6. DISTRIBUCIONES MUESTRALES CONTENIDO 6 DISTRIBUCIONES MUESTRALES INTRODUCCION PARÁMETROS Y ESTADÍSTICOS...
|
|
- María Rosario Martínez Olivera
- hace 6 años
- Vistas:
Transcripción
1 6. DISTRIBUCIONES MUESTRALES CONTENIDO 6 DISTRIBUCIONES MUESTRALES INTRODUCCION PARÁMETROS Y ESTADÍSTICOS DISTRIBUCIÓN DEL PROMEDIO MUESTRAL DISTRIBUCIÓN DE LA FRECUENCIA RELATIVA DISTRIBUCION DE LA VARIANZA MUESTRAL EJERCICIOS PROPUESTOS...37 APÉNDICE...39
2 7 6 DISTRIBUCIONES MUESTRALES 6. INTRODUCCIÓN E el capítulo hemos defiido la iferecia estadística como u proceso que usa iformació proveiete de la muestra para geeralizar y tomar decisioes acerca de toda la població e estudio. Si embargo, hasta el mometo hemos trabajado la muestra y la població por separado. E el capítulo, trabajamos herramietas útiles e el aálisis exploratorio de los datos proveietes de ua muestra, tato gráficos como resúmees uméricos para extraer iformació de iterés para la iferecia. Hablamos de distribucioes de frecuecias y estadísticos. E los capítulos 3, 4 y 5, a través del leguaje de la probabilidad, tratamos los modelos para las poblacioes que puede ser de iterés, sobre las cuales os iteresa sacar coclusioes, o tomar ua decisió. Defiimos las variables aleatorias, sus distribucioes de probabilidad, parámetros y alguos modelos frecuetes. Podemos hacer u cuadro comparativo etre características del aálisis exploratorio de datos y de la iferecia estadística: Aálisis exploratorio de datos Su objetivo es la exploració de los datos muestrales, e busca de regularidades iteresates. Las coclusioes sólo se aplica a las uidades de aálisis y a las circustacias para las cuales se obtuviero los datos. Las coclusioes se basa e lo que vemos e los datos. Iferecia estadística Su objetivo es respoder pregutas cocretas sobre la població, plateadas ates de la obteció de los datos. Las coclusioes se extiede a toda la població e estudio. Las coclusioes se explicita co u grado de cofiaza. Muchas de las técicas utilizadas e iferecia exige, tambié, que la distribució de los datos tega determiadas características. El aálisis de datos es de gra ayuda e este aspecto, para descubrir observacioes atípicas y otras desviacioes que pueda perturbar ua correcta iferecia. Por lo tato, e la práctica podemos observar cómo el aálisis exploratorio de los datos y la iferecia estadística se complemeta. Como se mecioó e el capítulo I, muy frecuetemete es ecesario seleccioar ua muestra de uidades de la població, para extraer coclusioes respecto de la misma, e base a las observacioes muestrales (ver Muestra, pag. 7). Sitetizado: Cuado el iterés reside e geeralizar las coclusioes de los resultados observados a la població e estudio o queremos tomar ua decisió sobre la població e base a ua muestra, estamos frete a u problema de iferecia estadística. Para que este proceso sea adecuado, debemos teer e cueta: G.Carevali-E.Frachelli-G.Gervasoi-M.Grasso
3 8 Platear claramete el problema. Delimitar la població e estudio Defiir si el objetivo reside e estimar el valor de u parámetro descoocido de la població (por ej. µ,, p) a partir de u estadístico calculado co los datos de ua muestra o decidir sobre valores hipotéticos que asigamos a dichos parámetros. Hacer u correcto diseño para la obteció de los datos muestrales. Los resultados de las técicas para la iferecia que se utilizará sólo será válidos si la muestra es obteida por métodos aleatorios, que so los métodos que da cofiaza de seleccioar muestras represetativas de la població. U bue diseño para la obteció de los datos, es la mejor garatía de que la iferecia tega valor. Teer e cueta y verificar los requerimietos de las técicas a aplicar 6. PARÁMETROS Y ESTADÍSTICOS U parámetro es u úmero que describe algú aspecto de la població e estudio. E la práctica, e la mayoría de los casos (població ifiita, pruebas destructivas, etc) el valor del parámetro es descoocido. U estadístico es u úmero que se calcula a partir de los datos muestrales. Si se lo utiliza para estimar u parámetro descoocido, se lo cooce co el ombre de estimador. El objetivo de este capítulo y los próximos es desarrollar el por qué y cómo se utiliza los estadísticos para estimar a los correspodietes parámetros. Tegamos e cueta que el valor del parámetro es fijo, mietras que el valor de u estadístico está e fució de la muestra seleccioada y por lo tato podrá variar de ua muestra a otra. Si de algua maera, pudiéramos medir la precisió de este proceso, es decir, si pudiéramos evaluar si el valor del estadístico va a estar cerca del valor del parámetro correspodiete, para cualquier muestra extraída de la població, etoces estaríamos e codicioes de hacer bueas iferecias. Es aquí dode la técica de muestreo y el tamaño de la muestra juega u papel fudametal. Como se mecioó e el capítulo I, pag. 8 trabajaremos co muestras aleatoria simples, e dode cada elemeto de ua muestra de tamaño es ua variable aleatoria, siedo X, X, X, variables idepedietes etre sí 3. Sólo cuado se utiliza el azar para escoger los elemetos que coforma ua muestra, podemos describir cómo varía el estadístico. Al obteer de forma repetida de ua població distitas muestras del mismo tamaño, podemos ecotrar la distribució muestral del estadístico, como veremos seguidamete. Así, por ej., si se quiere aalizar cierta característica de los alumos que cursaro e la Fac. Reg. Rosario de la UTN e los años 005 y 006 y la muestra se elige seleccioado alumos al azar solamete de los que cursaro durate esos años e ISI, las coclusioes que se extraiga a partir de esta muestra será válidas sólo para la població de los alumos de ISI, pero o para todos los alumos de la Fac. Reg. Rosario. Ya hemos dicho que e el curso sólo se trabajará co muestras aleatorias simples. 3 E el caso de poblacioes fiitas, el muestreo debe ser co reposició para que la ocurrecia de ua observació o aumete o dismiuya la probabilidad de ocurrecia de otra (ver ej. y, pag. 58, Cap. III) G.Carevali-E.Frachelli-G.Gervasoi-M.Grasso
