Teoría de Muestras e Inferencia

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

Download "Teoría de Muestras e Inferencia"

Transcripción

1 Teoría de Muestras e Ifereca TEORÍA DE MUESTRAS E INFERENCIA. Poblacó y muestra. Métodos de muestreo 3. Dstrbucoes asocadas al proceso de muestreo 3. Dstrbucó de la meda de ua poblacó ormal 3. Dstrbucó de la varaza 4. Estmacó 4.. Estmacó putual. Propedades 4.. Obtecó de estmadores 4... Método de los mometos 4... Método de máxma verosmltud Método de los mímos cuadrados 4.3. Estmacó por tervalo Itervalo de cofaza para la meda Itervalo de cofaza para la varaza Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M.

2 Teoría de Muestras e Ifereca TEORÍA DE MUESTRAS E INFERENCIA Es u hecho recoocdo que la Estadístca es ecesara e todos los campos dode se avace e vestgacó. Los prcpos estadístcos so depedetes de la matera e la que se aplque; los prcpos so geerales auque las téccas puede ser dsttas. Se hace ceca cuado el estudo se ocupa de la observacó y clasfcacó de los hechos. Estadístca es la ceca de los datos. Los datos o hechos umércos so esecales para tomar decsoes e cas todas las áreas de uestra vda. Por ejemplo, llevar paraguas depede de la probabldad de lluva. S observamos que las meddas de ua mujer so , esto sgfca que esa persoa tee uas proporcoes que se cosdera perfectas. E ua empresa se maeja muchos datos sobre vetas, vetaros, persoal, gastos, cletes, equpos, etc. Todos estos datos ha de ser terpretados de algua forma, tarea que requere presetar los úmeros de maera que su mesaje aparezca claramete. Para poder usar los datos co fes cocretos debemos resumrlos y descrbrlos; esta tarea correspode a la estadístca descrptva. El aálss de los datos comba resúmees umércos co represetacoes gráfcas. Imagemos que asstmos a ua partda de dados: prmeramete observamos el desarrollo de la partda y aotamos los resultados (estadístca descrptva), como sabemos que co dos dados el resultado más probable es 7 (estadístca matemátca) y tomaremos la decsó de jugar o o depededo de la comparacó de los resultados (fereca estadístca). E la estadístca descrptva se ve cosas pero o se puede probar de ua maera formal. La estadístca descrptva y la estadístca matemátca so complemetaras. Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M.

3 Teoría de Muestras e Ifereca 3 El aálss de datos requere ua colaboracó dámca etre el especalsta e el asuto (el que posee los datos) y estadístco (el que los aalza). El prmer paso e u aálss de datos es su speccó, famlarzarse co los datos y ecotrar característcas extraordaras. El sguete paso es la comparacó: comparar datos y comparar modelos. Por últmo, la terpretacó. Muy a meudo el cclo etero comeza de uevo. La formulacó de ua hpótess lógca, sometda a prueba por métodos expermetales y la evaluacó objetva de dcha hpótess e base a los resultados expermetales, costtuye los putos esecales del método cetífco, que empleamos e estadístca.. POBLACIÓN Y MUESTRA S deseamos coocer algua característca de ua poblacó podríamos observar dcha característca e todos los membros de la poblacó y estudar esos datos co los métodos de Estadístca Descrptva. Esta operacó es lo que se deoma ceso de ua poblacó. A veces es mprescdble u ceso: cuado se ecesta formacó para cada uo de los dvduos de la poblacó, como por ejemplo para hacer el ceso electoral. Pero e muchos casos u ceso resulta mposble por algua de las sguetes causas: El costo de la observacó para toda la poblacó resulta muy elevado. Se quere los resultados e u corto plazo de tempo, que cuado la poblacó es muy grade o resulta posble. Que el procedmeto de observacó sea destructvo, como por ejemplo, estudar la duracó de uas bombllas o la ressteca de uas barras de acero. Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 3

4 Teoría de Muestras e Ifereca 4 E estos casos se hace ecesaro reducr el estudo a ua parte de la poblacó que llamaremos muestra y a partr de la formacó obteda tratar de deducr las característcas de toda la poblacó. Este proceso recbe el ombre de fereca. Las vetajas de estudar ua muestra, además del costo reducdo y la gra rapdez, es que se puede hacer co persoal más especalzado y establecer mejores cotroles, lo que permte reducr muchos errores e la toma de datos. La lmtacó prcpal de trabajar co ua muestra es que o obtedremos las característcas de la poblacó co exacttud, so que al hacer la fereca cometemos uos errores llamados de muestreo, auque esos errores se puede medr y cotrolar. Todos estamos acostumbrados a hacer ferecas cotuas. así, por ejemplo, juzgamos a u caal de televsó por uos cuatos programas que vemos; a la E.M.T. por dos autobuses que cogemos al día; o a u polítco por algua de sus actuacoes que coocemos. E la mayoría de los casos os basamos e muestras pequeñas y poco represetatvas. Para que la fereca sea buea, la muestra deberá ser represetatva de toda la poblacó. Al proceso de eleccó de ua muestra se deoma muestreo.. MÉTODOS DE MUESTREO Muestreo aleatoro smple Se caracterza porque todos los elemetos de la poblacó tee la msma probabldad de ser elegdos. El procedmeto práctco de escoger la muestra, puede ser umerar los elemetos de la poblacó, aputar los úmeros e tarjetas, y sacarlas al azar. S la muestra y la poblacó so grades, e vez de tarjetas se utlza tablas de úmeros aleatoros. Este muestreo puede ser: Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 4

5 Teoría de Muestras e Ifereca 5 Co reemplazameto: se elge u elemeto de la poblacó, se estuda y se retegra a la poblacó. Así sucesvamete, la probabldad de obteer cualquer elemeto se matee costate, teresa para que los elemetos de la muestra sea depedetes. S reemplazameto: los elemetos elegdos e la muestra o se resttuye e la poblacó. La probabldad de obteer u elemeto va aumetado al dsmur los elemetos posbles. Muestreo aleatoro estratfcado Cuado la poblacó objeto de estudo se puede dvdr e dsttas categorías, clases o extractos, e deftva, e varas subpoblacoes, atededo a algua característca comú. Muestreo por coglomerado Por este método, lo que se elge al azar o so uos cuatos elemetos de la poblacó, so uos grupos de elemetos de la poblacó prevamete formados. Elegdos estos grupos o coglomerados, se pasa posterormete a la eleccó, també al azar de los elemetos que ha de ser observados detro de cada coglomerado. 3. DISTRIBUCIONES ASOCIADAS AL PROCESO DE MUESTREO. Puesto que los elemetos que tegra ua muestra so elegdos aleatoramete es evdete el hecho de que las meddas o característcas so varables aleatoras. Ahora se os platea las sguetes cuestoes: Qué fucó de dstrbucó asocar a la varable aleatora? De qué forma podemos vestgar cómo se adapta la fucó de dstrbucó elegda a las observacoes? Como esta fucó de dstrbucó tee e geeral uos parámetros, tales como meda y varaza e el caso de la dstrbucó ormal. Qué podemos deducr sobre los parámetros de la formacó coteda e la muestra? Qué certdumbre tee uestra formacó sobre los parámetros? Iremos vedo como cotestar a estas cuestoes. Prmeramete, ua vez obteda la muestra hay que realzar la fereca sobre la poblacó. Puede ser: Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 5

