Introducción al Análisis de la Varianza
|
|
- José Manuel Ayala Cano
- hace 7 años
- Vistas:
Transcripción
1 Itroducció al Aálisis de la Variaza F. Javier Cara Uiversidad Politécica de Madrid Curso 013/14
2 Distribucioes import. e Aalisis de la Variaza Sea X 1, X,...,X, Y 1, Y,...,Y m, variables aleatorias idepedietes co distribució X i, Y j N(0, 1) i, j. Se defie: Distribució χ (ji-cuadrado) co grados de libertad: (X1 + X + +X) χ Propiedades: E[χ ] =, Var[χ ] =, χ m +χ = χ m+ (χ m,χ idepedietes). Distribució t studet co grados de libertad: Y i ( X 1 +X + +X ) 1 N(0, 1) ( χ ) 1 = t Distribució F co m y grados de libertad: Y 1 +Y + +Y m m X 1 +X + +X χ m m χ = F m, 1
3 Muestras Sea {x 1, x,...,x } ua muestra aleatoria simple de ua variable aleatoria X co fució de desidad de probabilidad dada. Se defie la media muestral como x = x 1 + x +...+x = Se defie la variaza muestral como x i i=1 s = (x 1 x) +(x x) +...+(x x) = Se defie la variaza muestral corregida como (x i x) ŝ i=1 = = 1 1 s (x i x) So variables aleatorias ya que toma diferetes valores segú la muestra seleccioada. Por lo tato podemos calcular su media, su variaza y su fució de desidad de probabilidad. i=1
4 Distribució de la media muestral (pobl. ormal) Sea {x 1, x,...,x } ua muestra aleatoria simple de ua variable aleatoria X co fució de desidad de probabilidad X N(µ,σ ). Esperaza de la media muestral E[ x] = E[x 1]+E[x ]+...+E[x ] Variaza de la media muestral = µ = µ Var[ x] = Var[x 1]+Var[x ]+...+Var[x ] = σ = σ Fució de desidad de probabilidad de la media muestral La fució de desidad de x es ua ormal, ya que la combiació lieal de ormales es otra ormal: x N ) (µ, σ 3
5 Distribució de la variaza muestral (ormal) Se tiee que: (x i x) = i=1 Por tato (x i µ+µ x) = i=1 (x i µ) +(µ x) +(µ x) (x i µ) i=1 i=1 (x i x) = i=1 (x i µ) (µ x) i=1 (x i µ) = i=1 (x i x) +(µ x) i=1 Dividiedo por σ (x i µ) = s + ( x µ) i=1 ( xi µ i=1 σ ) = s σ + ) ( x µ σ/ 4
6 Distribució de la variaza muestral (ormal) Se tiee que x i µ σ x N N(0, 1) ) (µ, σ ( ) xi µ χ σ i=1 ( x µ σ/ ) χ 1 Por tato, de acuerdo co las propiedades de la χ s σ χ 1 Además, se tiee que cumplir que x y s so idepedietes Por último [ ] s E σ = 1 E[s ] = 1 σ [ ] s Var σ = ( 1) Var[s ] = ( 1) σ 4 5
7 Distrib. de variaza muestral corregida (ormal) Sea {x 1, x,...,x } ua muestra aleatoria simple de ua variable aleatoria X co fució de desidad de probabilidad X N(µ,σ ). Sabemos que s σ χ 1 ŝ = 1 s Por tato ( 1)ŝ χ 1 σ [ ] ( 1)ŝ E = 1 E[ŝ ] = σ σ [ ] ( 1)ŝ Var σ = ( 1) Var[ŝ ] = σ4 1 Luego la variaza muestral corregida es u estimador cetrado de la variaza. 6
8 Comparació de dos tratamietos (test de la t) Se desea comparar dos tratamietos para reducir el ivel de colesterol e sagre. Se seleccioa 0 idividuos y se asiga al azar a dos tipos de dietas, A y B. La reducció cosequida después de dos meses es: Dieta A Dieta B So igual de efectivas las dos diestas o hay ua más efectiva? 7
9 Cotraste de Hipotesis Vamos a represetar los datos de la tabla por y ij, dode i: dieta (i = 1, ), j: idividuo (j = 1,,...,10). Por ejemplo, y 4 = 13.0 La media de los datos correspodietes a la dieta A se va a represetar como ȳ 1, y la media de los datos correspodietes a la dieta B como ȳ ȳ 1 = 10 y 1j 10 = 43.1, ȳ = 10 y j 10 = 9.3 Necesitamos las siguietes hipótesis 1. Normalidad: y 1j N(µ 1,σ 1), y j N(µ,σ ). Homocedasticidad: σ 1 = σ = σ 3. Idepedecia: Cov[y ij, y kl ] = 0 Ya podemos expresar matemáticamete lo que os pide el problema H 0 : µ 1 = µ H 1 : µ 1 µ 8
10 Variaza muestral ŝ t Teemos que La distribució de las medias muestrales es: ) ) ȳ 1 N (µ 1, σ, ȳ N (µ, σ La distribució de las variazas corregidas es 1 Además vamos a defiir ( 1 1)ŝ 1 σ χ 1 1, ( 1)ŝ σ χ 1 ŝ t = ( 1 1)ŝ 1 +( 1)ŝ dode = 1 + 9
11 Distribució de ŝ t Operado Por las propiedades de la χ ( )ŝt σ = ( 1 1)ŝ1 σ + ( 1)ŝ σ ( )ŝ t σ χ ] ( )ŝ E[ t = E[ŝt ] = σ σ Var[ ( )ŝ t σ ] t σ4 = ( ) Var[ŝ ] = ŝ t es u estimador cetrado de σ, a diferecia de ŝ 1 y ŝ 10
12 Distribució de ȳ 1 ȳ Recordad las propiedades de la esperaza y de la variaza: sea x e y dos variables idepedietes Por tato E[a+bx + cy] = a+be[x]+ce[y] Var[a+bx + cy] = b Var[x]+c Var[y] E[ȳ 1 ȳ ] = E[ȳ 1 ] E[ȳ ] = µ 1 µ Var[ȳ 1 ȳ ] = Var[ȳ 1 ]+Var[ȳ ] = σ 1 + σ La combiació lieal de ormales es otra ormal [ ]) ȳ 1 ȳ N (µ 1 µ,σ
13 Solució del cotraste de hipótesis (1) Por tato teemos que (ȳ 1 ȳ ) (µ 1 µ ) N(0, 1) 1 σ ( )ŝ t σ Pero σ es descoocida. Operado (ȳ 1 ȳ ) (µ 1 µ ) σ [ ( )ŝ t σ ( ) ] 1 χ N(0, 1) [ χ ] 1 ( ) = t Simplificado obteemos el estadístico del cotraste (ȳ 1 ȳ ) (µ 1 µ ) t 1 ŝ t Ya podemos resolver el cotraste! 1
14 Solució del cotraste de hipótesis () Cotraste de hipótesis H 0 : µ 1 µ = 0 H 1 : µ 1 µ 0 Si H 0 es cierta, µ 1 µ = 0 t 0 = ȳ1 ȳ 1 ŝ t t Si t 0 t ; α No se rechaza H 0 Si t 0 > t ; α Se rechaza H 0 13
15 Solució del cotraste de hipótesis (problema) Co los datos del problema 1 = 10, = 10, = 0 ȳ 1 = 43.1, ȳ = 9.3, ŝ 1 = , ŝ = ŝ t = ( 1 1)ŝ 1 +( 1)ŝ = t 0 = ȳ1 ȳ = ŝ t α = 0.05 t 18;0.05 =.1009 < t 0 Se rechaza H 0 α = 0.01 t 18;0.005 =.8784 > t 0 No se rechaza H 0 Podemos calcular el p-valor p valor = P(t >.6965 t t 18 )+P(t <.6965 t t 18 ) = p valor < α se rechaza H 0 p valor > α o se rechaza H 0 14
16 Itervalo de cofiaza Tambié podemos calcular el itervalo de cofiaza para la diferecia de medias P t ; α (ȳ 1 ȳ ) (µ 1 µ ) t ;α 1 ŝ = 1 α t µ 1 µ (ȳ 1 ȳ )±t ; α ŝt Co los datos del problema α = 0.05 µ 1 µ (3.0480, 4.550) α = 0.01 µ 1 µ ( , ) Si el itervalo cotiee al cero, etoces o se puede rechazar que µ 1 µ = 0 15
17 Fució t.test de R Resolver este problema co R es muy secillo: > dietaa<-c(51.3,39.4,6.3,39.0,48.1,34.,69.8,31.3,45.,46.4) > dietab<-c(9.6,47.0,5.9,13.0,33.1,.1,34.1,19.5,43.8,4.9) > > t.test(dietaa,dietab,var.equal=true) Two Sample t-test data: dietaa ad dietab t =.6965, df = 18, p-value = alterative hypothesis: true differece i meas is ot equal to 0 95 percet cofidece iterval: sample estimates: mea of x mea of y
