Tema 8: Estimación por intervalos de confianza.
|
|
- Belén Guzmán Coronel
- hace 7 años
- Vistas:
Transcripción
1 Estadística 84 Tema 8: Estimación por intervalos de confianza. 8.1 Introducción. Cuando tratamos la estimación puntual, uno de los problemas que se plantearon es que el valor de la estimación es sólo uno de los valores (posiblemente infinitos) del estimador, obtenido al extraer una muestra concreta, de forma que si extraemos dos muestras distintas, las estimaciones serán distintas. Al hacer cualquier estimación se está cometiendo un error, y sería deseable proporcionar una medida de la precisión de la estimación del parámetro. En este tema vamos a introducir el concepto de intervalo de confianza como un intervalo cuyos extremos son variables que dependen de la muestra, y en el cual se confía que esté el valor de parámetro. El intervalo se obtendrá a partir de un estadístico generalmente relacionado con un estimador puntual, cuya distribución no depende del parámetro desconocido, y una medida de la validez del intervalo es el nivel de confianza, que indica la proporción de intervalos de todos los que se podrían construir a partir de muestras distintas, que realmente contienen al parámetro. Para comprender mejor el concepto de intervalo de confianza y la forma en que estos se construyen, vamos a comenzar presentando un ejemplo sencillo: Ejemplo: Intervalo de confianza para la media de una v.a. con distribución normal y varianza ( ) conocida. Sea X una v.a. con distribución N(µ, ) y sea X 1,..., X n una m.a.s. de esta distribución. Como ya hemos visto en el tema anterior, el estimador X de µ, que se define como: X = n es una suma de variables aleatorias con distribución normal e independientes (pues X 1,..., X n lo son) y, por tanto, tiene distribución normal. Su media es µ y su varianza variable, se tiene que: X µ / n X i n N(0, 1). n. Si estandarizamos esta Obsérvese que esta variable aleatoria tiene distribución conocida e independiente del valor del parámetro µ, que por otra parte es el único valor desconocido de la variable una vez extraída una m.a.s. concreta de tamaño n. Esto es lo que nos va a permitir construir el intervalo de confianza para µ. Si fijamos un nivel 1 de confianza, pretendemos que para un (1 )100 % de las muestras de tamaño n posibles, el valor de µ esté incluido en el intervalo que vamos a construir. Para ello, vamos a considerar el valor z IR para el cuál p( z Z z) = 1, donde Z es una variable aleatoria con distribución N(0, 1). (Recuérdese que esto significa que el (1 )100 % de los valores de la variable Z que extraigamos al azar, estarán en el intervalo ( z, z)). ( En particular, p z X µ ) / n z = 1.
2 Estadística 85 Qué significa esto? Que para el (1 )100 % de las muestras de tamaño n de la v.a. X, al obtener X y formar el cociente anterior, ese valor estará entre -z y z. Si en: despejamos µ, se obtiene: que es el intervalo correspondiente. z X µ / n z X z n µ X + z n Observación 1 (a) Los extremos del intervalo, X ± z n, son variables aleatorias que dependen de la muestra, es decir, para cada muestra distinta, tomarán un valor diferente. (b) El valor del parámetro, aunque desconocido, es un valor fijo. (c) El valor z que interviene en el intervalo, es el valor que corresponde a una probabilidad acumulada de 1, y se obtiene fácilmente a partir de la tabla de la N(0, 1); denotaremos este punto por z 1. (Puesto que en el intervalo (-z,z) debe haber una probabilidad 1, en las colas debe quedar distribuida una probabilidad de y de ahí que p(z z) = 1.) 8. Distribuciones en el muestreo de algunos estadísticos. Para obtener el intervalo anterior, hemos utilizado un estadístico que depende de la muestra y del parámetro ( X µ / ), cuya distribución es conocida e independiente del parámetro. Esto sugiere que n para construir intervalos de confianza para otros parámetros o en otras condiciones (por ejemplo, si no se conoce ), es necesario utilizar estadísticos similares, con distribución conocida. Vamos a estudiar algunos de estos estadísticos y a introducir algunas distribuciones importantes, relacionadas con la distribución normal. (a) Distribución muestral de ns para una v.a. N(µ, ). Distribución χ n. Definición 1 Sean Z 1,..., Z n v.a. con distribución N(0, 1) e independientes. Entonces la v.a. X = Z 1 + Z Z n se dice que tiene una distribución ji-cuadrado con n grados de libertad y se denota por χ n. Propiedades 1 i. S X = [0, ). ii. E(X) = n y V ar(x) = n. iii. Propiedad de reproductividad: Si X 1,..., X k tienen distribuciones χ n i, i = 1,..., k, y son independientes, entonces la variable X = grados de libertad. k X i tiene distribución χ n con n = k n i iv. Si Z es una v.a. con distribución χ n, X es una v.a. con distribución χ n 1, n > n 1, y Z = X+Y con X e Y variables independientes, entonces Y tiene distribución χ n n 1.
