Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
|
|
- Lidia Plaza Pinto
- hace 7 años
- Vistas:
Transcripción
1 Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR
2 Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual. Propiedades. Estimación de la media poblacional. Estimación de una proporción. 3. Intervalo aleatorio y estimación por intervalos de confianza. Intervalos para medias y proporciones.
3 5.1. Estimadores y estimaciones El objetivo de la inferencia estadística es extraer conclusiones sobre una población a partir de la información contenida en una muestra aleatoria de la misma. La distribución de una variable en la población se caracteriza a partir de algunos parámetros poblacionales (media, varianza, etc.) que denotamos θ. usamos la inferencia estadística para obtener información sobre los valores de los parámetros poblacionales, basándonos en la información contenida en la muestra.
4 Para dar un valor numérico al parámetro θ usando la información de la muestra se construye una función h( ) : R n Θ (donde Θ es el conjunto de todos los valores posibles de θ o espacio paramétrico). Dicha función h(x 1, X 2,..., X n ), que asocia a cada muestra un elemento del espacio paramétrico se llama estimador de θ. Un estimador es un estadístico, cuya elección dependerá del parámetro poblacional que nos interese. El valor h(x 1, x 2,..., x n ) que el estimador toma en una muestra concreta es una estimación del parámetro.
5 Estimación puntual: se selecciona un estadístico muestral que se utiliza como estimador del parámetro poblacional. Se obtiene a partir de las observaciones muestrales un único valor numérico para el parámetro desconocido. Estimación por intervalos: se especifica un rango de valores posibles dentro de los cuales puede encontrarse el verdadero valor del parámetro y se le asocia una probabilidad que representa un determinado nivel de confianza. Contraste o prueba de hipótesis: se plantea una hipótesis sobre el valor del parámetro (θ) y se utiliza la información proporcionada por la muestra para decidir si la hipótesis se rechaza o no.
6 Propiedades de los estimadores: Definición: sesgo de un estimador Si consideramos un parámetro θ y su estimador θ podemos definir el sesgo como la diferencia entre el valor esperado del estimador y el parámetro a estimar: ) ) B ( θ = E ( θ θ Si la media de la distribución del estimador coincide con el parámetro que con él se busca estimar, su sesgo es igual a cero. Los estimadores que tienen esta propiedad se denominan insesgados. Su distribución está centrada en el valor del parámetro.
7 Ejemplo: la media muestral X es un estimador insesgado de la media poblacional µ porque la media de la distribución de la media muestral es µ. Por tanto, E ( X ) = µ. El gráfico muestra las distribuciones de dos estimadores del parámetro θ, uno sesgado θ 1 y otro insesgado θ 2. f(θ) f(θ! ) f(θ! ) θ θ
8 Definición: Error Cuadrático Medio El Error Cuadrático Medio de un estimador θ, ) que denotamos ECM ( θ, es el valor esperado del cuadrado de la diferencia entre θ y el parámetro θ, es decir: ) [ ) ] 2 ECM ( θ = E ( θ θ El ECM es la suma de dos componentes no negativos: ) ) [ )] 2 ECM ( θ = Var ( θ + B ( θ El error cuadrático medio de un estimador es igual a su varianza más su sesgo al cuadrado.
9 Cuando se comparan estimadores, importa si son sesgados o insesgados, e importan también las varianzas. En esta situación un criterio para elegir entre varios estimadores podría ser la minimización del ECM. No es fácil obtener siempre un estimador θ que haga mínimo su ECM para todos los valores posibles de θ. Un estimador θ puede dar lugar a un ECM mínimo para algunos valores del parámetro θ, mientras que otro estimador θ puede dar lugar a un ECM mínimo para valores diferentes de θ.
10 Definición: Eficiencia Se considera los estimadores insesgados ) y entre éstos se busca el que tenga el error cuadrático medio ECM ( θ mínimo. Si un estimador θ es ) insesgado B ( θ = 0. Entonces: ) ) ECM ( θ = Var ( θ Por tanto se busca obtener, de entre todos los estimadores insesgados, un estimador que tenga varianza mínima, si es que existe. Éste será el estimador insesgado de varianza mínima o estimador eficiente.
11 Supongamos que θ 1 y θ 2 son estimadores insesgados de θ. θ 1 es un estimador más eficiente que θ 2 si, en muestreos repetidos con un tamaño muestral dado, su varianza es menor que la de θ 2. Para el estimador con varianza más pequeña los valores posibles para θ estarán menos dispersos. Gráficamente: f(θ) f(θ! ) f(θ! ) θ θ
12 Definición: Consistencia Convergencia en probabilidad: Dados una variable aleatoria X n (que depende de n), y una constante k, si para cualquier ε > 0 se cumple que P( X n k > ε) 0 cuando n, entonces X n converge en probabilidad a k. Definición: Si tenemos un estimador θ para un parámetro θ, si θ converge en probabilidad a θ, entonces se dice que θ es un estimador consistente para θ.
