de muestreo: muestreos o probabilísticos (o estocásticos) y muestreos probabilísticos (estocásticos). A veces se ombra como muestreos o aleatorios y muestreos aleatorios. Ésta última deomiació, auque muy extedida, es meos apropiada ya que aleatorio se refiere propiamete a azar o ambiete de riesgo (o ecesariamete evaluable o medible) y probabilístico o estocástico idica posibilidad de asigar probabilidades e u ambiete de icertidumbre. E los muestreos o probabilísticos el ivestigador seleccioa determiísticamete las uidades muestrales (o al meos o es posible asigar probabilidades). Podría coseguirse muestras o subcojutos represetativos de esta forma? E pricipio, sí. Podría coseguirse bueas estimacioes o estimacioes cercaas a los valores poblacioales? E pricipio, sí. El problema se tiee al o poder calcular igua medida de bodad o calidad para la estimació. Al o iscribirse e u etoro matemático este tipo de muestreo preseta el grave icoveiete de que o permite el aálisis estadístico (valoració de seguridad y precisió de coclusioes, estudio de errores cometidos e la estimació, fijació de tamaños muestrales para obteer objetivos, etc.). Esto es, o se tiee ua objetivació del procedimieto. Ejemplos de muestreos o probabilísticos so el muestreo opiático (segú criterio del ivestigador) o el muestreo errático (si criterio).
4 Los muestreos probabilísticos se caracteriza porque cada elemeto de la població tiee ua probabilidad coocida y o ula de ser seleccioado. Por ello, mediate técicas estadísticas se tiee los resultados que se valora, pudiédose medir y cotrolar los errores. E los muestreos probabilísticos cada elemeto muestral (a priori o al platear el mecaismo de selecció) es ua variate (co posibles valores y probabilidades asociadas). Como cada elemeto es ua variate, la muestra e su cojuto es ua variable aleatoria (co espacio muestral y probabilidades asociadas). Existe diferetes tipos de muestreos probabilísticos. Se cometa el muestreo si reemplazamieto (tambié deomiado muestreo aleatorio si reemplazamieto o muestreo aleatorio si reemplazamieto) y el muestreo aleatorio simple o muestreo irrestrictamete aleatorio. La diferecia etre ambos viee del o reemplazamieto o reemplazamieto (equivalete a població ifiita) tras la extracció de los elemetos muestrales. Esto implica depedecia o idepedecia etre las variables aleatorias represetativas de los elemetos muestrales a extraer. El muestreo si reemplazamieto (tambié deomiado muestreo aleatorio si reemplazamieto o muestreo aleatorio si reemplazamieto) sólo exige que cada elemeto muestral tega igual comportamieto que el poblacioal y que todas las muestras de tamaño tega la misma probabilidad de ser escogidas. E geeral, para que la muestra sea represetativa, la elecció de los elemetos de la població de los que se tomará iformació sobre la característica de iterés debe de hacerse e codicioes de azar. U ejemplo de muestreo si reemplazamieto es extraer de ua ura co 00 bolas (0 marcadas co el úmero uo, 30 marcadas co el úmero dos y 50 marcadas co el úmero tres) dos bolas al azar, sabiedo que o se devuelve la primera bola extraída (la primera se elige etre ua ura co 00 bolas y la seguda se elige etre ua ura co 99 bolas). La primera extracció ifluye o provoca depedecia e la seguda ya que las probabilidades cambia (la població e la primera extracció es de 00 bolas y luego, e la seguda extracció, la població cambia ya quees de 99 bolas). La població iicial es:
5 ξ=x i P(ξ=xi) 0, 0,3 3 0,5 Total A priori, la probabilidad de que la primera extracció obtega, o 3 es: A priori, la probabilidad de que la seguda extracció obtega, o 3 es:.. Ambos elemetos muestrales se distribuye como la població pero la probabilidad de cada muestra cocreta (probabilidades cojutas) o so el producto de las margiales dado que o hay idepedecia, el caso de la muestra (,) sería:. Etre los muestreos probabilísticos se estudiará y se utilizará e adelate el m.a.s. o muestreo aleatorio simple o muestreo irrestrictamete aleatorio. Muestreo aleatorio simple o muestreo irrestrictamete aleatorio. Es u método de selecció de u úmero fijo de uidades muestrales, que garatiza que todas las muestras de tamaño tiee la misma probabilidad de ser escogidas. Además,
6 los elemetos muestrales será variates idepedietes etre sí y co igual distribució de probabilidad que la població (extraccioes co repetició o e població ifiita), esa idepedecia e igual distribució se puede idicar como i.i.d.. Es importate observar que, e todo caso, la muestra será ua variable aleatoria ates de su cocreció (a priori) y será u valor o cocreció de la variable aleatoria tras su obteció (a posteriori). Como variable aleatoria tedrá su distribució de probabilidad determiada por la població de orige y por el tipo de muestreo. U ejemplo de muestreo co reemplazamieto es extraer de ua ura co 00 bolas (0 marcadas co el úmero uo, 30 marcadas co el úmero dos y 50 marcadas co el úmero tres) dos bolas al azar, sabiedo que se devuelve la primera bola extraída (la primera se elige etre ua ura co 00 bolas y la seguda se elige tambié etre ua ura co 00 bolas). La primera extracció o ifluye o o provoca depedecia e la seguda ya que las probabilidades o cambia (la població e la primera extracció es de 00 bolas y luego, e la seguda extracció, la població sigue igual). La població iicial es: ξ=x i P(ξ=xi) 0, 0,3 3 0,5 Total A priori, la probabilidad de que la primera extracció obtega, o 3 es: A priori, la probabilidad de que la seguda extracció obtega, o 3 es:
7 Ambos elemetos muestrales se distribuye como la població y la probabilidad de cada muestra cocreta (probabilidades cojutas) so el producto de las margiales dado que hay idepedecia: Parámetro y estimador. Parámetro es u valor represetativo de ua població (visió geeralista o descriptiva). Desde ua visió más formal o iferecial, es u valor que defie ua familia de objetos matemáticos o modelos de probabilidad. Esto es, es u valor asociado a la població etedida como variate que permite fijar el modelo estocástico. Hay modelos co u parámetro (uiparamétrico) como B(,p),, t o Poisso ; modelos co dos (biparamétricos) como B(,p), U(a,b), N(µ,) o F m, ; y modelos co más de dos parámetros. U Estadístico es cualquier fució muestral (o icluye parámetros descoocidos). Ejemplos puede ser la media aritmética, la variaza o la proporció muestral. Como cada elemeto muestral (a priori o al platear el mecaismo de selecció) es ua variate (co posibles valores y probabilidades asociadas) y como la muestra e su cojuto es ua variable aleatoria (co espacio muestral y probabilidades asociadas), se llega a que cualquier estadístico es, tambié, ua variate. El Estimador será u Estadístico dedicado al coocimieto de u parámetro poblacioal descoocido. Por tato, se tiee que el estimador será ua variable aleatoria ates de obteer la muestra cocreta (a priori) y será u valor o cocreció de la variable aleatoria después de obteer la muestra (a posteriori). E la gra mayoría de las ocasioes los parámetros poblacioales a estimar so, como es lógico, los más importates: la media y la variaza. Por ello, parece de setido comú que la media muestral y la variaza muestral sea estadísticos relevates cuya distribució de probabilidad e el muestreo ecesita ser coocida por su amplia utilizació. Estos estadísticos a los que se les cofiere la característica de ser útiles para estimar se deomia estimadores.
