ESTADÍSTICA 1 o CC. Ambientales Tema 3: Estimación puntual y por intervalos
|
|
- Felisa Carolina Navarro Maldonado
- hace 6 años
- Vistas:
Transcripción
1 ESTADÍSTICA 1 o CC. Ambientales Tema 3: Estimación puntual y por intervalos Muestra aleatoria. Inferencia estadística paramétrica Estimación puntual Intervalos de confianza Distribuciones asociadas a la normal Intervalos de confianza en poblaciones normales Intervalos de confianza para otras distribuciones Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 1
2 Muestra aleatoria Inferencia estadística paramétrica Inconveniente: La distribución de probabilidad de la v.a. X de interés suele ser desconocida. Objetivo: Estudiar una v.a. numérica X en una población a partir de la información contenida en una muestra aleatoria de individuos de esa población. Una muestra aleatoria (simple) de tamaño n de X es una colección X 1,..., X n tal que cada X i tiene la misma distribución de probabilidad que X ; las v.a. X 1,..., X n son independientes entre sí. Extraeremos información acerca de la distribución de probabilidad de X, que es desconocida, a partir de la muestra X 1,..., X n de X. Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 2
3 Simplificación del problema Estadística paramétrica: Supondremos que la distribución de probabilidad de X pertenece a una familia paramétrica de distribuciones concreta (Poisson, normal,... ). En este caso, para determinar totalmente la distribución de X solo queda especificar el valor de uno o varios parámetros (λ para la Poisson, µ y σ para la normal). Los parámetros que nos van a interesar en este curso son: Media y Varianza poblacional (µ y σ 2 ) cuando X N(µ, σ). Proporción p de individuos de una población que presentan cierta característica. Media poblacional (λ) cuando X Poisson(λ). Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 3
4 Notación en inferencia paramétrica: Parámetro: θ Espacio paramétrico: Θ, conjunto de posibles valores del parámetro Si X es discreta: función de masa P θ. Si X es continua: función de densidad f θ. Partes de la inferencia paramétrica: Estimación puntual: Estimar los parámetros desconocidos a partir de la información de la muestra aleatoria X 1,..., X n. Estimación por intervalos de confianza Contrastes de hipótesis paramétricas Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 4
5 Estimación puntual Un estimador puntual, ˆθ, de un parámetro θ es una función real de la muestra, X 1,..., X n, que aproxima el valor de θ. Es aleatorio. Una estimación (puntual) es el valor numérico concreto que toma un estimador al ser aplicado a una realización muestral x 1,..., x n concreta observada. Tanto el estimador como la estimación se denotan utilizando el símbolo: (p.e. ˆµ, ˆσ, ˆp, ˆλ). Estimadores naturales de la media y varianza poblacional (µ y σ 2 ): Media muestral: ˆµ = X = X X n = 1 n n n i=1 Varianza muestral: ˆσ 2 = S 2 = 1 n (X i X ) 2 n 1 Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 5 i=1 X i
6 Determina en estos ejemplos el parámetro poblacional de interés, su correspondiente estimador y la estimación a partir de los datos. Ejemplo 3.1: Se está estudiando la presencia de cierto microorganismo letal en el aire. En uno de los experimentos se analizaron 35 muestras aleatorias y se observó que 6 de ellas contenían el germen. Ejemplo 3.2: Un laboratorio examina el contenido de azufre en un yacimiento de carbón en Texas. Debido a imprecisiones en los aparatos, las medidas tienen distribución normal. Se toman 10 muestras aleatorias del yacimiento y se analizan. La media observada es Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 6