3 Estadística 86 A partir de esta nueva distribución vamos a comprobar (de forma un poco imprecisa) el siguiente resultado: Proposición 1 Sea X una v.a. con distribución N(µ, ) y sea X 1,..., X n una m.a.s. de esta distribución. Entonces el estadístico ns tiene distribución χ n 1. Demostración Vamos a desarrollar Por tanto, ns = n (X i X) n (X i µ + µ X) = = n (X i µ) + (µ = X) + (X i µ)(µ X) = n (X i µ) n (µ X) = + + (µ X) n (X i µ) = n (X i µ) (µ X) (µ X) n ( ) Xi µ (µ X) = + n n = /n n ( ) Xi µ = ns (µ X) + /n Para cada i = 1,..., n, la variable X i µ tiene distribución N(0, 1). La variable X µ / n tiene también distribución N(0, 1); por último, aunque este resultado no se va a demostrar, las variables ns y X µ / son independientes (esta independencia se debe a que si X es n una variable aleatoria con distribución normal, las variables X y S son independientes). n ) Por tanto, tiene una distribución χ n, la variable ( X µ) tiene distribución χ 1 ( Xi µ ns. Se deduce, aplicando la propiedad (iv), que tiene una distribución χ n 1. /n Observación Puede observarse que ns expresiones para el estadístico. = (n 1)S c, de forma que pueden utilizarse ambas (b) Distribución muestral de X µ S/ n 1 para una v.a. N(µ, ). Distribución t de Student. Definición Sea Z una v.a. con distribución N(0, 1) y sea Y una v.a. con distribución χ n. Si Z e Y son independientes, la variable X = Z se dice que tiene una distribución t de Student Y/n con n grados de libertad. Esta distribución se denota por t n. Propiedades i. S X = (, ). ii. E(X) = 0 y V ar(x) = n n, si n >. iii. La distribución es simétrica respecto de x = 0, y es similar a la normal (distribución a la que tiende cuando el número de grados de libertad tiende a.) Tiene colas más amplias que la normal.
4 Estadística 87 Proposición Sea X una v.a. con distribución N(µ, ) y sea X 1,..., X n una m.a.s. de esta X µ distribución. Entonces el estadístico S/ n 1 tiene distribución t n 1. Demostración En efecto, ya habíamos visto anteriormente que la variable N(0, 1). Por otra parte, la variable ns de la anterior. Por tanto, tiene distribución t n 1. Observación 3 Puede observase que: X µ / n ns / n 1 X µ / n tiene distribución tiene una distribución χ n 1 y es independiente = X µ S/ n 1 X µ S/ n 1 = X µ S c / n. Al construir intervalos de confianza pueden utilizarse cualquiera de los dos estadísticos (generalmente, en función de la información disponible, es decir, según que lo que se conozca sea S o S c.) para v.a. X N(µ 1, 1 ) e Y N(µ, ), inde- (c) Distribución muestral de X Ȳ (µ 1 µ ) 1 + n 1 n pendientes. Si X 1,..., X n1 es una m.a.s. de la variable X e Y 1,..., Y n es una m.a.s. de la variable Y, por ser ambas normales e independientes, las variables X y Ȳ serán normales e independientes, y por tanto, su diferencia tendrá distribución normal, con: E( X Ȳ ) = E( X) E(Ȳ ) = µ 1 µ V ar( X Ȳ ) = V ar( X) + V ar(ȳ ) = 1 n 1 + n Por tanto, el estadístico X Ȳ (µ 1 µ ) tiene distribución N(0, 1). 1 + n 1 n (d) Estadístico para la diferencia de medias en poblaciones normales e independientes, cuando no se conoce la varianza. Sean X N(µ 1, 1 ) e Y N(µ, ), independientes. Pueden distinguirse dos casos: Si 1 =. En este caso, vamos a llamar a la varianza común; si X 1,..., X n1 es una m.a.s. de la variable X e Y 1,..., Y n es una m.a.s. de la variable Y, como ya hemos visto en el punto anterior, el estadístico X Ȳ (µ 1 µ ) tiene distribución N(0, 1). + n 1 n Por otra parte, sabemos que n 1S 1 y n S tiene respectivamente distribuciones χ n 1 1 y χ n 1, y son independientes por serlo las variables X e Y. Por tanto, el estadístico n 1 S1 + n S
5 Estadística 88 tiene distribución χ n 1 +n. Si ahora consideramos el cociente: X Ȳ (µ 1 µ ) 1 + : ( n1 S1 1 + n ) S /(n 1 + n ) = X Ȳ (µ 1 µ ), (S n1 n c ) 1 T n n donde (S c ) T = n 1S 1 +n S n 1 +n, tiene distribución t n 1 +n, y es el estadístico que utilizaremos. Observación 4 Se puede escribir también (S c ) T = (n 1 1)(S c) 1 +(n 1)(S c) n 1 +n. Si 1. En este caso, aunque no daremos la justificación teórica correspondiente, el estadístico utilizado será: X Ȳ (µ 1 µ ) S 1 n S n 1 cuya distribución aproximada es una t d, siendo d el entero más próximo a: ( S 1 /(n 1 1) + S /(n 1) ). (S1 /(n 1 1)) n (S /(n 1)) n +1 Observación 5 Este estadístico puede escribirse también como: X Ȳ (µ 1 µ ) (S c) 1 n 1 + (Sc) n (e) Distribución muestral de (S c) 1 / 1 para para v.a. X (S c) 1 N(µ 1, 1 ) X N(µ, ), independientes. Distribución F de / Fisher-Snedecor. Definición 3 Sean X e Y variables ji-cuadrado con n y m grados de libertad, respectivamente, e independientes. Entonces, la variable F = X/n Y/m, se dice que tiene distribución F de Fisher- Snedecor con n,m grados de libertad. Se denota por F n,m. Propiedades 3 i. S F = [0, ). ii. E(F ) = m m, si m >, y V ar(f ) = m (n+m ), si m > 4. n(m ) (m 4) iii. Si X tiene una distribución F n,m e Y tiene una distribución F m,n, entonces el punto f IR para el cual p(x f) = 1, verifica que p(y 1 f ) =. iv. La distribución F tiene una gráfica (su función de densidad) similar a la de la ji-cuadrado. Sean ahora X N(µ 1, 1 ) e Y N(µ, ), independientes. Hemos visto anteriormente que las variables (n 1 1)(S c ) 1 y (n 1)(S c ) 1 tiene respectivamente distribuciones χ n 1 1 y χ n 1. Además son independientes, por serlo X e Y. Por tanto, la variable ( (n1 1)(S c ) ( 1 1) / (n 1)(S c ) : ) / = (S c) 1 / 1 (n 1 1) (n 1) (S c ) / tiene distribución F n1 1,n 1.