4 9 Deomiamos variabilidad muestral al hecho de que el valor de u estadístico varía e u muestreo aleatorio repetido. Para comprederlo podemos recurrir a la teoría de la probabilidad o la simulació a partir de u ejemplo secillo, como el que se platea a cotiuació. 6.3 DISTRIBUCION DEL PROMEDIO MUESTRAL Cosideramos: Variable aleatoria X: edad de hermaos de ua familia, e años Tamaño de la població N = 4 Espacio muestral S x = {, 4, 6, 8} Distribució de probabilidad Uiforme discreta Tabla x P(X=x) 0,5 4 0,5 6 0,5 8 0,5 Parámetros: Esperaza Matemática µ x = 5 Variaza x = 5 Probabilidad Distribució de Probabilidad de X 0,30 0,5 0,0 0,5 0,0 0,05 0, x: edad e años Tomamos muestras de tamaño, co reposició. Cada muestra es de la forma (x ; x ), dode: Tabla X i es el i-ésimo elemeto de la muestra. Muestra, = Simbolizaremos co x al promedio muestral y co S al desvío estádar de la muestra. E la tabla está todas las posibles muestras co sus correspodietes promedios. Observamos que tato el primer elemeto de la muestra como el segudo so variables aleatorias, ya que, ates de realizar el muestreo, o sabemos qué valores tomará. Si cosideramos la distribució de probabilidad de cada ua de ellas, resulta idéticas a la distribució de probabilidad de la població de la cual fuero extraídas las muestras, siedo por lo tato, iguales los parámetros estadísticos: µ xi = 5 y xi = 5 E la tabla, tambié se visualiza que el promedio muestral es ua variable aleatoria. x x Promedio G.Carevali-E.Frachelli-G.Gervasoi-M.Grasso
5 30 Cosideramos ahora esta ueva variable aleatoria X : edad promedio de hermaos elegidos al azar de etre los 4, co reposició. Como podemos observar e la Tabla, para la variable X : Espacio muestral S x = {, 3, 4, 5, 6, 7, 8} La distribució de probabilidad es: Tabla 3: = x Probabilidad 0, ,50 4 0, , , ,50 8 0,065,0000 Probabilidad Distribució del promedio muestral, = 0,30 0,5 0,0 0,5 0,0 0,05 0, Promedio de la muestra de tamaño Parámetros: Esperaza Matemática µ x = 5 Variaza x =.5 Observemos que la distribució del promedio adopta ua forma completamete distita de la distribució uiforme de los datos de orige. Repitiedo la experiecia, co muestras de tamaños 3, 4 y 5 respectivamete, obteemos las distribucioes de los promedios que mostramos a cotiuació, acompañadas de las gráficas respectivas: = 3 = 4 = 5 Promedio Probabilidad Promedio Probabilidad Promedio Probabilidad,00 0,0565 0, , ,67 0,046875,5 0,056500,4 0, ,33 0, , ,8 0, ,00 0,5650 3,5 0, , 0, ,67 0, , ,6 0, ,33 0, ,5 0, , ,00 0, , ,4 0, ,67 0, ,5 0, ,8 0, ,33 0, , , 0, ,00 0,0565 6,5 0, ,6 0, , , ,5 0, ,4 0, , ,8 0, , 0, ,6 0, , G.Carevali-E.Frachelli-G.Gervasoi-M.Grasso
6 3 0,30 Distribució del promedio muestral, = 0,5 Probabilidad 0,0 0,5 0,0 0,05 0, Promedio de la muestra de tamaño 0,0 Distribució del promedio muestral, =3 0,5 Probabilidad 0,0 0,05 0,00,00,67 3,33 4,00 4,67 5,33 6,00 6,67 7,33 8,00 Prom edio de la m uestra de tam año 3 0,0 Distribució del promedio muestral, =4 Probabilidad 0,5 0,0 0,05 0,00,5 3 3,5 4 4,5 5 5,5 6 6,5 7 7,5 8 Promedio de la muestra de tamaño 4 0,0 Distribució del promedio muestral, =5 Probabilidad 0,5 0,0 0,05 0,00,4,8 3, 3,6 4 4,4 4,8 5, 5,6 6 6,4 6,8 7, 7,6 8 Promedio de la muestra de tamaño 5 G.Carevali-E.Frachelli-G.Gervasoi-M.Grasso
7 3 E las gráficas ateriores podemos comprobar ua aplicació del Teorema Cetral del Límite: a medida que aumeta el tamaño de la muestra la distribució de probabilidad del promedio muestral se hace cada vez más acampaada, cocetrádose alrededor del promedio de la població origial. La Tabla 4 permite comparar los parámetros esperaza matemática y variaza de la població origial, co la esperaza matemática y variaza de las poblacioes de los promedios muestrales ates descriptas. Vemos que las medias poblacioales se matiee iguales a 5 (la esperaza matemática de las edades de los 4 hermaos), mietras que las variazas poblacioales dismiuye su valor a medida que aumeta el tamaño de la muestra. Tabla 4 Població µ x =5 x = 5 Tamaño de muestra Al cosiderar la distribució de los valores tomados por el estadístico X e todas las muestras de u mismo tamaño de la misma població, obteemos la distribució muestral de X. µ x x 5,5 3 5, ,5 5 5 G.Carevali-E.Frachelli-G.Gervasoi-M.Grasso
8 33 Geeralizado: Distribució muestral de la media muestral X Si las muestras aleatorias simples de tamaño so tomadas de ua població co media poblacioal µ y desvío estádar poblacioal, la distribució muestral de X tiee las siguietes propiedades: ) µ x = E( X ) = µ Es decir, el promedio de todos los posibles valores de X es igual al parámetro µ ) x = Cuado el tamaño de la muestra aumeta, la medida de dispersió dismiuye. Es decir, a medida que el úmero de observacioes obteidas aumeta, el promedio de los valores observados se acerca más y más a µ (Ley de los grades úmeros) 3) Si la població de la cual se extrae las muestras es ormal, la distribució de X es tambié ormal co media y desvío como los dados e los putos ateriores, para cualquier tamaño muestral. 4) Si la població de la cual se extrae las muestras o es ormal, pero el tamaño muestral es suficietemete grade, la distribució de X es aproximadamete ormal co media y desvío como los dados e los putos ateriores. Suficietemete grade e la práctica sigifica u tamaño de muestra 30 (Teorema Cetral del Límite). El tamaño de la muestra, ecesario para que X se aproxime a ua distribució ormal depede de la distribució de la població. E el caso de que las muestras se extraiga de ua població uiforme so suficiete 6 observacioes para que la distribució del promedio muestral sea aproximadamete ormal. 5) Si la població de la cual se extrae las muestras es ormal, co media poblacioal µ y desvío estádar poblacioal, pero ésta es descoocida, se reemplaza por S (desvío estádar muestral) y la estadística ( x µ ) deja de teer distribució ormal estadarizada y tiee ua distribució t S/ Studet co - grados de libertad (a) : ( X µ ) S/ (Ver demostracioes e el Apédice) t ; α (a) La apariecia geeral de la distribució t es similar a la de la distribució ormal estádar: ambas so simétricas y uimodales y el valor máximo de la ordeada se alcaza e la media µ = 0. Si embargo esta distribució tiee colas más amplias que la ormal. Existe ua distribució t distita para cada tamaño de muestra. Ua distribució t viee determiada por u parámetro llamado grados de libertad. A medida que aumeta los grados de libertad, la curva de desidad t se parece más a la curva de la N(0,), ya que la estimació de por s se va haciedo más precisa. G.Carevali-E.Frachelli-G.Gervasoi-M.Grasso