18 Cotraste de igualdad de variazas Al pricipio adoptamos la hipótesis de igualdad de las variazas. Podemos comprobar si esa hipótesis es válida mediate el siguiete cotraste H 0 : σ 1 = σ Sabemos que H 1 : σ 1 σ ( 1 1)ŝ 1 σ 1 χ 1 1, ( 1)ŝ σ χ 1 Operado Simplificado ( 1 1)ŝ 1 /σ 1 ( 1 1) ( 1)ŝ /σ ( 1) χ χ 1 1 = F 1 1, 1 ŝ1 /σ 1 ŝ /σ F 1 1, 1 17
19 Cotraste de igualdad de variazas Cotraste de hipótesis H 0 : σ 1 /σ = 1 H 1 : σ 1 /σ 1 Si H 0 es cierto σ1 = σ y por tato F 0 = ŝ 1 ŝ F 1 1, 1 Si F 0 [F 1 1, 1,1 α, F 1 1, 1, α ] No se rechaza H 0 Si F 0 [F 1 1, 1,1 α, F 1 1, 1, α ] Se rechaza H 0 18
20 Itervalo de cofiaza para σ 1 /σ Teemos que ŝ1 /σ 1 ŝ /σ F 1 1, 1 El itervalo de cofiaza es { } P F 1 1, 1,1 α ŝ 1 /σ 1 ŝ F 1 /σ 1, 1, α = 1 α σ1 [ŝ ] 1 ŝ F 1, 1 1;1 α, ŝ 1 ŝ F 1, 1 1; α σ 19
21 Itervalo de cofiaza (problema) Co los datos del problema 1 = 10, = 10, = 0, ŝ 1 = , ŝ = F 0 = = α = 0.05 F 9,9;0.975 = 0.484, F 9,9;0.05 = No se rechaza H 0 Itervalo de cofiaza σ1 [ ] , = [0.3339, ] σ 0
22 Fució var.test de R > dietaa<-c(51.3,39.4,6.3,39.0,48.1,34.,69.8,31.3,45.,46.4) > dietab<-c(9.6,47.0,5.9,13.0,33.1,.1,34.1,19.5,43.8,4.9) > > var.test(dietaa,dietab) F test to compare two variaces data: dietaa ad dietab F = , um df = 9, deom df = 9, p-value = alterative hypothesis: true ratio of variaces is ot equal to 1 95 percet cofidece iterval: sample estimates: ratio of variaces
23 Comparació de dos tratamietos (ANOVA) Vamos a resolver el problema de la comparació de dos tratamietos mediate otro procedimieto coocido como aálisis de la variaza. Este método cosiste básicamete 1. Propoer u modelo matemático para los datos del problema. Formular cotrastes de hipótesis sobre los parámetros del modelo que os permita resolver el problema de partida 3. Resolver los cotrastes descompoiedo la variaza de los datos segú diferetes compoetes
24 Modelo ( tratam.) y ij represeta el dato j-ésimo dato del grupo o tratamieto i (i = 1, ). Se adopta el siguiete modelo para los datos dóde y ij = µ i + u ij, i = 1,, j = 1,..., i µi : media del grupo i (parte determiista, igual para todo el grupo) uij : diferecia etre el dato y ij y la media del grupo µ i (parte aleatoria, depede de cada dato) Co las siguietes hipótesis 1. Normalidad: y 1j N(µ 1,σ 1), y j N(µ,σ ) y ij N(µ i,σ i ), i = 1,, j = 1,..., i Esta codició es equivalete a u ij N(0,σ i ), i = 1,, j = 1,..., i. Homocedasticidad: σ 1 = σ = σ 3. Idepedecia: Cov[y ij, y kl ] = 0 3
25 Estimació parámetros del modelo ( tratam.) El modelo depede de 3 parámetros: medias µ i y σ Para estimar estos parámetros utilizamos el método de máxima verosimilitud La fució de desidad para ua observació cualquiera es [ y ij N(µ i,σ ) f(y ij µ i,σ 1 ) = exp 1 ] πσ σ (y ij µ i ) La fució de desidad para todas las observacioes, supoiedo que so idepedietes i [ f(y µ,σ 1 ) = exp 1 ] πσ σ (y ij µ i ) dode Y = [y 11 y ], µ = [µ 1 µ ]. Esta fució es la fució de verosimilitud. E la práctica trabajamos co el logaritmo de la verosimilitud L(µ,σ ) = log f(y µ,σ ) = log(πσ ) 1 σ i (y ij µ i ) 4
26 Estimació parámetros del modelo ( tratam.) Los estimadores de los parámetros so aquellos que hace máxima la fució de verosimilitud: L(µ,σ ) µ i = σ i (y ij µ i ) ( 1) = 0 ˆµ i = i y ij i = ȳ i i = 1, L(µ,σ ) σ = σ + 1 σ 4 ˆσ = i (y ij µ i ) = 0 i (y ij ȳ i ) 5
27 Propiedades de ˆµ i ( tratam.) Estimador Esperaza Variaza ˆµ i = i y ij i E[ˆµ i ] = E[y i1]+e[y i ]+...+E[y ii ] = iµ = µ i i i Var[ˆµ i ] = Var[y i1]+var[y i ]+...+Var[y ii ] i = iσ i = σ i La fució de desidad de probabilidad de ˆµ i es ua ormal ya que es combiació lieal de ormales: ) ˆµ i N (µ i, σ i 6
28 Propiedades de ˆσ ( tratam.) Teemos ˆσ = Por tato i (y ij ȳ i ) ˆσ σ = 1 = 1 (y 1j ȳ 1 ) + (y j ȳ ) ( ) y1j ȳ 1 ( yj ȳ + σ σ ( ) y1j ȳ 1 1 ( ) y1j ȳ 1 N(0, 1) χ σ σ 1 1 ya que solo 1 1 so idepedietes. Efectivamete ȳ 1 = 1 y 1j 1 ) 1 1 y 1j 1 ȳ 1 = 0 (y 1j ȳ 1 ) = 0 Luego dados 1 1 valores de y 1j ȳ 1 σ, el último está dado ya que todos suma cero. 7
29 Propiedades de ˆσ ( tratam.) Por el mismo razoamieto Por tato dóde Por tato ˆσ σ [ ] ˆσ E σ ( yj ȳ σ ) χ 1 χ 1 1 +χ 1 = χ = 1 + = E[ˆσ ] = σ [ ] ˆσ Var = ( ) Var[ˆσ ] = σ ( ) σ 4 Luego el estimador de la variaza NO es cetrado! 8
30 Residuos del modelo ( tratam.) Modelo y ij = µ i + u ij Estimació de las medias: ˆµ i = ȳ i Se defie los residuos e ij como las estimacioes de u ij e ij = û ij e ij = y ij ˆµ i e ij = y ij ȳ i Los residuos del modelo o so idepedietes ya que i i e ij = y ij i ȳ i = 0, i = 1, Es decir, la suma de los residuos e cada grupo i es ula. Dados i 1 residuos e cada grupo, el último queda determiado porque suma cero. Se llama grados de libertad de los residuos al úmero de residuos idepedietes, es decir,. 9
31 Variaza residual ( tratam.) Se defie la variaza residual ŝ R como Por tato ˆσ = ŝ R = i eij i (y ij ȳ i ) i = eij ˆσ = ŝ R ( )ŝr σ χ ] ( )ŝ E[ R = E[ŝR] = σ σ Var[ ( )ŝ R σ ] = ( ) Var[ŝ R ] = σ4 Luego ŝ R es u estimador cetrado de σ y es el que elegimos 30
32 El cotraste de igualdad de medias ( tratam.) Problema: so igual de efectivas las dos dietas? Modelo para los datos: Dieta A Dieta B y ij = µ i + u ij, y ij N(µ i,σ ) Solució: (cotraste de igualdad de medias) H 0 : µ 1 = µ H 1 : µ 1 µ 31
33 La descomposició de la variabilidad ( tratam.) Para resolver el cotraste hacemos dode ȳ es la media global (y ij ȳ ) = (ȳ i ȳ )+(y ij ȳ i ) ȳ = i y ij = 1ȳ 1 + ȳ Elevado al cuadrado y sumado para todo i, j i i i (y ij ȳ ) = (ȳ i ȳ ) + (y ij ȳ i ) ya que i [(ȳ i ȳ )(y ij ȳ i )] = i (ȳ i ȳ ) i=1 (recordad que los residuos suma cero e cada grupo) e ij = 0 3