6 Estadística Intervalos de confianza. Definición 4 Sea X una v.a. con distribución que depende de un parámetro θ desconocido y sea X 1,..., X n una m.a.s. de X. Llamaremos intervalo de confianza de nivel 1, ( (0, 1)) a un intervalo (L 1 (X 1,..., X n ), L (X 1,..., X n )), cuyos extremos son variables aleatorias que dependen de la muestra, tal que el (1 )100% de los intervalos construidos a partir de las posibles muestras de tamaño n, contiene a θ. Naturalmente, nos interesará que el intervalo sea de la menor amplitud posible,para un nivel de confianza fijado, porque de esta forma el error cometido al estimar el parámetro será mínimo. La forma de construir intervalos de confianza para los parámetros de la distribución normal, se basa en el uso de un estadístico, que depende de la muestra y del parámetro, cuya distribución es conocida e independiente del valor del parámetro. A partir de este estadístico, y procediendo de forma similar a como lo hicimos en el ejemplo 1 (7.1), se obtendrá el intervalo correspondiente. Hay que señalar que, en los casos en los que la distribución del estadístico sea simétrica, los intervalos que vamos a construir son de amplitud mínima, para un nivel de confianza fijado. En los demás casos, la construcción de un intervalo de amplitud mínima resulta excesivamente complicado y conduce a fórmulas poco manejables en la práctica, y por tanto, los intervalos construidos, lo serán, buscando una mayor sencillez. Vamos a desarrollar la deducción de dos de estos intervalos: (a) Intervalo de confianza a nivel 1 para el parámetro µ de una v.a. X N(µ, ), con desconocido. X µ Habíamos visto en el punto anterior que el estadístico S/ tiene una distribución t de Student n 1 con n-1 grados de libertad. Esta distribución tiene función de densidad simétrica respecto de x = 0, luego podemos considerar un intervalo de IR de longitud mínima, de forma que el área determinada por la función de densidad, sobre él sea 1 ; este intervalo vendrá dado por el punto t 1, para el cual p(t n 1 t 1 ) = 1, y será [ t 1, t 1 ]. Entonces, la probabilidad de que t 1 X µ S/ n 1 t 1 es 1 y despejando se obtiene el intervalo buscado, que es: X t 1 S n 1 µ X + t 1 S n 1. (b) Intervalo de confianza a nivel 1 para el parámetro de una v.a. X N(µ, ), con µ desconocido. Habíamos visto que la distribución muestral de ns para una v.a. X N(µ, ) era una distribución χ n 1. Esta distribución no es simétrica, de forma que para construir el intervalo de nivel 1 (que en este caso no va a ser de longitud mínima) vamos a proceder de la siguiente forma: para obtener un intervalo de IR de forma que el área bajo la función de densidad sea 1, optamos por dejar en cada cola de la distribución un área idéntica, igual a, es decir, consideramos los puntos χ 1 / y χ / tales que : p(χ n 1 χ 1 / ) = 1
7 Estadística 90 p(χ n 1 χ / ) = Entonces, la probabilidad de que χ / ns χ 1 es 1 y despejando, se obtiene el intervalo: ns χ 1 ns χ / que es un intervalo de confianza a nival 1 para la varianza. Tomando raíces en la expresión anterior, se otiene un intervalo para. Los demás intervalos se construyen de forma similar. 8.4 Otros intervalos de confianza. Se pueden construir también intervalos de confianza para algunos parámetros de los que depende la distribución de algunas variables aleatorias no normales, por ejemplo el parámetro p de una variable B(p), o el parámetro λ de una variable con distribución P(λ). En general, dada una variable aleatoria X cuya media E(X) = µ, el estadístico: X µ N(0, 1) (X)/n si el tamaño de la muestra, n, es suficientemente grande. Si la varianza de X es conocida, a partir del estadístico anterior, podríamos deducir un intervalo de confianza para µ con un nivel de confianza 1 : X z 1 n µ X + z 1 Si es desconocido, se puede sustituir en la expresión del estadístico por una estimación de la misma, obtenida a partir de la m.a.s. N(0, 1). n En ese caso, el estadístico tiene aproximadamente una distribución Por ejemplo, si X B(p), una estimación de p la proporciona el valor X, el estadístico: Y el intervalo de nivel 1 para p es: X µ ( X(1 N(0, 1) X)/n) X z 1 X(1 X) n µ X + z 1 X(1 X) n Igualmente, se pueden construir intervalos de confianza para la diferencia de medias de variables independientes, no necesariamente normales, a partir de sendas muestras aleatorias simples, siempre que el tamaño de estas sea lo suficientemente grande.