13 Un estimador es consistente si, a medida que n aumenta, el valor del estadístico se aproxima al parámetro. Condición suficiente: un estimador cuyo ECM tiende a 0 cuando n es consistente. Por tanto, un estimador insesgado cuya varianza se aproxima a cero a medida que n aumenta será consistente. Ejemplo: la varianza de la media muestral es: σ 2 X n = σ 2 /n. A medida que aumenta n, se aproximará a cero. Por tanto, X n es un estimador consistente de µ. Si un estadístico no es un estimador consistente, tomar una muestra más grande no mejorará la precisión de la estimación.
14 Parámetros y estimadores Parámetro Estimador puntual Valor esperado Varianza poblacional θ insesgado θ E( θ) V ( θ) Media µ Varianza σ 2 µ=x = n i=1 X i σ n µ 2 n σ 2 = s 2 = n (X i X) 2 i=1 n 1 σ 2 E(X µ) 4 n n 3 n(n 1) σ4 proporción p p= n i=1 X i n p p(1 p) n
15 5.2 Estimación puntual Consiste en obtener un único número, calculado a partir de las observaciones muestrales, utilizado como estimación del parámetro θ. El estimador θ tendrá su distribución en el muestreo. Para diferentes realizaciones de una muestra de tamaño n se tendrá diferentes valores de θ.
16 5.3. Estimación por intervalos Los estimadores puntuales son funciones de las observaciones muestrales. Cuando se calcula el valor del estimador para una muestra concreta entonces se tiene una estimación puntual, valor que en general diferirá del verdadero valor del parámetro θ. Dado que el estimador es una variable aleatoria y tiene una distribución, es posible acompañar la estimación del parámetro con alguna medida del posible error asociado a la estimación (precisión), que se traduce en un intervalo o rango de valores para θ, acompañado de la probabilidad de que el parámetro se encuentre en este intervalo (confianza).
17 Los intervalos serán del tipo: [ θ(x1, X 2,..., X n ), ] θ(x1, X 2,..., X n ) Los extremos del intervalo son estadísticos. Variarán de manera aleatoria de una muestra a otra, pues dependen de las observaciones de la muestra. Tanto los extremos del intervalo como su amplitud serán aleatorios. No podremos saber con seguridad si el valor del parámetro θ se encuentra dentro del intervalo obtenido una vez seleccionada una sola muestra. Se busca obtener un intervalo de la amplitud deseada y con alta probabilidad de contener al parámetro θ.
18 Se elige la probabilidad deseada, que se representa por (1 α). Los valores usuales son 0, 90, 0, 95 y 0, 99. α es la probabilidad de error o la probabilidad de que un intervalo dado no contenga el valor del parámetro desconocido. Al valor 100 (1 α) % se le llama nivel de confianza. Para obtener una estimación por intervalo del parámetro poblacional θ desconocido, los estadísticos θ(x 1, X 2,..., X n ) y θ(x 1, X 2,..., X n ) nos darán los valores extremos del intervalo, tales que: P [ θ(x1, X 2,..., X n ) θ θ(x 1, X 2,..., X n )] = 1 α
19 Se trata de un intervalo aleatorio, pues los extremos dependen de la muestra seleccionada. θ y θ son variables aleatorias. El parámetro θ es desconocido. En consecuencia, antes de seleccionar la muestra podemos decir que la probabilidad de que el parámetro θ tome algún valor en el intervalo [ θ, θ] es igual a (1 α). Esto no será correcto decirlo después de seleccionar la muestra. Para una muestra dada se tendrá dos valores concretos a y b para los ĺımites inferior e superior del intervalo. No podemos afirmar que P (a θ b) = (1 α); no tiene sentido pues a, b y θ son tres constantes. No hay nada aleatorio en el intervalo una vez extraída la muestra.
20 No nos referimos a la probabilidad del intervalo numérico sino al nivel de confianza del intervalo. La interpretación es que si consideramos un número grande de muestras del mismo tamaño y calculamos los ĺımites inferior y superior para cada muestra, se obtendrá que aproximadamente el 100 (1 α) % de los intervalos resultantes contendrán al valor del parámetro θ. Como aproximadamente el 100 α % restante no contendrá al valor del parámetro θ, al intervalo particular obtenido (a, b) se le llama intervalo para θ al nivel de confianza del 100 (1 α) %. Se refiere a la regla con la cual fue construido, y no a la probabilidad de que θ esté entre esos dos valores (a, b) en particular.
21 Estimación por intervalos. Ejemplos 1. Media de una población normal- σ conocida Sea una población N(µ, σ 2 ), con σ conocido. Se quiere obtener un intervalo de confianza para µ al nivel de confianza 100 (1 α) %. Se toma una muestra aleatoria (X 1, X 2,..., X n ). ( La media muestral X N µ, σ2 n ), por lo cual Z = X µ σ/ n N (0, 1 ) La idéntica distribución se refiere a que todas las observaciones provienen de la misma población y son generadas por el mismo mecanismo estadístico.