8 Resumiedo, dado u tipo de muestreo probabilístico a partir del cual se obtiee ua muestra, se deomia estimador a ua fució de la muestra $ θ ( x,..., ) $ x = θ que se usa para iferir el valor de la característica poblacioal que queremos estimar θ. El cojuto de valores que puede tomar el parámetro se deomia espacio paramétrico Θ...- DISTRIBUCIÓN DE ESTADÍSTICOS EN EL MUESTREO. El estadístico es ua fució de la muestra que o preseta parámetros poblacioales descoocidos: T ) = f (,,..., ). ( Alguos ejemplos de estadísticos so el total muestral, la media muestral, el mometo de orde tres respecto al orige o el meor valor muestral: Es importate destacar que el estadístico preseta ua distribució de probabilidad derivada de la muestral (defiida segú població de orige y tipo de muestreo) y de la forma de la fució que sigue el propio estimador. Además, cosecuecia de lo aterior, supoe o sumiistra u resume de la iformació coteida e la muestra. La distribució de la muestra suele idetificarse co su fució de cuatía o de desidad cojuta (segú que la distribució poblacioal sea discreta o cotiua), que proporcioa la probabilidad o desidad de probabilidad co la cual puede presetarse cada muestra cocreta e el proceso de muestreo.
9 E este curso siempre se tiee que el tipo de muestreo es m.a.s. Por ello se recuerda y aaliza sus características. Es u método de selecció de u úmero fijo de uidades muestrales, que garatiza que todas las muestras de tamaño tiee la misma probabilidad de ser escogidas. Además, los elemetos muestrales será variates idepedietes etre sí y co igual distribució de probabilidad que la població (extraccioes co repetició o e població ifiita), esa idepedecia e igual distribució se puede idicar como i.i.d.. Es importate recordar que la muestra será ua variable aleatoria ates de su cocreció (a priori), se suele represetar co letras mayúsculas que idica las variates elemetos muestrales (,,, ). Es importate recordar que la muestra será u valor o cocreció de la variable aleatoria tras su obteció (a posteriori), se suele represetar co letras miúsculas que idica las cocrecioes o sucesos muestrales x(x,x,,x ). Como variable aleatoria tedrá su distribució de probabilidad determiada por la població de orige y por el tipo de muestreo que es m.a.s. Para ua muestra, m.a.s. x(x,x,,x ), su probabilidad es si caso discreto:. = x ) P( = x)... P( = x) = P( j = x j ) = P( = x j ) j = j = P( = x) = P( ξ cotiuo: Para ua muestra, m.a.s. x(x,x,,x ), su desidad de probabilidad es si caso f ( x) = f ( x) f ( )... ( ) = ( ) x f x f x j = f j ξ j = j = ( x j ). Hay que recordar la idepedecia (se pasa de itersecció de sucesos a producto de probabilidades) y la igual distribució (se pasa de variate elemeto muestral a variate poblacioal j ). U ejemplo es extraer de ua població B(,p) ua m.a.s. de tamaño tres (=3) y obteer la distribució de probabilidad de la muestra:
10 Se observa e la columa de la izquierda el espacio muestral co ocho diferetes valores de dimesió tres. Se observa e la columa de la derecha las probabilidades asociadas a los diferetes valores posibles de la muestra, se comprueba que su suma es uo (toda la probabilidad del feómeo o suceso seguro). Otro ejemplo es extraer de ua població ormal ua m.a.s. de tamaño y buscar la fució de desidad cojuta de la muestra: Otro ejemplo es extraer de ua ura co 00 bolas (0 marcadas co el úmero uo, 30 marcadas co el úmero dos y 50 marcadas co el úmero tres) ua m.a.s. de tamaño dos y hallar distribució poblacioal, distribució de los elemetos muestrales, distribució cojuta de la muestra y distribució de la media muestral. ξ=x i P(ξ=xi) =x P( =x ) =x P( =x ) 0, 0, 0, 0,3 0,3 0,3 3 0,5 3 0,5 3 0,5 Total Total Total =x P(=x)=P( =x ) P( =x ) Media ( + )/ P[Media] (,) 0, 0,=0,04 0,04 (,) 0, 0,3=0,06,5,5 0,