6 Teoría de Muestras e Ifereca 6 Ifereca o paramétrca: se descooce el tpo de dstrbucó que sgue la dstrbucó. Ifereca paramétrca: e este caso se supoe coocda la dstrbucó que sgue la poblacó, pero se descooce sus parámetros. El problema es estmar el valor de dchos parámetros. Dstrbucó de probabldad de la poblacó: partmos de ua poblacó e la que ua determada característca sgue ua dstrbucó coocda F(x) que depede de u parámetro (cualquer característca cuattatva de la poblacó). De la poblacó obteemos ua muestra de tamaño, e la que la característca estudada, toma los valores x, x,..., x. Obteemos, pues varables aleatoras depedetes ξ, ξ,..., ξ que está détcamete dstrbudas como la varable aleatora ξ que determa la dstrbucó de la poblacó F(x). Dada ua muestra x, x,...,, se llama estadístco T a cualquer varable aleatora x defda como ua fucó de dcha muestra, T=T( x, x,..., ). Como las muestras puede ser dsttas, para cada ua de ellas se obtedrá ua estmacó dstta. Se tee, por tato, que el estadístco ha de ser cosderado també como ua varable aleatora y tedrá su propa dstrbucó de probabldad. x Llamamos estmador del parámetro, y lo deotamos por a cualquer fucó de los valores de la muestra = f( x, x,..., ) cuyo valor tomamos como valor del parámetro. El estmador es ua fucó que para cada muestra e cocreto toma u valor que llamamos estmacó. S para todas las muestras posbles calculásemos las estmacoes a que da lugar, tedríamos todos los posbles valores de, co sus respectvas probabldades (que sería las probabldades de elegr cada muestra e cocreto). Así pues, u estmador es ua varable aleatora co dstrbucó de probabldad que se llama dstrbucó e el muestreo del estmador. x Cuado u estadístco se utlza para estmar el valor u determado parámetro de ua varable aleatora, etoces es u estmador de. Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 6

7 Teoría de Muestras e Ifereca 7 Ejemplo: Supogamos ua poblacó formada por u cojuto de bolas de ua caja, cada ua de las cuales lleva u úmero que puede ser u 0 ó. Descoocemos la proporcó de bolas p marcadas co u uo. La dstrbucó de probabldad de la varable aleatora dscreta X: úmero ptado e cada bola de la caja x P(X=x) 0 -p p Supogamos que tomamos ua muestra de tamaño = para estmar p: (X,X) tedremos dos varables aleatoras co la msma dstrbucó que la poblacó, es decr, que puede tomar los valores 0 y co probabldades -p y p respectvamete. La X+ X dstrbucó de la meda muestral X = se expresa e la sguete tabla: muestra x P(X = x ) (0,0) 0 (-p) (0,) ½ p(-p) (,0) ½ (-p)p (,) p ( )( ) ( ) P(X = 0) = P(X = 0)P(X = 0) = p p = p P(X = ) = P(X = )P(X = 0) + P(X = 0)P(X = ) = p p + p p = p p P(X = ) = P(X = )P(X = ) = p ( ) ( ) ( ) Veremos e prmer lugar las dstrbucoes e el muestreo de dsttos estmadores, después certas propedades deseables de los estmadores, y métodos de obtecó de los msmos. Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 7

8 Teoría de Muestras e Ifereca 8 varaza: 3. Dstrbucó de la meda de ua poblacó ormal, cuado se cooce la Cada ξ es ua varable aleatora co dstrbucó ormal, ξ N( µ, ), la meda muestral será: ξ = ξ + ξ ξ. S e ua poblacó cualquera co meda y varaza fta, se extrae muestras de tamaño, la meda muestral, al ser suma de varables depedetes tede haca ua dstrbucó N µ,, segú el Teorema Cetral del Límte, cuado tede a fto. E la práctca, tee que ser >30 s se cooce la varaza de la poblacó, y >00, s o se cooce la varaza y hay que estmarla por la varaza muestral. Veamos que: E[ ξ ] = µ y que V[ ξ] = E efecto: E y además: ξ + ξ ξ [ ξ] = E [ ] [ ] ( ) ( ) E ξ E ξ µ µ µ µ = + + = + + = = ξ = ξ µ = = ξ µ = ξ ξ. µ V E ( ) E E = E[ ( ) ] E[ ( )( )] j ξ µ + ξ µ ξ µ = j< E [ ξ ] E [( )] E[ ( ) ] µ ξ j µ = ξ µ ξ j µ puesto que, ( )( ) =. =. =0 por ser depedetes. Ejemplo: Sabedo que los errores de observacó de ua determada magtud sgue ua dstrbucó N(0,.5), calcular: a) Probabldad de que al hacer ua observacó el error sea mayor que 0,5. Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 8

9 Teoría de Muestras e Ifereca 9 b) Probabldad de que al hacer 9 observacoes de la msma magtud, la meda de esas observacoes tega u error mayor que 0,5. c) Número de observacoes ecesaras para que el error de la meda sea meor que 0,5 co probabldad 0,95. Solucó: a) Sea ξ la observacó que tee la msma dstrbucó que la poblacó. Así pues: P( ξ> 0,5) = P( ξ 0,5) = F N(0,.5) (0,5) = 0, = 0,36944 DERIVE: - NORMAL(0.5, 0,.5) = EXCEL: =-DISTR.NORM(0,5;0;,5;VERDADERO) 0, WOLFRAMALPHA: Probablty x>0.5 ormal dstrbuto, mea=0,sd= b) Sea ξ la meda de las ueve observacoes. Sabemos que la dstrbucó de ξ es N µ, =N 0 5,, =N(0,0.5). Así pues: 9 P ( ξ> 0,5) = P ( ξ 0,5) = F N(0,0.5) (0,5) = 0,843 = 0,587 DERIVE: - NORMAL(0.5, 0, 0.5) = EXCEL: =-DISTR.NORM(0,5;0;0,5;VERDADERO) 0, WOLFRAMALPHA: Probablty x>0.5 ormal dstrbuto, mea=0,sd= c) Nos dce que P( ξ < 0, 5) = 0,95. Pasado a ua N(0,), se tee: P ξ < = P 0 0, 5 0 < ξ 0 = P η < = 0,95, sedo η = N(0,) 5, 5, 3,5 / ( ξ 0, 5) Buscamos e las tablas de la N(0,) u valor que deje a su zquerda ua probabldad 0,95. Por cosguete: 3 = 645, y de aquí = 4,35. Como el tamaño de la muestra tee que ser u úmero etero, tomaremos = 5. DERIVE:.5 #: NSOLVE NORMAL 0.5, 0, = 0.95,, Real #: = EXCEL: =DISTR.NORM.INV(0,95;0;), WOLFRAMALPHA: ormal dstrbuto, mea=0,sd=,64485 (Percetl 95) Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 9