34 La descomposició de la variabilidad ( tratam.) Por tato i i (y ij ȳ ) = i (ȳ i ȳ ) + (y ij ȳ i ) i=1 Se deomia variabilidad total a: i VT = (y ij ȳ ) Se deomia variabilidad explicada a: VE = i (ȳ i ȳ ) i=1 Se deomia variabilidad total o residual a: i i VNE = (y ij ȳ i ) = Por tato VT = VE + VNE e ij 33
35 Distribució de VE ( tratam.) Teemos Si µ 1 = µ = µ ) y ij N(µ i,σ ) ȳ i N (µ i, σ ) ȳ i N (µ, σ y además ȳ 1, ȳ so idepedietes porque procede de muestras idepedietes de la misma població. Por tato ) ) (ȳ1 µ (ȳ σ/ µ + 1 σ/ χ ) ) (ȳ1 ȳ (ȳ σ/ ȳ + 1 σ/ χ 1 ya que ȳ = ( 1 ȳ 1 + ȳ )/ i i i (ȳ i ȳ ) i=1 σ = VE σ χ 1 34
36 Distribució de VNE ( tratam.) Teemos VNE = i Por otro lado la variaza residual i ŝ R = eij e ij Por tato ( )ŝ R σ VNE σ χ χ 35
37 Cotraste de la F ( tratam.) Cotraste H 0 : µ 1 = µ H 1 : µ 1 µ Si H 0 es cierta VE σ VNE χ 1, σ χ (ésto se cumple siempre para VNE. Para VE, sólo si H 0 es cierta) Ahora podemos costruir el estadístico del cotraste F 0 = VE/σ 1 VNE/σ = VE VNE/( ) χ 1 /1 χ /( ) = F 1, Si F0 F 1, ;α No se rechaza H 0 Si F0 > F 1, ;α Se rechaza H 0 36
38 La tabla ANOVA ( tratam.) Los datos ecesarios para resolver el cotraste se orgaiza e ua tabla coocida como tabla ANOVA: Fuetes de Suma de Grados de Variazas F 0 variacio cuadrados libertad Etre grupos VE 1 VE Residual VNE - VNE/(-) = ŝr TOTAL VT -1 VE VNE/( ) 37
39 Solució del problema ( tratam.) Para uestros datos teemos Tabla ANOVA = 0, ȳ 1 = 43.1, ȳ = 9.3, ȳ = 36. Fuetes de Suma de Grados de Variazas F 0 variacio cuadrados libertad Etre grupos Residual TOTAL α = 0.05 F 1,18;0.05 = < F 0 Se rechaza H 0 α = 0.01 F 1,18;0.01 = > F 0 Se acepta H 0 Podemos calcular el p-valor p valor = P(F > F F 1,18 ) = p valor < α se rechaza H 0 p valor > α se acepta H 0 38
40 Fució aov de R > dietaa<-c(51.3,39.4,6.3,39.0,48.1,34.,69.8,31.3,45.,46.4) > dietab<-c(9.6,47.0,5.9,13.0,33.1,.1,34.1,19.5,43.8,4.9) > datos<-c(dietaa,dietab) > > dieta<-c(rep(1,times=10),rep(,times=10)) > dieta<-factor(dieta) > > modelo<-aov(datos~dieta) > > aova(modelo) Aalysis of Variace Table Respose: datos Df Sum Sq Mea Sq F value Pr(>F) dieta * Residuals Sigif. codes: 0 *** ** 0.01 *
41 Comparació de K tratamietos (ANOVA) La vetaja del método de aálisis de la variaza es que se puede geeralizar, se puede utilizar para aálisis más complejos. Por ejemplo, cuado hay más de dos tratamietos: Se desea comparar el redimieto de cuatro semillas: A, B, C, D. U terreo se divide e 4 parcelas similares y se asiga al azar cada semilla a 6 parcelas. Los resultados obteidos so: A B C D Por tato, se quiere comparar 4 grupos o tratamietos. Este problema o se puede resolver co el test de la t. Hay que utilizar aálisis de la variaza. 40
42 Modelo (K tratam.) y ij represeta el dato j-ésimo dato del grupo o tratamieto i (i = 1,...,K ). Se adopta el siguiete modelo para los datos dóde y ij = µ i + u ij, i = 1,...,K, j = 1,..., i µi : media del grupo i (parte determiista, igual para todo el grupo) uij : diferecia etre el dato y ij y la media del grupo µ i (parte aleatoria, depede de cada dato) Co las siguietes hipótesis 1. Normalidad: y ij N(µ i,σ i ), i = 1,...,K, j = 1,..., i Esta codició es equivalete a u ij N(0,σ i ), i = 1,...,K, j = 1,..., i. Homocedasticidad: σ 1 = = σ K = σ 3. Idepedecia: Cov[y ij, y kl ] = 0 41
43 Estimació parámetros del modelo (K tratam.) El modelo depede de K + 1 parámetros: K medias µ i y σ Para estimar estos parámetros utilizamos el método de máxima verosimilitud La fució de desidad para ua observació cualquiera es [ y ij N(µ i,σ ) f(y ij µ i,σ 1 ) = exp 1 ] πσ σ (y ij µ i ) La fució de desidad para todas las observacioes, supoiedo que so idepedietes K i [ f(y µ,σ 1 ) = exp 1 ] πσ σ (y ij µ i ) dode Y = [y 11 y Kk ], µ = [µ 1 µ K ]. Esta fució es la fució de verosimilitud. E la práctica trabajamos co el logaritmo de la verosimilitud L(µ,σ ) = log f(y µ,σ ) = log(πσ ) 1 σ K i (y ij µ i ) 4
44 Estimació parámetros del modelo (K tratam.) Los estimadores de los parámetros so aquellos que hace máxima la fució de verosimilitud: L(µ,σ ) µ i = σ i (y ij µ i ) ( 1) = 0 ˆµ i = i y ij i = ȳ i i = 1,...,K L(µ,σ ) σ = σ 1 σ 4 ˆσ = K i (y ij µ i ) = 0 K i (y ij ȳ i ) 43
45 Propiedades de ˆµ i (K tratam.) Estimador Esperaza Variaza ˆµ i = i y ij i E[ˆµ i ] = E[y i1]+e[y i ]+...+E[y ii ] = iµ = µ i i i Var[ˆµ i ] = Var[y i1]+var[y i ]+...+Var[y ii ] i = iσ i = σ i La fució de desidad de probabilidad de ˆµ i es ua ormal ya que es combiació lieal de ormales: ) ˆµ i N (µ i, σ i 44
46 Propiedades de ˆσ (K tratam.) Teemos K i (y ij ȳ i ) ˆσ = Por tato ˆσ σ = 1 = 1 (y 1j ȳ 1 ) + + K (y j ȳ ) ( ) y1j ȳ σ K ( yj ȳ ( ) y1j ȳ 1 1 ( ) y1j ȳ 1 N(0, 1) χ σ σ 1 1 ya que solo 1 1 so idepedietes. Efectivamete ȳ 1 = i y 1j 1 σ ) i i y 1j 1 ȳ 1 = 0 (y 1j ȳ 1 ) = 0 Luego dados 1 1 valores de y 1j ȳ 1 σ, el último está dado ya que todos suma cero. 45
47 Propiedades de ˆσ (K tratam.) Por el mismo razoamieto Por tato dóde Por tato ˆσ σ K [ ] ˆσ E σ ( yj ȳ σ ) χ K 1 χ χ K 1 = χ K = k = K E[ˆσ ] = K [ ] ˆσ Var = ( K) Var[ˆσ ] = σ σ ( K) σ 4 Luego el estimador de la variaza NO es cetrado! 46
48 Residuos del modelo (K tratam.) Modelo y ij = µ i + u ij Estimació de las medias: ˆµ i = ȳ i Se defie los residuos e ij como las estimacioes de u ij e ij = û ij e ij = y ij ˆµ i e ij = y ij ȳ i Los residuos del modelo o so idepedietes ya que i i e ij = y ij i ȳ i = 0, i = 1,...,K Es decir, la suma de los residuos e cada grupo i es ula. Dados i 1 residuos e cada grupo, el último queda determiado porque suma cero. Se llama grados de libertad de los residuos al úmero de residuos idepedietes, es decir, K. 47
49 Variaza residual (K tratam.) Se defie la variaza residual ŝ R como ŝr = Por tato K i (y ij ȳ i ) ˆσ = = K i eij K K i eij ˆσ K = ŝ R ( K)ŝR σ χ K ] ( K)ŝ E[ R = K E[ŝR] = σ σ Var[ ( K)ŝ R σ ] = ( K) Var[ŝ R ] = K σ4 Luego ŝ R es u estimador cetrado de σ y es el que elegimos 48