11 (,) 0,3 0,=0,06,5 0,9 (,) 0,3 0,3=0,09,5 0,3 (,3) 0, 0,5=0, 3 0,5 (3,) 0,5 0,=0, Total (,3) 0,3 0,5=0,5,5 (3,) 0,5 0,3=0,5,5 (3,3) 0,5 0,5=0,5 3 Total Co este ejemplo se comprede que cualquier estadístico (como la media) es ua variate co posibles valores y probabilidades asociadas (co distribució de probabilidad). Tambié se comprede que supoe u resume del espacio muestral: e el ejemplo este espacio muestral es de dimesió dos co ueve valores diferetes mietras que la media es de dimesió uo co cico valores diferetes. Var[ ξ ] =. DISTRIBUCIONES DE ESTADÍSTICOS (SUPUESTO M.A.S.). Població descoocida pero co media y variaza coocidas E [ ξ ] = µ y Sea (,,..., ) ua muestra aleatoria (m.a.s.). Etoces las variables aleatorias que represeta cada elemeto muestral está ideticamete distribuidas que la població co E [ ] = µ y Var [ ] = i i. Además so idepedietes dado el tipo de muestreo. Si o se cooce la distribució de la població, o se puede, e geeral, calcular la distribució de los estadísticos, pero sí se podrá, e cualquier caso, determiar la esperaza y variaza de la media muestral y de la variaza muestral. Variable aleatoria Media Muestral = co esperaza de la media muestral [ ] = E[ ξ ] = µ E ya que
12 Variaza de la media muestral Var[ ] = ya que Además, siempre que sea muy grade (>30) podemos aplicar el TCL: Nµ,. Variable aleatoria Variaza muestral = y co media de la Variaza muestral E[ s ] s ( ) i = = 4 µ Co variaza de la Variaza muestral [ ] ( µ 4 µ ) (llamado µ m = E[ ξ E(ξ )] Var s i µ µ 4 3 = 3 =, etoces µ = m = V ( ξ = ). 4 Si població ormal µ 3µ = 4 3 ) Var s = etoces [ ] ( ) = 4 µ Població Normal Las distribucioes de mayor iterés so las referidas a m.a.s. sobre distribucioes ormales. E ciertos casos, por el T.C.L., sería aproximacioes para el caso de grades muestras. Para ua muestra. Sea (,,..., ) ua muestra aleatoria simple de variables aleatorias tales que ξ N( µ, ) i i Variable aleatoria Media Muestral. N µ, o N ( 0, ) + µ Se justifica co la propiedad aditiva de la ormal y co los resultados ateriores
13 E [ ] = µ y Var[ ] =. Otra expresió para la misma idea puede ser que por m.a.s. i N ( µ, ) el teorema de la adició se cumple que N( µ ),, por +, y por las trasformacioes lieales N µ,. Si o se cooce la variaza poblacioal o es operativa la expresió N µ,, o equivalete N( 0, ) + µ. Si o se cooce el valor de, se puede utilizar otra expresió que itroduce la variaza muestral e vez de la poblacioal, etoces: µ s t s, o equivalete t + µ, o s t + µ (utilizado la cuasivariaza muestral). Variable aleatoria Variaza muestral. s ( ) i = = i s χ Var s ( ) ; E[ s ] = ; [ ] = 4. Se prescide de la iformació sobre la media poblacioal. Població Biomial. Variable aleatoria Proporció Muestral. Se tiee població Berouilli y, etoces, i B( ; p) ξ. Se cosidera la variable aleatoria = "º de éxitos e la muestra", que sigue ua distribució B(,p). Se defie P="proporció de éxitos e extraccioes", etoces, P=/= B(,p)/ ; E [ P] = p ; [ P] Var = pq.