9 34 La propiedad idica que el estimador X es isesgado, ya que el cetro de su distribució muestral es igual al valor del parámetro poblacioal correspodiete. La propiedad hace a la variabilidad o precisió del estimador y vemos que a medida que el tamaño muestral crece la precisió del estimador es mayor, ya que la variació alrededor del parámetro descoocido dismiuye (propiedad de covergecia). Si la distribució de u estadístico muestra valores muy alejados, se dice que carece de precisió. Idealmete buscamos u estimador que cumpla estas dos propiedades: que sea isesgado y covergete 4 : U estadístico es isesgado si el cetro de su distribució muestral es igual al valor del parámetro poblacioal correspodiete. U estadístico es covergete si su desviació estádar dismiuye a medida que el tamaño de muestra crece. El estadístico X, por poseer estas propiedades, es u bue estimador de µ. Estas propiedades tambié se cumple para la proporció muestral o frecuecia relativa ( f r ) y la variaza muestral ( S ), siedo por lo tato respectivamete, bueos estimadores de la proporció poblacioal (p) y variaza poblacioal ( ), como veremos e los putos 6.4 y E geeral, la otació que utilizaremos para los estimadores es la siguiete: Parámetro Estimador µ µˆ = X p pˆ = f r ˆ = S - 4 Estas codicioes permite cotrolar los errores de estimació al aumetar el tamaño de la muestra, como veremos más adelate. G.Carevali-E.Frachelli-G.Gervasoi-M.Grasso
10 DISTRIBUCION DE LA FRECUENCIA RELATIVA o PROPORCIÓN MUESTRAL El estadístico probabilidad). p ˆ = fr es u bue estimador del parámetro p (proporció poblacioal o Si simuláramos tomar muchas muestras de igual tamaño y e cada ua de ellas calculáramos la proporció de veces que ocurre u suceso A, hallaríamos: La distribució de la proporció muestral es aproximadamete ormal 5 Su media se ecuetra cerca de la proporció poblacioal p Su desviació estádar se hace meor a medida que el tamaño de la muestra se hace mayor. Geeralizado: Distribució muestral de la p ˆ = fr (proporció muestral) Si de ua població dode p represeta la proporció de elemetos que tiee cierta característica A, se toma muestras aleatorias simples de tamaño, la distribució muestral de la proporció muestral o frecuecia relativa ( p ˆ = fr ) de las veces que ocurre A e, tiee las siguietes propiedades: ) E (f r ) = p Es decir, el promedio de todos los posibles valores de f r es igual al parámetro p. ) p( p) ) ) p = Var(p) = Cuado el tamaño de la muestra aumeta, la medida de dispersió dismiuye. Es decir, a medida que el úmero de observacioes obteidas aumeta, el promedio de los valores observados se acerca más y más a p (Ley de los grades úmeros). Observe que para u tamaño de muestra fijo, la máxima desviació estádar se ecuetra e p = 0,5 3) Si es suficietemete grade (b), la distribució de p ˆ = fr se comporta aproximadamete como ua distribució ormal co media y desviació estádar como las dadas e los putos y. p(- p) p ) es aproximadamete N p; (Ver demostracioes e el Apédice) 5 Para poder aproximar la distribució Biomial a la Normal, el tamaño de muestra debe ser suficietemete grade. Como regla empírica esta aproximació es apropiada si p > 5 (Cap. 4). G.Carevali-E.Frachelli-G.Gervasoi-M.Grasso
11 DISTRIBUCION DE LA VARIANZA MUESTRAL El estadístico S es u bue estimador del parámetro (variaza poblacioal). 6 Si simuláramos tomar muchas muestras de igual tamaño y e cada ua de ellas calculáramos la variaza muestral, hallaríamos: La media de la variaza muestral se ecuetra cerca de la variaza poblacioal Su desviació estádar se hace meor a medida que el tamaño de la muestra se hace mayor. Geeralizado: Distribució muestral de la S (variaza muestral) Si de ua població se toma muestras aleatorias simples de tamaño, la distribució muestral de la variaza muestral S, tiee las siguietes propiedades: ) E ( S ) = Es decir, el promedio de todos los posibles valores de 4 S es igual al parámetro ) V(S ) = = S - Cuado el tamaño de la muestra aumeta, la medida de dispersió dismiuye. Es decir, a medida que el úmero de observacioes obteidas aumeta, el promedio de los valores observados de S se acerca más y más a (Ley de los grades úmeros). 3) ( ) S la variable libertad (b) : Si la població de la cual se extrae las muestras es ormal, tiee ua distribució ji cuadrado ( χ ) co - grados de ( ) S χ - 4) Si es suficietemete grade, la distribució de la variable χ se ve como ua distribució ormal co media y desviació estádar como las dadas e los putos y. (Ver demostracioes e el Apédice) (b) Las distribucioes ji cuadrado so ua familia de distribucioes que sólo toma valores positivos y que so asimétricas hacia la derecha. Ua distribució ji cuadrado viee determiada por u parámetro llamado grados de libertad. A medida que aumeta los grados de libertad, las curvas de desidad so meos asimétricas y por lo tato, los valores mayores so más probables. 6 Utilizaremos la otació S para idetificar a la variable S - (variaza muestral). G.Carevali-E.Frachelli-G.Gervasoi-M.Grasso
12 37 E este material hemos tratado el comportamieto de las distribucioes muestrales de alguos estimadores cuado se toma muestras aleatorias simples. Se aalizó que si el tamaño de muestra es más grade, la distribució de estos estimadores tiede a cetrarse más y más alrededor del valor del parámetro que se quiere estimar. E la práctica o se coocerá el verdadero parámetro poblacioal (por eso la estimació) y se tomará ua sola muestra (o muchas como cuado se simuló la distribució del promedio muestral), pero so las propiedades (isesgado y covergecia) las que garatiza que cuado la muestra que se toma sea grade habrá ua alta probabilidad de que el valor que toma el estimador (estimació) esté cerca del verdadero valor del parámetro que se quiere estimar. 6.6 EJERCICIOS PROPUESTOS 7.- El 9 % de los idividuos de ua regió tiee sagre tipo B. E ua muestra simple al azar de 400 persoas de esa població se ecotró que,5 % teía sagre tipo B. a) Idique: - valor umérico del parámetro:. - valor umérico del estadístico:. - idetifique e térmios del problema al parámetro y al estadístico b) Cuál es la probabilidad de que ua ueva muestra aleatoria de tamaño 400 cotega por lo meos u porcetaje de,5 % de persoas co sagre tipo B?.- Cosidere la variable aleatoria X: peso de alumos varoes de UTN, FRRO. Se cooce que esta variable tiee ua distribució ormal co promedio 75 kg y ua desviació estádar de 7 kg. a) Grafique y compare las distribucioes muestrales de X cuado se extrae muestras aleatorias simples de: * 0 alumos * 30 alumos * 00 alumos b) Cuál es la proporció de muestras de tamaño 30 que arrojará u valor del promedio alejado del promedio poblacioal e a lo sumo desviacioes estádares? 3.- Supoga que el 60% de todos los estudiates de la UTN, Reg. Rosario accede a iformació sobre cursos por medio de Iteret. a) Grafique e forma aproximada la distribució para la posible proporció muestral basada e ua muestra aleatoria simple de 00 estudiates. b) Cuál es la probabilidad de observar ua proporció muestral de 0,50 basada e ua muestra aleatoria simple de tamaño 00 si la proporció poblacioal fuese de 0,60? Explique. 4.- Sea X el úmero de accidetes por semaa e ua esquia dada. Supoga que la media de X es, y el desvío estádar de X es,4. a) Sea X el úmero promedio de accidetes por semaa e u año, o sea, = 5 semaas. cuál es la distribució aproximada de la media muestral? Bosquéjela. 7 Los ejercicios, 3 y 4 fuero extraídos y adaptados del módulo Número 7: Distribucioes muestrales de la Colecció Métodos Estadísticos I., redactado por docetes de la UNR y extractado del libro Iteractive Statistics de Martha Aliaga, Uiversidad de Michiga, 00. G.Carevali-E.Frachelli-G.Gervasoi-M.Grasso
