ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio

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

Download "ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio"

Transcripción

1 ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza muestrales. Estadísticos de orden Ley de los grandes números Función de distribución empírica. Teorema de Glivenko-Cantelli Histogramas y estimadores kernel. Moda muestral Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 1

2 El concepto de muestra aleatoria Se supone que los datos x 1,..., x n se obtienen mediante observaciones reiteradas e independientes de una cierta v.a. X. Se dice entonces que los datos constituyen una muestra aleatoria de X, o simplemente una muestra. Cuando se quiere enfatizar la naturaleza aleatoria de los datos, se representan con mayúsculas: X 1,..., X n. Desde el punto de vista probabiĺıstico, la muestra está constituida por n variables aleatorias X 1,..., X n independientes e idénticamente distribuidas (i.i.d.). Se dice a veces, en terminología estadística informal (pero muy habitual) que la muestra se extrae de una población, descrita por la v.a. X, y se llaman poblacionales a las características de interés de X (por ejemplo, los momentos de X ). Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 2

3 Algunos conceptos probabiĺısticos básicos Variable aleatoria: X : (Ω, A, P) (R, B) medible Espacio muestral: El conjunto de posibles valores de X. Distribución de probabilidad de una v.a.: P X (B) = P{X B} = P({ω : X (ω) B)}), para todo B B. Función de distribución de una v.a.: F (t) = P{X t}, t R. Se dice que la distribución de X es absolutamente continua cuando existe una función f, llamada función de densidad tal que P{X B} = f (t)dt, B B, o, de manera equivalente, F (x) = x B f (t)dt, x R. Entonces, F (t) = f (t) c.t.p. respecto a la medida de Lebesgue µ L. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 3

4 X es discreta cuando existe un conjunto finito o numerable {a i } tal que P{X = a i } = (F (a i ) F (a i )) = 1. i i Media o esperanza de X : Se define por E(X ) = XdP = x dp X (x) = Ω R R x df (x), supuesto que esta integral es finita. Teorema de cambio de espacio de integración: Si g es una función real medible tal que E(g(X )) es finita, entonces E(g(X )) = g(x) dp X (x). En particular, µ := E(X ) = R R xdf (x) σ 2 := V(X ) = (x µ) 2 df (x). R Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 4

5 Momentos: De orden k respecto al origen α k = E(X k ), respecto a la media µ k = E ( (X µ) k). Principales distribuciones discretas y continuas: Algunas-distribuciones-notables.pdf Convergencias estocásticas: Convergencia débil (o en distribución), conv. en probabilidad, conv. casi segura,... ConvergenciasEstocasticas.pdf Desigualdades básicas: Desigualdad de Markov: Sea X v.a. no negativa. Entonces, para todo ɛ > 0, P{X > ɛ} E(X ). ɛ Desigualdad de Chebichev: P{ X EX > ɛ} V(X ) ɛ 2. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 5

6 Planteamiento general del problema de inferencia Las características de la v.a. X que genera los datos (por ejemplo, los momentos, los cuantiles, la distribución, etc.) se denominan momentos, cuantiles, etc. poblacionales. En general, uno de los objetivos principales de la inferencia estadística es estimar o aproximar las características poblacionales a partir de la información proporcionada por la muestra. Otras técnicas estadísticas no van orientadas directamente a aproximar el valor de una característica de interés (como por ejemplo la media), sino más bien a decidir entre dos posibles opciones acerca de ella (por ejemplo, si es mayor o menor que 1). La correspondiente metodología se denomina contraste de hipótesis. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 6

7 Interpretación estadística de la ley de los grandes números (LGN) Teorema.- Sea {X k } una sucesión de v.a.i.i.d. con media finita µ. Se verifica entonces X := n i=1 X i n c.s. µ, cuando n. (1) Este teorema se denomina a veces ley fuerte de Kolmogorov. Es uno de los resultados más importantes de la teoría clásica de la probabilidad. Utilizando la desigualdad de Chebichev se puede demostrar una versión más débil de (1) (con convergencia en probabilidad, en lugar de convergencia casi segura e imponiendo V(X i ) = σ 2 < ), llamada ley débil de los grandes números. En términos estadísticos, la ley de los grandes números establece que la media muestral es un estimador consistente de la media poblacional. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 7

8 La función de distribución empírica La función de distribución empírica asociada a la muestra X 1,..., X n se define mediante F n (t) = 1 n n 1 (,t] (X i ) i=1 Ésta es la función de distribución que corresponde a una medida de probabilidad discreta que asigna masa 1/n a cada uno de los valores X 1,..., X n. Obsérvese que, para valores prefijados de la muestra, F n es una función de distribución discreta y que para cada t fijo F n (t) es una v.a. (porque depende de los valores muestrales X 1,..., X n ). Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 8

9 # Extraccion de una muestra (n=10) de una N(3,1) x = rnorm(10,mean=3,sd=2) # Representacion de la distribucion empirica: plot(ecdf(x),main="n=10",do.points=f) o también plot.ecdf(x,main="n=10",do.points=f) En el gráfico se muestran dos funciones de distribución empírica obtenidas de este modo, para n = 10 y n = 100: n=10 n=100 Fn(x) Fn(x) Estadística I (Mat/DG). Profesora: x Amparo Baíllo Tema 2: Muestreo aleatorio x 9