14 La proporció muestral es ua media e la que los valores so o cero o uo. Auque la distribució más correcta es la proporció biomial, por el TCL se puede aproximar si la muestra es grade a P N p, pq. Dos poblacioes ormales (muestras idepedietes). Para dos muestras idepedietes se supoe que se quiere comparar dos variables o dos poblacioes. Se toma dos muestras y se supoe idepedietes. Se sigue supoiedo que la distribució de las dos poblacioes es Normal. Sea,,..., ua muestra aleatoria de variables aleatorias idepedietes tales que N( µ, ) i variables aleatorias tales que Y N( µ, ) coocidas). x x i =,,..., e Y, Y,..., Ym ua muestra aleatoria de j j =,,..., m. y y Variate Diferecia de medias muestrales (variazas poblacioales Y m Nµ x µ y, x y + m U caso particular sería la diferecia de proporcioes. pq pq P P N p p, + m Variate Diferecia de medias muestrales (variazas poblacioales descoocidas pero iguales). ( Y ) ( µ µ ) m t sx + msy + + m m x y + m Variate Cociete de variazas muestrales.
15 sx x ( ) m s y y ( m ) F ( ),( m ) Dos poblacioes ormales (muestras relacioadas, datos pareados). Se tiee dos muestras relacioadas para comparar dos variables, esto es, las dos muestras que se toma o so idepedietes (los datos está apareados). i N Sea,,..., ua muestra aleatoria de variables aleatorias tales que ( µ, ) x x i =,,..., e Y, Y,..., Y ua muestra aleatoria de variables aleatorias tales que Y N( µ, ) Notar que e este caso =m. j j =,,...,. Las muestras está relacioadas. Variate Diferecia de medias muestrales. Sea D siguiete resultado: i = i Yi y sea d Y ( µ µ ) x y t sd y y s su desviació típica muestral, se puede usar el Tras observar estas distribucioes, el siguiete paso está e el aálisis de los posibles estadísticos estimadores. Será muy importate establecer las propiedades deseables e el estimador para poder juzgar, iicialmete, su bodad, ya que siempre permaecerá descoocido el verdadero valor del parámetro poblacioal. Además, posteriormete (tema 3) coviee establecer métodos de obteció de estimadores ya que se podría platear, e pricipio, ua gra catidad de estadísticos estimadores sobre los que habría que comprobar sus propiedades..3.- PROPIEDADES DE LOS ESTIMADORES. Para estudiar la bodad de u estimador se puede empezar aalizado el error cometido e la estimació. Éste se defie como la distacia etre la estimació realizada y el verdadero valor del parámetro θ θ. Este valor siempre será descoocido dado que
16 el valor del parámetro o se coocerá y que el estimador es ua variable aleatoria. Para obteer ua medida más operativa se procede como sigue: se elimia la ifluecia del sigo e la diferecia co el cuadrado ( θ θ ) y se toma la esperaza. Co ello, se llega a ua medida deomiada error cuadrático medio (represeta u criterio ituitivo y operativo). Se defie el error cuadrático medio (ECM) como ECM( θ ) = E( θ θ ). U valor pequeño del error cuadrático medio sigifica que el estimador elegido, e media, o se ecuetra lejos del parámetro descoocido (este podría ser u bue criterio para comparar distitos estimadores). Se puede platear elegir el estimador que miimice el error cuadrático medio. Estudiado la expresió aterior se puede llegar a ECM( θ ) = V( θ ) + ( E( θ ) θ ). EJEMPLO. Descompoer el error cuadrático medio. = = ) + E( ECM( θ ) E(( θ θ ) ) E(( θ E( θ θ ) θ ) ) = = E = E ( θ E( θ )) + ( θ E( θ ))( E( θ ) θ )) + ( E( θ ) θ ) ) = ( θ E( θ )) ) + E( θ E( θ ) )( E( θ ) θ ) + ( E( θ ) θ )) = = V( θ ) + ( E( θ ) θ ) puesto que E ( E( θ )) = E( θ ) E( θ ) = 0 E ) ) por θ y ( E( θ θ ) ) = ( E( θ θ ) ser la esperaza de ua costate. La descomposició del E.C.M. e dos sumados positivos idica que para ecotrar u bue estimador es ecesario miimizar ambos simultáeamete. E geeral, esto o es posible (basta observar que la variaza míima se obtedría a través de estimadores costates para los que o teemos igú cotrol sobre el otro sumado). Ua solució es restrigir la búsqueda de estimadores a ua clase especial de los mismos, los estimadores isesgados. Estimador isesgado. U estimador es isesgado cuado su media o esperaza matemática coicide co el valor verdadero del parámetro descoocido, esto es, E ( θ ) = θ