13 38 b) cuál es la probabilidad de que el promedio de accidetes por semaa e u año sea meor que? c) Cuá probable es que el úmero total de accidetes por año sea meor que 00?. 00 Sugerecia: P (Total < 00) = P (Promedio < ) U cotratista de obras viales ha tomado u cotrato para costruir ua carretera de hormigó de 800 km. de logitud. La carretera a costruir será ispeccioada por vialidad tomado muestras de tamaño 9 por cada 5 km. costruidos. El tramo de 5 km. se aceptará si objecioes si la media de los espesores de las 9 determiacioes supera 49 mm. E este caso la gaacia para el cotratista es de 5000$ e los 5 km. Si el promedio de las 9 determiacioes de los espesores se ecuetra etre 40 mm y 49 mm tambié se aprueba el tramo pero co ua quita e el precio, obteiédose etoces ua utilidad de 300$. E cualquier otro caso se debe rehacer el tramo, lo que sigifica ua pérdida de 3000$. La variable aleatoria espesor tiee distribució ormal co esperaza matemática igual a 45 mm y desvío estádar igual a 5 mm. Cosidere la variable aleatoria utilidad por tramo de 5 km. Ecuetre su distribució de probabilidad, esperaza matemática y variaza. Cuál es la probabilidad de que la costrucció de los 800 km. dé ua utilidad iferior a $ si los espesores so idepedietes de tramo a tramo? 6.- Demuestre que X es u estimador cosistete de µ mediate el empleo de la desigualdad de Chebyshev (vea ley de los grades úmeros e apédice) G.Carevali-E.Frachelli-G.Gervasoi-M.Grasso
14 39 APÉNDICE.- Promedio Muestral o Media Aritmética X = Xi Siedo E(X) = µ y V(X) = y teiedo ua Muestra Aleatoria Simple de tamaño (X, X,..X ), etoces E( X i ) = µ y V(X i ) = (estas codicioes fuero visualizadas e pag. 9 para muestras de tamaño ). Luego E ( X )= E [ Xi ] = E Xi = E( Xi) = µ = µ V ( X )=V [ Xi ] = V Xi = VXi = V Xi = Co respecto a la distribució la variable promedio muestral podemos decir: a) Si la variable aleatoria X se distribuye ormalmete, por propiedad reproductiva : X N µ, b) Si la variable X tiee cualquier distribució pero 30 aplicado el Teorema Cetral del Límite, la distribució aproximada es : X N µ,.- Proporció Muestral o Frecuecia Relativa Sea ua experiecia aleatoria y u suceso A asociado a la misma. Se realiza repeticioes idepedietes de la experiecia. Se defie las variables: A : úmero de veces que ocurre A e las repeticioes idepedietes de la experiecia f A :proporció de veces que ocurre A e las repeticioes idepedietes de la experiecia siedo f A = A La variable aleatoria A tiee distribució biomial co E ( A ) =.p y ( A ) =.p.(-p) y e cosecuecia E ( f A ) = p y ( f A ) = p ( p) G.Carevali-E.Frachelli-G.Gervasoi-M.Grasso
15 Variaza muestral (S ) E la págia 35 se platea, para el caso e que la variable X se distribuya ormalmete, que: E ( S ) = V ( S ) = S = 4 - A cotiuació se demuestra ambas igualdades. Si X N ( µ, ) ( X µ) N (0, ) ( X µ) χ y e cosecuecia : ι= (X µ) i χ por propiedad reproductiva de la distribució ji cuadrado Se demuestra que: ι= ( X X) i χ - o e forma equivalete: ( ) S χ - Además, para ua variable χ sus parámetros so E (χ ) = y V (χ ) = y e cosecuecia para χ - E (χ - ) = y V (χ -) = ( ) () Reemplazado e () ( ) S E = ( ) E ( S ) = ( ) S V = ( ) 4 V(S ) = ( ) 4 V ( S ) = ( ) G.Carevali-E.Frachelli-G.Gervasoi-M.Grasso
16 4 4.- LEY DE LOS GRANDES NUMEROS E el capítulo 3 se dijo que después de u gra úmero de repeticioes de ua experiecia, la proporció de veces que ocurre u suceso e las repeticioes (frecuecia relativa), se acerca a la probabilidad de ese suceso. Esto se cooce como ley de los grades úmeros y se puede demostrar matemáticamete a partir de las leyes de probabilidad 8. Cosideremos ua experiecia aleatoria y u suceso A asociado a la misma. Se realiza repeticioes idepedietes de la experiecia y se defie las variables: A : úmero de veces que ocurre A e las repeticioes de la experiecia : proporció de veces que ocurre A e las repeticioes de la experiecia f A siedo f A = A Se cooce que P(A) = p se matiee costate e las repeticioes de la experiecia. Se demuestra que para u úmero positivo ε: P ( f A p < ε ) > - p (- p) ε y lím P ( f A p < ε ) = es decir, que cuado tiede a ifiito la frecuecia relativa tiede a la probabilidad ( defiició frecuecial de probabilidad ). Demostració : A Bi (, p ) E ( A ) = p ( A ) = p ( p ) y e cosecuecia E ( f A ) = p ( f A ) = p ( p) Aplicado la desigualdad de Tchebychev : P f A p k p ( p) > () k Sea ε = k p ( p) etoces k = ε p( p) Reemplazado e (), se obtiee lo que se quería demostrar: P ( f A p < ε ) > - p (- p) ε 8 La ley de los grades úmeros se puede demostrar tambié a partir del comportamieto del promedio muestral. A medida que el úmero de observacioes obteidas aumeta, la media de los valores observados se acerca más y más a µ. G.Carevali-E.Frachelli-G.Gervasoi-M.Grasso
INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS
INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS Població E el cotexto de la estadística, ua població es el cojuto de todos los valores que puede tomar ua característica medible e particular, de u cojuto correspodiete
Más detalles) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1
ESTIMACIÓN PUNTUAL. ESTIMACIÓN POR INTERVALOS DE CONFIANZA. 1. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA El objetivo básico de la iferecia estadística es hacer iferecias o sacar coclusioes sobre la població
Más detalles1.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky 106 1. INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL upogamos que X1,...,X es ua muestra aleatoria de ua
Más detallesTema 4. Estimación de parámetros
Estadística y metodología de la ivestigació Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 4. Estimació de parámetros 1. Estimació putual 1 1.1. Estimació de la proporció e la distribució Bi(m, p).......................
