Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR"

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.

INTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)

INTERVALOS 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 detalles

Teorema Central del Límite (1)

Teorema 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 detalles

INFERENCIA ESTADISTICA

INFERENCIA 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 detalles

Conceptos Básicos de Inferencia

Conceptos 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 detalles

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua

ESTADÍSTICA. 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 detalles

INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.

INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes

Más detalles

Tema 4: Probabilidad y Teoría de Muestras

Tema 4: Probabilidad y Teoría de Muestras Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009

Más detalles

TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN

TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN En este artículo, se trata de explicar una metodología estadística sencilla y sobre todo práctica, para la estimación del tamaño de muestra

Más detalles

ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.

ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que

Más detalles

Tema 5. Contraste de hipótesis (I)

Tema 5. Contraste de hipótesis (I) Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar

Más detalles

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------

Más detalles

EJERCICIOS RESUELTOS DE ESTADÍSTICA II

EJERCICIOS RESUELTOS DE ESTADÍSTICA II EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo

Más detalles

Matemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis

Matemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José

Más detalles

EJERCICIOS RESUELTOS DE ESTADÍSTICA II

EJERCICIOS RESUELTOS DE ESTADÍSTICA II EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES PARTE II POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS V ERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS

Más detalles

= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] =

= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] = El peso en kg de los estudiantes universitarios de una gran ciudad se supone aproximado por una distribución normal con media 60kg y desviación típica 8kg. Se toman 100 muestras aleatorias simples de 64

Más detalles

Contraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste

Contraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste 1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y

Más detalles

Tema 5: Introducción a la inferencia estadística

Tema 5: Introducción a la inferencia estadística Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7) TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de

Más detalles

Determinación del tamaño de muestra (para una sola muestra)

Determinación del tamaño de muestra (para una sola muestra) STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto

Más detalles

RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO

RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre

Más detalles

INFERENCIA ESTADÍSTICA Notas de clase. Profesores: A. Leonardo Bañuelos S. Nayelli Manzanarez Gómez

INFERENCIA ESTADÍSTICA Notas de clase. Profesores: A. Leonardo Bañuelos S. Nayelli Manzanarez Gómez INFERENCIA ESTADÍSTICA Notas de clase Profesores: A. Leonardo Bañuelos S. Nayelli Manzanarez Gómez TEMA III ESTIMACIÓN DE PARÁMETROS POR INTERVALOS DE CONFIANZA La estimación puntual es útil pues proporciona

Más detalles

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición... Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................

Más detalles

Distribuciones muestrales. Distribución muestral de Medias

Distribuciones muestrales. Distribución muestral de Medias Distribuciones muestrales. Distribución muestral de Medias TEORIA DEL MUESTREO Uno de los propósitos de la estadística inferencial es estimar las características poblacionales desconocidas, examinando

Más detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 5. Muestreo y distribuciones muestrales Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:

Más detalles

Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos

Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,

Más detalles

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse

Más detalles

EJERCICIOS DE SELECTIVIDAD

EJERCICIOS DE SELECTIVIDAD EJERCICIOS DE SELECTIVIDAD INFERENCIA 1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media μ = 100 meses y desviación típica σ

Más detalles

TEMA 3: Contrastes de Hipótesis en el MRL

TEMA 3: Contrastes de Hipótesis en el MRL TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12

Más detalles

INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016

INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016 ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una

Más detalles

Otra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza

Otra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer

Más detalles

Fase 2. Estudio de mercado: ESTADÍSTICA

Fase 2. Estudio de mercado: ESTADÍSTICA 1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.

Más detalles

Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL

Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que

Más detalles

Pregunta 1. Pregunta 2. Pregunta 3. Pregunta 4. Pregunta 5. Pregunta 6. Pregunta 7. Comenzado el lunes, 25 de marzo de 2013, 17:24

Pregunta 1. Pregunta 2. Pregunta 3. Pregunta 4. Pregunta 5. Pregunta 6. Pregunta 7. Comenzado el lunes, 25 de marzo de 2013, 17:24 Comenzado el lunes, 25 de marzo de 2013, 17:24 Estado Finalizado Finalizado en sábado, 30 de marzo de 2013, 17:10 Tiempo empleado 4 días 23 horas Puntos 50,00/50,00 Calificación 10,00 de un máximo de 10,00

Más detalles

Estadistica II Tema 1. Inferencia sobre una población. Curso 2009/10

Estadistica II Tema 1. Inferencia sobre una población. Curso 2009/10 Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza

Más detalles

INFERENCIA ESTADÍSTICA

INFERENCIA ESTADÍSTICA INFERENCIA ESTADÍSTICA 1. DEFINICIÓN DE INFERENCIA ESTADÍSTICA Llamamos Inferencia Estadística al proceso de sacar conclusiones generales para toda una población a partir del estudio de una muestra, así

Más detalles

Muestreo probabilístico. Estimadores

Muestreo probabilístico. Estimadores Capítulo 1 Muestreo probabilístico. Estimadores Como hemos definido anteriormente, el muestreo es el proceso que nos permite la extracción de una muestra a partir de una población. Dentro de este muestreo

Más detalles

8.2.5. Intervalos para la diferencia de medias de dos poblaciones

8.2.5. Intervalos para la diferencia de medias de dos poblaciones 8.. INTERVALOS DE CONFIANZA PARA LA DISTRIBUCIÓN NORMAL 89 distribuye de modo gaussiana. Para ello se tomó una muestra de 5 individuos (que podemos considerar piloto), que ofreció los siguientes resultados:

Más detalles

PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E

PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 00-.003 - CONVOCATORIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumno debe elegir sólo una de las pruebas (A o B) y, dentro de ella, sólo

Más detalles

Contrastes de hipótesis paramétricos

Contrastes de hipótesis paramétricos Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,

Más detalles

Juan Carlos Colonia INTERVALOS DE CONFIANZA

Juan Carlos Colonia INTERVALOS DE CONFIANZA Juan Carlos Colonia INTERVALOS DE CONFIANZA INTERVALOS DE CONFIANZA PARA LOS PARÁMETROS DE DOS POBLACIONES I.C. PARA EL COCIENTE DE VARIANZAS Sean X y dos muestras aleatorias,..., Xn Y,..., Yn independientes

Más detalles

Unidad IV: Distribuciones muestrales

Unidad IV: Distribuciones muestrales Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia

Más detalles

Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones

Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una

Más detalles

Fundamentos de Estadística

Fundamentos de Estadística Fundamentos de Estadística Introducción a la Estadística Prof. Dr. Eduardo Valenzuela Domínguez eduardo.valenzuela@usm.cl Universidad Técnica Federico Santa María Dr. Eduardo Valenzuela D.; MEE 2005 p.

Más detalles

CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS

CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos

Más detalles

ESTADÍSTICA. Tema 4 Regresión lineal simple

ESTADÍSTICA. Tema 4 Regresión lineal simple ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es

Más detalles

para una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua

para una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua Pruebas de hipótesis para una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua Las secciones anteriores han mostrado cómo puede estimarse un parámetro de

Más detalles

Grupo 23 Semestre Segundo examen parcial

Grupo 23 Semestre Segundo examen parcial Probabilidad Grupo 23 Semestre 2015-2 Segundo examen parcial La tabla siguiente presenta 20 postulados, algunos de los cuales son verdaderos y otros son falsos. Analiza detenidamente cada postulado y elige

Más detalles

conocida comúnmente, como la Campana de Gauss ".

conocida comúnmente, como la Campana de Gauss . CURSO DE ESTADÍSTICA INFERENCIAL EJERCICIOS Y PROBLEMAS RESUELTOS DE DISTRIBUCIÓN NORMAL Prof.:MSc. Julio R. Vargas A. La Distribución Normal: La distribución normal N (μ, σ): es un modelo matemático que

Más detalles

Estructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo

Estructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,

Más detalles

Método de cuadrados mínimos

Método de cuadrados mínimos REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,

Más detalles

6. ESTIMACIÓN DE PARÁMETROS

6. ESTIMACIÓN DE PARÁMETROS PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza

Más detalles

Distribución Chi (o Ji) cuadrada (χ( 2 )

Distribución Chi (o Ji) cuadrada (χ( 2 ) Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably

Más detalles

proporciones y para la Estadística II Equipo Docente: Iris Gallardo Andrés Antivilo Francisco Marro

proporciones y para la Estadística II Equipo Docente: Iris Gallardo Andrés Antivilo Francisco Marro Sesión 12 Intervalo de confianza para proporciones y para la razón de varianzas. IC para a una proporción poblacional o a Qué proporción de adolescentes presenta problemas de delincuencia en una comunidad

Más detalles

TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD

TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia

Más detalles

EJERCICIOS DE ESTADÍSTICA:

EJERCICIOS DE ESTADÍSTICA: EJERCICIOS DE ESTADÍSTICA: 1º/ Una biblioteca desea estimar el porcentaje de libros infantiles que posee. La biblioteca está compuesta de 4 salas (orte, Sur, Este y Oeste) con 2500, 2740, 4000 y 6900 libros,

Más detalles

UNIDAD 6. Estadística

UNIDAD 6. Estadística Matemática UNIDAD 6. Estadística 2 Medio GUÍA N 1 MEDIDAS DE DISPERSIÓN PARA DATOS NO AGRUPADOS ACTIVIDAD Consideremos los siguientes conjuntos de valores referidos a las edades de los jugadores de dos

Más detalles

ESTADISTICA GENERAL. INFERENCIA ESTADISTICA Profesor: Celso Celso Gonzales

ESTADISTICA GENERAL. INFERENCIA ESTADISTICA Profesor: Celso Celso Gonzales ESTADISTICA GENERAL INFERENCIA ESTADISTICA Profesor: Celso Celso Gonzales Objetivos Entender los conceptos de estimación puntual y estimación por intervalos. Calcular e interpretar intervalos de confianza

Más detalles

Curso de Estadística Aplicada a las Ciencias Sociales. Tema 12. Contraste de hipótesis. Introducción. Introducción

Curso de Estadística Aplicada a las Ciencias Sociales. Tema 12. Contraste de hipótesis. Introducción. Introducción Curso de Estadística Aplicada a las Ciencias Sociales Tema 12. Contraste de (Cap. 22 del libro) Tema 12. Contraste de 1. Tipos de 2. La nula y la Ejercicios Tema 12, Contraste de 2 En muchas investigaciones

Más detalles

Métodos Estadísticos Multivariados

Métodos Estadísticos Multivariados Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre

Más detalles

Teoría de la decisión Estadística

Teoría de la decisión Estadística Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y

Más detalles

ANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.

ANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada. ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos

Más detalles

Muestreo y Distribuciones muestrales. 51 SOLUCIONES

Muestreo y Distribuciones muestrales. 51 SOLUCIONES Muestreo y Distribuciones muestrales. 51 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería Soluciones de la hoja de problemas 5. Muestreo

Más detalles

a. N(19 5, 1 2) P(19 X 21) = P( Z ) = = P = P P = = P P = P = = = El 55 72% no son adecuados.

a. N(19 5, 1 2) P(19 X 21) = P( Z ) = = P = P P = = P P = P = = = El 55 72% no son adecuados. El diámetro de los tubos de cartón para un envase ha de estar entre 19 y 21mm. La maquina prepara tubos cuyos diámetros están distribuidos como una manual de media 19 5mm y desviación típica 1 2mm. Qué

Más detalles

Tema 11: Intervalos de confianza.

Tema 11: Intervalos de confianza. Tema 11: Intervalos de confianza. Presentación y Objetivos. En este tema se trata la estimación de parámetros por intervalos de confianza. Consiste en aproximar el valor de un parámetro desconocido por

Más detalles

A. Menéndez Taller CES 15_ Confiabilidad. 15. Confiabilidad

A. Menéndez Taller CES 15_ Confiabilidad. 15. Confiabilidad 15. Confiabilidad La confiabilidad se refiere a la consistencia de los resultados. En el análisis de la confiabilidad se busca que los resultados de un cuestionario concuerden con los resultados del mismo

Más detalles

Medidas de Tendencia Central.

Medidas de Tendencia Central. Medidas de Tendencia Central www.jmontenegro.wordpress.com MEDIDAS DE RESUMEN MDR MEDIDAS DE TENDENCIA CENTRAL MEDIA MEDIANA MODA CUARTILES,ETC. MEDIDAS DE DISPERSIÓN RANGO DESVÍO EST. VARIANZA COEFIC.