50 El cotraste de igualdad de medias (K tratam.) Problema: tiee igual redimieto las cuatro semillas? Modelo para los datos: A B C D y ij = µ i + u ij, y ij N(µ i,σ ) i = 1,...,K, j = 1,..., i Solució: (cotraste de igualdad de medias) H 0 : µ 1 = µ = µ 3 = µ 4 H 1 : Al meos ua es diferete 49
51 La descomposició de la variabilidad (K tratam.) Para resolver el cotraste hacemos dode ȳ es la media global ȳ = (y ij ȳ ) = (ȳ i ȳ )+(y ij ȳ i ) K i y ij = 1ȳ 1 + ȳ + + K ȳ K Elevado al cuadrado y sumado para todo i, j K i K i K i (y ij ȳ ) = (ȳ i ȳ ) + (y ij ȳ i ) ya que K i [(ȳ i ȳ )(y ij ȳ i )] = K i (ȳ i ȳ ) i=1 (recordad que los residuos suma cero e cada grupo) e ij = 0 50
52 La descomposició de la variabilidad (K tratam.) Por tato K i K K i (y ij ȳ ) = i (ȳ i ȳ ) + (y ij ȳ i ) i=1 Se deomia variabilidad total a: K i VT = (y ij ȳ ) Se deomia variabilidad explicada a: K VE = i (ȳ i ȳ ) i=1 Se deomia variabilidad total o residual a: K i K i VNE = (y ij ȳ i ) = Por tato VT = VE + VNE e ij 51
53 Distribució de VE (K tratam.) Teemos Si µ 1 = = µ K = µ ) y ij N(µ i,σ ) ȳ i N (µ i, σ ) ȳ i N (µ, σ y además ȳ 1, ȳ,...,ȳ K so idepedietes porque procede de muestras idepedietes de la misma població. Por tato ) ) ) (ȳ1 µ (ȳ σ/ µ (ȳk + 1 σ/ µ + + σ/ χ K K ) ) ) (ȳ1 ȳ (ȳ σ/ ȳ (ȳk + 1 σ/ ȳ + + σ/ χ K 1 K ya que ȳ = ( 1 ȳ 1 + ȳ + + K ȳ K )/ i i K i (ȳ i ȳ ) i=1 σ = VE σ χ K 1 5
54 Distribució de VNE (K tratam.) Teemos VNE = K i Por otro lado la variaza residual K i ŝ R = eij K e ij Por tato ( K)ŝ R σ VNE σ χ K χ K 53
55 Cotraste de la F (K tratam.) Cotraste Si H 0 es cierta H 0 : µ 1 = µ = = µ K H 1 : Al meos ua es diferete VE σ χ K 1, VNE σ χ K (ésto se cumple siempre para VNE. Para VE, sólo si H 0 es cierta) Ahora podemos costruir el estadístico del cotraste F 0 = VE/σ K 1 VNE/σ K = VE/(K 1) VNE/( K) χ K 1 /(K 1) χ K /( K) = F K 1, K Si F0 F K 1, K;α No se rechaza H 0 Si F0 > F K 1, K;α Se rechaza H 0 54
56 La tabla ANOVA (K tratam.) Los datos ecesarios para resolver el cotraste se orgaiza e ua tabla coocida como tabla ANOVA: Fuetes de Suma de Grados de Variazas F 0 variacio cuadrados libertad Etre grupos VE K-1 VE/(K-1) Residual VNE -K VNE/(-K) = ŝr TOTAL VT -1 VE/(K 1) VNE/( K) 55
57 Solució del problema (K tratam.) Para uestros datos teemos = 4, ȳ 1 = 4.88, ȳ = 18.65, ȳ 3 = 14.13, ȳ 4 = 45.9, ȳ = Tabla ANOVA Fuetes de Suma de Grados de Variazas F 0 variacio cuadrados libertad Etre grupos Residual TOTAL α = 0.05 F 3,0;0.05 = < F 0 Se rechaza H 0 α = 0.01 F 3,0;0.01 = < F 0 Se rechaza H 0 Podemos calcular el p-valor p valor = P(F > F F 3,0 ) = p valor < α se rechaza H 0 p valor > α se acepta H 0 56
58 Fució aov de R > A<-c(9.1,53.7,41.3,54.7,37.,41.3) > B<-c(33.4,33.0,19.,00.0,4.3,0.0) > C<-c(11.1,3.1,17.5,11.8,07.6,13.7) > D<-c(70.4,48.6,30.0,50.7,30.0,45.8) > redimieto<-c(a,b,c,d) > semilla<-c(rep(1,times=6),rep(,times=6),rep(3,times=6),rep(4,times= > semilla<-factor(semilla) > modelo<-aov(redimieto~semilla) > aova(modelo) Aalysis of Variace Table Respose: redimieto Df Sum Sq Mea Sq F value Pr(>F) semilla *** Residuals Sigif. codes: 0 *** ** 0.01 *
59 Aálisis de las diferecias etre medias Cuado las medias so diferetes (se rechaza H 0 ) os iteresa coocer cuál es el tratamieto co mayor media y cual es el tratamieto co meor media. Ua opció es calcular los itervalos de cofiaza de cada media. ) y i N (µ i, σ y i µ i σ N(0, 1) i Por otro lado Operado i ( K)ŝ R σ y i µ i ŝ R i χ K t K Luego los itervalos de cofiaza so ŝ R µ i y i ± t K; α i 58
60 Itervalos de cofiaza para las medias Para el problema de las semillas se obtiee (α = 0.05): Semilla y i Lim. If. Lim. Sup. A B C D Gráficamete medias Sem Las semillas A y D tiee u redimieto similar. Sus itervalos se solapa y o podemos asegurar cuál de las dos tiee mayor redimieto. Igual para B y C. Las semillas A y D tiee mayor redimieto que las B y C. 59
61 Cotrastes múltiples Tambié podemos hacer cotrastes dos a dos Para ello utilizamos que Operado H 0 : µ i = µ j H 1 : µ i µ j (ȳ i ȳ j ) (µ i µ j ) N(0, 1) σ 1 i + 1 j ( )ŝ R σ Si la hipótesis ula es cierta χ K (ȳ i ȳ j ) (µ i µ j ) ŝ R 1 i + 1 j t K t 0 = (ȳ i ȳ j ) ŝ R 1 i + 1 j t K 60
62 Cotrastes múltiples (problema) Para el problema de las semillas teemos que hacer los siguietes cotrastes: A-B, A-C, A-D, B-C, B-D, C-D. E geeral, co K tratamietos tedremos ( K ) cotrastes. E la siguiete tabla se idica el p-valor de los cotrastes p-valor = P(t > t 0 t t k )+P(t < t 0 t t k ) p-valor = P(t > t 0 t t k ) cotraste t 0 p-valor A-B A-C A-D B-C B-D C-D Si p-valor < α o se acepta la hipótesis ula. 61
63 Metodología 1. Especificar el modelo. Estimar los parámetros 3. Cotraste ANOVA 4. Itervalos de cofiaza para los parámetros 5. Diagosis de las hipótesis Normalidad Homocedasticidad Idepedecia 6
Problemas de Estimación de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Problemas de Estimació de Ua y Dos Muestras UCR ECCI CI-35 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviaa Ramírez Beavides Iferecia Estadística La teoría de la iferecia estadística cosiste e aquellos
Más detallesIntervalos de Confianza basados en una muestra. Instituto de Cálculo
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky Hay dos razoes por las cuales el itervalo (6.63,.37) tiee mayor logitud que el obteido ateriormete (7.69, 0.3). la variaza
Más detallesMétodos Estadísticos de la Ingeniería Tema 9: Inferencia Estadística, Estimación de Parámetros Grupo B
Métodos Estadísticos de la Igeiería Tema 9: Iferecia Estadística, Estimació de Parámetros Grupo B Área de Estadística e Ivestigació Operativa Licesio J. Rodríguez-Aragó Abril 200 Coteidos...............................................................