Más detallesEstimación de Parámetros
Igacio Cascos Ferádez Departameto de Estadística Uiversidad Carlos III de Madrid Estimació de Parámetros Estadística I curso 008 009 Veremos cómo costruir valores aproximados de los parámetros de los modelos
Más detallesEstimación de parámetros. Biometría
Estimació de parámetros Biometría Estimació Las poblacioes so descriptas mediate sus parámetros Para variables cuatitativas, las poblacioes so descriptas mediate y Para variables cualitativas, las poblacioes
Más detallesMAS obtenidas de una población N, son por naturaleza propia impredecibles. No esperamos que dos muestras aleatorias de tamaño n, tomadas de la misma
MAS obteidas de ua població N, so por aturaleza propia impredecibles. No esperamos que dos muestras aleatorias de tamaño, tomadas de la misma població N, tega la misma media muestral o que sea completamete
Más detallesIntervalos de Confianza basados en una sola muestra. Denotaremos al parámetro de interés con la letra θ y con θ un estimador para θ.
Itervalos de Cofiaza basados e ua sola muestra Ua estimació putual sólo os proporcioa u valor umérico, pero NO proporcioa iformació sobre la precisió y cofiabilidad de la estimació del parámetro. Etoces
Más detallesDistribuciones en el muestreo, EMV
Distribucioes e el muestreo, E Tema 6 Descripció breve del tema. Itroducció y coceptos básicos. Propiedades de los estimadores Sesgo, Variaza, Error Cuadrático Medio y Cosistecia 3. Distribució de u estimador
Más detallesDISTRIBUCIONES EN EL MUESTREO
7/9/08 DISTRIBUCIONES EN EL MUESTREO Uidad 4 08 Las estadísticas pesadas como variables aleatorias Ejemplo: u experimeto E cosiste e elegir =5 alícuotas de agua del río y medir la cocetració de arséico:
Más detallesProblemas 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 detallesINFERENCIA ESTADÍSTICA Y ESTIMACIÓN
INFERENCIA ESTADÍSTICA Y ESTIMACIÓN La estadística iferecial se ocupa de exteder o extrapolar a toda ua població, iformacioes obteidas a partir de ua muestra, así como de tomar de decisioes. El muestreo
Más detallesTema 14: Inferencia estadística
Tema 14: Iferecia estadística La iferecia estadística es el proceso de sacar coclusioes de la població basados e la iformació de ua muestra de esa població. 1. Estimació de parámetros Cuado descoocemos
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 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 detallesIntroducciónalaInferencia Estadística
Capítulo 6 ItroduccióalaIferecia Estadística 6.1. Itroducció El pricipal objetivo de la Estadística es iferir o estimar características de ua població que o es completamete observable (o o iteresa observarla
Más detallesEn el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo:
TEMA 6. Estimació putual. E muchos casos o será posible determiar el valor de u parámetro poblacioal descoocido, aalizado todos los valores poblacioales, pues el proceso a seguir puede ser destructivo,
Más detallesUNIDAD 3.- INFERENCIA ESTADÍSTICA I
UNIDAD 3.- INFERENCIA ESTADÍSTICA I 1. ESTADÍSTICA INFERENCIAL. MUESTREO La Estadística es la ciecia que se preocupa de la recogida de datos, su orgaizació y aálisis, así como de las prediccioes que, a
Más detallesTEORÍA DE LA ESTIMACIÓN
TEORÍA DE LA ESTIMACIÓN Objetivo: El objetivo de la estimació putual es usar ua muestra para obteer úmeros (estimacioes putuales) que sea la mejor represetació de los verdaderos parámetros de la població.
Más detalles13.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA
Dra. Diaa M. Kelmasky 109 13. INTERVALOS DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL Supogamos que X1,...,X es ua muestra aleatoria de ua població ormal co media μ y variaza. Sabemos que la media
Más detalles2 Algunos conceptos de convergencia de sucesiones de variables aleatorias
INTRODUCCIÓN A LA CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIAS Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció Se puede utilizar diferetes coceptos de covergecia para las sucesioes
Más detallesCAPÍTULO 6 DISTRIBUCIONES MUESTRALES
CAPÍTULO 6 DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es saber acerca del comportamieto de parámetros poblacioales tales como: la media ( ), la variaza ( ) o la proporció ( p ). Para
Más detallesINFERENCIA ESTADÍSTICA
FACULTAD DE INGENIERÍA INFERENCIA ESTADÍSTICA Iree Patricia Valdez y Alfaro Estimació de parámetros ireev@servidor.uam.mx Ua clasificació de estadística Descriptiva Calculo de medidas descriptivas Costrucció
Más detallesDesigualdad de Tchebyshev
Desigualdad de Tchebyshev Si la Esperaza y la variaza de la variable X so fiitas, para cualquier úmero positivo k, la probabilidad de que la variable aleatoria X esté e el itervalo La probabilidad de que
Más detallesEstadística y sus aplicaciones en Ciencias Sociales Práctico 4 - Solución Curso ) Como se trata de muestreo sin reposición, se tiene C 5 3
Estadística y sus aplicacioes e Ciecias Sociales Práctico 4 - Solució Curso 016 Ejercicio 1 5! 1) Como se trata de muestreo si reposició, se tiee C 5 3 3!! muestras de tamaño =3. ) Distribució muestral
Más detalles6. DISTRIBUCIONES MUESTRALES
6. DISTRIBUCIONES MUESTRALES DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es saber acerca del comportamieto de parámetros poblacioales tales como: la media ( ), la variaza ( ) o la proporció
Más detallesNúmero de personas que se forman en una fila en 1 hora Número de águilas que se obtienen al lanzar una moneda 5 veces.