10 El teorema de Glivenko-Cantelli El estadístico de Kolmogorov-Smirnov F n F := sup F n (t) F (t) t es una manera de medir la distancia entre la función de distribución empírica F n y la función de distribución real F. Teorema.- Sean X 1,, X 2,..., X n,... v.a.i.i.d con función de distribución F. Se verifica que, cuando n, sup F n (t) F (t) 0 c.s. t La demostración de este resultado se hará en clase. Se puede demostrar además que, cuando la muestra X 1,..., X n procede de una función de distribución F continua, entonces la distribución de F n F es conocida y no depende de F. Esto se utiliza para comprobar si es plausible que un cierto modelo paramétrico F haya generado la muestra observada X 1,..., X n (test de bondad de ajuste). Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 10

11 Comprobación empírica del teorema de Glivenko-Cantelli: plot(ecdf(rnorm(100)),do.points=f, main="comparacion entre Fn y F") x = seq(-3.2,3.2,0.01) lines(x,pnorm(x),col="red") Comparación entre F_n y F Fn(x) x Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 11

12 Estadísticos Cuando extraemos una muestra X 1,..., X n de X se suelen calcular algunas medidas resumen. Cualquiera de ellas se puede expresar matemáticamente como una función T = T (x 1,..., x n ) de la muestra X 1,..., X n. Sea T (x 1,..., x n ) una función cuyo dominio incluye el espacio muestral del vector aleatorio (X 1,..., X n ). Entonces la v.a. T = T (X 1,..., X n ) se denomina estadístico. La definición de estadístico es muy amplia. La única restricción es que un estadístico no puede ser función de un parámetro. Como la distribución de T se calcula a partir de la distribución de las variables X i que constituyen la muestra, la denominaremos distribución de T en el muestreo (sampling distribution). Obviamente la distribución de T (X 1,..., X n ) depende de la distribución de X y de la expresión matemática de la función T = T (x 1,..., x n ). Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 12

13 El error estándar o error típico de un estadístico T es la desviación típica de su distribución en el muestreo: V(T (X1,..., X n )). (2) Como a menudo (2) depende de alguna cantidad desconocida, también se denomina error típico a una estimación de (2). Ejemplo: Si X 1..., X n es una muestra de X N(µ, σ), entonces ( ) σ X N µ, Error típico de X = n A veces sucede que T error típico (estimado) de T t de Student y conocer T y su error típico para unos datos nos permite construir intervalos de confianza para parámetros desconocidos. Por eso algunos programas de ordenador lo proporcionan como output. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 13

14 La media muestral y la media poblacional Observemos que la media muestral puede expresarse en la forma X = X = n i=1 X i n R x df n (x). Esto pone de relieve la analogía entre la media muestral y la media poblacional µ = x df (x) R Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 14

15 Otras relaciones, muy importantes, entre X y µ son 1. X es estimador insesgado o centrado de µ: 2. E( X ) = µ. V( X ) = σ2 n. La cantidad σ/ n se denomina error típico de la media muestral. 3. Ley fuerte de los grandes números: lim X = µ c.s. n Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 15

16 4. Teorema Central del Límite: n( X µ) d N(0, σ), donde el símbolo d denota convergencia en distribución (o débil) cuando n Es decir, lim n P{ n( X µ) σt} = Φ(t), donde Φ denota la función de distribución de la N(0, 1). Por tanto, para n grande se tiene P{ n( X µ) x} Φ ( x σ ), aunque las X i no tengan distribución normal. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 16

17 La varianza muestral y la varianza poblacional Una importante medida de dispersión de la v.a. X es la varianza V(X ) := σ 2 = (x µ) 2 df (x). El análogo muestral de σ 2 es la varianza muestral ˆσ n 2 = R(x X ) 2 df n (x) = 1 n (X i n X ) 2. R i=1 Puede comprobarse (ver Relación 2 de problemas) que E(ˆσ n) 2 = n 1 n σ2 y ˆσ n 2 c.s. σ 2. Frecuentemente, en lugar de ˆσ 2 n se utiliza la cuasivarianza muestral S 2 = n n 1 ˆσ2 n. Se tiene que E(S 2 ) = σ 2 y Ŝ 2 c.s. n σ2. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 17

18 Distribución empírica y estimadores kernel Obsérvese que ˆf n (t) = 1 n ( ) t Xi K = 1 nh h n i=1 = K h (t x)df n (x), R n K h (t X i ) i=1 es decir, que el estimador kernel ˆf n (t) puede considerarse como la convolución del núcleo re-escalado K h (z) = 1 h K ( z h) con la medida de probabilidad empírica F n. Intuitivamente esto significa que la distribución correspondiente a la función de densidad ˆf n puede considerarse como una versión suavizada de la distribución empírica. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 18