22 Sabemos que P ( z 1 α/2 X µ σ/ n < z 1 α/2 ) = 1 α Donde z 1 α/2 es el valor de la distribución normal (0, 1) que acumula una probabilidad igual a 1 α/2 para valores menores o iguales. Esto nos da el intervalo aleatorio P ( X z 1 α/2 σ/ n µ < X + z 1 α/2 σ/ n ) = 1 α
23 El gráfico siguiente muestra la obtención de sucesivos intervalos para la media µ de una población N(µ, σ 2 ), con σ conocida, de la forma: [X n z 1 α/2 σ n, X n + z 1 α/2 σ n ] donde θ(x 1, X 2,..., X n ) = X n z 1 α/2 σ n y θ(x 1, X 2,..., X n ) = X n + z 1 α/2 σ n, considerando como coeficiente de confianza (1 α) = 0, 95
24 µμ z!!!/! σ/ n f! (x) µμ + z!!!/! σ/ n α/2 1 α = 0,95 α/2 = 0,025 θ = x! z!!!/! σ/ n µ x! x θ = x! + z!!!/! σ/ n
25 Interpretación: Si se toma un número grande de muestras aleatorias de tamaño n de la misma población y se calcula θ y θ para cada muestra, se espera que aproximadamente el 95 % de los intervalos contenga el verdadero valor del parámetro µ y que el 5 % restante no lo contenga. En la práctica sólo se tiene una muestra aleatoria y, por tanto, sólo un intervalo de confianza. No se conoce si el intervalo obtenido es uno entre el 95 % que contiene a µ o uno entre el 5 % que no lo contiene. Por eso se habla de que se tiene un nivel de confianza de 95 %.
26 Ejemplo: De una población normal se toma una muestra aleatoria cuya media es 25. Obtener un intervalo de confianza para la media poblacional m en los siguientes casos: 1. n = 16; σ = 6; 1 α = 0,90; 2. n = 64; σ = 6; 1 α = 0,90; (mayor tamaño muestral) 3. n = 16; σ = 10; 1 α = 0,90; (mayor varianza) 4. n = 16; σ = 10; 1 α = 0,95; (mayor confianza deseada)
27 Forma del intervalo: [ x z 1 α/2 σ/ n, x + z 1 α/2 σ/ n ] 1. con x = 25, σ = 6, n = 16, 1 α = 0, 90 tenemos α/2 = 0, 05 y z 0,95 = 1, 645 (tabla). Intervalo: [25 1, 645 6/4, , 645 6/4] = [22, 54, 27, 46] 2. con x = 25, σ = 6, n = 64, 1 α = 0, 90. Por tanto α/2 = 0, 05 y z 0,95 = 1, 645 (tabla). Intervalo: [25 1, 645 6/8, , 645 6/8] = [23, 77, 26, 23] Mayor tamaño de la muestra disminuye la amplitud del intervalo y, por tanto, aumenta la precisión.
28 3. para x = 25, σ = 10, n = 16, 1 α = 0, 90 (mayor desvío). Intervalo: [25 1, /4, , /4] = [20, 88, 29, 11] Mayor desviación estándar de la variable: aumenta la amplitud del intervalo y disminuye la precisión. 4. con x = 25, σ = 6, n = 16, 1 α = 0, 95. Por tanto α/2 = 0, 025 y z 0,975 = 1, 96 (tabla). Intervalo: [25 1, 96 6/4, , 96 6/4] = [22, 06, 27, 94] Mayor nivel de confianza requerido, aumenta la amplitud del intervalo y disminuye la precisión.
29 2. Media de una población normal, σ desconocida X N(µ, σ 2 ), con µ y σ desconocidos. Se quiere un intervalo de confianza para µ al nivel de confianza 100 (1 α) %. Se toma una muestra aleatoria (X 1, X 2,..., X n ). En este caso el estadístico será: t = X µ s/ n t(n 1) que se distribuye según una t-student con n 1 grados de libertad, siendo s el desvío estándar muestral.