Statistics Review Variable Aleatoria o Ua variable aleatoria es ua variable cuyo valor está sujeto a variacioes que depede de la aleatoriedad. o Debe tomar valores uméricos, que depede del resultado del
Más detallesINFERENCIA ESTADÍSTICA
X INFERENCIA ESTADÍSTICA Sea ua característica o variable aleatoria de la població objeto de estudio y sea ( X, X, X,..., X ) ua muestra aleatoria de dicha població. 1 3 U parámetro poblacioal es ua caracterizació
Más detallesIntroducción a la Inferencia Estadística. Material Preparado por Olga Susana Filippini y Hugo Delfino
Itroducció a la Iferecia Estadística Temario Diseño Muestral Teorema Cetral del Límite Iferecia estadística Estimació putual y por itervalos Test de hipótesis. DISEÑO MUESTRAL Porque utilizar muestras
Más detallesTEMA 6.- INTERVALOS DE CONFIANZA
TEMA 6.- INTERVALOS DE CONFIANZA 6.1. Distribucioes asociadas a la Normal 6.1.1. Distribució Chi cuadrado de Pearso o Gi dos 6.1.. Distribució t de Studet 6.. Itroducció a itervalos de cofiaza 6.3. Método
Más detallesAnálisis de resultados. Independencia de las muestras
Aálisis de resultados Clase ro. 8 Curso 00 Idepedecia de las muestras Los resultados de ua corrida de simulació, so muestras de algua distribució. Esos resultados los llamamos "respuestas". Las respuestas
Más detallesEstimación por intervalos
Estimació por itervalos Estimació por itervalos para la media poblacioal co (variaza poblacioal) coocida P( x z/ x z/ ) 1 co (variaza poblacioal) descoocida Si 30 se reemplaza por S y usamos el itervalo
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO Objetivos geerales del tema E este tema se itroducirá el cocepto de estadístico como medio para extraer iformació acerca de la ley de
Más detalles6. DISTRIBUCIONES MUESTRALES
6. DISTRIBUCIONES MUESTRALES Dr. Edgar Acua http://math.uprm.edu/~edgar UNIVERSIDAD DE UERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es saber
Más detalles( ) ( ) ( ) ( ) ( ) ( ) ( ( )) ( )
I E S CARDENAL CISNEROS -- DEPARTAMENTO DE MATEMÁTICAS INFERENCIA ESTADÍSTICA El coeficiete itelectual de los alumos de u cetro se distribuye N(110,15). Escogemos 5 alumos al azar. Cuál es la probabilidad
Más detalles1. Teorema del Límite Central. Como se dijo varias clases atras si tenemos n variables aleatorias, cada una de. X i = X. n = 1 n.
1. Teorema del Límite Cetral Teorema: ea Y 1, Y,..., Y variables aleatorias idepedietes idéticamete distribuidas co EY i = µ y V Y i =
Más detallesSUMA DE VARIABLES ALEATORIAS
SUMA DE VARIABLES ALEATORIAS do C. 018 Clase Nº 9 Mg. Stella Figueroa Teorema Cetral del Límite El teorema afirma que la distribució de la suma de u gra úmero de variables aleatorias tiee aproximadamete
Más detallesDISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS)
DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS) www.cedicaped.com DISTRIBUCIÓN DE PROBABILIDAD Recordemos que el Espacio Muestral es el cojuto de todos y
Más detallesEstadística Aplicada a las ciencias Sociales Examen Febrero de 2008 segunda semana
Estadística Aplicada a las ciecias Sociales Exame Febrero de 008 seguda semaa Ejercicio 1.- E la siguiete tabla, se tiee el úmero de alumos de educació de adultos matriculados e el curso graduado escolar
Más detallesEJERCICIOS RESUELTOS TEMA 8
EJERCICIOS RESUELTOS TEMA 8 8.. U ivestigador desea coocer la opiió de los madrileños sobre la saidad pública. Para ello, acude a las 8 de la mañaa al hospital público de la capital más cercao a su domicilio
Más detallesMÉTODOS ESTADÍSTICOS DE LA INGENIERÍA CONVOCATORIA DE MAYO (011) EJERCICIO 1 El director de publicacioes de ua editorial trata de decidir si debe publicar u uevo texto de estadística. Los ateriores libros
Más detallesSESION 15 DISTRIBUCIONES DE MUESTREO
SESION 15 DISTRIBUCIONES DE MUESTREO I. CONTENIDOS: 1. Distribució de muestreo. 2. Distribucioes de muestreo de la media 3. Media, mediaa y moda, así como su relació co la desviació estádar de las distribucioes
Más detallesEstimación por intervalos
Estimació por itervalos do C. 018 Mg. tella Figueroa Clase Nº 11 Para la media poblacioal Coociedo Partimos de ua població ormal X y de la distribució muestral de la media X ~ N, X ~ N, P( z Z z ) 1 /
Más detallesUT-4: Distribuciones fundamentales de muestreo y descripción de datos
UT-4: Distribucioes fudametales de muestreo y descripció de datos Sub tema: Muestreo aleatorio. Distribucioes muestrales. Distribucioes muestrales de medias. Teorema del límite cetral. Aplicacioes. DF
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 detallesEstimación de Parámetros. Estimación de Parámetros
Uiversidad Técica Federico Sata María Capítulo 7 Estimació de Parámetros Estadística Computacioal II Semestre 007 Prof. Carlos Valle Págia : www.if.utfsm.cl/~cvalle e-mail : cvalle@if.utfsm.cl C.Valle
Más detallesEn esta tema sentaremos las bases del muestreo estadístico y estudiaremos las distribuciones de algunos estadísticos a partir de una muestra.
Capítulo 6 Muestreo Estadístico E esta tema setaremos las bases del muestreo estadístico y estudiaremos las distribucioes de alguos estadísticos a partir de ua muestra. 6.1. Coceptos básicos Auque e el
Más detallesUniversidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA. Ingenierías RH-Amb-Ag TEORÍA
Uiversidad Nacioal del Litoral Facultad de Igeiería Ciecias Hídricas ESTADÍSTICA Igeierías RH-Amb-Ag TEORÍA Mg. Susaa Valesberg Profesor Titular INFERENCIA ESTADÍSTICA TEST DE HIPÓTESIS INTRODUCCIÓN Geeralmete
Más detallesINTRODUCCION Teoría de la Estimación
INTRODUCCION La Teoría de la Estimació es la parte de la Iferecia Estadística que sirve para coocer o acercarse al valor de los parámetros, características poblacioales, geeralmete descoocidos e puede
Más detalles1 x 1 0,1666. sabiendo que 506, 508, 499, 503, 504, 510, 497, 512, 514, 505, 493, 496, 506, 502, 509, 496.