17 Si el estimador es isesgado, miimiza el segudo sumado e que se descompoe el error cuadrático medio, ( E ( θ ) θ ) = 0 y, por tato, el error cuadrático medio coicide co la variaza del estimador. Al ser isesgado, el valor del parámetro descoocido es la media de los valores de θ para todas las muestras posibles (co esta propiedad se cosigue que la estimació acierte e térmio medio). Si u estimador o es isesgado se deomia sesgo a la diferecia b ( θ ) = E( θ ) θ. Etre dos estimadores sesgados será mejor aquel cuyo sesgo sea meor e valor absoluto. U estimador es asitóticamete isesgado si su sesgo tiede a cero cuado crece el tamaño muestral (tamaño tiede a ifiito). Como propiedad se puede destacar que si existe dos estimadores co el mismo sesgo se puede costruir ifiitos estimadores de esa clase mediate combiació lieal covexa de los dos estimadores iiciales. EJERCICIO. Demostrar la propiedad aterior. EJERCICIO. Demostrar que co m.a.s. cualquier combiació lieal covexa de los elemetos muestrales es u estimador isesgado de la media poblacioal. Estimador eficiete. La eficiecia se relacioa co la miimizació de la variaza del estimador (se relacioa co el primer sumado del criterio del error cuadrático medio). Se estudia, especialmete, e el caso de estimadores isesgados (e este caso el error cuadrático medio coicide co la variaza del estimador). Etoces, se llega al estimador que tiee míima variaza etre todos los estimadores isesgados. E pricipio, para aalizar la eficiecia de los estimadores bastaría co hallar las variazas y compararlas. El problema es mayor cuado existe muchos estimadores
18 e estudio o cuado iteresa el estimador co meor variaza de todos los posibles. Se recurre a la iformació que proporcioa la fució de verosimilitud mediate la Cota de Cramer-Rao (CCR): V ( θ ) CCR = [ + b' ( θ )] [ + b'( θ) ] = I[ θ ] l L(, θ ) E θ co b( θ ) b'( θ ) =. θ Si se toma estimadores isesgados y muestras aleatorias simples se llega a: V ( θ ) CCR = = l f ( x, θ ) I θ E θ [ ]. CCR La medida de eficiecia queda como ME = co 0 ME. V ( θ ) Se tiee u estimador más eficiete cuato más cerca de uo está la medida. Si CCR= es eficiete. Para grades muestras iteresa que sea estimadores asitóticamete eficietes. Estimador cosistete. La muestra proporcioa iformació sobre los parámetros poblacioales e estudio. La catidad de iformació dispoible aumeta co el tamaño de la muestra. U estimador razoable debería recoger ese aumeto de iformació de modo que las estimacioes que se realice co él sea tato mejores cuato mayor sea el úmero de uidades observadas. E el límite, cuado la muestra coicide co la població la estimació debería coicidir co el verdadero valor del parámetro. Por esto, coviee estudiar el comportamieto de los estimadores e fució del tamaño muestral. Iteresa, especialmete, la cosistecia e probabilidad. U estimador es cosistete si la probabilidad de que la desviació etre el estimador y el valor verdadero del parámetro sea superior a cualquier úmero ε por pequeño que sea, se acerca a cero cuado el úmero de elemetos de la muestra se acerca al úmero de elemetos e la població (a ifiito e poblacioes ifiitas). P( θ θ > ε ) 0, o bie, P( θ θ < ε ). N N
19 U estimador θ será por tato cosistete si cuado se observa toda la població la estimació coicide exactamete co el valor del parámetro a estimar. E esta situació, al icremetar el tamaño muestral hasta N la muestra coicide co la població y el error cuadrático será cero. Para poblacioes ifiitas se aplica la desigualdad de Tchebychev y se llega a que la codició aterior equivale a ua situació de estimador asitóticamete isesgado y co variaza asitóticamete ula. E este curso se admitirá siempre la hipótesis de idetificar cosistecia co estimador asitóticamete isesgado y co variaza asitóticamete ula. EJERCICIO. Demostrar que la cosistecia e probabilidad equivale a estimador asitóticamete isesgado y co variaza asitóticamete ula. Estimador suficiete. U estadístico es suficiete cuado cotiee toda la iformació relevate coteida e la muestra respecto del parámetro descoocido (igú otro estadístico puede proporcioar iformació adicioal sobre el parámetro poblacioal descoocido). Si el estimador es suficiete la distribució de la muestra codicioado al estimador es idepediete del parámetro. El procedimieto más operativo para demostrar suficiecia se tiee aplicado el criterio de factorizació de Fisher-Neyma. Estimador robusto. U estimador es robusto cuado los cambios e las hipótesis de comportamieto poblacioal (modelo poblacioal) o afecta o afecta débilmete al estimador.