8 Estadística 91 ESTADÍSTICA Hoja 8 1. Sea X una v.a. N(µ,5). Calcular el tamaño muestral mínimo para que con una probabilidad del 0.95 el intervalo ( X 1, X + 1) contenga al parámetro µ.. Se prueba un nuevo tipo de munición para estimar la dispersión de su alcance. En un experimento se hicieron 17 disparos y se calculó la desviación típica de los 17 alcances obtenidos, resultando ser 4.5. Suponiendo que la población de los alcances de este tipo de munición es normal, hallar un intervalo estimador de al nivel de confianza del 99%. 3. Se midió la resistencia a la rotura por tracción de 9 hilos de cierta clase de algodón con los resultados, expresados en kgs, siguientes: 1., 1.3, 1.1, 0.9, 1., 1.3, 1.4, 1.1, 1.3. Suponiendo que la población de resistencia es normal, hallar unos límites de confianza de la media µ del 95%. 4. En un proceso químico pueden usarse dos catalizadores. Doce lotes se prepararon con el catalizador 1, lo que dió como resultado un rendimiento promedio de 86 y una desviación típica muestral de 3. Quince lotes se prepararon con el catalizador, con el que se obtuvo un rendimiento promedio de 89 con una desviación típica muestral de. Supongamos que las mediciones del rendimiento están aproximadamente distribuidas de manera normal. Encontrar un intervalo de confianza del 99% para la diferencia en el rendimiento promedio de los dos catalizadores. 5. Se estudia la tasa de combustión de dos propelentes sólidos utilizados en los sistemas de escape de emergencia de aeroplanos. Se sabe que la tasa de combustión de los dos propelentes sigue una distribución normal con la misma desviación estándar; esto es, 1 = = 3cm/seg. Se prueban dos muestras aleatorias de n 1 = 0, n = 0 especímenes; las medias muestrales de la tasa de combustión son x 1 = 18cm/seg. y x = 4cm/seg. Construye un intervalo de confianza del 99% para la diferencia de medias de la tasa de combustión. Qué tamaño de muestra debe utilizarse en cada población si se desea que el error en la estimación de la diferencia entre las medias de las tasas de combustión sea menor que 4cm/seg. con una confianza del 99%?. 6. Se toman dos muestras aleatorias de tamaños n 1 = 15 y n = 10 de dos termómetros diferentes. Las medias y las varianzas muestrales son x 1 = 300, ŝ 1 = 16, x = 305 y ŝ = 49. Suponga distribución normal y 1. Construya un intervalo de confianza del 95% para µ 1 µ. Que conclusión puede obtenerse sobre las lecturas de temperatura promedio de los dos termómetros?.
9 Estadística 9 7. La revista Human Factors notificó un estudio en el que se les pidió a 14 sujetos que estacionaran dos automóviles sustancialmente distintos en cuanto al tamaño de la llanta y la relación de vueltas del volante. Los tiempos obtenidos fueron sujeto coche 1 coche Obtén un intervalo de confianza del 90% para la diferencia entre el tiempo promedio para estacionar los dos automóviles, suponiendo distribución normal donde sea necesario. 8. Sea p la proporción de familias que poseen un determinado electrodoméstico. Se desea construir un intervalo de confianza para tal proporción, para lo que se toma una muestra de tamaño 00. De las 00 familias encuestadas, 157 resultaron ser poseedoras del electrodoméstico. intervalo para p al 90%, 95% y 99%. Comentar los resultados. Calcular un 9. Se realiza una encuesta mediante una pregunta clara y concisa sobre la preferencia electoral entre dos candidatos a 5000 individuos, obteninédose el siguiente resultado: A favor del candidato A el 30%, a favor del candidato B el 60% y no contestan el 10%. Obtener un intervalo de confianza para la proporción de individuos a favor del candidato B a un nivel de confianza del 95%. Cuál debería ser el tamaño muestral para una precisión del 1% y un nivel de confianza del 95%?.