10 Teoría de Muestras e Ifereca 0 3. Dstrbucó de la varaza S cosderamos ξ,..., ξ ua muestra aleatora smple de ua poblacó, tedremos: ξ = ξ ξ = ( ξ ξ) poblacó S = ( ) que es la meda muestral, y µ la meda de la poblacó. que es la varaza, y por supuesto = ( ξ µ ) ξ ξ la cuasvaraza o varaza muestral E la varaza de la Debe observarse que o hemos hecho gua hpótess de cuál sea la dstrbucó de probabldad de la varable ξ. S la dstrbucó de partda es N( µ, ), se tee que: ( ) S = ( ) ξ ξ = ( ξ µ ) ( ξ µ ) y dvdedo por ( ) S = ξ µ ξ µ ξ µ = ξ µ = η η χ χ puesto que ξ ξ µ N( µ, ) = η N( 0, ) y que ξ µ ξ µ N(, ) = η N( 0, ). Parece lógco utlzar la propedad adtva de la dstrbucó j-cuadrado y coclur que la dstrbucó ( )S χ χ =χ. Resultado coocdo como teorema de FISHER. Por otra parte, puede demostrase que las varables aleatoras ξ y S so depedetes. Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 0

11 Teoría de Muestras e Ifereca 4. ESTIMACIÓN. 4.. Estmacó putual. Propedades. Partmos de ua poblacó F( x, ) co parámetro descoocdo. Tomemos ua muestra ξ,..., ξ de esa poblacó. Defmos ua fucó de esos valores de la muestra que llamamos estadístco co lo que pretedemos estmar el valor de. Para cada muestra e cocreto, el valor que toma el estmador es ua estmacó putual del parámetro. Propedades de los estmadores: So ua sere de propedades que so deseables que posea los estmadores. Las prcpales so: a) Isesgado o cetrado U estmador se llama sesgado cuado E =. Por el cotraro, u estmador es sesgado cuado E = + ( ) sesgo o error sstemátco del estmador. b, dode ( ) b es el b) Cosstete U estmador es cosstete, s al tomar como muestra toda la poblacó, es estmador toma el parámetro poblacoal. Es decr, = s = N. c) Efcete Cuado u parámetro se estma por, al error que cometemos se le llama fucó de perdda. Nos teresa más coocer ua medda del error de todas las posbles estmacoes. Por ello, como es ua varable aleatora ua medda del error será la E que se llama fucó de resgo R,. Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M.

12 Teoría de Muestras e Ifereca El estmador será tato mejor cuato meor sea la fucó de resgo. =E S el estmador es cetrado E =, la fucó de resgo será: R, = sea su varaza. = V( ). Por ello, u estmador que sea cetrado será tato mejor cuato meor A los estmadores sesgados de míma varaza se les llama efcetes. Error medo cuadrátco U cocepto teresate es el de error medo cuadrátco (EMC). S es u estmador de, se defe: EMC = E estmador respecto del parámetro. que represeta la dspersó del E efecto: Además, se tee: EMC = V + E. Sumado y restado E EMC = E = E E + E = = E E + E E + E = E E + E E E + E = = V + E Obsérvese que s es cetrado, EMC = V. 0 Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M.

13 Teoría de Muestras e Ifereca 3 d) Sufcete Este crtero es meos tutvo y requere u estudo más complejo, la dea es que u estmador sufcete recoge toda la formacó que aporta la muestra para estmar el parámetro. e) Robusto Se dce que u estmador es robusto s su dstrbucó muestral o se ve seramete afectada por volacoes de las suposcoes. So estmadores que fucoa be para dsttas dstrbucoes teórcas, por ello so també llamados estmadores o paramétrcos. Alguos estmadores mportates: ξ + ξ ξ La meda muestral que ya hemos calculado ξ = sesgado, ya que E[ ξ ] = µ, cosstete, efcete, puesto que V[ ξ] = es u estmador, y sufcete. Estmador de la varaza de la poblacó S cosderamos = ( ξ ξ) E como estmador de la varaza, teemos que: = ( ξ ξ) = ( ξ µ + µ ξ) E E = = ( ξ µ ) ( ξ µ )( ξ µ ) + ( µ ξ) = E = ( ξ µ ) ( ξ µ ) ( ξ µ ) + ( µ ξ) = E = ( ξ µ ) ( ξ µ ) + ( µ ξ) = E = ( ξ ) µ ( ξ µ ) = ( ξ µ ) ( ξ µ ) E es cetrado, puesto que E[ ] E. = = luego o Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 3

14 Teoría de Muestras e Ifereca 4 S embargo, la cuasvaraza muestral S = ( ) sesgado de la varaza. ξ ξ es u estmador E efecto: E[ S ] = ( ξ ξ ) = E ( ) E ξ ξ = E [ ] = = Debe observarse que o hemos hecho gua hpótess de cual sea la dstrbucó de probabldad de la varable ξ. 4.. Obtecó de estmadores Hasta ahora hemos vsto las propedades que debe teer u estmador para cosderarlo aceptable. Vamos a ver cómo se obtee esos estmadores, por prcpos que o sea el de aalogía Método de los mometos Cosste e gualar mometos muestrales co los mometos de la varable del msmo orde (mometos poblacoales). Se guala tatos mometos como parámetros descoocdos se tega, de modo que el sstema de ecuacoes resultate permta despejar los parámetros que se quere estmar, 4... Método de máxma verosmltud Cosste e elegr el valor del parámetro que hace más probables (más verosímles) los valores obtedos e la muestra. Este método fue usado por Gauss e el caso especal de la dstrbucó Normal para justfcar el método de los mímos cuadrados y posterormete desarrollado por R. A. Fsher e sus aspectos esecales. Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 4

15 Teoría de Muestras e Ifereca 5 S tomamos ua muestra ξ, ξ,..., ξ de ua poblacó que depede de uos parámetros,,..., k, sabemos que cada ξ tee la msma dstrbucó que la poblacó: f ( x,,,..., ). k La probabldad de que salga ua muestra ξ, ξ,..., ξ vee dada por: f ( x,,,..., )...f ( x,,,..., ) = f ( x,,,..., ) = L( x,..., x,,,..., ) que es la k k k k llamada fucó de verosmltud. La dea de este método es coger como estmadores los valores que hace máxma esta fucó, basádose e el prcpo lógco de supoer que los parámetros toma los valores que hace máxma la probabldad de obteer cada muestra. Es más cómodo maejar log L, y lo podemos hacer ya que los valores que maxmce L, maxmza log L (por ser el logartmo ua fucó moótoa crecete). E la mayoría de los casos, basta co hallar los valores que aula su dervada: logl = 0. Estas ecuacoes que debe satsfacer los parámetros so las ecuacoes de máxma verosmltud. sesgados. Observacó: El método de máxma verosmltud o sempre produce estmadores 3 Ejemplo: S X, X,,X costtuye ua muestra aleatora de tamaño de ua poblacó Normal co meda µ y varaza, hallar los estmadores cojutos de máxma verosmltud de los dos parámetros. Solucó: Puesto que la fucó de verosmltud está dada por: L( µ, ) = f ( x, µ, ) = e π µ ( x ) Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 5