19 Teorema.- Sean X 1, X 2,..., v.a.i.i.d. con distribución común absolutamente continua de densidad f. Supongamos que (a) el núcleo K es una función de densidad acotada; (b) h = h n 0 y que nh n ; (c) la densidad f es acotada y continua en un punto t. Entonces ˆf n (t) La demostración se hará en clase. P f (t). Este resultado indica que los estimadores kernel pueden utilizarse para estimar la función de densidad de las v.a. X i. Hay versiones mucho más generales de este resultado. Aquí se ha elegido ésta por la sencillez de su demostración. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 19

20 Aplicación de los estimadores kernel para definir la moda muestral Sea X una v.a. con densidad f. Supongamos que f es continua y que tiene un único máximo. Se define entonces la moda de f como el valor θ que verifica f (θ) = max f (x). x Sea ˆf n una sucesión de estimadores kernel basados en una función núcleo K que es una densidad tal que lim z ± K(z) = 0. Se define una moda muestral como un valor θ n que verifica ˆf (θ n ) = max x ˆf n (x). Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 20

21 Teorema(Consistencia de la moda muestral).- Supongamos que (a) la densidad f es uniformemente continua en R y alcanza un único máximo (moda) en θ. (b) ˆf n una sucesión de estimadores kernel cuya función núcleo K es una densidad tal que lim z ± K(z) = 0. (c) sup t ˆf n (t) f (t) c.s. 0, cuando n. Entonces θ n c.s. θ, (3) siendo {θ n } cualquier sucesión de modas muestrales. Si en la hipótesis (c) se reemplaza la convergencia c.s. por convergencia en probabilidad, la consistencia (3) se obtiene también en probabilidad. Puede probarse que h 0 y nh/ log n son condiciones suficientes para que (c) se cumpla (bajo ciertas condiciones sobre K que se verifican para el núcleo gaussiano y otros núcleos usuales). Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 21

22 Estadísticos de orden Dada una muestra X 1,..., X n se denotan por X (1)... X (n) las observaciones de la muestra ordenadas de menor a mayor, es decir, X (1) es la observación más pequeña, X (2) la siguiente más pequeña y X (n) la mayor. Cuando la función de distribución de las v.a. X i es continua, la probabilidad de coincidencias en los valores de la muestra es 0 y se tiene que, con probabilidad 1, X (1) <... < X (n) Los estadísticos de orden X (k) pueden utilizarse para definir la mediana o los cuartiles. Sin embargo, la función cuantílica proporciona una manera más directa de definir estos conceptos. Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 22

23 La función cuantílica Sea F la función de distribución de una medida de probabilidad en R. Se define la función cuantílica correspondiente a F, como la función F 1, definida en el intervalo (0, 1) mediante F 1 (p) = inf{x : F (x) p}. Se llama cuantil poblacional de orden p al valor F 1 (p) de la función cuantílica en p. El estimador natural del cuantil poblacional de orden p es el análogo cuantil muestral de orden p definido a partir de la distribución empírica, es decir, F 1 n (p) Bajo condiciones muy generales (ver Relación 2 de problemas) se verifica que F 1 n (p) c.s. F 1 (p). Estadística I (Mat/DG). Profesora: Amparo Baíllo Tema 2: Muestreo aleatorio 23

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

Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.

Más detalles

ECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica

ECONOMETRÍA 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 detalles

Esperanza condicionada Apuntes de clase Probabilidad II (grupos 31 y 40) Curso

Esperanza condicionada Apuntes de clase Probabilidad II (grupos 31 y 40) Curso Esperanza condicionada Apuntes de clase Probabilidad II (grupos 31 y 40) Curso 2010-11 Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid Probabilidad y esperanza condicionada: recordatorio

Más detalles

Variables aleatorias

Variables aleatorias Variables aleatorias Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 Una variable aleatoria es un valor numérico que se corresponde con

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

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 Mag. María del Carmen Romero 2014 romero@econ.unicen.edu.ar Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo

Más detalles

Tema 4: Variables Aleatorias

Tema 4: Variables Aleatorias Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto

Más detalles

Variables aleatorias. Tema Introducción Variable aleatoria. Contenido

Variables aleatorias. Tema Introducción Variable aleatoria. Contenido Tema 4 Variables aleatorias En este tema se introduce el concepto de variable aleatoria y se estudian los distintos tipos de variables aleatorias a un nivel muy general, lo que nos permitirá manejar los

Más detalles

Cálculo de probabilidad. Tema 3: Variables aleatorias continuas

Cálculo de probabilidad. Tema 3: Variables aleatorias continuas Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice

Más detalles

ESTADÍSTICA I Tema 3: Estimación puntual paramétrica

ESTADÍSTICA I Tema 3: Estimación puntual paramétrica ESTADÍSTICA I Tema 3: Estimación puntual paramétrica Planteamiento del problema Estimadores. Concepto, error cuadrático medio y propiedades deseables Construcción de estimadores: el método de máxima verosimilitud

Más detalles

Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste.

Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Tema 1 (III) Estadística 2 Curso 08/09 Tema 1 (III) (Estadística 2) Contrastes de bondad de

Más detalles

PROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9)

PROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9) PROBABILIDAD Y ESTADÍSTICA Sesión 6 (A partir de tema 5.9) 5.9 Muestreo: 5.9.1 Introducción al muestreo 5.9.2 Tipos de muestreo 5.10 Teorema del límite central 5.11 Distribución muestral de la media 5.12

Más detalles

Estadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10

Estadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10 Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,

Más detalles

Tema 2: Variables Aleatorias

Tema 2: Variables Aleatorias Estadística Aplicada I. Curso 2009-2010 Tema 2: Variables Aleatorias José G. Clavel 1 1 Departamento de Métodos Cuantitativos para la Economía y la Empresa jjgarvel@um.es Universidad de Murcia 6 de octubre

Más detalles

Part I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas

Part I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando

Más detalles

ESTADÍSTICA I Tema 4: Estimación por intervalos de confianza

ESTADÍSTICA I Tema 4: Estimación por intervalos de confianza ESTADÍSTICA I Tema 4: Estimación por intervalos de confianza El concepto de intervalo de confianza (IC) IC aproximados basados en el TCL: intervalos para una proporción Determinación del mínimo tamaño

Más detalles

Variables aleatorias continuas, TCL y Esperanza Condicional

Variables aleatorias continuas, TCL y Esperanza Condicional Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función

Más detalles

Preparación de los datos de entrada

Preparación de los datos de entrada Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:

Más detalles

ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.

ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido

Más detalles

PROGRAMA DE ESTADÍSTICA DESCRIPTIVA

PROGRAMA DE ESTADÍSTICA DESCRIPTIVA PROGRAMA DE ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS DE ESTADÍSTICA Definición de Estadística Origen del concepto. Evolución histórica de la Estadística Estadística Descriptiva y Estadística Inferencial

Más detalles

Tema 6. Estimación puntual

Tema 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 detalles

TEMA 2: Propiedades de los estimadores MCO

TEMA 2: Propiedades de los estimadores MCO TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso

Más detalles

ANÁLISIS DE FRECUENCIAS

ANÁLISIS DE FRECUENCIAS ANÁLISIS DE FRECUENCIAS EXPRESIONES PARA EL CÁLCULO DE LOS EVENTOS PARA EL PERÍODO DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTÁNDAR DE ESTIMACIÓN REQUERIDOS PARA LA DETERMINACIÓN DE LOS INTERVALOS DE

Más detalles

Estadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas

Estadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones

Más detalles

Introducción a la Inferencia Estadística

Introducción a la Inferencia Estadística MÁSTER EN ESTADÍSTICA PÚBLICA Experto Universitario: Estadística Aplicada y Técnicas de Encuestación 1 Introducción a la Inferencia Estadística Estimación puntual paramétrica M a Teresa Gómez Departamento

Más detalles

T2. El modelo lineal simple

T2. El modelo lineal simple T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de

Más detalles

Juan Carlos Colonia DISTRIBUCIONES MUESTRALES

Juan Carlos Colonia DISTRIBUCIONES MUESTRALES Juan Carlos Colonia DISTRIBUCIONES MUESTRALES POBLACIÓN Es el conjunto de individuos u objetos que poseen alguna característica común observable y de la cual se desea obtener información. El número de

Más detalles

INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica

INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables

Más detalles

DEFINICIONES BÁSICAS

DEFINICIONES BÁSICAS 1 CLASES DE ESTADÍSTICA II CLASE 14) INTRODUCCIÓN A LAS PRUEBAS DE HIPÓTESIS. A menudo el analista debe tomar decisiones acerca de la investigación que se está desarrollando. En ese proceso de toma de

Más detalles

PROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje

PROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3

Más detalles

CAPITULO 6 DISTRIBUCIONES MUESTRALES

CAPITULO 6 DISTRIBUCIONES MUESTRALES CAPITULO 6 DISTRIBUCIONES MUESTRALES MUESTRAS ALEATORIAS PARA DEFINIR UNA MUESTRA ALEATORIA, SUPONGAMOS QUE x ES UNA VARIABLE ALEATORIA CON DISTRIBUCIÓN DE PROBABILIDADA f(x). EL CONJUNTO DE n OBSERVACIONES

Más detalles

Regresión múltiple. Demostraciones. Elisa Mª Molanes López

Regresión múltiple. Demostraciones. Elisa Mª Molanes López Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +

Más detalles

Teorema de Bayes(6) Nos interesan las probabilidades a posteriori o probabilidades originales de las partes p i :

Teorema de Bayes(6) Nos interesan las probabilidades a posteriori o probabilidades originales de las partes p i : Teorema de Bayes(5) 75 Gráficamente, tenemos un suceso A en un espacio muestral particionado. Conocemos las probabilidades a priori o probabilidades de las partes sabiendo que ocurrió A: Teorema de Bayes(6)

Más detalles

Índice general. Pág. N. 1. Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN. Diseño. Población. Muestra. Individuo (Observación, Caso, Sujeto) Variables

Índice general. Pág. N. 1. Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN. Diseño. Población. Muestra. Individuo (Observación, Caso, Sujeto) Variables Pág. N. 1 Índice general Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN 1.1 Diseño 1.2 Descriptiva 1.3 Inferencia Diseño Población Muestra Individuo (Observación, Caso, Sujeto) Variables Ejercicios de Población

Más detalles

Ejercicio 1. Ejercicio 2

Ejercicio 1. Ejercicio 2 Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función