GRADO GESTIÓN AERONÁUTICA: EXAMEN ESTADÍSTICA TEÓRICA 9 de Eero de 015. E-7. Aula 104 1.- La fució de desidad de ua variable aleatoria es: a b 0 f() 0 e el resto sabiedo que 1 P 1 0,1666. Determiar a y
Más detallesTécnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20
Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra
Más detallesMaestría en Marketing Métodos y técnicas de análisis cuantitativo y cualitativo. Métodos de Muestreo. Otoño Problemas a tratar
Maestría e Marketig Métodos y técicas de aálisis cuatitativo y cualitativo Métodos de Muestreo Referecia: PR Cap 11, KT 1-14. Otoño 004 Problemas a tratar Que alterativas hay para cofeccioar ua muestra
Más detallesGuía 1 Matemática: Estadística NM 4
Cetro Educacioal Sa Carlos de Aragó. Sector: Matemática. Prof.: Ximea Gallegos H. 1 Guía 1 Matemática: Estadística NM 4 Nombre: Curso: Fecha. Uidad: Estadística y Probabilidades. Apredizajes Esperados:
Más detallesPropiedades de la funcion de distribucion empirica. Propiedades de la Función de distribución Empírica:
Propiedades de la fucio de distribucio empirica Propiedades de la Fució de distribució Empírica: a. Fˆ es creciete de 0 hasta 1. b. Fˆ es ua fució escaloada co saltos e los distitos valores de X 1, X,...,
Más detallesDistribuciones Muestrales
10/08/007 Diseño Estadístico y Herramietas para la Calidad Distribucioes Muestrales Epositor: Dr. Jua José Flores Romero juaf@umich.m http://lsc.fie.umich.m/~jua M. e Calidad Total y Competitividad Distribucioes
Más detalles4 - DESIGUALDAD DE CHEBYSHEV- LEY DE LOS GRANDES NUMEROS
arte Desigualdad de Chebyshev rof. María B. itarelli 4 - DESIGULDD DE CHEBYSHE- LEY DE LOS GRNDES NUMEROS La desigualdad de Chebyshev es ua importate herramieta teórica. Etre otras aplicacioes costituirá
Más detallesLa ley de los grandes números
La ley de los grades úmeros "El idicio de que las cosas estaba saliédose de su cauce ormal vio ua tarde de fiales de la década de 1940. Simplemete lo que pasó fue que etre las siete y las ueve de aquella
Más detallesUniversidad MUESTREO de Oviedo. Facultad de Economía y Empresa. Grado en ADE. Métodos Estadísticos para
MÉTODOS ESTADÍSTICOS PARA LA EMPRESA TEMA 7: HERRAMIENTAS INFERENCIALES. DISTRIBUCIONES ASOCIADAS AL Uiversidad MUESTREO de Oviedo. Facultad de Ecoomía y Empresa. Grado e ADE. 7.1.- Distribucioes Métodos
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 detalles3. Distribuciones de probabilidad
3. Distribucioes de probabilidad Estudiamos a cotiuació las pricipales distribucioes de probabilidad que se ecuetra e las aplicacioes del cálculo de probabilidades. Clasificaremos las distribucioes atediedo
Más detalles1. Propiedades de los estimadores
. Propiedades de los estimadores.. Eficiecia relativa. Defiició: Dados dos estimadores isesgados, ˆ y ˆ, de u parámetro, co variazas V ( ˆ ) y V ( ˆ ), etoces la eficiecia (eff) de ˆ respecto a ˆ, se defie
Más detallesObjetivos. 1. Inferencia Estadística. INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo. M. Iniesta Universidad de Murcia
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo Objetivos Tratar co muestras aleatorias y su distribució muestral e ejemplos de tamaño reducido. Tratar co la distribució de la
Más detallesEstimadores Puntuales: Propiedades de estimadores Sebastián Court
Estadística Estimadores Putuales: Propiedades de estimadores Sebastiá Court 1.Motivació Cosideremos ua variable aleatoria X co ciertas características, como por ejemplo, u parámetro θ, y ua muestra aleatoria
Más detallesResumen Tema 2: Muestreo aleatorio simple. Muestreo con probabilidades desiguales.
Resume Tema 2: Muestreo aleatorio simple. Muestreo co probabilidades desiguales. M.A.S.: Muestreo aleatorio simple co probabilidades iguales si reemplazo. Hipótesis: Marco perfecto, si omisioes i duplicados
Más detallesDISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS ESPACIO MUESTRAL. El cojuto de todos los resultados posibles de u eperimeto estadístico deotado por S o Ω VARIABLE. Se deomia variable a la
Más detallesIntervalos de confianza Muestras grandes
Itervalos de cofiaza Muestras grades Por qué u itervalo de cofiaza? E la Uidad 3 revisamos los coceptos de població y muestra. Los parámetros poblacioales so la media μ y la variaza σ. So costates y geeralmete
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 detallesLuis González Abril y Luis M. Sánchez-Reyes {luisgon, - Dpto. Economía Aplicada I Universidad de Sevilla
ETUDIO OBRE EL EXCEO DE AMPLITUD EN LA CONTRUCCIÓN DE INTERVALO DE CONFIANZA PARA LA MEDIA POBLACIONAL CON VARIANZA DECONOCIDA EN UNA POBLACIÓN NORMAL Luis Gozález Abril y Luis M. áchez-reyes {luisgo,
Más detallesMUESTREO. Con los datos de la tabla se calcula el número total de elementos. 795 Mujeres 80
MUESTREO 1. Supogamos que e u cetro escolar los alumos y docetes se distribuye de acuerdo co la tabla siguiete: 3 ESO 4 ESO 1º Bach º Bach Prof Hombres 85 80 100 83 4 Mujeres 95 96 110 91 31 Si quieres
Más detallesPRUEBAS DE HIPÓTESIS.