16 La dferecal parcal de l ( µ, ) Teoría de Muestras e Ifereca ( ) ( L( )) L co respecto a y e gualado a cero os da: l µ, = ( x µ ) = 0 µ= µ ( L( )) 0 x 4 l µ, = + µ = = µ = = ( ) ( x ) Obsérvese que se obtee la meda muestral X y la varaza V como estmadores de y respectvamete. x Método de los mímos cuadrados Supogamos ua curva de ecuacó = (,,,..., ) y g x k, que o será, e geeral, ua fucó de desdad. S teemos >k valores de x, o es posble resolver el sstema (,,,..., ) y g x k = 0 (,...,) para calcular,,..., k, ya que el sstema será geeralmete compatble. El prcpo de mímos cuadrados cosste e establecer que la curva de ajuste es la que hace míma la suma de cuadrados de los resduales: ( ( )) m y g x,,,..., k de las ecuacoes: j o sea, que los valores de los parámetros so las solucoes ( y g( x k )),,,..., = 0 j=,,...,k Estmacó mímo cuadrátca de ua magtud drectamete medda. S teemos x,..., x meddas de ua magtud y sea el valor descoocdo, etoces el método de los mímos cuadrados os da la codcó para la estmacó de x : m ( ) ( x ) = 0 ( x ) = 0 Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 6

17 Teoría de Muestras e Ifereca 7 x = 0 = x Resulta el msmo estmador que e el caso del método de máxma verosmltud para la meda de ua poblacó ormal; o debe olvdarse que, auque los resultados sea détcos e su aspecto formal, se parte e uo y otro caso, de supuestos teórcos completamete dferetes. E el caso de la dstrbucó ormal los resultados de ambos métodos so cocordates Estmacó por tervalo Hemos vsto formas de obteer estmadores y propedades de los msmos cosderado ta sólo la estmacó putual, segú la cual la estmacó de los parámetros se resuelve medate u puto o valor úco. Auque hayamos elegdo el mejor estmador es cas mposble, que el valor de la estmacó cocda co el parámetro, y o sabemos cuáto es el error cometdo (auque sepamos que es el estmador de meor error, s es efcete). Por ello es coveete acompañar toda estmacó de u parámetro de u tervalo h, + h y de ua medda de la cofaza para la meda y varaza, y para ello utlzaremos la dstrbucó e el muestreo de los correspodetes estmadores. Sea X ua varable aleatora cuya dstrbucó depede de u parámetro descoocdo y sea x, x,, x ua muestra aleatora smple de X. Fjado u vel de cofaza α buscaremos dos estadístcos T =T(x, x,,x ) y T =T(x, x,,x ) tales que el tervalo de cofaza para co ese vel de cofaza sea: Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 7

18 Teoría de Muestras e Ifereca 8 Ι α = h, + h = ( T,T ) de forma que P( Ι α ) = P(T T ) = α, sedo 0< α < Itervalos de cofaza para la meda a) Poblacó ormal co varaza coocda Sabemos que ξ µ N,, luego η = tervalo Ι α de forma que la P ( µ ) Ι = α. α ξ µ N( 0, ). Queremos calcular u A α se le llama vel de sgfcacó y es la probabldad de que el parámetro o esté e el tervalo. Buscaremos e la N(0,) u valor z de forma que: ( ) = P( z η z ) = α ( ) P z N(0,) z α/ α/ α/ α/ F(z ) = P η z = α / α/ α/ Teemos pues que: ξ µ P z α/ z α/ = α P ξ z α/ µ ξ + z α/ = α Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 8

19 Teoría de Muestras e Ifereca 9 P ξ z α/ µ ξ+ z α/ = α como z, y so coocdos, teemos el tervalo z Ι α = ξ α/, ξ+ z α/. Ates de obteer la muestra cocreta ξ es ua varable aleatora y por tato tee setdo hablar de probabldad. Ua vez obteda la muestra cocreta ξ toma u valor cocreto X, y el tervalo també, etoces la meda de la poblacó puede estar o o estar e el tervalo por lo que o tee setdo hablar de probabldad. Lo que ocurre es que o sabemos s está o o, y teemos u grado de cofaza de α de que efectvamete esté. De ahí el ombre de tervalos de cofaza. El tervalo de cofaza sería: X± z α/ Los grados de cofaza α (frecuetemete expresada e tato por ceto equvalete) es la frecueca relatva de veces que los tervalos de cofaza cotee el parámetro de la poblacó, etededo que el proceso de estmacó se repte u úmero grade de veces. Co frecueca ates de tomar la muestra se os platea elegr el tamaño de la msma para cosegur ua precsó determada (ampltud de tervalo) a u determado vel de sgfcacó. Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 9

20 Teoría de Muestras e Ifereca 0 ( µ ε µ + ε) Supogamos que el error máxmo que queremos admtr es ε. El tervalo será, y co vel de sgfcacó α, comparado co el tervalo obtedo, teemos que: z α/ z α/ z α/ =ε = = ε ε 4 Ejemplo: Observado las medcoes durate 0 días seleccoados al azar de u topógrafo, obteemos ua meda de 40. Supoedo ormaldad co varaza 6 e la dstrbucó de las medcoes daras, hallar u tervalo de cofaza para la meda al 95%. Solucó: Teemos X = 40; = 0; = 4 4 El tervalo de cofaza sería: X ± z α/ = 40 ± z α/ 0 Para α = 0,95 e la N(0,) teemos que: ( α ) α ( ) P Z < z = = 0,95 P Z <,96 = 0,975 z =,96 / 0,975 DERIVE: #: NSOLVE(NORMAL(z, 0, ) = 0.975, z, Real) #: z = EXCEL: =DISTR.NORM.INV(0,975;0;), O drectamete =INTERVALO.CONFIANZA(0,05;4;0), X ± z α/ = 40 ±, WOLFRAMALPHA: ormal dstrbuto, mea=0,sd= (Percetl 97,5) 4 4 Resulta, I 40 z0,975 40, = ± = ± = ( ) meda poblacoal al 95%. 37.5,4.48 u tervalo de cofaza para la Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 0

21 Teoría de Muestras e Ifereca b) Poblacó cualquera de varaza fta y muestras grades Sabemos que ξ N( µ, ). Razoado gual que ates, s la varaza es coocda el tervalo será P ξ z α/ µ ξ+ z α/ = α para >30. S la varaza es descoocda la estmamos por la cuasvaraza, y queda: S S P ξ z α/ µ ξ+ z α/ = α S para >00 y el tervalo es X± z α/. 5 Ejemplo: Para estudar el úmero de pulsacoes por muto de persoas etre 0 y 30 años, se elge 400 al azar, obteédose ua meda de 75 por muto y ua desvacó típca de 9. Calcular: a) Itervalo de cofaza del 95% del úmero medo de pulsacoes por muto e dcha poblacó. b) Tamaño de la muestra ecesaro para obteer el tervalo de cofaza de la msma ampltud que el ateror y co vel de cofaza del 99%. Solucó: Por ser el tamaño de la muestra sufcetemete grade podemos cosderar N µ, El tervalo de cofaza para ua poblacó ormal es: X± z α / a) Para uestros datos: X = 75; S = 9; = 400; α= 0.05 X µ Teemos Z = N(0,) P( z α/ < Z < z α/) = α= 0.05 = 0.95 F(z α/) = P( Z < z α/) = DERIVE: #: NSOLVE(NORMAL(z) = 0.975, z, Real) #: z = EXCEL: =DISTR.NORM.INV(0,975;0;), O drectamete =INTERVALO.CONFIANZA(0,05;9;400) 0, X ± z α/ = 75 ± 0, WOLFRAMALPHA: ormal dstrbuto, mea=0,sd= (Percetl 97,5) Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M.