10 Estadística Se toma una muestra de 50 cascos de suspensión utilizados por los corredores de motocicletas y los conductores de automóviles de carreras, y se someten a una prueba de impacto. En 18 de los cascos se observa cierto desperfecto. (a) Encontrar un intervalo de confianza al 95% para la verdadera proporción de cascos de este tipo que mostrarán daño como resultado de la prueba. (b) Al utilizar la estimación puntual de p obtenida a partir de la muestra preliminar de 50 cascos, cuántos cascos deben probarse para tener una confianza del 95% de que el error al estimar el verdadero valor de p sea menor que 0.0?. (c) De qué tamaño debe ser la muestra si se desea tener una confianza de al menos el 95% de que el error al estimar p sea menor que 0.0, sin importar el valor verdadero de p?. 11. Se analiza la proporción de productos defectuosos producidos por dos líneas de producción. Una muestra aleatoria de 100 unidades provenientes de la línea 1 contienen 10 que son defectuosas, mientras que una muestra aleatoria de 10 unidades de la línea tiene 5 que son defectuosas. Encuentre un intervalo de confianza del 99% para la diferencia de proporciones de productos defectuosos producidos por las dos líneas. 1. Se supone que el número de erratas por página de un libro sigue una distribución de Poisson. Elegidas al azar 95 páginas se obtuvo que había erratas en páginas Hallar un intervalo de confianza asintótico, con nivel de confianza de 0.9, para el número medio de erratas por página del libro. Cuántas páginas habría que examinar para que la longitud del intervalo de confianza obtenido fuese menor que 0. (utilizar la información proporcionada por la muestra)?. 13. Se sabe que si X es una v.a. con distribución exponencial de parámetro λ, nλ X tiene una distribución χ n, donde X es la media muestral, para una muestra aleatoria simple de tamaño n. Obtener la expresión del intervalo de confianza del 95% para el parámetro λ. 14. La medición de la longitud de una varilla sigue una distribución N(µ, 1). (a) Hallar el estimador de máxima verosimilitud de µ para muestras de tamaño n. (b) En 100 mediciones de dicha longitud, se ha obtenido una media muestral de 35 metros. Obtener un intervalo de confianza de 95% para µ. (c) Calcular el mínimo tamaño muestral para que en la estimación de µ se cometa un error máximo de 0.1 metros (con un nivel de confianza del 99%). 15. Se estudian dos tipos de neumáticos con los siguientes resultados: n 1 = 41, n = 1, X1 = 7 465Km, Sc 1 = 500Km. X = 7 57Km, Sc = 3 000Km. Suponiendo normalidad:
11 Estadística 94 (a) Encontrar un intervalo de confianza al 95% para el cociente de varianzas. (b) Se puede suponer igualdad en las varianzas? Razona tu respuesta. (c) Admitiendo igualdad de varianzas, calcular un intervalo de confianza al 95% para µ 1 µ. Se puede suponer igualdad? Razona tu respuesta.
PROBLEMAS DE ESTIMACIÓN PUNTUAL Y POR INTERVALOS
Estadística 1 PROBLEMAS DE ESTIMACIÓN PUNTUAL Y POR INTERVALOS 1. Obtener un estimador insesgado para p en una m.a.s. de tamaño n de una distribución binomial B(m,p) con m conocido y calcular su error
Más detallesTema 4: Estimación por intervalo (Intervalos de Confianza)
Tema 4: Estimación por intervalo (Intervalos de Confianza (a partir del material de A. Jach (http://www.est.uc3m.es/ajach/ y A. Alonso (http://www.est.uc3m.es/amalonso/ 1 Planteamiento del problema: IC
Más detallesEstadística 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 detallesMuestreo e intervalos de confianza
Muestreo e intervalos de confianza Intervalo de confianza para la media (varianza desconocida) Intervalo de confinza para la varianza Grados en Biología y Biología sanitaria M. Marvá. Departamento de Física
Más detallesTema 3: Estimación estadística de modelos probabilistas. (segunda parte)
Tema 3: Estimación estadística de modelos probabilistas. (segunda parte) Estructura de este tema: 1 Técnicas de muestreo y estimación puntual. 2. 3 Contrastes de hipótesis. Planteamiento del problema Sea
Más detallesESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL.
ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL. Un intervalo de confianza, para un parámetro poblacional θ, a un nivel de confianza 1 α 100 %, no es más que un intervalo L
Más detallesESTADÍSTICA. Tema 4 Intervalos de confianza
ESTADÍSTICA Grado en Biología Tema 4 Intervalos de confianza Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo Estadística. Tema 4: Intervalos
Más detallesTema 4. Intervalos de confianza. Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1
Tema 4. Intervalos de confianza Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1 Definición Sea X una v.a. con distribución de probabilidad dada por un modelo
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesCurso Inferencia. Miguel Ángel Chong R. 3 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 3 de septiembre del 013 Definamos más formalmente que entenderémos por una muestra. Definción Sea X la v.a. correspondiente a una población
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesIntervalos de Confianza
Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de
Más detalles1. Ejercicios. 2 a parte