PRUEBAS DE HIPÓTESIS. HIPÓTESIS ESTADÍSTICA Paramétrica : No Paramétrica Es ua afirmació sobre los valores de los parámetros poblacioales descoocidos. Es ua afirmació sobre algua característica Simple
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 detallesPráctica 7 CONTRASTES DE HIPÓTESIS
Práctica 7. Cotrastes de hipótesis Práctica 7 CONTRATE DE IPÓTEI Objetivos Utilizar los cotrastes de hipótesis para decidir si u parámetro de la distribució de uos datos objeto de estudio cumple o o ua
Más detallesSobre los intervalos de confianza y de predicción Javier Santibáñez 7 de abril de 2017
Sobre los itervalos de cofiaza y de predicció Javier Satibáñez 7 de abril de 2017 Itervalos de cofiaza Se costruye itervalos de cofiaza para los parámetros poblacioales. Supogamos que teemos ua muestra
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 detallesEjercicios resueltos de Muestreo
Tema Ejercicios resueltos de Muestreo Ejercicio Sea ua població ita de 4 elemetos: P = f; 4; ; g : Se cosidera muestras de elemetos que se supoe extraidos y o devueltos a la població y que el muestreo
Más detallesTEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Introducción a la Inferencia Estadística Método de los momentos
TEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Itroducció a la Iferecia Estadística. Método Estadístico. Defiicioes previas. 5.2. Estimació putual 5.3. Métodos de obteció de estimadores: 5.3.1. Método de los
Más detalles1. Muestreo Aleatorio Simple
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL Estadística III-Material 2-2012 Revisió y Cambios y Ampliació: Ig. José Alejadro Marí Fuete Primaria: Ig. César Augusto Zapata Urquijo
Más detallesTEMA 5: Gráficos de Control por Atributos. 1. Gráfico de control para la fracción de unidades defectuosas
TEMA 5: Gráficos de Cotrol por Atributos 1 Gráfico de cotrol para la fracció de uidades defectuosas 2 Gráfico de cotrol para el úmero medio de discoformidades por uidad Selecció del tamaño muestral 3 Clasificació
Más detallesCLAVES DE CORRECCIÓN GUÍA DE EJERCITACIÓN FACTORES Y PRODUCTOS PREGUNTA ALTERNATIVA Nivel
x Estimado alumo: Aquí ecotrarás las claves de correcció, las habilidades y los procedimietos de resolució asociados a cada preguta, o obstate, para reforzar tu apredizaje es fudametal que asistas a la
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL Revisió, Cambios y Ampliació: Ig. José Alejadro Marí Fuete Primaria: Ig. César Augusto Zapata Urquijo 1. M U E S T R E O S I S T E M
Más detallesTEMA 6 MUESTRAS ALEATORIAS Y DISTRIBUCIONES EN EL MUESTREO
.- Itroducció: TEMA MUESTRAS ALEATORIAS Y DISTRIBUCIONES EN EL MUESTREO Los aálisis estadísticos que se realiza e el mudo real tiee como objetivo estudiar las propiedades características de las poblacioes
Más detallesSOLUCIONES DE LA SEGUNDA PRUEBA DE EVALUACION CONTINUA (PEC 2)
Curso 2012-13 PEC2 Pág. 1 SOLUCIONES DE LA SEGUNDA PRUEBA DE EVALUACION CONTINUA (PEC 2) Gráfico 1: E ua ivestigació se compara la eficacia de tres tipos de tratamieto de las fobias, atediedo a si ha habido
Más detallesESTADÍSTICA. n i Se pide:
ESTDÍSTIC Tercera Prueba de Evaluació cotiua 1 de diciembre de 16 1.- l calcular cico veces la distacia etre dos putos, obteemos los siguietes valores: 17,13m; 17,1m; 17,m; 17,65m; 17,4 a) Itervalo de
Más detallesSeries alternadas Introducción
Sesió 26 Series alteradas Temas Series alteradas. Covergecia absoluta y codicioal. Capacidades Coocer y aplicar el criterio para estudiar series alteradas. Coocer y aplicar el teorema de la covergecia
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 detallesCAPÍTULO I. Conceptos Básicos de Estadística
CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia
Más detallesAnálisis estadístico de datos simulados Estimadores
Aálisis estadístico de datos simulados Estimadores Patricia Kisbye FaMAF 11 de mayo, 2010 Aálisis estadístico Iferecia estadística: Elegir ua distribució e base a los datos observados. Estimar los parámetros
Más detallesCAPÍTULO 8: INTERVALOS DE CONFIANZA PARA PROPORCIONES Y MEDIAS
Págia 1 de 11 CAPÍTULO 8: INTERVALOS DE CONFIANZA PARA PROPORCIONES Y MEDIAS Itervalos de Cofiaza para ua proporció Cuado hacemos u test de hipótesis decidimos sobre u valor hipotético del parámetro. Qué
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 detallesESTADÍSTICA UNIDIMENSIONAL
I.E.S. Virge de la Paz. Alcobedas DEPARTAMETO DE MATEMÁTICAS Itroducció ESTADÍSTICA UIDIMESIOAL El ombre de Estadística alude al eorme iterés de esta rama matemática para los asutos del Estado y su itroducció
Más detallesCurso de Estadística Aplicada a las Ciencias Sociales. Introducción. Introducción (2) Hasta ahora: estadística descriptiva (para describir datos)
Curso de Estadística Aplicada a las Ciecias Sociales Tema 10. Estimació de ua proporció Cap. 0 del maual Tema 10. Estimació de ua proporció Itroducció 1. Distribució e el muestreo de ua proporció. Estimadores
Más detallesDeterminación del tamaño de una muestra (para dos o más muestras)
STATGRAPHICS Rev. 457 Determiació del tamaño de ua muestra (para dos o más muestras) Este procedimieto determia el tamaño de muestra apropiado para estimar o realiar pruebas de hipótesis respecto a alguo
Más detallesProblemas de cálculo
Problemas Estimació estadística Vicete Mazao-Arrodo, 2012,2013 Problemas de cálculo Ejercicio 1 resuelto Observamos e mometos al azar e ua cocurrida calle de la ciudad. Nos iteresa registrar cuátas persoas
Más detallesSobre los intervalos de confianza y de predicción
Sobre los itervalos de cofiaza y de predicció Itervalos de cofiaza Javier Satibáñez 28 de febrero de 2018 Se costruye itervalos de cofiaza para parámetros. Sea X = X 1,..., X } ua muestra aleatoria de
Más detallesR E S O L U C I Ó N. a) La distribución de las medias muestrales es: N, N 8'1, N 8'1, 0'3. Como el nivel de confianza es del 97%, podemos calcular
El úmero de días de permaecia de los efermos e u hospital sigue ua ley Normal de media días y desviació típica 3 días. a) Determie u itervalo de cofiaza para estimar, a u ivel del 97%, co ua muestra aleatoria
Más detallesPRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA
PRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA Pruebas de hipótesis es ua parte de la ESTADISTICA INFERENCIAL y tiee su aalogía co los pasos que se realiza e u JUICIO. Objetivo: Aquí o se busca Estimar
Más detalles