22 Teoría de Muestras e Ifereca 9 9 Iα= 0.05 = 75.96, = ( 74.8,75.88 ) P z < Z < z = α= 0.0 = 0.99 F(z ) = P Z < z = b) ( ) ( ) α/ α/ α/ α/ DERIVE: #: NSOLVE(NORMAL(z) = 0.995, z, Real) #: z = EXCEL: =DISTR.NORM.INV(0,995;0;), z α/,58 9 z α/ = 0, = = = , , Por lo que el tamaño de la muestra será de 694. c) Poblacó ormal co varaza descoocda. Sabemos que ξ µ N( 0, ) y teedo e cueta que ( ). S (Teorema de Fsher) se dstrbuye segú ua χ ua t de Studet co - grados de lbertad. ξ µ ξ µ N(0,). Por tato, = t, es S S χ Obsérvese que cuado tede a fto la t de Studet se dstrbuye segú N(0,). Por eso e la práctca la t de Studet se utlza para muestras pequeñas (cuado <30). Buscaremos u valor t α tal que ( t < t < t ) = α P α / α /. ( α/) α/ ( α/) P t < t = α F(t ) = P t t = α / y el correspodete tervalo de cofaza será: ( ξ µ ) P t α/ < < t α/ = α S S S P t α/ <ξ µ< t α/ = α Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M.

23 Teoría de Muestras e Ifereca 3 S S P ξ t α/ < µ < ξ + t α/ = α S S P ξ t α/ <µ<ξ+ t α/ = α S Para ua muestra cocreta: X± t α/ y s queremos determar el tamaño S muestral, resulta t α / = ε de dode α/ = t.s ε. 6 Ejemplo: Sea ua varable aleatora ξ co dstrbucó N(8, ) co descoocda. Se obtee ua muestra aleatora smple de tamaño 5. Calcular P( ξ> 8.3) sabedo que la varaza muestra es Solucó: La dstrbucó de ξ es N 8,, pero al descoocer y ser la muestra 5 pequeña, tedremos que pasar a ua dstrbucó t de Studet. ξ µ Sabemos que el estadístco sgue ua dstrbucó t de Studet co - S ξ 8 grados de lbertad. Así pues: = t 5, ya que S 0.8 =0.64= P( ξ > 8. 3) = P ξ > P( t 4.875) = > = DERIVE: - STUDENT(.875, 4) = EXCEL: =DISTR.T(,875;4;) 0, WOLFRAMALPHA: Probablty x>.8475 studettdstrbuto degrees of freedom 4 Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 3

24 Teoría de Muestras e Ifereca 4 Itervalos de cofaza para la varaza Se sabe que ( ). S χ s la poblacó de partda es N( µ, ). Por tato, para tomar el tervalo de cofaza de vel de sgfcacó α, buscamos los valores k y k, tal que: P k ( ). S < < k = α. Se os platea el problema de que la dstrbucó χ o es smétrca (como ocurría co la Normal y la t de Studet) por lo que o es posble determar co exacttud los valores k y k para que el tervalo esté cetrado e S. Ua solucó aproxmada y geeralmete buea es determar k y k co las codcoes: P( χ k) < = α y P( χ k ) > = α Así pues, tedríamos: ( ).S k k P k < < k = P < < = ( ).S ( ).S ( ).S ( ).S = P < < = α k k Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 4

25 Teoría de Muestras e Ifereca 5 7 Ejemplo: Dadas cuatro observacoes {0., 0.5, 0., 0.4} obteer u tervalo de cofaza para la varaza a u vel de sgfcacó de Solucó: Usamos la dstrbucó χ para la obtecó de u tervalo de cofaza para la varaza para observacoes ormalmete dstrbudas N( µ), e depedetes E uestro caso: ( ).S ( ).S P < < = α k k x ; x = = 0.3 ( ) ; 0.05 x x 0. S = = 3 ( ) ( 3 ) α= y -=3 grados de lbertad, P k <χ < k = α P k <χ < k = 0.95 P χ < k = 0.05 ( ) Buscaremos los valores de k y k tales que: 3 ( 3 ) dstrbucó, obteemos k=0.6 y k= DERIVE: #: NSOLVE(CHI_SQUARE(x, 3) = 0.975, x, Real) #: x = #3: NSOLVE(CHI_SQUARE(x, 3) = 0.05, x, Real) #4: x = EXCEL: =INV.CHICUAD.CD(0,975;3) 0, EXCEL: = INV.CHICUAD.CD (0,05;3) 9, P χ < k = WOLFRAMALPHA: Ch Square Dstrbuto degrees of freedom 3 0, 0, < < = 9,348 0, 6 P 0,95 0,0 < < 0, 46 e la fucó de (Percetl.5) (Percetl 97.5) Udad Docete de Matemátcas de la E.T.S.I.T.G.C. de la U.P.M. 5

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE) Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó

Más detalles

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la

Más detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

Más detalles

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún:

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún: A. Morllas - p. - MUESTREO E POBLACIOES FIITAS () Dos aspectos báscos de la fereca estadístca, o vstos aú: Proceso de seleccó de la muestra Métodos de muestreo Tamaño adecuado e poblacoes ftas Fabldad

Más detalles

V II Muestreo por Conglomerados

V II Muestreo por Conglomerados V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos

Más detalles

En esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )

En esta sección estudiaremos el caso en que se usa un solo Predictor para predecir la variable de interés ( Y ) Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo

Más detalles

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2

Más detalles

10 MUESTREO. n 1 9/ / σ σ 1

10 MUESTREO. n 1 9/ / σ σ 1 10 MUESTREO 1 Cómo varará la desvacó típca muestral s se multplca por cuatro el tamaño de la muestra? Y s se aumeta el tamaño de la muestra de 16 a 144? S µ y so la meda y la desvacó típca poblacoales,

Más detalles

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

Estadística Contenidos NM 4

Estadística Contenidos NM 4 Cetro Educacoal Sa Carlos de Aragó. Sector: Matemátca. Prof.: Xmea Gallegos H. 1 Estadístca Cotedos NM 4 Udad: Estadístca y Probabldades. Apredzajes Esperados: * Recooce dferetes formas de orgazar formacó:

Más detalles

Dada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ

Dada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ TEOREMA DE BERNOULLI GENERALIZADO > 0 Dada ua sucesó x1, x, x3,... x dos a dos depedetes, co ua msma dstrbucó de probabldad y co esperaza µ y varaza lím Se verfca que P x µ = 1 ó lím P x µ > = 0 El límte,