30 Distribución t-student y distribución normal La distribución t-student, al igual que la distribución normal estándar Z tiene media cero, es simétrica respecto a la media y toma valores entre y +. Mientras que la distribución Z tiene varianza uno, la varianza de la t es mayor que uno. Por tanto, es m ás dispersa que Z. A medida que n aumenta, la distribución t se aproxima a la distribución Z. Puede aproximarse la t con la distribución Z cuando n 30. Z o t con n (30) t(15) t(10) µ
31 Ejemplo: Un fabricante de vehículos sabe que el consumo de gasolina de sus vehículos se distribuye normal. Se selecciona una muestra aleatoria de 6 coches y se observa el consumo cada 100 km, obteniéndose una media de 19, 48 y un desvío de 1, 06. Se solicita: obtener los intervalos de confianza para el consumo medio de gasolina a los niveles de confianza del 90 % y del 95 %. El intervalo de confianza para la media poblacional cuando el desvío estándar es desconocido tiene la forma: ( ) X t (n 1) 1 α/2 s/ n, X + t (n 1) 1 α/2 s/ n
32 Utilizando una t-student con 6 1 = 5 grados de libertad: Intervalo para µ con 1 α = 0, 90 : ( ) X t (n 1) 1 α/2 s/ n, X + t (n 1) 1 α/2 s/ n ( ) 1, 06 1, 06 19, 48 2, 015, 19, , 015 = (18, 61, 20, 35) 6 6 Intervalo para µ con 1 α = 0, 95 : ( ) 1, 06 1, 06 19, 48 2, 571, 19, , 571 = (18, 37, 20, 59) 6 6
33 Se puede observar que si se desea mayor nivel de confianza el intervalo se hace más amplio: existe una relación negativa entre confianza y precisión. Los resultados presentados se refieren a poblaciones normales. Para estas poblaciones podrá usarse en general el estadístico Z (normal estándar), tanto cuando la distribución es exacta (varianza conocida, muestras chicas o grandes) como cuando es aproximada (varianza desconocida, muestras grandes). Cuando la varianza es desconocida y la muestra es pequeña (n < 30) se usa la distribución t.
34 3. Media de cualquier población, muestras grandes Para cualquier población, si conocemos la desviación estándar σ, la distribución aproximada de la media estandarizada en muestras grandes es n ( X n µ X σ ) D N(0, 1) Por lo general no será el caso, por lo que usaremos el resultado que indica que n ( X n µ X s ) D N(0, 1)
35 4. Proporción poblacional Muchas veces es de interés estimar la proporción de la población con cierta característica (por ejemplo, proporción de votantes de determinado partido poĺıtico). Para estimar una proporción poblacional (p), utilizaremos la proporción muestral p como estimador. La estimación las proporciones muestrales es similar a la de las medias. De cualquier población es posible obtener muchas muestras diferentes de un tamaño dado. Cada muestra tendrá su propia proporción de éxitos.
36 Al igual que con la media muestral, el valor esperado de la distribución muestral de las proporciones muestrales será igual a la proporción de éxitos en la población: E ( p) = p El error estándar de la distribución muestral de la proporción será: p (1 p) σ p = n A su vez, cuando n es grande, la distribución de la proporción muestral será aproximadamente normal: ( ) p (1 p) p N p, n
37 Por tanto, para la estimación de un intervalo de confianza para la proporción muestral podemos utilizar el estadístico: Z = p p σ p La varianza del estimador de la proporción muestral depende del p(1 p) parámetro p que deseamos estimar: σ p = n. Se usa el estimador del error estándar de la distribución de las proporciones muestrales, dado por: p (1 p) s p = n
38 El intervalo aleatorio vendrá dado por: [ P z 1 α/2 p p ] z 1 α/2 = 1 α Operando obtenemos: s p P [ p z 1 α/2 s p p p + z 1 α/2 s p ] = 1 α Por lo que el intervalo de confianza es: [ p z1 α/2 s p, p + z 1 α/2 s p ]
39 Ejemplo: Se quiere determinar qué porcentaje de casas de la ciudad de Montevideo tienen más de un televisor. Una muestra aleatoria de 500 casas revela que 275 tienen dos o más televisores. Cuál es el intervalo de confianza del 90 % para estimar la proporción? Proporción muestral: p = 275/500 = 0, 55 Estimación del error estándar de la distribución de la proporción muestral: s p = p (1 p) n 0, 55 (0, 45) = = 0,
40 Intervalo aleatorio: P [ p z 0,95 s p p p + z 0,95 s p ] = 0, 9 Buscando en la tabla de la normal estándar tenemos: Intervalo de confianza. [0,55 1, 65 0, 007, 0,55 + 1, 65 0, 007] [0,538, 0,561] Podemos tener confianza de que en el 90 % de los intervalos obtenidos de esta manera se encuentra el valor poblacional.
Conceptos básicos de inferencia estadística (I): Inferencia estadística (repaso)
Conceptos básicos de inferencia estadística (I): Inferencia estadística (repaso) Tema 1 (I) Estadística 2 Curso 08/09 Tema 1 (I) (Estadística 2) Inferencia estadística Curso 08/09 1 / 24 Inferencia estadística
Más detallesTécnicas de Muestreo Métodos
Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad
Más detallesPart VII. Estadística I. Mario Francisco. Introducción a la inferencia. Estimación puntual. Propiedades deseables de los estimadores
Part VII La inferencia puede definirse como el conjunto de métodos mediante cuales podemos extraer información sobre distintas características de interés de cierta distribución de probabilidad de la cual
Más detallesTema 6. Estimación puntual
1 Tema 6. Estimación puntual En este tema: Planteamiento del problema. Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Métodos
Más detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesBLOQUE III: INFERENCIA ESTADISTICA. X, variable aleatoria de interés sobre una determinada población
BLOQUE III: INFERENCIA ESTADISTICA TEMA 8. MUESTREO Y DISTRIBUCIONES DE MUESTREO 1. Introducción a la Inferencia Estadística X, variable aleatoria de interés sobre una determinada población Observar el
Más detallesEstimación. Introducción. Sea X la variable aleatoria poblacional con distribución de probabilidad f θ donde. es el parámetro poblacional desconocido
Tema : Introducción a la Teoría de la Estimación Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f θ (x), donde θ Θ es el parámetro poblacional desconocido Objetivo:
Más detallesTema 2: Introducción a la Inferencia Estadística
Tema 2: Introducción a la Inferencia Estadística 1.- En m.a.s. el estadístico varianza muestral es: a) Un estimador insesgado de la varianza poblacional. b) Un estimador insesgado de la media poblacional.