Más detalles

UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES

UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 27 a 32 UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES CARLOS

Más detalles

Estimaciones puntuales. Estadística II

Estimaciones 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 detalles

El momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X

El momento k-ésimo para una variable aleatoria discreta respecto del origen, es. n = esperanza matemática de X Momentos El momento k-ésimo para una variable aleatoria discreta respecto del origen, es E(x) n = i = 1 k i ( ) x.p x El primer momento centrado en el origen (k=1) es la esperanza matemática de X También

Más detalles

UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADÍSTICA

UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADÍSTICA UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADÍSTICA NIVEL: LICENCIATURA CRÉDITOS: 9 CLAVE: ICAD24.500919 HORAS TEORÍA: 4.5 SEMESTRE: CUARTO HORAS PRÁCTICA: 0 REQUISITOS:

Más detalles

Tema 8: Regresión y Correlación

Tema 8: Regresión y Correlación Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice

Más detalles

Distribuciones Continuas

Distribuciones Continuas Capítulo 5 Distribuciones Continuas Las distribuciones continuas mas comunes son: 1. Distribución Uniforme 2. Distribución Normal 3. Distribución Eponencial 4. Distribución Gamma 5. Distribución Beta 6.

Más detalles

8 Resolución de algunos ejemplos y ejercicios del tema 8.

8 Resolución de algunos ejemplos y ejercicios del tema 8. INTRODUCCIÓN A LA ESTADÍSTICA. GRUPO 71 LADE. 29 8 Resolución de algunos ejemplos y ejercicios del tema 8. 8.1 Ejemplos. Ejemplo 49 Supongamos que el tiempo que tarda en dar respuesta a un enfermo el personal

Más detalles

Distribución Exponencial

Distribución Exponencial Distribución Exponencial Hay dos casos especiales importantes de la distribución gamma, que resultan de restricciones particulares sobre los parámetros α y β. El primero es cuando se tiene α = 1, entonces

Más detalles

LA ESTADÍSTICA APLICADA AL ANÁLISIS ECONÓMICO. Introducción 1

LA ESTADÍSTICA APLICADA AL ANÁLISIS ECONÓMICO. Introducción 1 LA ESTADÍSTICA APLICADA AL ANÁLISIS ECONÓMICO ÍNDICE CONCEPTO Página Introducción 1 I Generalidades... 3 I.1 Definiciones de Estadística... 4 I.2 Diferentes clases de Estadística... 8 II La Estadística

Más detalles

Capítulo 1. Teoría de la probabilidad Teoría de conjuntos

Capítulo 1. Teoría de la probabilidad Teoría de conjuntos Capítulo 1 Teoría de la probabilidad 1.1. Teoría de conjuntos Definición 1.1.1 El conjunto S de todos los posibles resultados de un experimento aleatorio es llamado el espacio muestral. Un espacio muestral

Más detalles

Definición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo un intervalo (finito o infinito) de números

Definición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo un intervalo (finito o infinito) de números IV. Variables Aleatorias Continuas y sus Distribuciones de Probabilidad 1 Variable Aleatoria Continua Definición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo

Más detalles

Modelos de distribuciones discretas y continuas

Modelos de distribuciones discretas y continuas Tema 6 Modelos de distribuciones discretas y continuas 6.1. Modelos de distribuciones discretas 6.1.1. Distribución uniforme sobre n puntos Definición 6.1.2 Se dice que una v.a. X sigue una distribución

Más detalles

Estadística I Tema 7: Estimación por intervalos

Estadística I Tema 7: Estimación por intervalos Estadística I Tema 7: Estimación por intervalos Tema 7: Estimación por intervalos Ideas a transmitir Definición e interpretación frecuentista. Intervalos de confianza para medias y varianzas en poblaciones

Más detalles

Métodos Estadísticos para la Empresa

Métodos Estadísticos para la Empresa DEPARTAMENTO DE ECONOMÍA APLICADA ESTADÍSTICA Y ECONOMETRÍA Programa de la asignatura: Métodos Estadísticos para la Empresa Segundo Curso Curso Académico 2011/2012 Facultad de Economía y Empresa Grado

Más detalles

Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos

Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso 2016-2017 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable

Más detalles

VARIABLES ALEATORIAS CONTINUAS

VARIABLES ALEATORIAS CONTINUAS VARIABLES ALEATORIAS CONTINUAS El zoo binomial: las probabilidades en la distribución binomial. Tutorial 5, sección 2 X = número de éxitos al repetir n veces un experimento con probabilidaf de éxito p

Más detalles

07 Estimación puntual e introducción a la estadística inferencial

07 Estimación puntual e introducción a la estadística inferencial 07 Estimación puntual e introducción a la estadística inferencial Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Qué es la estadística inferencial?

Más detalles

4.1. Definición de variable aleatoria. Clasificación.

4.1. Definición de variable aleatoria. Clasificación. Capítulo 4 Variable aleatoria Una variable aleatoria es un valor numérico que corresponde a un resultado de un experimento aleatorio. Algunos ejemplos son: número de caras obtenidas al lanzar seis veces

Más detalles

Definición Una hipótesis es una afirmación acerca de un parámetro.