Más detalles

4º MEDIO: MEDIDAS DE POSICIÓN

4º MEDIO: MEDIDAS DE POSICIÓN 4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co

Más detalles

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

Tema 16: Modelos de distribución de probabilidad: Variables Continuas

Tema 16: Modelos de distribución de probabilidad: Variables Continuas Aálss de Datos I Esquema del Tema 6 Tema 6: Modelos de dstrbucó de robabldad: Varables Cotuas. EL MODELO RECTANGULAR. EL MODELO NORMAL, N(μ, σ) 3. MODELO CHI-CUADRADO DE PEARSON, χ k 4. MODELO t DE STUDENT,

Más detalles

Aproximación a la distribución normal: el Teorema del Límite Central

Aproximación a la distribución normal: el Teorema del Límite Central Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda

Más detalles

DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL

DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL Smposo de Metrología 4 al 7 de Octubre DISTRIBUCIÓ DE LA MEDIA Y EL TEOREMA DEL LÍMITE CETRAL Wolfgag A. Schmd Cetro acoal de Metrología Tel.: (44) 4, e-mal: wschmd@ceam.mx Resume: De acuerdo al Teorema

Más detalles

MEDIDAS DE CENTRALIZACIÓN

MEDIDAS DE CENTRALIZACIÓN Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca

Más detalles

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL Estadístca y probabldad 1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL 1.1 DISTRIBUCIONES ESTADÍSTICAS Se usa dagramas de barras, dode la altura de éstas represeta la recueca de cada

Más detalles

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS Sugerecas para que mparte el curso Ha llegado el mometo e que es coveete resolver ejerccos aplcado

Más detalles

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada. MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple 1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Poblacó: Es u cojuto de elemetos co ua determada característca. Muestra: Es u subcojuto de la poblacó. Muestreo: Es el proceso para elegr ua muestra que sea represetatva de la poblacó.

Más detalles

PARÁMETROS ESTADÍSTICOS ... N

PARÁMETROS ESTADÍSTICOS ... N el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto

Más detalles

Definición La distribución de probabilidad de un estadístico recibe el nombre de distribución muestral. La distribución muestral de un estadístico

Definición La distribución de probabilidad de un estadístico recibe el nombre de distribución muestral. La distribución muestral de un estadístico V. Muestreo V.. Dstrbucoes de Muestreo Defcó La dstrbucó de probabldad de u estadístco recbe el ombre de dstrbucó muestral. La dstrbucó muestral de u estadístco depede del tamaño de la poblacó, del tamaño

Más detalles

El valor en el que se estabilizan las proporciones se le conceptualiza como la probabilidad

El valor en el que se estabilizan las proporciones se le conceptualiza como la probabilidad Regulardad estadístca. E vrtud de la gra varabldad de muchos procesos, se recurre al estudo del comportameto e grades cojutos de elemetos. Se busca captar los aspectos sstemátcos o los aleatoros. Se pretede

Más detalles

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS

Más detalles

Tema 2: Distribuciones bidimensionales

Tema 2: Distribuciones bidimensionales Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

Intensificación en Estadística

Intensificación en Estadística GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro

Más detalles

TEMA 9. Contrastes no paramétricos y bondad de ajuste

TEMA 9. Contrastes no paramétricos y bondad de ajuste TEMA 9. Cotrastes o paramétrcos y bodad de ajuste 9. Al falzar el tema el alumo debe coocer... fereca etre u cotraste parámetrco y uo o paramétrco Característcas de la estmacó utlzado los cotrastes o test

Más detalles

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que

Más detalles

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD 1. CONCEPTO DE ESTADÍSTICA : Es la ceca que estuda la terpretacó de datos umércos. a) Proceso estadístco : Es aquél que a partr de uos datos umércos, obteemos

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u

Más detalles

LOS NÚMEROS COMPLEJOS

LOS NÚMEROS COMPLEJOS LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate

Más detalles

4 METODOLOGIA ADAPTADA AL PROBLEMA

4 METODOLOGIA ADAPTADA AL PROBLEMA 4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor

Más detalles

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1 RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC

Más detalles

FUNCIÓN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA

FUNCIÓN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA VARIABLE ALEATORIA Se llama varable aleatora a toda fucó defda e el espaco muestral de u epermeto aleatoro que asoca a cada elemeto del espaco u úmero real X : E R El cocepto de varable aleatora surge

Más detalles

TEMA 4: VALORACIÓN DE RENTAS

TEMA 4: VALORACIÓN DE RENTAS TEMA 4: ALORACIÓN DE RENTAS 1. Cocepto y valor facero de ua reta 2. Clasfcacó de las retas. 3. aloracó de Retas dscretas. Temporales. 4. aloracó de Retas dscretas. Perpetuas. 5. Ejerccos tema 4. 1. Cocepto

Más detalles

Estadística Espacial. José Antonio Rivera Colmenero

Estadística Espacial. José Antonio Rivera Colmenero Estadístca Espacal José Atoo Rvera Colmeero 1 Descrptores del patró putual Tedeca cetral 1. Meda cetral (Meda espacal). Meda cetral poderada 3. Medaa cetral (medaa espacal) o se utlza amplamete por su

Más detalles

INSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD.

INSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD. NSTTUTO TECNOLÓGCO DE ZCO Estadístca OLDD XOMS Y TEOEMS DE L OLDD. DEFNCONES DE L OLDD. La palabra probabldad se utlza para cuatfcar uestra creeca de que ocurra u acotecmeto determado. Exste tres formas

Más detalles

Aplicación de Boostrapping en Regresión I

Aplicación de Boostrapping en Regresión I Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores

Más detalles

Soluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II

Soluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II Solucoes de los ejerccos de Selectvdad sobre Ifereca Estadístca de Matemátcas Aplcadas a las Cecas Socales II Atoo Fracsco Roldá López de Herro * Covocatora de 006 Las sguetes págas cotee las solucoes

Más detalles

Análisis de la Varianza

Análisis de la Varianza Descrpcó breve del tema Aálss de la Varaza Tema. troduccó al dseño de expermetos. El modelo. Estmacó de los parámetros. Propedades de los estmadores 5. Descomposcó de la varabldad 6. Estmacó de la dfereca

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

Ensayos de control de calidad

Ensayos de control de calidad Esayos de cotrol de caldad Fecha: 0170619 1. lcace. Este procedmeto es aplcable e la evaluacó del desempeño del persoal que ejecuta pruebas e la Dvsó de Laboratoros de Ifraestructura de la Coordacó de

Más detalles

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula: CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro

Más detalles

SOLUCIONES A LOS EJERCICIOS DE LA UNIDAD

SOLUCIONES A LOS EJERCICIOS DE LA UNIDAD Pág. 1 Pága 09 PRACTICA Meda y desvacó típca 1 El úmero de faltas de ortografía que cometero u grupo de estudates e u dctado fue: 0 1 0 1 0 0 1 1 1 0 1 0 0 0 0 1 1 0 0 0 1 a) D cuál es la varable y de