Más detallesCuál es el campo de estudio de la prueba de hipótesis?
ESTIMACIÓN Establecer generalizaciones acerca de una población a partir de una muestra es el campo de estudio de la inferencia estadística. La inferencia estadística se divide en estimación y prueba de
Más detallesNotas de clase Estadística R. Urbán R.
Inferencia estadística Sabemos que una población puede ser caracterizada por los valores de algunos parámetros poblacionales, por ello es lógico que en muchos problemas estadísticos se centre la atención
Más detallesMuestreo e intervalos de confianza
Muestreo e intervalos de confianza Intervalo de confianza para la media (varianza desconocida) Intervalo de confinza para la varianza Grados en Biología y Biología sanitaria M. Marvá. Departamento de Física
Más detallesUniversidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
Universidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA Ateneo Ruperto P. Bonet Chaple UTB-Julio 2016 OBJETIVO Aplicar las técnicas de Muestreo e Inferencia Estadística Determinar el tamaño
Más detallesINFERENCIA ESTADÍSTICA MUESTRAL TEMA 2: ESTIMACIÓN POR INTERVALO
UNIDAD 2 INFERENCIA ESTADÍSTICA MUESTRAL TEMA 2: ESTIMACIÓN POR INTERVALO 1 2 RECUERDE: un estimador puntual es un estadístico muestral usado para estimar un parámetro poblacional: x (estimación de μ),
Más detallesTema 3 - Introducción. Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2.
Tema 3 - Introducción 1 Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2. Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores
Más detallesTema 7: Ejercicios de Inferencia en una población Normal
Tema 7: s de Inferencia en una población Normal Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 83 - INGENIERÍA INFORMÁTICA Otros I3 En una explotación minera las rocas
Más detallesInferencia Estadística
Inferencia Estadística 2do C. 2018 Mg. Stella Figueroa Clase Nº10 Población y Muestra- Parámetro y Estimación puntual Población: Es el conjunto de todos los elementos o unidades elementales con características
Más detallesTema 7 Intervalos de confianza Hugo S. Salinas
Intervalos de confianza Hugo S. Salinas 1 Introducción Hemos definido la inferencia estadística como un proceso que usa información proveniente de la muestra para generalizar y tomar decisiones acerca
Más detallesEstadística. Contrastes para los parámetros de la Normal
Contrastes para los parámetros de la Normal Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Contrastes para los parámetros de la Normal Contrastes para los parámetros
Más detallesJuan Carlos Colonia INFERENCIA ESTADÍSTICA
Juan Carlos Colonia INFERENCIA ESTADÍSTICA PARÁMETROS Y ESTADÍSTICAS Es fundamental entender la diferencia entre parámetros y estadísticos. Los parámetros se refieren a la distribución de la población
Más detallesComportamiento asintótico de estimadores
Comportamiento asintótico de estimadores Seguimos con variable X con función de densidad/masa f (x; θ). Queremos estimar θ. Dada una muestra aleatoria, definimos un estimador T = h(x 1,..., X n ) Esperamos/deseamos
Más detallesIntervalos de Confianza
Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de
Más detallesTeorema Central del Límite
Teorema Central del Límite TCL: indica que, en condiciones muy generales, la distribución de la suma de v.a. tiende a una distribución normal cuando la cantidad de variables es muy grande. 156 Sea X 1,
Más detallesTema 6: Introducción a la inferencia estadística Parte 1
Tema 6: Introducción a la inferencia estadística Parte 1 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos Lecturas recomendadas:
Más detallesBLOQUE 3 TEMA 11 ESTIMACIÓN DE PARÁMETROS. ERRORES DE ESTIMACIÓN
BLOQUE 3 TEMA 11 ESTIMACIÓN DE PARÁMETROS. ERRORES DE ESTIMACIÓN Aproximación intutitiva a la inferencia estadística La Estadística es la ciencia que se ocupa de la ordenación y análisis de datos procedentes
Más detallesINFERENCIA ESTADISTICA. Proferora: Lic. Gladis Mazza
INFERENCIA ESTADISTICA Proferora: Lic. Gladis Mazza INFERENCIA ESTADISTICA Por este proceso es posible utilizar estadísticos calculados a partir de muestras para estimar los valores de los parámetros de
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #9 Tema: Estimación puntual y por Intervalo de confianza Prof.: MSc. Julio Rito Vargas A. Grupos: CCEE y ADMVA /2016 Objetivos:
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Intervalos de confianza Álvaro José Flórez 1 Escuela de Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesFundamentos para la inferencia. Estadística Prof. Tamara Burdisso
Fundamentos para la inferencia Estadística 018 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesEstadística Inferencial. Resúmen
Ofimega - Estadística inferencial - 1 Estadística Inferencial. Resúmen Métodos y técnicas que permiten inducir el comportamiento de una población. Muestreo o selección de la muestra: 1. Aleatorio simple:
Más detallesEstadística Clase 3. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase 3 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri 1. Pasos en un proceso estadístico 1. Plantear una hipótesis sobre una población.. Diseñar
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesNombre: Distribuciones de probabilidad continua. Segunda parte.