En 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 detallese i y i y i y i 0 1 x 1i 2 x 2i k x ki
Demostracioes de Rgresió múltiple El modelo que se platea e regresió múltiple es: y i 0 1 x 1i x i k x ki u i dode x 1, x,,x k so las variables idepedietes o explicativas. La variable respuesta depede
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 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 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 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 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 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 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 detallesINTRODUCCIÓN A LA PROBABILIDAD
INTRODUIÓN L PROBBILIDD EXPERIMENTOS LETORIOS Y DETERMINISTS Los experimetos o feómeos cuyo resultado o puede coocerse hasta haber realizado la experiecia se llama aleatorios o estocásticos. uado el resultado
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 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 detallesSistemas de Ecuaciones Lineales. M. en I. Gerardo Avilés Rosas
Sistemas de Ecuacioes Lieales M. e I. Gerardo Avilés Rosas Octubre de 206 Tema 5 Sistemas de Ecuacioes Lieales Objetivo: El alumo formulará, como modelo matemático de problemas, sistemas de ecuacioes lieales
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 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 detallesModelos lineales en Biología, 5ª Curso de Ciencias Biológicas Clase 28/10/04. Estimación y estimadores: Distribuciones asociadas al muestreo
Modelos lieales e Biología, 5ª Curso de Ciecias Biológicas Clase 8/10/04 Estimació y estimadores: Distribucioes asociadas al muestreo Referecias: Cualquiera de los textos icluidos e la bibliografía recomedada
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 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 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 detallesEstimación puntual y por intervalos de confianza
Ídice 6 Estimació putual y por itervalos de cofiaza 6.1 6.1 Itroducció.......................................... 6.1 6. Estimador........................................... 6. 6.3 Método de costrucció
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 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 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 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 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 detallesTRABAJO DE GRUPO Series de potencias
DPTO. MATEMÁTICA APLICADA FACULTAD DE INFORMÁTICA (UPM) TRABAJO DE GRUPO Series de potecias CÁLCULO II (Curso 20-202) MIEMBROS DEL GRUPO (por orde alfabético) Nota: Apellidos Nombre Este trabajo sobre
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 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 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 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 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 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 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 detallesMuestreo Estratificado.
Muestreo Estratificado. 1.- Itroducció: Para aplicar este diseño, se precisa que la població esté dividida e subpoblacioes, estratos, que o se solape. Se seleccioa ua muestra probabilística e cada estrato
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 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 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 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 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 detallesPROBABILIDAD. El espacio muestral de un experimento aleatorio es el conjunto de todos los resultados posibles que pueden producirse.