Definición Una hipótesis es una afirmación acerca de un parámetro. Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para

Más detalles

Introducción a la Estadística Aplicada en la Química

Introducción a la Estadística Aplicada en la Química Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00

Más detalles

Tema 2: Variables Aleatorias Unidimensionales

Tema 2: Variables Aleatorias Unidimensionales Tema 2: Variables Aleatorias Unidimensionales Teorı a de la Comunicacio n Curso 27-28 Contenido 1 Concepto de Variable Aleatoria 2 Función Distribución 3 Clasificación de Variables Aleatorias 4 Función

Más detalles

Departamento de Matemática Aplicada a la I.T.T.

Departamento de Matemática Aplicada a la I.T.T. Departamento de Matemática Aplicada a la I.T.T. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EXAMEN FINAL Primavera 15 FECHA: de Junio de 15 Fecha publicación notas: 11 de Junio de 15 Fecha revisión

Más detalles

2. Distribuciones de Muestreo

2. Distribuciones de Muestreo 2. Distribuciones de Muestreo Conceptos básicos Para introducir los conceptos básicos consideremos el siguiente ejemplo: Supongamos que estamos interesados en determinar el número medio de televisores

Más detalles

SOLUCIÓN EXAMEN IV Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/2004

SOLUCIÓN EXAMEN IV Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/2004 Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/004 MÉTODOS ESTADÍSTICOS I EXAMEN IV PARTE I: Encierre con un círculo la respuesta correcta (0,5 puntos c/u): 1. (V F) Los contrastes de hipótesis de dos muestras

Más detalles

Guía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA

Guía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA 1. Introducción Guía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA Los análisis económicos y empresariales se efectúan sobre la base de la toma de decisiones, las cuales se toman a partir de la información

Más detalles

ESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales

ESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad : Normal, Ji-cuadrado, t de student

Más detalles

Distribuciones Fundamentales de Muestreo y Descripciones de Datos

Distribuciones Fundamentales de Muestreo y Descripciones de Datos Distribuciones Fundamentales de Muestreo y Descripciones de Datos UCR ECCI CI-135 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Muestreo Aleatorio En este tipo de muestreo, todos

Más detalles

CAPÍTULO 6: VARIABLES ALEATORIAS

CAPÍTULO 6: VARIABLES ALEATORIAS Página 1 de 11 CAPÍTULO 6: VARIABLES ALEATORIAS En el capítulo 4, de estadística descriptiva, se estudiaron las distribuciones de frecuencias de conjuntos de datos y en el capítulo 5 se trataron los fundamentos

Más detalles

Estadística. Generalmente se considera que las variables son obtenidas independientemente de la misma población. De esta forma: con

Estadística. Generalmente se considera que las variables son obtenidas independientemente de la misma población. De esta forma: con Hasta ahora hemos supuesto que conocemos o podemos calcular la función/densidad de probabilidad (distribución) de las variables aleatorias. En general, esto no es así. Más bien se tiene una muestra experimental

Más detalles

ENUNCIADO y SOLUCIONES. Problema 1

ENUNCIADO y SOLUCIONES. Problema 1 Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.

Más detalles

Tema 10: Introducción a los problemas de Asociación y Correlación

Tema 10: Introducción a los problemas de Asociación y Correlación Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación

Más detalles

INDICE Prefacio 1. Introducción 2. Distribuciones de frecuencia: tablas estadísticas y graficas

INDICE Prefacio 1. Introducción 2. Distribuciones de frecuencia: tablas estadísticas y graficas INDICE Prefacio XIII 1. Introducción 1.1. la imagen de la estadística 1 1.2. dos tipos de estadísticas 1.3. estadística descriptiva 2 1.4. estadística inferencial 1.5. naturaleza interdisciplinaria de

Más detalles

Cátedra: Estadística Técnica Facultad de Ingeniería UNCuyo. Índice D. Fernández & M. Guitart TABLA DE CONTENIDOS

Cátedra: Estadística Técnica Facultad de Ingeniería UNCuyo. Índice D. Fernández & M. Guitart TABLA DE CONTENIDOS Cátedra: TABLA DE CONTENIDOS INTRODUCCIÓN Qué es la Probabilidad? Qué es la Estadística? La evolución histórica de la Estadística Algunos conceptos imprescindibles Fuentes de datos Tipos de datos y escalas

Más detalles

PROBABILIDAD Y ESTADÍSTICA TEMARIO

PROBABILIDAD Y ESTADÍSTICA TEMARIO PROBABILIDAD Y ESTADÍSTICA TEMARIO 0. INTRODUCCIÓN AL CURSO 0.1 El curso en contexto Qué es probabilidad? Qué estudia la probabilidad? Qué es estadística? Qué estudia la estadística? Qué es ingeniería?