Estadística 1 Sesión No. 12 Nombre: Distribuciones de probabilidad continua. Segunda parte. Contextualización En la presente sesión aprenderás una de las aplicaciones principales de la distribución t-student,
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesEstadís2ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 5. Inferencia estadís2ca
Estadís2ca Tema 5. Inferencia estadís2ca María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica
Más detallesEstadística Clase 4. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 Clase 4 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 4 1. Pasos en un proceso estadístico. Inferencia Estadística 3. Estimación Puntual
Más detallesTema 6. Estimación puntual
Tema 6. Estimación puntual Contenidos Planteamiento del problema Criterios de comparación de estimadores: Insesgadez Estimadores de mínima varianza Error cuadrático medio Consistencia Métodos para obtener
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detalles7. Inferencia Estadística. Métodos Estadísticos para la Mejora de la Calidad 1
7. Inferencia Estadística Métodos Estadísticos para la Mejora de la Calidad 1 Tema 7: Inferencia Estadística 1. Intervalos de confianza para μ con muestras grandes 2. Introducción al contraste de hipótesis
Más detallesESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL.
ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL. Un intervalo de confianza, para un parámetro poblacional θ, a un nivel de confianza 1 α 100 %, no es más que un intervalo L
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Mag. María del Carmen Romero 2014 romero@econ.unicen.edu.ar Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo
Más detallesUNIDAD 4. INFERENCIA ESTADÍSTICA. Prof. Eliana Guzmán U. Semestre A-2015
UNIDAD 4. INFERENCIA ESTADÍSTICA Prof. Eliana Guzmán U. Semestre A-05 INFERENCIA ESTADÍSTICA La teoría de la Inferencia Estadística está conformada por aquellos métodos que permiten hacer generalizaciones,
Más detallesEstadística Clase 4. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 2010 Clase 4 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 4 1. Test de Hipótesis 2. Propiedades de los estimadores Problema: Nuevamente
Más detallesCurso Inferencia. Miguel Ángel Chong R. 10 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 10 de septiembre del 013 Distribución de la diferencia de medias muestrales cuando se conoce la varianza poblacional. En muchas situaciones
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detalles6. Inferencia con muestras grandes. Informática. Universidad Carlos III de Madrid
6. Inferencia con muestras grandes 1 Tema 6: Inferencia con muestras grandes 1. Intervalos de confianza para μ con muestras grandes 2. Determinación del tamaño muestral 3. Introducción al contraste de
Más detallesTema 3: Estimación estadística de modelos probabilistas. (primera parte)
Tema 3: Estimación estadística de modelos probabilistas. (primera parte) Estructura de este tema: 1. 2 Estimación por intervalos de confianza. 3 Contrastes de hipótesis. Planteamiento del problema Inconveniente:
Más detallesBioestadística: Inferencia Estadística. Análisis de Una Muestra
Bioestadística: Inferencia Estadística. Análisis de Una Muestra M. González Departamento de Matemáticas. Universidad de Extremadura Estimación Puntual e Intervalos de Confianza Planteamiento del Problema
Más detallesCUESTIONES TEÓRICAS ESTADÍSTICA
Gestión Aeronáutica: Estadística Teórica Facultad Ciencias Económicas y Empresariales Departamento de Economía Aplicada Profesor: Santiago de la Fuente Fernández CUESTIONES TEÓRICAS ESTADÍSTICA Gestión
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesMs. C. Marco Vinicio Rodríguez
Ms. C. Marco Vinicio Rodríguez mvrodriguezl@yahoo.com http://mvrurural.wordpress.com/ Un estimador es una regla que establece cómo calcular una estimación basada en las mediciones contenidas en una muestra
Más detallesINTERVALOS DE CONFIANZA
INTERVALOS DE CONFIANZA INTERVALOS DE CONFIANZA Dado que los estimadores puntuales pocas veces serán iguales a los parámetros que se desean estimar, es posible darse mayor libertad utilizando estimadores
Más detallesESTADÍSTICA Y PROBABILIDAD
(distribución normal) 1 1.- Calcular las probabilidades de los siguientes intervalos, empleando para ello las tablas de la distribución de probabilidad normal estándar N(0, 1): (1) P(z 2 14) (2) P(z 0
Más detallesProblemas de Estimación de una y dos muestras
Problemas de Estimación de una y dos muestras Walpole Myers Myers Facultad de Estudios Superiores Acatlán Licenciatura en Economía 13 de marzo 2017 José A. Huitrón Mendoza Introducción En los ejercicios
Más detallesIntervalo para la media si se conoce la varianza
178 Bioestadística: Métodos y Aplicaciones nza para la media (caso general): Este se trata del caso con verdadero interés práctico. Por ejemplo sirve para estimar intervalos que contenga la media del colesterol
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía Novedades en el Plan de Trabajo Desviación típica sesgada
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 11 Estimadores puntuales y de intervalo Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Describir los conceptos de los estimadores puntuales y de intervalo.