Más detalles

F (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0

F (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0 Probabilidades y Estadística (M) Práctica 5 1 o cuatrimestre 2014 Vectores aleatorios 1. a) Demostrar que la función F (x, y) = 1 e x y si x 0, y 0 0 en caso contrario no es la función de distribución

Más detalles

Tema 2 Resolución de EcuacionesNo Lineales

Tema 2 Resolución de EcuacionesNo Lineales Tema 2 Resolución de Ecuaciones No Lineales E.T.S.I. Informática Indice Introducción 1 Introducción 2 Algoritmo del método de Bisección Análisis del 3 4 5 6 Algoritmo de los métodos iterativos Interpretación

Más detalles

Técnicas Cuantitativas para el Management y los Negocios I

Técnicas 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 detalles

Distribuciones de Probabilidad

Distribuciones de Probabilidad Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica

Más detalles

Puntuación Z ESTADÍSTICA APLICADA A LA EDUCACIÓN I. L.A. y M.C.E. Emma Linda Diez Knoth

Puntuación Z ESTADÍSTICA APLICADA A LA EDUCACIÓN I. L.A. y M.C.E. Emma Linda Diez Knoth 1 Puntuación Z ESTADÍSTICA APLICADA A LA EDUCACIÓN I Qué es la Puntuación Z? 2 Los puntajes Z son transformaciones que se pueden hacer a los valores o puntuaciones de una distribución normal, con el propósito

Más detalles

Capítulo 2 Juegos estáticos con información asimétrica

Capítulo 2 Juegos estáticos con información asimétrica Capítulo Juegos estáticos con información asimétrica January 1, 011 1 El equilibrio Bayesiano Definición 1.1. Un juego Bayesiano G consta de los siguientes elementos, G = (N, A, T, p, u) Un conjunto de

Más detalles

Tema 5 Algunas distribuciones importantes

Tema 5 Algunas distribuciones importantes Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos

Más detalles

Simulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12

Simulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación

Más detalles

Control Estadístico de Procesos (SPC) para NO estadísticos.

Control Estadístico de Procesos (SPC) para NO estadísticos. Control Estadístico de Procesos (SPC) para NO estadísticos. - Sesión 3ª de 4 - Impartido por: Jaume Ramonet Fernández Ingeniero Industrial Superior PMP (PMI ) Consultoría y Formación Actitud requerida

Más detalles

Intervalos de confianza

Intervalos de confianza Capítulo 5 Intervalos de confianza Como su nombre indica, el objetivo de un estadístico puntual para un parámetro desconocido de una población, es acercarnos al verdadero valor del mismo dando un valor

Más detalles

Variable Aleatoria Continua. Principales Distribuciones

Variable Aleatoria Continua. Principales Distribuciones Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables

Más detalles

UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO

UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO LICENCIATURA EN TURISMO UNIDAD DE APRENDIZAJE: ESTADISTICA TEMA 1.5 : ESTADISTICA DESCRIPTIVA M. EN C. LUIS ENRIQUE KU MOO FECHA:

Más detalles

Distribuciones de probabilidad

Distribuciones de probabilidad Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir

Más detalles

4. NÚMEROS PSEUDOALEATORIOS.

4. NÚMEROS PSEUDOALEATORIOS. 4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar

Más detalles

INFERENCIA DE LA PROPORCIÓN

INFERENCIA DE LA PROPORCIÓN ESTADISTICA INFERENCIA DE LA PROPORCIÓN DISTRIBUCIÓN MUESTRAL DE PROPORCIONES En una población la proporción de elementos (personas, animales, cosas o entes) que posee una cierta característica es p. En

Más detalles

Puntuaciones Estándarizadas, Distribución Normal y Aplicaciones. Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010

Puntuaciones Estándarizadas, Distribución Normal y Aplicaciones. Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010 Puntuaciones Estándarizadas, Distribución Normal y Aplicaciones Dra. Noemí L. Ruiz Limardo 2008 Derechos de Autor Reservados, Revisado 2010 Objetivos de Lección Conocer características principales de una

Más detalles

JUNIO Bloque A

JUNIO Bloque A Selectividad Junio 009 JUNIO 009 Bloque A 1.- Estudia el siguiente sistema en función del parámetro a. Resuélvelo siempre que sea posible, dejando las soluciones en función de parámetros si fuera necesario.

Más detalles

Estadística Descriptiva. SESIÓN 11 Medidas de dispersión

Estadística Descriptiva. SESIÓN 11 Medidas de dispersión Estadística Descriptiva SESIÓN 11 Medidas de dispersión Contextualización de la sesión 11 En la sesión anterior se explicaron los temas relacionados con la dispersión, una de las medidas de dispersión,

Más detalles

1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido

1 Método de la bisección. 1.1 Teorema de Bolzano Teorema 1.1 (Bolzano) Contenido E.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 3: Solución aproximada de ecuaciones Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña

Más detalles

b) dado que es en valor absoluto será el área entre -1,071 y 1,071 luego el resultado será F(1,071)-(1-F(1,071)=0,85-(1-0,85)=0,7

b) dado que es en valor absoluto será el área entre -1,071 y 1,071 luego el resultado será F(1,071)-(1-F(1,071)=0,85-(1-0,85)=0,7 EJERCICIOS T12-MODELOS MULTIVARIANTES ESPECÍFICOS 1. Un determinado estadístico J se distribuye según un modelo jhi-dos de parámetro (grados de libertad) 14. Deseamos saber la probabilidad con la que dicho

Más detalles

Fundamentos de Estadística y Simulación Básica

Fundamentos de Estadística y Simulación Básica Fundamentos de Estadística y Simulación Básica TEMA 2 Estadística Descriptiva Clasificación de Variables Escalas de Medición Gráficos Tabla de frecuencias Medidas de Tendencia Central Medidas de Dispersión

Más detalles

Objetivos. Epígrafes 3-1. Francisco José García Álvarez

Objetivos. Epígrafes 3-1. Francisco José García Álvarez Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.

Más detalles

Máster en comunicaciones. Clase 2. Modelos predictores.

Máster en comunicaciones. Clase 2. Modelos predictores. Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de

Más detalles

Unidad V. Control Estadístico de la Calidad

Unidad V. Control Estadístico de la Calidad UNIVERSIDAD NACIONAL DE INGENIERÍA UNI- NORTE - SEDE REGIONAL ESTELÍ Unidad V. Control Estadístico de la Calidad Objetivos Reconocer los principios estadísticos del control de calidad. Explicar la forma

Más detalles

6. Estimación, DISTRIBUCIONES MUESTREO, Y PRUEBA DE

6. Estimación, DISTRIBUCIONES MUESTREO, Y PRUEBA DE 6. Estimación, DISTRIBUCIONES MUESTREO, Y PRUEBA DE HIPÓTESIS. 6.1 INFERENCIA ESTADISTICA La estadística está dividida en descriptiva e inferencial donde La estadística Descriptiva se relaciona principalmente

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL MEDIDAS DE TENDENCIA CENTRAL Al describir grupos de observaciones, con frecuencia es conveniente resumir la información con un solo número. Este número que, para tal fin, suele situarse hacia el centro

Más detalles

LECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.

LECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL. LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante

Más detalles

Variables aleatorias

Variables aleatorias Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando

Más detalles

EJERCICIOS RESUELTOS DE ESTADÍSTICA II

EJERCICIOS RESUELTOS DE ESTADÍSTICA II EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES PARTE I POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS V ERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS

Más detalles

Medidas de tendencia central y dispersión

Medidas de tendencia central y dispersión Estadística Aplicada a la Investigación en Salud Medwave. Año XI, No. 3, Marzo 2011. Open Access, Creative Commons. Medidas de tendencia central y dispersión Autor: Fernando Quevedo Ricardi (1) Filiación:

Más detalles

ANALISIS E INTERPRETACION DE DATOS SOBRE PERMANENCIA Y GASTOS DE LOS ALUMNOS EN LA UNIVERSIDAD NACIONAL DE INGENIERIA

ANALISIS E INTERPRETACION DE DATOS SOBRE PERMANENCIA Y GASTOS DE LOS ALUMNOS EN LA UNIVERSIDAD NACIONAL DE INGENIERIA ANALISIS E INTERPRETACION DE DATOS SOBRE PERMANENCIA Y GASTOS DE LOS ALUMNOS EN LA UNIVERSIDAD NACIONAL DE INGENIERIA Jack Marlon Martínez Abregu e-mail: marlon_jack@hotmail.com IvánJosé Pazos Alvarado

Más detalles

CAPÍTULO I. INTRODUCCIÓN. Cuando se requiere obtener información de una población, y se desean obtener los mejores

CAPÍTULO I. INTRODUCCIÓN. Cuando se requiere obtener información de una población, y se desean obtener los mejores CAPÍTULO I. INTRODUCCIÓN I.1 Breve Descripción Cuando se requiere obtener información de una población, y se desean obtener los mejores y más completos resultados, el censo es una opción para dar una respuesta

Más detalles

Medidas descriptivas I. Medidas de tendencia central A. La moda

Medidas descriptivas I. Medidas de tendencia central A. La moda Medidas descriptivas I. Medidas de tendencia central A. La moda Preparado por: Roberto O. Rivera Rodríguez Coaching de matemática Escuela Eduardo Neuman Gandía 1 Introducción En muchas ocasiones el conjunto

Más detalles