1. Ejercicios. 2 a parte Ejercicio 1 Calcule 1. P (χ 2 9 3 33) 2. P (χ 2 15 7 26). 3. P (15 51 χ 2 8 22). 4. P (χ 2 70 82). Ejercicio 2 Si X χ 2 26, obtenga un intervalo [a, b] que contenga un 95 % de
Más detallesRelación de Problemas. Tema 5
Relación de Problemas. Tema 5. Supongamos que tenemos una muestra aleatoria simple de tamaño n de una v.a. X que sigue una distribución geométrica con función de probabilidad P (X = k) = p( p) k Calcular
Más detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más detallesIntervalos de confianza
Capítulo 5 Intervalos de confianza Como su nombre indica, el objetivo de un estadístico puntual para un parámetro desconocido de una población, es acercarnos al verdadero valor del mismo dando un valor
Más detallesPart VI. Distribuciones notables. Estadística I. Mario Francisco. Principales distribuciones unidimensionales. discretas. Principales distribuciones
Part VI notables El proceso de Bernoulli En cada observación se clasifica el elemento de la población en una de las dos posibles categorías, correspondientes a la ocurrencia o no de un suceso. Llamaremos
Más detallesTema 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 detallesMuestreo de variables aleatorias
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 Distribución de la muestra 3 4 5 Distribuciones de la media y la varianza en poblaciones normales Introducción Tiene como
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Más detallesDistribuciones Fundamentales de Muestreo. UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides
Distribuciones Fundamentales de Muestreo UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides Distribuciones Muestrales La distribución de probabilidad de un estadístico
Más detallesESTADÍSTICA 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 detallesTema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:
Tema 4: Variables aleatorias Tema 4: Variables Aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno
Más detallesEstadística Inferencial. Resúmen
Ofimega - Estadística inferencial - 1 Estadística Inferencial. Resúmen Métodos y técnicas que permiten inducir el comportamiento de una población. Muestreo o selección de la muestra: 1. Aleatorio simple:
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesEstimación. Introducción. Sea X la variable aleatoria poblacional con distribución de probabilidad f θ donde. es el parámetro poblacional desconocido
Tema : Introducción a la Teoría de la Estimación Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f θ (x), donde θ Θ es el parámetro poblacional desconocido Objetivo:
Más detalles1. Introducción LECCIÓN 6: MUESTREO ALEATORIO
LECCIÓN 6: MUESTREO ALEATORIO. Introducción El objetivo básico de la estadśtica es estudiar, de un modo aproximado, alguna característica de una población. Supongamos que en un cierto estudio científico
Más detallesFundamentos para la inferencia. Estadística Prof. Tamara Burdisso
Fundamentos para la inferencia Estadística 018 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesVariables aleatorias 1. Problema 1
Variables aleatorias 1 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Estadística Variables aleatorias Problema 1 La dimensión de ciertas piezas sigue una distribución normal
Más detallesContrastes sobre la media Sea X 1, X 2,..., X n una m.a.s. extraída de una población normal X con media desconocida µ. Se desea contrastar:
sobre la media Sea X 1, X 2,..., X n una m.a.s. extraída de una población normal X con media desconocida µ. Se desea contrastar: H 0 : µ = µ 0 Si H 0 es cierta, X N(µ 0, σ), de donde D 1 = X µ 0 n σ N(0,
Más detallesTEMA 7. Estimación. Alicia Nieto Reyes BIOESTADÍSTICA. Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 7. Estimación 1 / 13
TEMA 7. Estimación Alicia Nieto Reyes BIOESTADÍSTICA Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 7. Estimación 1 / 13 1 Estimación Puntual 1 Estimación por intervalos Estimación por intervalos de la Media
Más detallesTécnicas de Muestreo Métodos
Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad
Más detallesTema 2: Introducción a la Inferencia Estadística
Tema 2: Introducción a la Inferencia Estadística 1.- En m.a.s. el estadístico varianza muestral es: a) Un estimador insesgado de la varianza poblacional. b) Un estimador insesgado de la media poblacional.
Más detallesBLOQUE III: INFERENCIA ESTADISTICA. X, variable aleatoria de interés sobre una determinada población
BLOQUE III: INFERENCIA ESTADISTICA TEMA 8. MUESTREO Y DISTRIBUCIONES DE MUESTREO 1. Introducción a la Inferencia Estadística X, variable aleatoria de interés sobre una determinada población Observar el
Más detallesESTADISTICA 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 detallesLIMITES O INTERVALOS DE CONFIANZA LUIS FRANCISCO HERNANDEZ CANDELARIA ATENCIA ROMERO
LIMITES O INTERVALOS DE CONFIANZA LUIS FRANCISCO HERNANDEZ CANDELARIA ATENCIA ROMERO TRABAJO DE ESTADISTICA PROBABILISTICA PRESENTADO A LA PROFESORA MARIA ESTELA SEVERICHE SINCELEJO CORPORACIÓN UNIVERSITARIA
Más detallesEstadísticas y distribuciones de muestreo
Estadísticas y distribuciones de muestreo D I A N A D E L P I L A R C O B O S D E L A N G E L 7/11/011 Estadísticas Una estadística es cualquier función de las observaciones en una muestra aleatoria que
Más detallesMODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO.