Más detalles

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo: PRÁCTICA SUMAS DE RIEMAN Práctcas Matlab Práctca Objetvos Calcular tegrales defdas de forma aproxmada, utlzado sumas de Rema. Profudzar e la compresó del cocepto de tegracó. Comados de Matlab t Calcula

Más detalles

V Muestreo Estratificado

V Muestreo Estratificado V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,

Más detalles

ANÁLISIS DE REGRESIÓN. Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez

ANÁLISIS DE REGRESIÓN. Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez ANÁLISIS DE REGRESIÓN Feradez Departameto de Matemátcas Uversdad de Puerto Rco Recto Uverstaro de Mayagüez REGRESIÓN LINEAL SIMPLE Regresó: cojuto de téccas que so usadas para establecer ua relacó etre

Más detalles

TEMARIO DE MATEMÁTICAS [ ] III. TIPOS DE MUESTREO. TAMAÑO DE LA MUESTRA

TEMARIO DE MATEMÁTICAS [ ] III. TIPOS DE MUESTREO. TAMAÑO DE LA MUESTRA TEMARIO DE MATEMÁTICAS [07-8] TEMA 58: POBLACIÓ Y MUESTRA. CODICIOES DE REPRESETATIVIDAD DE UA MUESTRA. TIPOS DE MUESTREO. TAMAÑO DE UA MUESTRA. I. POBLACIÓ Y MUESTRA II. REPRESETACIÓ DE UA MUESTRA III.

Más detalles

Probabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3

Probabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3 Probabldad PROBABILIDAD 1. Expermetos aleatoros... 2 2. Espaco muestral asocado a u expermeto aleatoro. 3 3. Sucesos... 3 4. El álgebra de Boole de los sucesos... 4 5. Frecuecas. Propedades... 6 6. Defcó

Más detalles

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en

CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo

Más detalles

Apuntes preparados por el profesor Sr. Rosamel Sáez Espinoza con fines de docencia

Apuntes preparados por el profesor Sr. Rosamel Sáez Espinoza con fines de docencia Aputes preparados por el profesor Sr. Rosamel Sáez Espoza co fes de doceca La meda Sea u cojuto de observacoes x 1,..., x, o agrupados. Se defe la meda o promedo, medate: x 1 La meda utlza todas las observacoes,

Más detalles

Contraste de Hipótesis

Contraste de Hipótesis Cotraste de Hpótess 1. Se quere comprobar s ua muestra de tamaño 0 co meda 10 procede de ua poblacó N(14,3) co el vel de sgfcacó 0,05..- E ua propagada se auca que uas determadas plas proporcoa más horas

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

-Métodos Estadísticos en Ciencias de la Vida -Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA Estadístca Estadístca Descrptva. ESTADÍSTICA DESCRIPTIVA. Itroduccó.. Coceptos geerales. 3. Frecuecas y tablas. 4. Grácos estadístcos. 4. Dagrama de barras. 4. Hstograma. 4.3 Polgoal de recuecas. 4.4 Dagrama

Más detalles

FUNCIONES ALEATORIAS

FUNCIONES ALEATORIAS Uversdad de Medoza Ig. Jesús Rubé Azor Motoya FUNCIONES ALEATORIAS Ua varable aleatora se defe como ua fucó que represeta gráfcamete el resultado de u expermeto a los úmeros reales, esto es, X(), dode

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases

Curso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases Curso de Estadístca Udad de Meddas Descrptvas Leccó 3: Meddas de Tedeca Cetral para Datos Agrupados por Clases Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor Objetvos 1. Der el cocepto

Más detalles

EJERCICIOS RESUELTOS TEMA 3.

EJERCICIOS RESUELTOS TEMA 3. INTRODUCCIÓN AL ANÁLII DE DATO EJERCICIO REUELTO TEMA 3. 3.1. La ampltud total de la dstrbucó de frecuecas de la tabla 1. es: A) 11; B) 1; C). Tabla 1. Estatura e cetímetros de ños de 1 meses de edad.

Más detalles

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos 4. SEGUNDO MÓDULO 4. Resume de Datos E estadístca descrptva, a partr de u cojuto de datos, se busca ecotrar resumes secllos, que permta vsualzar las característcas esecales de éstos. E ua expereca, u dato

Más detalles

GENERACION DE VARIABLES ALEATORIAS

GENERACION DE VARIABLES ALEATORIAS GENERACION DE VARIABLES ALEATORIAS Hay ua varedad de métodos para geerar varables aleatoras. Cada método se aplca solo a u subcojuto de dstrbucoes y para ua dstrbucó e partcular u método puede ser más

Más detalles

Qué es la estadística? presentación, análisis e interpretación de datos numéricos con e fin de realizar una toma de decisión más efectiva.

Qué es la estadística? presentación, análisis e interpretación de datos numéricos con e fin de realizar una toma de decisión más efectiva. Estadístca Alguos Coceptos Itroduccó Qué es la estadístca? La estadístca, e geeral, es la ceca que trata de la recoplacó, orgazacó presetacó, aálss e terpretacó de datos umércos co e f de realzar ua toma

Más detalles

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}

Más detalles

Probabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3

Probabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3 Probabldad PROBBILIDD. Expermetos aleatoros... 2 2. Espaco muestral asocado a u expermeto aleatoro. 3 3. Sucesos... 3 4. El álgebra de Boole de los sucesos... 4 5. Frecuecas. Propedades... 6 6. Defcó axomátca

Más detalles

Objetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética

Objetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética Objetvos Itroduccó a las meddas de poscó (tedeca cetral o tpsmo): Moda y Medaa Meda artmétca tca Cuartles,, decles y percetles Meddas de poscó Defcó: : refereca a u lugar específco de ua dstrbucó, epresado

Más detalles

Guía práctica para la realización de medidas y el cálculo de errores

Guía práctica para la realización de medidas y el cálculo de errores Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;

Más detalles

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008

Solución del examen de Investigación Operativa de Sistemas de septiembre de 2008 Solucó del exame de Ivestgacó Operatva de Sstemas de septembre de 008 Problema : (3 putos) E Vllafresca uca hace sol dos días segudos. S u día hace sol, hay las msmas probabldades de que el día sguete

Más detalles

TEMA 2: LOS NÚMEROS COMPLEJOS

TEMA 2: LOS NÚMEROS COMPLEJOS Matemátcas º Bachllerato. Profesora: María José Sáche Quevedo TEMA : LOS NÚMEROS COMPLEJOS. LOS NÚMEROS COMPLEJOS Relacó etre los úmeros complejos y los putos del plao. Afjo de u úmero complejo. Cojugado

Más detalles

METODO DE MAXIMA VEROSIMILITUD. Supongamos una muestra aleatoria de 10 observaciones de una distribución Poisson:

METODO DE MAXIMA VEROSIMILITUD. Supongamos una muestra aleatoria de 10 observaciones de una distribución Poisson: Aputes Teoría Ecoométrca I. Profesor: Vvaa Ferádez METODO DE MAIMA VEOSIMILITUD Supogamos ua muestra aleatora de observacoes de ua dstrbucó Posso: 5,,,,, 3,, 3,,. La desdad de probabldad para cada observacó