Más detallesEjercicios de intervalos de confianza en las PAAU
Ejercicios de itervalos de cofiaza e las PAAU 2008 1 1.-El úmero de días de permaecia de los efermos e u hospital sigue ua ley Normal de media µ días y desviació típica 3 días. a)determiar u itervalo de
Más detalles12 I N F E R E N C I A E S T A D Í S T I C A II (CONTRASTE DE HIPÓTESIS)
12 I N F E R E N C I A E S T A D Í S T I C A II (CONTRASTE DE HIPÓTESIS) 1 Supogamos que ua variable aleatoria X sigue ua ley N(µ; =,9). A partir de ua muestra de tamaño = 1, se obtiee ua media muestral
Más detallesEstadística Teórica II
tervalos de cofiaza Estadística Teórica NTERVALOS DE CONFANZA Satiago de la Fuete Ferádez 77 tervalos de cofiaza CÁLCULO DE NTERVALOS DE CONFANZA PARA LA MEDA CON DESVACÓN TÍPCA POBLACONAL CONOCDA Y DESCONOCDA.
Más detalles8. INTERVALOS DE CONFIANZA
8. INTERVALOS DE CONFIANZA Al estimar el valor de u parámetro de la distribució teórica, o se provee iformació sobre la icertidumbre e el resultado. Esa icertidumbre es producida por la dispersió de la
Más detallesEstimación puntual y por intervalos de confianza
Ídice 6 Estimació putual y por itervalos de cofiaza 6.1 6.1 Itroducció.......................................... 6.1 6. Estimador........................................... 6. 6.3 Método de costrucció
Más detallesPrueba A = , = [ 7.853, 8.147]
PRUEBAS DE ACCESO A LA UNIVERSIDAD CURSO 5-6 - CONVOCATORIA: Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo debe
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2013 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 013 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Juio, Ejercicio 4, Opció A Juio, Ejercicio 4, Opció B Reserva 1, Ejercicio 4, Opció
Más detallesPRUEBAS DE HIPOTESIS
PRUEBAS DE HIPOTESIS Es posible estimar u parámetro a partir de datos muestrales, bie sea ua estimació putual o u itervalo de cofiaza. Pero: Si mi objetivo o es estimar u parámetro, sio determiar el cumplimieto
Más detallesIES Fco Ayala de Granada Sobrantes de 2005 (Modelo 3) Solución Germán-Jesús Rubio Luna OPCIÓN A
IES Fco Ayala de Graada Sobrates de 005 (Modelo 3) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO _A ( putos) Dibuje el recito defiido por las siguietes iecuacioes: + y 6; 0 y; / + y/3 ; 0; ( puto) Calcule
Más detallesCAPÍTULO 6 DISTRIBUCIONES MUESTRALES
CAPÍTULO 6 DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es coocer acerca del comportamieto de parámetros poblacioales tales como: la media ( μ ), la variaza ( ) o la proporció ( p ).
Más detallesIntervalo de confianza para µ
Itervalo de cofiaza para p y ˆp1 ˆp ˆp1 ˆp ˆp z 1 α/ ; ˆp + z 1 α/, 7.6 ˆp + z 1 α/ ± z 1 α/ 1 + z 1 α/ ˆp1 ˆp + z 1 α/ 4 7.7 siedo ˆp = x/ y z 1 α/ el cuatil 1 α/ de la distribució ormal estádar. El itervalo
Más detallesMEDIDAS DE TENDENCIA CENTRAL. _ xi
EDIDAS DE TENDENCIA CENTRAL. EDIA ARITÉTICA. Es la medida más coocida y tambié es llamada promedio se obtiee sumado todos los valores de la muestra o població, dividida etre el total de elemetos que cotiee
Más detallesINTERVALOS DE CONFIANZA
Gestió Aeroáutica: Estadística Teórica Facultad Ciecias Ecoómicas y Empresariales Departameto de Ecoomía Aplicada Profesor: Satiago de la Fuete Ferádez NTERVALOS DE CONFANZA Gestió Aeroáutica: Estadística
Más detallesMedidas de Tendencia Central
1 Medidas de Tedecia Cetral La Media La media (o promedio) de ua muestra x 1, x,, x de tamaño de ua variable o característica x, se defie como la suma de todos los valores observados e la muestra, dividida
Más detallesEstimación puntual y por intervalos
0/1/011 Aálisis de datos gestió veteriaria Estimació putual por itervalos Departameto de Producció Aimal Facultad de Veteriaria Uiversidad de Córdoba Córdoba, 30 de Noviembre de 011 Estimació putual por
Más detallesCalculamos los vértices del recinto resolviendo las ecuaciones las rectas de dos en dos.
IES Fco Ayala de Graada Sobrates de 008 (Modelo 6) Germá-Jesús Rubio Lua SELETIVIDAD ANDALUÍA MATEMÁTIAS SS SOBRANTES 008 (MODELO 6) OPIÓN A EJERIIO 1_A (3 putos) Ua empresa produce botellas de leche etera
Más detalles4 Contrastes del Chi 2 de bondad del ajuste
4 Cotrastes del Chi de bodad del ajuste U cotraste de bodad del ajuste es de la forma o H 0 : P = P 0 frete a H 1 : P P 0 H 0 : P {P θ } θ Θ frete a H 1 : P / {P θ } θ Θ 4.1 Cotraste del χ para modelos
Más detallesEstimación puntual y por Intervalos de Confianza
Capítulo 7 Estimació putual y por Itervalos de Cofiaza 7.1. Itroducció Cosideremos ua v.a X co distribució F θ co θ descoocido. E este tema vemos cómo dar ua estimació putual para el parámetro θ y cómo
Más detallesSERIES NUMÉRICAS. SECCIONES A. Series de términos no negativos. B. Ejercicios propuestos.
CAPÍTULO IX. SERIES NUMÉRICAS SECCIONES A. Series de térmios o egativos. B. Ejercicios propuestos. 40 A. SERIES DE TÉRMINOS NO NEGATIVOS. Dada ua sucesió {a, a 2,..., a,... }, se llama serie de térmio
Más detallesIES Fco Ayala de Granada Sobrantes de 2004 (Modelo 4) Solución Germán-Jesús Rubio Luna OPCIÓN A
IES Fco Ayala de Graada Sobrates de 004 (Modelo 4) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A ( putos) Sabemos que el precio del kilo de tomates es la mitad que el del kilo de care. Además, el
Más detallesORGANIZACIÓN DE LOS DATOS.
ORGANIZACIÓN DE LOS DATOS. La toma de datos es ua de las partes de mayor importacia e el desarrollo de ua ivestigació. Así los datos obteidos mediate u primer proceso recibe el ombre de datos si tratar
Más detallesMuestreo sistemático
Capítulo 1 Muestreo sistemático El muestreo sistemático es u tipo de muestreo que es aplicable cuado los elemetos de la població sobre la que se realiza el muestreo está ordeados Este procedimieto de muestreo
Más detallesOPCIÓN A EJERCICIO 1_A
IES Fco Ayala de Graada Sobrates de 2001 (Modelo 4) Euciado Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 0-1 2 1 ( putos) Resuelva la siguiete ecuació matricial: A X - 2 B C, siedo A 1 0 1, B -2, C. 1
Más detallesIES Fco Ayala de Granada Modelo 2 del 2015 (Soluciones) Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO 2 DEL 2015 OPCIÓN A
IES Fco Ayala de Graada Modelo del 015 (Solucioes) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO DEL 015 OPCIÓN A EJERCICIO 1 (A) 1-1 Sea las matrices A = 0 1-1, B = 1 1, C = ( 1),
Más detallesLímite y Continuidad de Funciones.