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. Naelli Manzanarez Gómez TEMA II ESTIMACIÓN PUNTUAL DE PARÁMETROS POBLACIONALES La estimación puntual de un parámetro relativo a

Más detalles

LICENCIATURA EN ECONOMÍA Y LICENCIATURA EN ADMINISTRACIÓN DE EMPRESAS

LICENCIATURA EN ECONOMÍA Y LICENCIATURA EN ADMINISTRACIÓN DE EMPRESAS DEPARTAMENT D ECONOMIA APLICADA UNIVERSITAT DE VALENCIA LICENCIATURA EN ECONOMÍA Y LICENCIATURA EN ADMINISTRACIÓN DE EMPRESAS PROGRAMA DE ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA TEMA 1: INTRODUCCIÓN

Más detalles

Distribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio

Distribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio Distribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población),

Más detalles

Intervalos de confianza con STATGRAPHICS

Intervalos de confianza con STATGRAPHICS Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media

Más detalles

Aplicaciones de apoyo al diagnóstico médico. Identificación de objetos amigos y enemigos. Identificación de zonas afectadas por un desastre natural.

Aplicaciones de apoyo al diagnóstico médico. Identificación de objetos amigos y enemigos. Identificación de zonas afectadas por un desastre natural. Capítulo 5 Evaluación En muchas ocasiones requerimos hacer una evaluación muy precisa de nuestros algoritmos de aprendizaje computacional porque los vamos a utilizar en algún tipo de aplicación que así

Más detalles

ETSI de Topografía, Geodesia y Cartografía

ETSI de Topografía, Geodesia y Cartografía Disttool Es una herramienta de MATLAB que permite visualizar de forma gráfica las características de cada distribución con la posibilidad de variar sus parámetros. Las funciones que muestra son: Función

Más detalles

CRED. 6 TALLER DE BIOESTADISTICA TIPO OBL.

CRED. 6 TALLER DE BIOESTADISTICA TIPO OBL. (- Ank awbwommow MEDIAD AUTO MMA METIMPOLITANA PROGRAMA DE ESTUDIOS UNIDAD IZTAPALAPA DIVISION CIENCIAS BIOLOGICAS Y DE LA SALUD 1 / e 5 NOMBRE DEL PLAN LICENCIATURA EN INGENIERIA DE LOS ALIMENTOS CLAVE

Más detalles

GUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE.

GUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE. ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA. PROPIEDADES DE LOS ESTIMADORES MCO Bibliografía apartados.1,. y.3: Greene, 6.6.1, 6.6.3

Más detalles

Análisis de la varianza

Análisis de la varianza Análisis de la varianza José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 I 1 Introducción 1 Comparación de medias 2 El pricipio de aleatorización 2 El problema de un factor

Más detalles

Universidad Tecnológica Nacional Facultad Regional San Francisco. Licenciatura en Administración Rural. Estadística

Universidad Tecnológica Nacional Facultad Regional San Francisco. Licenciatura en Administración Rural. Estadística Universidad Tecnológica Nacional Facultad Regional San Francisco Licenciatura en Administración Rural Estadística PLANIFICACIÓN CICLO LECTIVO 2008 ÍNDICE ÍNDICE... 2 PROFESIONAL DOCENTE A CARGO... 3 UBICACIÓN...

Más detalles

Estadística para la Economía y la Gestión IN 3401

Estadística para la Economía y la Gestión IN 3401 Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los

Más detalles

UNIVERSIDAD MARÍA AUXILIADORA UMA

UNIVERSIDAD MARÍA AUXILIADORA UMA CARRERA PROFESIONAL DE ENFERMERIA SÍLABO DE BIOESTADÍSTICA I. DATOS GENERALES: 1.1. Carreras profesionales : Enfermería 1.2. Semestre académico : 2015 - I 1.3. Ciclo : III 1.4. Pre-requisito : Matemática

Más detalles

TEMA 4: CONTROL POR VARIABLES Hoja de ejercicios (Entregar el 7 -problema de examen-)

TEMA 4: CONTROL POR VARIABLES Hoja de ejercicios (Entregar el 7 -problema de examen-) MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE LA CALIDAD INGENIERIA DE TELECOMUNICACIONES TEMA 4: CONTROL POR VARIABLES Hoja de ejercicios (Entregar el 7 -problema de examen-) 1. Un proceso industrial fabrica

Más detalles

Estadística Inferencial

Estadística Inferencial Estadística Inferencial 1 Sesión No.2 Nombre: Distribuciones muestrales Contetualización Toda cantidad que se obtiene de una muestra con el propósito de estimar un parámetro poblacional se llama estadístico

Más detalles

Muestreo y Distribuciones en el Muestreo

Muestreo y Distribuciones en el Muestreo Muestreo y Distribuciones en el Muestreo Departamento de Estadística-FACES-ULA 03 de Abril de 2013 Introducción al Muestreo En algunas ocaciones es posible y práctico examinar a cada individuo en el Universo

Más detalles

Hipótesis Alternativa H 1 : ϑ Θ 1

Hipótesis Alternativa H 1 : ϑ Θ 1 INFERENCIA ESTADÍSTICA Tema 3.3: Contrastes de signicación Objetivos Dominar el esquema conceptual y el lenguaje propios de los contrastes de hipótesis. Construir contrastes de hipótesis para los parámetros