DISTRIBUCIÓN t Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza, en estos casos utilizamos la distribución de t de Student. Si el tamaño de la muestra es suficientemente
Más detallesApuntes de Estadística Curso 2017/2018 Esther Madera Lastra
1 1. MEDIA Y DESVIACIÓN TÍPICA DE DISTRIBUCIONES La media de un conjunto de datos se calcula sumando todos los datos y dividiendo entre el número de datos. La varianza de un conjunto de datos se calcula
Más detallesCAPÍTULO 5 DISTRIBUCIONES TEÓRICAS
CAPÍTULO 5 DISTRIBUCIONES TEÓRICAS Hugo Grisales Romero Profesor titular CONCEPTOS BÁSICOS Experimento: Variable aleatoria: Clasificación: Proceso por medio del cual una medición se obtiene. Aquella que
Más detallesINFERENCIA ESTADISTICA. Proferora: Lic. Gladis Mazza
INFERENCIA ESTADISTICA Proferora: Lic. Gladis Mazza INFERENCIA ESTADISTICA Por este proceso es posible utilizar estadísticos calculados a partir de muestras para estimar los valores de los parámetros de
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesTema 1: Distribuciones en el muestreo
Tema 1: Distribuciones en el muestreo 1 (transparencias de A. Jach http://www.est.uc3m.es/ajach/) Muestras aleatorias Estadísticos Concepto de distribución muestral Media muestral Distribución muestral
Más detallesJuan Carlos Colonia DISTRIBUCIONES MUESTRALES
Juan Carlos Colonia DISTRIBUCIONES MUESTRALES DISTRIBUCIÓN DE LA DIFERENCIA DE MEDIAS MUESTRALES CASO 1: VARIANZAS POBLACIONALES CONOCIDAS Sean x1 y x las medias muestrales de dos muestras aleatorias de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesInferencia Estadística
Inferencia Estadística 2do C. 2018 Mg. Stella Figueroa Clase Nº10 Población y Muestra- Parámetro y Estimación puntual Población: Es el conjunto de todos los elementos o unidades elementales con características
Más detallesInferencia Estadística. Estimación y Contrastes
y y M Dolores Redondas dolores.redondas@upm.es E.U. Arquitectura Técnica U.P.M. Curso 2009-2010 Introducción Identicación del comportamiento de una variable El reconocimiento del comportamiento de una
Más detallesEstadística Clase 4. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 Clase 4 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 4 1. Pasos en un proceso estadístico. Inferencia Estadística 3. Estimación Puntual
Más detallesTema 6: Ejercicios de Inferencia con muestras grandes
Tema 6: s de Inferencia con muestras grandes Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 83 - INGENIERÍA INFORMÁTICA 15 de Mayo 2008 I4 Y JUN1998 En una encuesta
Más detallesUniversidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
Universidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA Ateneo Ruperto P. Bonet Chaple UTB-Julio 2016 OBJETIVO Aplicar las técnicas de Muestreo e Inferencia Estadística Determinar el tamaño
Más detallesTema 3 - Introducción. Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2.
Tema 3 - Introducción 1 Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2. Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores
Más detallesINGENIERÍA EN INFORMÁTICA DE GESTIÓN ESTADÍSTICA junio, 98
INGENIERÍA EN INFORMÁTICA DE GESTIÓN ESTADÍSTICA junio, 98 TEORÍA (1.5 puntos) Cuestión 1. Sean A y B dos sucesos tales que P (A) = 1/3, P (B) = 1/5 y P (A B) + P (B A) = 2/3. Calcular P (A B). Cuestión
Más detallesEstimaciones puntuales. Estadística II
Estimaciones puntuales Estadística II Estimación Podemos hacer dos tipos de estimaciones concernientes a una población: una estimación puntual y una estimación de intervalo. Una estimación puntual es un
Más detallesPráctica 6: Fundamentos de la Inferencia. Teorema Central del Límite.
: Fundamentos de la Inferencia. Teorema Central del Límite. 1. Dada una población de media µ = 400 y varianza σ 2 = 1.600. Se obtiene una muestra aleatoria de tamaño 35. Detallar bajo qué condiciones se
Más detallesInferencia Estadística Estimación de parámetros mediante intervalos de confianza y contrastes de hipótesis 1 / 56
Inferencia Estadística Estimación de parámetros mediante y contrastes de Inferencia Estadística Estimación de parámetros mediante y contrastes de 1 / 56 Índice Inferencia Estadística Estimación de parámetros
Más detallesPreguntas más Frecuentes: Tema 8
Preguntas más Frecuentes: Tema 8 Pulse sobre la pregunta para acceder directamente a la respuesta 1. En el ejemplo 8.1, por qué se escoge n =?. En el ejemplo 8.1, si n fuera igual a 3 habría que obtener
Más detallesEstadística. Contrastes para los parámetros de la Normal
Contrastes para los parámetros de la Normal Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Contrastes para los parámetros de la Normal Contrastes para los parámetros
Más detallesPart VII. Estadística I. Mario Francisco. Introducción a la inferencia. Estimación puntual. Propiedades deseables de los estimadores
Part VII La inferencia puede definirse como el conjunto de métodos mediante cuales podemos extraer información sobre distintas características de interés de cierta distribución de probabilidad de la cual
Más detallesEstadística 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 detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detalles= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] =
El peso en kg de los estudiantes universitarios de una gran ciudad se supone aproximado por una distribución normal con media 60kg y desviación típica 8kg. Se toman 100 muestras aleatorias simples de 64
Más detalles1. Muestreo e Inferencia Estadística
Tema 6: Introducción a la Inferencia Estadística Objetivos Introducir los conceptos elementales en esta parte de la asignatura. Tratar con muestras aleatorias y su distribución muestral en ejemplos de
Más detallesNotas de clase Estadística R. Urbán R.
Inferencia estadística Sabemos que una población puede ser caracterizada por los valores de algunos parámetros poblacionales, por ello es lógico que en muchos problemas estadísticos se centre la atención
Más detallesAplicación de la distribución empírica: Tests de bondad de ajuste
Aplicación de la distribución empírica: Tests de bondad de ajuste 4 de marzo de 2009 Test de bondad de ajuste Supongamos que se dispone de una m.a.s de tamaño n de una población X con distribución desconocida
Más detallesCuál es el campo de estudio de la prueba de hipótesis?