Límite Cotiuidad de Fucioes. Eleazar José García. eleagarcia9@hotmail.com. Límite de ua fució.. Defiició de límite de ua fució.. Ifiitésimo.. Ifiitésimos equivalete.. Límite por la izquierda.. Límite por
Más detallesMUESTREO Y ESTIMACIÓN ESTADÍSTICA
1 MUESTREO Y ESTIMACIÓN ESTADÍSTICA Muestreo. Métodos de muestreo Se llama població al cojuto de idividuos que posee cierta característica. Ua muestra es ua parte de esa població. Muestreo es el proceso
Más detallesIntervalos de confianza para la media
Itervalos de cofiaza para la media Ejercicio º 1.- Las vetas diarias, e euros, e u determiado comercio sigue ua distribució N(950, 200). Calcula la probabilidad de que las vetas diarias e ese comercio:
Más detallesPara estimar su media poblacional (µ) se toma una muestra de 20 cigarrillos, las medias de la. σ 20
Modelo 04. Problema 5A.- (Calificació máxima: putos) El coteido e alquitrá de ua determiada marca de cigarrillos se puede aproximar por ua variable aleatoria co distribució ormal de media µ descoocida
Más detallesModelos lineales en Biología, 5ª Curso de Ciencias Biológicas Clase 28/10/04. Estimación y estimadores: Distribuciones asociadas al muestreo
Modelos lieales e Biología, 5ª Curso de Ciecias Biológicas Clase 8/10/04 Estimació y estimadores: Distribucioes asociadas al muestreo Referecias: Cualquiera de los textos icluidos e la bibliografía recomedada
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 6 Aula + Laboratorio
26 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 6 Aula + Laboratorio 1. Los siguietes valores so medicioes del peso (e miles de toeladas) de grades taques de petróleo. 229, 232, 239, 232, 259, 361, 220, 260,
Más detallesDISTRIBUCIÓN DE LA MEDIA MUESTRAL. (a) Las muestras de tamaño n obtenidas en una población de media y desviación típica,
1 MAJ04 DISTRIBUCIÓN DE LA MEDIA MUESTRAL 1. E u servicio de ateció al cliete, el tiempo de espera hasta recibir ateció es ua variable ormal de media 10 miutos y desviació típica 2 miutos. Se toma muestras
Más detallesImportancia de las medidas de tendencia central.
UNIDAD 5: UTILICEMOS MEDIDAS DE TENDENCIA CENTRAL. Importacia de las medidas de tedecia cetral. Cuado recopilamos ua serie de datos podemos resumirlos utilizado ua tabla de clases y frecuecias. La iformació
Más detallesMó duló 21: Sumatória
INTERNADO MATEMÁTICA 16 Guía del estudiate Mó duló 1: Sumatória Objetivo: Coocer y aplicar propiedades para el cálculo de sumatorias. Para calcular alguas sumatorias es ecesario coocer sus propiedades
Más detallesQué es la estadística?
Qué es la estadística? La estadística tiee que ver co la recopilació, presetació, aálisis y uso de datos para tomar decisioes y resolver problemas. Qué es la estadística? U agete recibe iformació e forma
Más detallesSobrantes de 2004 (Septiembre Modelo 3) Soluciones Germán-Jesús Rubio Luna OPCIÓN A
OPCIÓN A EJERCICIO 1_A (3 putos) Ua pastelería elabora dos tipos de trufas, dulces y amargas Cada trufa dulce lleva 20 g de cacao, 20 g de ata y 30 g de azúcar y se vede a 1 euro la uidad Cada trufa amarga
Más detallesConceptos generales de inferencia estadística. Estimación de parámetros. Intervalos de confianza.
FCEyN - Estadística para Química do. cuat. 006 - Marta García Be Coceptos geerales de iferecia estadística. Estimació de parámetros. Itervalos de cofiaza. Iferecia estadística: Dijimos e la primera clase
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA DISTRIBUCIÓN DE FRECUENCIAS, HISTOGRAMA, POLIGONO Y ESTADÍSITICOS DE TENDENCIA CENTRAL, DISPERSIÓN, ASIMETRÍA Y CURTOSIS. Prof.: MSc. Julio R. Vargas I. Las calificacioes fiales
Más detallesTest de Kolmogorov Smirnov Patricia Kisbye El test chi-cuadrado en el caso continuo
Test de Kolmogorov Smirov Técicas de validació estadística Bodad de auste Kolmogorov-Smirov Patricia Kisbye FaMAF 29 de mayo, 2008 Icoveiete: No es secillo costruir los itervalos a partir de las probabilidades.
Más detallesIntervalos de Confianza para la diferencia de medias
Itervalo de Cofiaza para la diferecia de media INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE MEDIAS Sea,,..., ua muetra aleatoria de obervacioe tomada de ua primera població co valor eperado μ, y variaza
Más detallesTeorema del límite central
Teorema del límite cetral Carles Rovira Escofet P03/75057/01008 FUOC P03/75057/01008 Teorema del límite cetral Ídice Sesió 1 La distribució de la media muestral... 5 1. Distribució de la media muestral
Más detallesINTERÉS SIMPLE COMO FUNCIÓN LINEAL.
INTERÉS SIMPLE COMO FUNCIÓN LINEAL. EJERCICIOS PROPUESTOS. 1.- Grafica las fucioes Moto e Iterés: a) C = + 0, co C e miles de pesos ; : meses y R. Para graficar estar fucioes, debemos dar valores a, por
Más detallesn x i n y i = 0 ,..., x n u)... exp 1 y 1 y y n u . Demuestre que i=1 Y n
47 Capítulo 9 Propiedades de los estimadores putuales y métodos de estimació ii Demuestre que para que esta relació sea idepediete de p, debemos teer x i y i = 0 o x i = y i. iii De acuerdo co el método
Más detallesProbabilidad y Estadística. Introducción a la Inferencia Estadística. Raúl D. Katz 2013
Probabilidad y Estadística Itroducció a la Iferecia Estadística Raúl D. Katz 013 Ídice 1. Itroducció 3. Muestreo 3.1. Muestras aleatorias simples.................................... 4 3. Iferecia estadística
Más detallesMEDIDAS DE DISPERSIÓN.