Más detalles

CONTRASTES NO PARAMÉTRICOS (I) Antonio Morillas

CONTRASTES NO PARAMÉTRICOS (I) Antonio Morillas CONTRASTES NO PARAMÉTRICOS (I) Atoo Morllas. Itroduccó. Cotrastes de ajuste. Cotraste χ. Cotraste de Kolmogorov-Smrov 3. Cotrastes específcos de ormaldad 3. Cotraste de ormaldad de Lllefors 3. Cotraste

Más detalles

Tema 2. Muestreo Aleatorio Simple Contenido

Tema 2. Muestreo Aleatorio Simple Contenido Tema. Muestreo Aleatoro Smple Cotedo 1) Defcó, seleccó otacó ) Estmadores de la meda el total. Propedades. Varazas error de estmacó. Límtes de cofaza. 3) Muestreo smple co resttucó 4) Estmadores de la

Más detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

Más detalles

Métodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09

Métodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09 Métodos Estadístcos Aplcados a la Igeería Exame Temas -4 Igeería Idustral (E.I.I.) 3/4/09 Apelldos y ombre: Calfcacó: Cuestó..- Se ha calculado el percetl 8 sobre las estadístcas de sestraldad e el sector

Más detalles

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar

Más detalles

Estadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo

Estadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo Estadístca Tema 6: Aálss de Regresó. Estadístca. UNITEC Tema 6: Aálss de Regresó Modelos de Regresó E muchos problemas este ua relacó herete etre dos o mas varables, resulta ecesaro eplorar la aturaleza

Más detalles

1 ESTADÍSTICA DESCRIPTIVA

1 ESTADÍSTICA DESCRIPTIVA 1 ESTADÍSTICA DESCRIPTIVA 1.1 OBJETO DE ESTUDIO Y TIPOS DE DATOS La estadístca descrptva es u cojuto de téccas que tee por objeto orgazar y presetar de maera coveete para su aálss, la formacó coteda e

Más detalles

Gráfica de los resultados experimentales: Variable Independiente: Variable Dependiente: Variable asociada:

Gráfica de los resultados experimentales: Variable Independiente: Variable Dependiente: Variable asociada: :: OBJETIVOS [3.] o Apreder a presetar los datos epermetales como grafcas -. o Apreder a usar las hojas de papel logarítmco Semlogarítmco o Determar la relacó matemátca de ua grafca leal de datos epermetales

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Capítulo 9 MEDIDAS DE TENDENCIA CENTRAL Ua medda de tedeca cetral, es u resume estadístco que muestra el cetro de ua dstrbucó; es decr, por lo geeral, busca el cetro de esa dstrbucó. Exste dferetes tpos

Más detalles

CALCULO DIFERENCIAL E INTEGRAL II. Figura 1

CALCULO DIFERENCIAL E INTEGRAL II. Figura 1 TEMA (Últma modcacó 8-7-5 CALCULO DIFERENCIAL E INTEGRAL II DERIVABILIDAD Recordemos el cocepto de dervadas para ucoes de ua varable depedete = (. Para lo cual ormamos el cremeto de la ucó = ( + - ( El

Más detalles

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1 MUESTREO E POBLACIOES FIITAS Atoo Morllas Coceptos estadístcos báscos Etapas e el muestreo 3 Tpos de error 4 Métodos de muestreo 5 Tamaño de la muestra e fereca 6 Muestreo e poblacoes ftas 6. Muestreo

Más detalles

CENTRO DE MASA centro de masas centro de masas

CENTRO DE MASA centro de masas centro de masas CENTRO DE ASA El cetro de masas de u sstema dscreto o cotuo es el puto geométrco que dámcamete se comporta como s e él estuvera aplcada la resultate de las fuerzas exteras al sstema. De maera aáloga, se

Más detalles

5 Distribuciones Muestrales

5 Distribuciones Muestrales 5 Dstrbucoes Muestrales. Itroduccó Al defr la estadístca se explcó que la probabldad se trabaja desde la poblacó haca la muestra, metras que la fereca estadístca se trabaja e setdo cotraro, es decr, de

Más detalles

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205 Aálss amortzado Téccas Avazadas de Programacó - Javer Campos 205 Aálss amortzado El pla: Coceptos báscos: Método agregado Método cotable Método potecal Prmer ejemplo: aálss de tablas hash dámcas Motículos

Más detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA PROBABILIDAD Y ESTADÍSTICA Epermeto aleatoro.- Se llama epermeto aleatoro a todo feómeo cuyos resultados o se puede predecr de atemao, au cuado cada prueba se repta bajo las msmas codcoes. Ejemplos de

Más detalles

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN INTRODUCCIÓN CONTENIDO DEFINICIÓN DE ESTADÍSTICA ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS POBLACIÓN VARIABLE: Cualtatvas o Categórcas y Cuattatvas (Dscretas y Cotuas) MUESTRA TAMAÑO MUESTRAL DATO DISTRIBUCIONES

Más detalles

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE CONTADURÍA Y ADMINISTRACIÓN. Maestría en Administración. Formulario e Interpretaciones

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE CONTADURÍA Y ADMINISTRACIÓN. Maestría en Administración. Formulario e Interpretaciones UNIVERIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE CONTADURÍA Y ADMINITRACIÓN Maestría e Admstracó Formularo e Iterpretacoes F A C U L T A D D E C O N T A D U R Í A Y A D M I N I T R A C I Ó N Formularo

Más detalles

Estadística Descriptiva

Estadística Descriptiva Estadístca Descrptva Parcalmete facado a través del PIE-04 (UMA). Promedos y meddas de poscó. Meddas de dspersó. Meddas de asmetría. Valores atípcos..4 Meddas de desgualdad..5 Valores atípcos: Dagrama

Más detalles

( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad.

( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad. Propedades Estadístcas de los estmadores MICO Lealdad ) y Y Y Y Y = = = β Y Dado que la = 0 etoces β =.) S defmos el poderador k =, co las propedades sguetes: a) No estocástco b) k = 0 c) k = k d) = kx

Más detalles

Capítulo I. Introducción: Características de los sistemas macroscópicos, conceptos de probabilidad y estadística de sistemas de partículas.

Capítulo I. Introducción: Características de los sistemas macroscópicos, conceptos de probabilidad y estadística de sistemas de partículas. Capítulo I. Itroduccó: Característcas de los sstemas macroscópcos, coceptos de probabldad y estadístca de sstemas de partículas. Leccó Itroduccó a la descrpcó estadístca de los sstemas de partículas. Fluctuacoes

Más detalles

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.

Más detalles

ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA 3.5 Ojvas Este tpo de represetacó gráfca se costruye a partr de las frecuecas acumuladas (absolutas o relatvas) para varables cotuas o dscretas, co muchos

Más detalles

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional. 7 ELEMETOS DE MUESTREO COTEIDOS: OBJETIVOS: 7.. Muestreo aleatoro smple. 7. Muestreo aleatoro estratfcado. 7.3 Muestreo aleatoro de coglomerados. 7.4 Estmacó del tamaño poblacoal. Determar el dseño de

Más detalles

Análisis estadístico de datos muestrales

Análisis estadístico de datos muestrales Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas.

Más detalles