Más detallesFundamentos para la inferencia. Unidad 3 Parte II Estadísca Prof. Tamara Burdisso
Fundamentos para la inferencia Estadísca 017 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesFundamentos para la inferencia. Unidad 3 Parte II Estadísca Prof. Tamara Burdisso
Fundamentos para la inferencia Estadísca 016 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesTema 4: Estimación por intervalo (Intervalos de Confianza)
Tema 4: Estimación por intervalo (Intervalos de Confianza (a partir del material de A. Jach (http://www.est.uc3m.es/ajach/ y A. Alonso (http://www.est.uc3m.es/amalonso/ 1 Planteamiento del problema: IC
Más detallesInferencia. Mauricio Olivares. 19 de junio de 2015 ITAM
Inferencia Mauricio Olivares ITAM 19 de junio de 2015 Recuerda de nuestra clase anterior que m(x) = α + βx. Recuerda de nuestra clase anterior que m(x) = α + βx. Esta es una relación poblacional, no hay
Más detallesCurso: Inferencia Estadística (ICO 8306) Profesores: Esteban Calvo Ayudantes: José T. Medina ESTIMACIÓN POR INTERVALO
ESTIMACIÓN POR INTERVALO Muchas veces queremos obtener información a través de una muestra para poder hacer inferencias de cómo se comportarían distintos parámetros en la población. Al hacer una encuesta
Más detallesEjemplos Resueltos Tema 4
Ejemplos Resueltos Tema 4 01 1. Intervalo de Confianza para la Media µ (con σ conocida Dada una muestra de tamaño n, para un nivel de confianza 1-α y la desviación típica de la población σ, el Intervalo
Más detallesTEMA 2: Estimadores y distribuciones en el muestreo. Alfredo García Hiernaux. Grupos 69 y 73 Estadística I. Curso 2006/07
TEMA 2: Estimadores y distribuciones en el muestreo 1) Introducción 2) Tipos de muestreos 3) Estadísticos INDICE 4) Estimadores y propiedades 5) Distribución muestral 6) Teorema Central del Límite 7) Distribuciones
Más detallesEstadística Aplicada a la Educación
Estadística Aplicada a a la la Educación Estadística Aplicada a la Educación Tutor. UNED Madrid-Sur (A.U. Parla) Miguel Ángel Daza 2014/15 migdaza@madridsur.uned.es 1 2014/15 1 2 4 5 6 7 8 9 10 11 12 La
Más detallesTEMA 7. Estimación. Alicia Nieto Reyes BIOESTADÍSTICA. Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 7. Estimación 1 / 13
TEMA 7. Estimación Alicia Nieto Reyes BIOESTADÍSTICA Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 7. Estimación 1 / 13 1 Estimación Puntual 1 Estimación por intervalos Estimación por intervalos de la Media
Más detallesLIMITES O INTERVALOS DE CONFIANZA LUIS FRANCISCO HERNANDEZ CANDELARIA ATENCIA ROMERO
LIMITES O INTERVALOS DE CONFIANZA LUIS FRANCISCO HERNANDEZ CANDELARIA ATENCIA ROMERO TRABAJO DE ESTADISTICA PROBABILISTICA PRESENTADO A LA PROFESORA MARIA ESTELA SEVERICHE SINCELEJO CORPORACIÓN UNIVERSITARIA
Más detallesMatemática Aplicada y Estadística - Farmacia Soluciones del Primer Examen Parcial - Grupo 3
1. Se está haciendo un estudio de medicamentos diferentes que contienen un principio activo común La distribución de frecuencias se indica en la tabla que sigue: Cantidad de sustancia mg [10,20 [20,30
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesEstadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad
Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detallesEstadís3ca y Métodos Numéricos Tema 5. Inferencia Estadís3ca
Estadís3ca y Métodos Numéricos Tema 5. Inferencia Estadís3ca Ángel Barón Caldera Ángel Cobo Ortega María Dolores Frías Domínguez Jesús Fernández Fernández Francisco Javier González Or@z Carmen María Sordo
Más detallesVariables aleatorias. Utilizando el resultado anterior, vemos que
Variables aleatorias Utilizando el resultado anterior, vemos que Variables aleatorias Otro tipo de función generadora (generatriz) es la función generadora de momentos Para una variable aleatoria X y un
Más detallesINGENIERO AGRÓNOMO EN PRODUCCIÓN TEMA: ESTIMACION Y PRUEBA DE HIPÓTESIS
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO AGRÓNOMO EN PRODUCCIÓN TEMA: ESTIMACION Y PRUEBA DE HIPÓTESIS ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: ENERO DE
Más detallesTema 12: Distribuciones de probabilidad
Tema 12: Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E, de un experimento aleatorio, un número real: X:
Más detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
Más detallesMatemáticas aplicadas a las Ciencias Sociales II
a la Matemáticas aplicadas a las Ciencias Sociales II a la Manuel Molina Fernández y Jiménez Basado en apuntes del Máster Universitario en Formación del Profesorado en Educación Secundaria CPR Mérida 24
Más detallesJuan José Hernández Ocaña
Juan José Hernández Ocaña L A e s t a d í s t i c a i n fe r e n c i a l n o s permite estimar los p a r á me t r o s de l a p o b l a c ió n a partir d e l a n á l i s i s d e datos de u n a mu e s t
Más detallesInferencia Estadística. Estimación y Contrastes
y y M Dolores Redondas dolores.redondas@upm.es E.U. Arquitectura Técnica U.P.M. Curso 2009-2010 Introducción Identicación del comportamiento de una variable El reconocimiento del comportamiento de una
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detalles1. Muestreo e Inferencia Estadística
Tema 6: Introducción a la Inferencia Estadística Objetivos Introducir los conceptos elementales en esta parte de la asignatura. Tratar con muestras aleatorias y su distribución muestral en ejemplos de
Más detallesUNIVERSIDAD ALONSO DE OJEDA ESTADISTICA II
UNIVERSIDAD ALONSO DE OJEDA ESTADISTICA II UNIDAD I MUESTREO Y ESTIMACION DE PARAMETROS (GUIA DE ESTUDIO) DR. DENY GONZALEZ MAYO 2016 La Estadística es un conjunto de métodos para la toma de decisiones
Más detallesTema 7: Introducción a la Teoría sobre Estimación
Tema 7: Introducción a la Teoría sobre Estimación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Introducción a la Teoría sobre Estimación
Más detallesCurso Inferencia. Miguel Ángel Chong R. 3 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 3 de septiembre del 013 Definamos más formalmente que entenderémos por una muestra. Definción Sea X la v.a. correspondiente a una población
Más detallesMatemáticas aplicadas a las Ciencias Sociales II
a la Matemáticas aplicadas a las Ciencias Sociales II a la Manuel Molina Fernández y Jiménez Basado en apuntes del Máster Universitario en Formación del Profesorado en Educación Secundaria CPR Mérida 24
Más detallesEstimaciones puntuales. Estadística II
Estimaciones puntuales Estadística II Estimación Podemos hacer dos tipos de estimaciones concernientes a una población: una estimación puntual y una estimación de intervalo. Una estimación puntual es un
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía VIDEOCLASE: Introducción a la estimación de parámetros
Más detallesTema 4. Intervalos de confianza. Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1
Tema 4. Intervalos de confianza Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1 Definición Sea X una v.a. con distribución de probabilidad dada por un modelo
Más detallesContrastes sobre la media Sea X 1, X 2,..., X n una m.a.s. extraída de una población normal X con media desconocida µ. Se desea contrastar:
sobre la media Sea X 1, X 2,..., X n una m.a.s. extraída de una población normal X con media desconocida µ. Se desea contrastar: H 0 : µ = µ 0 Si H 0 es cierta, X N(µ 0, σ), de donde D 1 = X µ 0 n σ N(0,
Más detallesESTIMACION INFERENCIA ESTADISTICA
P M INFERENCIA ESTADISTICA Desde nuestro punto de vista, el objetivo es expresar, en términos probabilísticos, la incertidumbre de una información relativa a la población obtenida mediante la información
Más detallesEsquema Matemáticas CCSS
Esquema Matemáticas CCSS 4. Inferencia Conocer el vocabulario básico de la Inferencia Estadística: población, individuos, muestra, tamaño de la población, tamaño de la muestra, muestreo aleatorio. Conocer
Más detallesEstadística Inferencial. Sesión 3. Estimación de parámetros y por intervalos
Estadística Inferencial. Sesión 3. Estimación de parámetros y por intervalos Contextualización. Se denomina estadístico a un estimador insesgado de un parámetro poblacional si la media o la esperanza del
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesTEMA 2: EL PROCESO DE MUESTREO
2.5. Determinación del tamaño de la muestra para la estimación en muestreo aleatorio estratificado TEMA 2: EL PROCESO DE MUESTREO 2.1. Concepto y limitaciones 2.2. Etapas en la selección de la muestra
Más detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más detalles