MEDIDA DE DIPERIÓN. Las medidas de tedecia cetral solamete da ua medida de la localizació del cetro de los datos. Co mucha frecuecia, es igualmete importate describir la forma e que las observacioes está
Más detallesT ema 8 ESTIMACIÓN. Conceptos previos. Población y muestra:
T ema 8 ESTIMACIÓN Coceptos previos Població y muestra: Població se refiere al cojuto total de elemetos que se quiere estudiar ua o más características. Debe estar bie defiida. Llamaremos N al úmero total
Más detallesUNEFA C.I.N.U. Matemáticas
RADICACIÓN: DEFINICIÓN Y PROPIEDADES Ates de etrar e el tema Radicació, vamos a comezar por recordar u poco sore Poteciació: Saemos que e lugar de escriir, utilizamos la otació: de Poteciació, dode el
Más detallesTema 9. Introducción a la Inferencia Estadística. Presentación y Objetivos. Esquema Inicial. Probabilidades y Estadística I
Tema 9. Itroducció a la Iferecia Estadística Presetació y Objetivos. La iferecia utiliza el leguaje de la probabilidad para sacar coclusioes de los datos y acompañar esas coclusioes por ua declaració formal
Más detallesIES Fco Ayala de Granada Soluciones Germán-Jesús Rubio Luna INTERVALOS DE CONFIANZA PARA PROPORCIONES (2007)
IS Fco Ayala de Graada Solucioes Germá-Jesús Rubio Lua INTRVALOS D CONFIANZA PARA PROPORCIONS (007) jercicio 1- Tomada, al azar, ua muestra de 10 estudiates de ua Uiversidad, se ecotró que 54 de ellos
Más detallesMuestreo e Intervalos de Confianza
Muestreo e Itervalos de Cofiaza PROBLEMAS DE SELECTIVIDAD RESUELTOS MUESTREO E INTERVALOS DE CONFIANZA 1) E ua població ormal co variaza coocida se ha tomado ua muestra de tamaño 49 y se ha calculado su
Más detallesOPCIÓN A EJERCICIO 1_A
IES Fco Ayala de Graada Sobrates de 005 (Modelo 4) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 1 3 (1 puto) Sea las matrices A= 0 1 y B = 1-1 - 0 1 1 De las siguietes operacioes, alguas o se puede
Más detallesMatemáticas 1 1 EJERCICIOS RESUELTOS: Funciones de una variable. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación
Matemáticas EJERCICIOS RESUELTOS: Fucioes de ua variable Elea Álvarez Sáiz Dpto. Matemática Aplicada y C. Computació Uiversidad de Catabria Igeiería de Telecomuicació Fudametos Matemáticos I Ejercicios:
Más detallesDepartamento Administrativo Nacional de Estadística
Departameto Admiistrativo acioal de Estadística Direcció de Regulació, Plaeació, Estadarizació y ormalizació -DIRPE- Especificacioes de Coeficiete y Variaza Ecuesta de Cosumo Cultural Julio 008 ESPECIFICACIOES
Más detallesTema 6: Distribuciones Muestrales
Tema 6: Distribucioes Muestrales El objetivo es efectuar ua geeralizació de los resultados de la muestra a la població. Iferir o adiviar el comportamieto de la població a partir del coocimieto de ua muestra.
Más detallesAnálisis de datos en los estudios epidemiológicos II
Aálisis de datos e los estudios epidemiológicos II Itroducció E este capitulo cotiuamos el aálisis de los estudios epidemiológicos cetrádoos e las medidas de tedecia cetral, posició y dispersió, ídices
Más detallesOPCIÓN A EJERCICIO 1_A 1 0 2
IES Fco Ayala de Graada Sobrates de 007 (Modelo 6) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 1 0 - Sea las matrices A, B - 1 0 5 (1 5 putos) Calcule B.B t - A.A t (1 5 putos) Halle la matriz
Más detallesUNIDAD 2 Ecuaciones Diferenciales Lineales de Orden Superior
UNIDAD Ecuacioes Difereciales Lieales de Orde Superior. Defiició Ua ecuació diferecial lieal de orde tiee la forma: d y a a a a y= g d d d Si las fucioes a a so todas costates (o cero) etoces se dice que
Más detallesEL CONTRASTE DE HIPOTESIS: Esquemas y ejemplos
EL CONTRASTE DE HIPOTESIS: Esquemas y ejemplos Ua vez expuesta la lógica de u Cotraste de Hipótesis y tras haber defiido los térmios y coceptos ivolucrados, hay que decir que esa lógica geeral se cocreta
Más detallesTest de Wilcoxon de rangos signados
5 Elea J. Martíez do cuat. 0 Test de Wilcoxo de ragos sigados Hemos visto que, co míimas hipótesis sobre la distribució subyacete (úica mediaa y distribució cotiua), el test del sigo es UMP para las hipótesis
Más detallesECUACIONES DIFERENCIALES Problemas de Valor Frontera
DIVISIÓN DE CIENCIAS FÍSICAS Y MATEMÁTICAS DPTO. TERMODINÁMICA Y FENÓMENOS DE TRANSFERENCIA MÉTODOS APROXIMADOS EN ING. QUÍMICA TF-33 ECUACIONES DIFERENCIALES Problemas de Valor Frotera Esta guía fue elaborada
Más detallesMuestreo Estratificado.
Muestreo Estratificado. 1.- Itroducció: Para aplicar este diseño, se precisa que la població esté dividida e subpoblacioes, estratos, que o se solape. Se seleccioa ua muestra probabilística e cada estrato
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E.
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E. CURSO 8-9 CONVOCATORIA: MATERIA: MATEMATICAS APLICADAS A LAS CC. SS. - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo debe respoder
Más detallesTEMA 7. ESTIMACIÓN. 7.2. Estimación puntual. Propiedades deseables de los estimadores 7.2.1. Introducción y definiciones 7.2.2. Estimadores Insegados
TEMA 7. ETIMACIÓN 7.1. Itroducció y defiicioes 7.. Estimació putual. Propiedades deseables de los estimadores 7..1. Itroducció y defiicioes 7... Estimadores Isegados 7.3. Estimació por itervalos de cofiaza
Más detallesLicenciatura en Matemáticas Febrero 2011. x(1 x) θ 1 I [0,1] (x). (1)
Estadística I Exame Liceciatura e Matemáticas Febrero 2011 1. Sea X 1,..., X ua muestra aleatoria de ua variable X co distribució Beta de parámetros 2 y θ > 0. Esto último sigifica que la fució de desidad
Más detallesProbabilidad y estadística
Probabilidad y estadística MEDIDAS DE TENDENCIA CENTRAL, MEDIDAS DE DISPERSIÓN, GRÁFICAS, E INTERPRETANDO RESULTADOS Prof. Miguel Hesiquio Garduño. Est. Mirla Beavides Rojas Depto. De Igeiería Química
Más detallesDistribuciones de probabilidad
Distribucioes de probabilidad 1. Variable aleatoria real: Ejemplo: Ua variable aleatoria X es ua fució que asocia a cada elemeto del espacio muestral E u úmero X: E ú Cosideremos el experimeto aleatorio
Más detallesEstadística Descriptiva
Igacio Cascos Ferádez Dpto. Estadística e I.O. Uiversidad Pública de Navarra Estadística Descriptiva Estadística ITT Soido e Image curso 2004-2005 1. Defiicioes fudametales La Estadística Descriptiva se
Más detallesTema 9. Inferencia Estadística. Intervalos de confianza.
Tema 9. Iferecia Estadística. Itervalos de cofiaza. Idice 1. Itroducció.... 2 2. Itervalo de cofiaza para media poblacioal. Tamaño de la muestra.... 2 2.1. Itervalo de cofiaza... 2 2.2. Tamaño de la muestra...
Más detallesTABLAS DE CONTINGENCIA. IGNACIO MÉNDEZ GÓMEZ-HUMARÁN
TABLAS DE CONTINGENCIA IGNACIO MÉNDEZ GÓMEZ-HUMARÁN imgh000@yahoo.om El uso de Tablas de Cotigeia permite estudiar la relaió etre dos variables ategórias o riterios de lasifiaió. E ua Tabla, los regloes
Más detallesComo se ha podido apreciar en los módulos anteriores, La estadística trata con recolección de datos, su análisis e interpretación.
Uiversidad Técica Federico Sata María Departameto de Matemática Reato Allede Olivares 7. QUINTO MÓDULO 7. Iferecia Estadística Como se ha podido apreciar e los módulos ateriores, La estadística trata co
Más detallesDISCUSIÓN Y RESOLUCIÓN DE ECUACIONES LINEALES. TEOREMA DE ROUCHE. REGLA DE CRAMER. MÉTODO DE GAUSS-JORDAN
DISCUSIÓN Y RESOLUCIÓN DE ECUACIONES LINEALES. TEOREMA DE ROUCHE. REGLA DE CRAMER. MÉTODO DE GAUSS-JORDAN Ídice. INTRODUCCIÓN2 2. SISTEMAS DE ECUACIONES LINEALES2 Defiicioes básicas.2 Iterpretació vectorial3
Más detallesTema 7: Estimación por intervalos de confianza.