PROAILIDAD 1.- EXPERIMENTOS ALEATORIOS De forma geeral podemos distiguir etre experimetos determiistas y experimetos aleatorios. Las leyes de la física, de la química y de otras ciecias os provee de ecuacioes
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 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 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 detallesSELECCIÓN DE LOS CASOS (II): Muestra estadística
ELECCIÓ DE L CA (II): El objetivo de esta ficha de actividad es itroducir el problema de la selecció de los casos ua vez que se ha defiido (auque sea) provisoriamete el tipo de diseño que orgaizará la
Más detallesESTADÍSTICA UNIDIMENSIONAL
I.E.S. Virge de la Paz. Alcobedas DEPARTAMETO DE MATEMÁTICAS Itroducció ESTADÍSTICA UIDIMESIOAL El ombre de Estadística alude al eorme iterés de esta rama matemática para los asutos del Estado y su itroducció
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 detallesEstado gaseoso. Mezclas de gases ideales presión parcial de un gas en una mezcla de gases ideales ley de Dalton
Estado gaseoso Ecuació de estado de los gases perfectos o ideales Mezclas de gases ideales presió parcial de u gas e ua mezcla de gases ideales ley de Dalto Feómeos de disolució de gases e líquidos leyes
Más detallesSucesiones de números reales Sucesiones convergentes: límite de una sucesión
Sucesioes de úmeros reales Sucesioes covergetes: límite de ua sucesió Tato e la educació secudaria obligatoria como e el bachillerato se habla poco de las sucesioes de úmeros reales. Si acaso se dedica
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 detalles5.Distribución de la variable aleatoria media muestral. 6.Distribución de la variable aleatoria varianza muestral
TEMA INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA.Itroducció al muestreo.elemetos del muestreo 3.Tipos de muestreo 4.Distribucioes que iterviee e el muestreo 5.Distribució de la variable aleatoria media muestral
Más detallesuna sucesión de funciones de A. Formemos una nueva sucesión de funciones {S n } n=1 de A de la forma siguiente:
Tema 8 Series de fucioes Defiició 81 Sea {f } ua sucesió de fucioes de A Formemos ua ueva sucesió de fucioes {S } de A de la forma siguiete: S (x) = f 1 (x) + f 2 (x) + + f (x) = f k (x) Al par de sucesioes
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 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 detallesM arcelo, de vez en vez, usa una reata de 10 m de largo y 2 cm de grueso para
GEOMETRÍA, TRIGONOMETRÍA Y SERIES Tema 4 Series uméricas M arcelo, de vez e vez, usa ua reata de 10 m de largo y cm de grueso para medir el cotoro de los terreos que fumiga. Para que la reata que usa o
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 detallesINTERVALOS DE CONFIANZA
Gestió Aeroáutica: Estadística Teórica Facultad Ciecias Ecoómicas y Empresariales Departameto de Ecoomía Aplicada Profesor: Satiago de la Fuete Ferádez NTERVALOS DE CONFANZA Gestió Aeroáutica: Estadística
Más detalles4 Cuarta. 4.1 Parte básica. Unidad Didáctica "ESTADÍSTICA INFERENCIAL"
213 4 Cuarta Uidad Didáctica "ESTADÍSTICA INFERENCIAL" 4.1 Parte básica 214 4.1.1 Itroducció y motivació La pricipal razó de que el Método Estadístico se haya desarrollado ampliamete e los últimos años
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 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 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 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 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 detallesTest de Hipótesis. Material Preparado por Hugo Delfino
Test de Hipótesis Material Preparado por Hugo Delfio 8-3 Qué es ua Hipótesis? Hipótesis: Es u suposició acerca del valor de u parámetro de ua població co el propósito de discutir su validez. Ejemplo de
Más detallesInferencia. (Teoría y problemas) I. Espejo Miranda. M. A. López Sánchez. A. Sánchez Navas C. Valero Franco
Iferecia Estadística (Teoría y problemas) I. Espejo Mirada F. Ferádez Palací M. A. López Sáchez M. Muñoz Márquez A. M. Rodríguez Chía A. Sáchez Navas C. Valero Fraco c Servicio de Publicacioes. Uiversidad
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 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 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 detalles