Más detalles

CLASE X ANÁLISIS PROBABILISTICO DE LAS VARIABLES PRECIPITACIÓN TOTAL ANUAL Y CAUDAL MEDIO ANUAL

CLASE X ANÁLISIS PROBABILISTICO DE LAS VARIABLES PRECIPITACIÓN TOTAL ANUAL Y CAUDAL MEDIO ANUAL Universidad Nacional Agraria La Molina IA-406 Hidrología Aplicada CLASE X ANÁLISIS PROBABILISTICO DE LAS VARIABLES PRECIPITACIÓN TOTAL ANUAL Y CAUDAL MEDIO ANUAL 1. Longitud necesaria de registro Diversos

Más detalles

Probabilidades y Estadística

Probabilidades y Estadística Universidad Tecnológica Nacional Facultad Regional San Francisco Licenciatura en Administración Rural PLANIFICACIÓN CICLO LECTIVO 2015 ÍNDICE ÍNDICE... 2 PROFESIONAL DOCENTE A CARGO... 3 UBICACIÓN... 4

Más detalles

Teorema del límite central

Teorema del límite central TEMA 6 DISTRIBUCIONES MUESTRALES Teorema del límite central Si se seleccionan muestras aleatorias de n observaciones de una población con media y desviación estándar, entonces, cuando n es grande, la distribución

Más detalles

Julio Deride Silva. 4 de junio de 2010

Julio Deride Silva. 4 de junio de 2010 Curvas ROC y Regresión Lineal Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 4 de junio de 2010 Tabla de Contenidos Curvas ROC y Regresión Lineal

Más detalles

METODOS ESTADÍSTICOS

METODOS ESTADÍSTICOS METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.

Más detalles

Tema 3: Funcio n de Variable Aleatoria

Tema 3: Funcio n de Variable Aleatoria Tema 3: Funcio n de Variable Aleatoria Teorı a de la Comunicacio n Curso 2007-2008 Contenido 1 Función de una Variable Aleatoria 2 3 Cálculo de la fdp 4 Generación de Números Aleatorios 5 Momentos de una

Más detalles

Estadística II Tema 4. Regresión lineal simple. Curso 2009/10

Estadística II Tema 4. Regresión lineal simple. Curso 2009/10 Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores

Más detalles

ANÁLISIS DE LA VARIANZA CON UN FACTOR (ANOVA)

ANÁLISIS DE LA VARIANZA CON UN FACTOR (ANOVA) ANÁLISIS DE LA VARIANZA CON UN FACTOR (ANOVA) El análisis de la varianza permite contrastar la hipótesis nula de que las medias de K poblaciones (K >2) son iguales, frente a la hipótesis alternativa de

Más detalles

INTRODUCCIÓN AL MUESTREO

INTRODUCCIÓN AL MUESTREO INTRODUCCIÓN AL MUESTREO Licenciatura de Ciencias Ambientales UPM Matemáticas y Estadística Aplicadas Prof: Susana Martín Fernández Prof: Esperanza Ayuga Téllez Definiciones Previas Población. Conjunto

Más detalles

Análisis de datos y gestión n veterinaria. Tema 1 Estadística descriptiva. Prof. Dr. José Manuel Perea Muñoz

Análisis de datos y gestión n veterinaria. Tema 1 Estadística descriptiva. Prof. Dr. José Manuel Perea Muñoz Análisis de datos y gestión n veterinaria Tema 1 Estadística descriptiva Prof. Dr. José Manuel Perea Muñoz Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, de Septiembre

Más detalles

Integral de Lebesgue

Integral de Lebesgue Integral de Lebesgue Problemas para examen n todos los problemas se supone que (, F, µ) es un espacio de medida. Integración de funciones simples positivas. La representación canónica de una función simple

Más detalles

DISTRIBUCION JI-CUADRADA (X 2 )

DISTRIBUCION JI-CUADRADA (X 2 ) DISTRIBUCION JI-CUADRADA (X 2 ) En realidad la distribución ji-cuadrada es la distribución muestral de s 2. O sea que si se extraen todas las muestras posibles de una población normal y a cada muestra

Más detalles

Disponible en el sitio OCW de la Universidad Nacional de Córdoba.

Disponible en el sitio OCW de la Universidad Nacional de Córdoba. OCW - UNC OpenCourseWare I UNC Curso: Estadística I U 4. Variables Aleatorias Autora: Rosanna Casini Cómo citar el material: Disponible en el sitio OCW de la Universidad Nacional de Córdoba. Casini, Rosanna

Más detalles

Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2013) Selectividad-Opción A Tiempo: 90 minutos

Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2013) Selectividad-Opción A Tiempo: 90 minutos Examen de Matemáticas Aplicadas a las CC. Sociales II Septiembre 2013 Selectividad-Opción A Tiempo: 90 minutos Problema 1 2 puntos Se consideran las matrices A = 3 8. 3 5 0 2 3 0 y B = a Calcúlese la matriz

Más detalles

Curso: 2º Grupo: B Día: 18 - IV CURSO

Curso: 2º Grupo: B Día: 18 - IV CURSO 3ª EVALUACIÓN Curso: º Grupo: B Día: 18 - IV - 008 CURSO 007-08 EJERCICIO 1 (1.75 puntos) Sea la población {1, 5, 7}. Escriba todas las muestras de tamaño, mediante muestreo aleatorio simple, y calcule

Más detalles