Estadística 69 Tema 7: Estimació por itervalos de cofiaza. 7. Itroducció. Cuado tratamos la estimació putual, uo de los problemas que se platearo es que el valor de la estimació es sólo uo de los valores
Más detallesTests de Hipótesis basados en dos muestras. ESTADÍSTICA (Q) 23. TESTS E INTERVALOS DE CONFIANZA PARA LA DIFERENCIA DE MEDIAS DE DOS POBLACIONES
57 3. TET E INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE MEDIA DE DO POBLACIONE U test de hipótesis para dos muestras es similar e muchos aspectos al test para ua muestra. e especifica ua hipótesis ula,
Más detallesREVISIÓN DE ALGUNOS INDICADORES PARA MEDIR LA DESIGUALDAD XAVIER MANCERO CEPAL
375 REVISIÓN DE ALGUNOS INDICADORES PARA MEDIR LA DESIGUALDAD XAVIER MANCERO CEPAL 376 Revisió de alguos idicadores para medir desigualdad Medidas de Desigualdad Para medir el grado de desigualdad e la
Más detallesAnálisis estadístico de datos simulados Estimadores puntuales
Aálisis estadístico de datos simulados Estimadores putuales Georgia Flesia FaMAF 5 de mayo, 2015 Aálisis estadístico Modelizació estadística: Elegir ua distribució e base a los datos observados. Estimar
Más detallesConvolución. Dr. Luis Javier Morales Mendoza. Procesamiento Digital de Señales Departamento de Maestría DICIS - UG
Covolució Dr. Luis Javier Morales Medoza Procesamieto Digital de Señales Departameto de Maestría DICIS - UG Ídice.. Itroducció... Aálisis de Sistemas Discretos Lieales e Ivariates e el Tiempo.... Técicas
Más detalles2.- ESPACIOS VECTORIALES. MATRICES.
2.- ESPACIOS VECTORIALES. MATRICES. 2.1. -ESPACIOS VECTORIALES Sea u cojuto V, etre cuyos elemetos (a los que llamaremos vectores) hay defiidas dos operacioes: SUMA DE DOS ELEMENTOS DE V: Si u, v V, etoces
Más detallesCapítulo II Estimación de parámetros
Capítulo II Estimació de parámetros Estimació putual de parámetros Explicaremos el tópico de la estimació putual de parámetros, usado el siguiete ejemplo. La Tabla Nº. cotiee iformació de los salarios
Más detallesESTIMACIÓN PUNTUAL Y ESTIMACIÓN POR INTERVALOS DE CONFIANZA
ESTIMACIÓN PUNTUAL Y ESTIMACIÓN POR INTERVALOS DE CONFIANZA Autores: Ágel A. Jua (ajuap@uoc.edu), Máimo Sedao (msedaoh@uoc.edu), Alicia Vila (avilag@uoc.edu). ESQUEMA DE CONTENIDOS Defiició Propiedades
Más detallesTécnicas para problemas de desigualdades
Técicas para problemas de desigualdades Notas extraídas del libro de Arthur Egel [] 5 de marzo de 00 Medias Comezamos co dos de las desigualdades más básicas pero al mismo tiempo más importates Sea x,
Más detalles2. MODELOS PROBABILISTICOS
. MODELOS PROBABILISTICOS. Fucioes de Probabilidad.. Variable Discreta U modelo probabilístico de u experimeto requiere asociar u valor de probabilidad a cada puto del espacio muestral. E el caso de las
Más detallesPRUEBAS DE HIPÓTESIS
PRUEBAS DE HIPÓTESIS E vez de estimar el valor de u parámetro, a veces se debe decidir si ua afirmació relativa a u parámetro es verdadera o falsa. Vale decir, probar ua hipótesis relativa a u parámetro.
Más detallesESTADÍSTICA NO PARAMÉTRICA: PRUEBA CHI-CUADRADO χ 2
Estadística o Paramétrica ESTADÍSTICA NO PARAMÉTRICA: PRUEBA CHI-CUADRADO χ Autores: Jua Fracisco Moge Ivars (jmoje@uoc.edu), Ágel A. Jua Pérez (ajuap@uoc.edu) ESQUEMA DE CONTENIDOS Estadística o Paramétrica
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA.
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA. Població: El cojuto de todos los elemetos o idividuos que posee ua determiada característica o cualidad de iterés. Existe situacioes e las que o es posible aalizar
Más detallesTema 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD. X- μ. f(x) = e para - < x < Z 2. . e para - < z <
Tema 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD La distribució ormal: La distribució ormal, campaa de Gauss o, curva ormal, tambié defiida por De Moivre. Características y propiedades: La siguiete fórmula
Más detalles5. Aproximación de funciones: polinomios de Taylor y teorema de Taylor.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO 00. Lecció. Fucioes y derivada. 5. Aproimació de fucioes: poliomios de Taylor y teorema de Taylor. Alguas veces podemos aproimar fucioes complicadas mediate otras
Más detallesTrata de describir y analizar algunos caracteres de los individuos de un grupo dado, sin extraer conclusiones para un grupo mayor.
1 Estadística Descriptiva Tema 8.- Estadística. Tablas y Gráficos. Combiatoria Trata de describir y aalizar alguos caracteres de los idividuos de u grupo dado, si extraer coclusioes para u grupo mayor.
Más detalles1 Valores individuales del conjunto
5/03/00 METROLOGÍA ESTADÍSTICA ANÁLISIS DE DATOS Cuado se obtiee uo o más grupos de datos, producto de repeticioes i e ua medida, la mejor forma de represetarlas, es mediate las Medidas de tedecia cetral
Más detalles7.2. Métodos para encontrar estimadores
Capítulo 7 Estimació putual 7.1. Itroducció Defiició 7.1.1 U estimador putual es cualquier fució W (X 1,, X ) de la muestra. Es decir, cualquier estadística es ua estimador putual. Se debe teer clara la
Más detallesUnidad N 2. Medidas de dispersión
Uidad N 2 Medidas de dispersió Ua seguda propiedad importate que describe ua serie de datos uméricos es ua variació. La variació es la catidad de dispersió o propagació e los datos. Dos series de datos
Más detallesLAS MUESTRAS ESTADÍSTICAS
UNIDAD 0 LAS MUESTRAS ESTADÍSTICAS Págia 26 Lazamieto de varios dados CUATRO DADOS La distribució de probabilidades de la suma de cuatro dados es la siguiete: x i 4 5 6 7 8 9 0 2 3 4 4 0 20 35 56 80 04
Más detallesMedidas de Tendencia Central
EYP14 Estadística para Costrucció Civil 1 Medidas de Tedecia Cetral La Media La media (o promedio) de ua muestra x 1, x,, x de tamaño de ua variable o característica x, se defie como la suma de todos los
Más detalles2 CARTAS DE CONTROL POR ATRIBUTOS
2 CARTAS DE CONTROL POR ATRIBUTOS Cualquier característica de calidad que pueda ser clasificada de forma biaria: cumple o o cumple, fucioa o o fucioa, pasa o o pasa, coforme o discoforme defectuoso, o
Más detallesEstimador Es la regla o procedimiento, expresado en general por medio de una fórmula, que se utiliza para deducir la estimación.
Teoría de la Estimació Estadística Teoría de la Estimació Estadística Razó para estimar Los admiistradores utiliza las estimacioes porque se debe tomar decisioes racioales, si que tega la iformació pertiete
Más detallesSELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2008 (MODELO 5)
IES Fco Ayala de Graada Sobrates de 008 (Modelo 5) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 008 (MODELO 5) OPCIÓN A EJERCICIO 1_A De las restriccioes que debe cumplir las
Más detallesTrabajo Especial Estadística
Estadística Resolució de u Problema Alumas: Arrosio, Florecia García Fracaro, Sofía Victorel, Mariaela FECHA DE ENTREGA: 12 de Mayo de 2012 Resume Este trabajo es ua ivestigació descriptiva, es decir,
Más detallesIES Fco Ayala de Granada Sobrantes 2014 (Modelo 2 ) Soluciones Germán-Jesús Rubio Luna
IES Fco Ayala de Graada Sobrates 014 (Modelo ) Solucioes Germá-Jesús Rubio Lua SELETIVIDAD ANDALUÍA MATEMÁTIAS SS SOBRANTES 014 MODELO OPIÓN A EJERIIO 1 (A) (1 75 putos) Represete gráficamete la regió
Más detallesFUNCIONES. ( a) IGUALDAD DE FUNCIONES Sí y son dos funciones, diremos que las funciones f y
CALCULO P.C.I. PRIMER SEMESTRE 04 FUNCIONES Sí A y B so dos cojutos o vacío, ua fució de A e B asiga a cada elemeto a perteeciete al cojuto A u úico elemeto b de B que deomiamos image de a. Además diremos
Más detalles