ESTIMACIÓN Establecer generalizaciones acerca de una población a partir de una muestra es el campo de estudio de la inferencia estadística. La inferencia estadística se divide en estimación y prueba de
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA DE TRABAJO 3 Profesor: Hugo S. Salinas. Primer Semestre 2010 1. Sea X 1,..., X n una muestra aleatoria
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Recuerdo que Conceptos estadísticos Población y muestra Población es una colección de posibles individuos, especímenes, objetos o medidas de interés sobre
Más detalles1. La distribución ji-cuadrada. La distribución ji-cuadrada surge de la suma de normales estándar al cuadrado, su definición formal es la siguiente:
DISTRIBUCIONES DERIVADAS DE LA NORMAL Son tres distribuciones derivadas de la normal, las cuales se aplican es estadística inferencial para modelas las distribuciones en el muestreo. Estas distribuciones
Más detallesEstimación por intervalos
Capítulo 9 Estimación por intervalos 9.1. Introducción En este capítulo se desarrolla la estimación por intervalos donde el proceso de inferencia se realiza de la forma θ C, donde C = Cx) es un conjunto
Más detalles3. Estimación por intervalos de confianza
3. Estimación por intervalos de confianza Profesora: María José Lombardía Cortiña Departamento de Matemáticas. Universidade da Coruña Programa Oficial de Postgrado en Estadística e Investigación Operativa
Más detallesBioestadística: Inferencia Estadística. Análisis de Una Muestra
Bioestadística: Inferencia Estadística. Análisis de Una Muestra M. González Departamento de Matemáticas. Universidad de Extremadura Estimación Puntual e Intervalos de Confianza Planteamiento del Problema
Más detallesEjemplos Resueltos Tema 4
Ejemplos Resueltos Tema 4 01 1. Intervalo de Confianza para la Media µ (con σ conocida Dada una muestra de tamaño n, para un nivel de confianza 1-α y la desviación típica de la población σ, el Intervalo
Más detallesFundamentos para la inferencia. Unidad 3 Parte II Estadísca Prof. Tamara Burdisso
Fundamentos para la inferencia Estadísca 017 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesFundamentos para la inferencia. Unidad 3 Parte II Estadísca Prof. Tamara Burdisso
Fundamentos para la inferencia Estadísca 016 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesTema 4: Variables aleatorias.
Estadística 46 Tema 4: Variables aleatorias. El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos aleatorios, que en muchos
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesEXAMEN DE ESTADÍSTICA Junio 2011
EXAMEN DE ESTADÍSTICA Junio 2011 Apellidos: Nombre: DNI: GRUPO: 1. Sea X una variable aleatoria discreta. Determine el valor de k para que la función p(x) { k/x x 1, 2, 3, 4 0 en otro caso sea una función
Más detallesCUESTIONES TEÓRICAS ESTADÍSTICA
Gestión Aeronáutica: Estadística Teórica Facultad Ciencias Económicas y Empresariales Departamento de Economía Aplicada Profesor: Santiago de la Fuente Fernández CUESTIONES TEÓRICAS ESTADÍSTICA Gestión
Más detalles5.3. Distribuciones Derivadas de la Normal
5.3. Distribuciones Derivadas de la Normal El propósito de esta sección es enunciar varios teoremas importantes que nos dirán que realizando diferentes transformaciones de la v.a. normal podremos obtener
Más detallesUNIDAD 4. INFERENCIA ESTADÍSTICA. Prof. Eliana Guzmán U. Semestre A-2015
UNIDAD 4. INFERENCIA ESTADÍSTICA Prof. Eliana Guzmán U. Semestre A-05 INFERENCIA ESTADÍSTICA La teoría de la Inferencia Estadística está conformada por aquellos métodos que permiten hacer generalizaciones,
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesVariable Aleatoria Continua. Principales Distribuciones
Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables
Más detallesCurso Inferencia. Miguel Ángel Chong R. 10 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 10 de septiembre del 013 Distribución de la diferencia de medias muestrales cuando se conoce la varianza poblacional. En muchas situaciones
Más detallesJuan 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 detallesDistribución de probabilidad
Los experimentos aleatorios originan resultados y los resultados nos permiten tomar decisiones Por ejemplo, en un partido de fútbol si se lanza una moneda y sale cara parte la visita, de lo contrario parte
Más detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detallesTeoría de muestras 2º curso de Bachillerato Ciencias Sociales
TEORÍA DE MUESTRAS Índice: 1. Introducción----------------------------------------------------------------------------------------- 2 2. Muestras y población-------------------------------------------------------------------------------
Más detallesObjetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
Más detallesI TRODUCCIÓ AL A ÁLISIS DE DATOS TEMA 7: Distribuciones continuas de probabilidad
I TRODUCCIÓ AL A ÁLISIS DE DATOS TEMA 7: Distribuciones continuas de probabilidad 1.- Una variable aleatoria que sigue una distribución normal: A) tiene de media cero y una desviación típica de uno. B)
Más detallesIntroducción al Diseño de Experimentos.
Introducción al Diseño de Experimentos www.academia.utp.ac.pa/humberto-alvarez Introducción Una población o universo es una colección o totalidad de posibles individuos, especímenes, objetos o medidas
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesEJERCICIOS PROBABILIDAD (1) 2. Sean A y S dos sucesos de un espacio muestral tales que P(A)=0 4; P(A S)=0 5 y P(S/A)= 0 5 Calcular P(S) y P(A/ S )
EJERCICIOS PROBABILIDAD (1) 1 2 3 1. Sean A y B dos sucesos tales que P(A)=, P( B )= y P( A B )=. 2 5 4 Calcular a) P(B/A) b) P( A /B) 2. Sean A y S dos sucesos de un espacio muestral tales que P(A)=0
Más detalles