7 Un mismo estimador puede tomar diferentes valores numéricos (diferentes estimaciones), ya que su valor depende totalmente de la muestra concreta observada. Ejemplo 3.2 (cont.): Los valores observados de azufre fueron: x = s 2 = Se vuelve al mismo yacimiento y se recogen otras muestras diferentes, obteniéndose los siguientes contenidos en azufre: x = s 2 = Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 7
8 Antes de la observación: X X 1,..., X n S 2 T = T (X 1,..., X n ) son v.a. s Si tomo observaciones concretas de la población: x x 1,..., x n s 2 son números. t = T (x 1,..., x n ) Si tomo nuevas observaciones de la población: x x 1,..., x n s 2 son otros números. t = T ( x 1,..., x n ) Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 8
9 Sea X 1,..., X n una muestra aleatoria de una población X cuya distribución de probabilidad es conocida pero depende de un parámetro desconocido θ = (θ 1,..., θ k ). Objetivos de la estimación puntual: Aproximar/estimar el valor de θ mediante estimadores ˆθ. Estudiar métodos para hallar estimadores. Decidir qué estimadores son razonables. Si X es una v.a. discreta, la función de masa de la muestra es: P(x 1,..., x n ) = P{X 1 = x 1,..., X n = x n } = P(x 1 ) P(x n ) Si X es continua con densidad f, la función de densidad de la muestra es: f (x 1,..., x n ) = f (x 1 ) f (x n ) Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 9
10 Construcción de estimadores puntuales 1. Método de los momentos El estimador por el método de los momentos, ˆθ = (ˆθ 1,..., ˆθ k ), se obtiene al resolver el sistema E θ [X ] = 1 n n i=1 X i, E θ [X 2 ] = 1 n n i=1 X 2 i, E θ [X k ] = 1 n n i=1 X k i Observación: Presenta el inconveniente de que la solución puede no pertenecer al espacio paramétrico. Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 10
11 2. Método de máxima verosimilitud (MV) Dada la muestra x 1,..., x n, la función de verosimilitud es { Pθ (x L(θ) = L(θ; x 1,..., x n ) = 1 ) P θ (x n ) si X es discreta f θ (x 1 ) f θ (x n ) si X es continua Mide lo verosímil que es el valor de un parámetro θ = (θ 1,..., θ k ) teniendo en cuenta la muestra observada. El estimador de máxima verosimilitud (emv), ˆθ = ( ˆθ 1,..., ˆθ k ), es el punto de máximo de la verosimilitud L(θ), que coincide con el punto de máximo de log(l(θ)). En la práctica, para hallar el emv, resolvemos el sistema de ecuaciones ln(l(θ)) θ 1 = 0,..., ln(l(θ)) θ k = 0. Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 11
12 Ejemplo 3.3: Un método para estudiar las sustancias que causan mutaciones consiste en matar a ratones hembra 17 días después de aparearse y examinar sus úteros en busca de embriones muertos. La tabla que sigue proporciona datos de 309 hembras. N o embriones Recuento muertos de hembras o más 0 Total 309 N o embriones Frecuencia Probabilidad muertos relativa Poisson e ˆλ e ˆλ ˆλ e ˆλ ˆλ 2 / e ˆλ ˆλ3 /3! e ˆλ ˆλ4 /4! e ˆλ ˆλ5 /5! e ˆλ ˆλ 6 /6! 7 o más 0 e ˆλ ˆλ 7 /7! Frecuencia relativa Distribución de Poisson Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 12
13 Ejemplos importantes: Distribución de X Bernoulli(p) Poisson(λ) N(µ,σ) emv ˆp = x ˆλ = x ˆµ = x ˆσ 2 = n 1 n s2 Ejemplo 3.3 (cont.): ˆλ = x = N o embriones Frecuencia Probabilidad muertos relativa Poisson o más Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 13
14 Sesgo y Error Cuadrático Medio Una medida del comportamiento del estimador ˆθ es su error cuadrático medio (ECM) [ Sesgo E (ˆθ θ) 2] Insesgadez = Insesgadez V θ (ˆθ) + (Sesgo(ˆθ)) 2, Insesgadez siendo Sesgo(ˆθ) = E(ˆθ) Sesgo(ˆθ) θ. = E(ˆθ) θ. Insesgadez SiUn E(ˆθ) buen = θestimador se dice que debeelser estimador Insesgadez insesgadoˆθ oestener insesgado. un sesgo pequeño. Insesgadez Estimador insesgado: θ θ θ Sesgo positivo: Sesgo negativo: θ θ θ θ Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 5 14
15 Propiedades de la media muestral X : Sea X 1,..., X n una muestra aleatoria de una v.a. X con E(X ) = µ y varianza V (X ) = σ 2. Si X tiene distribución normal, entonces la distribución de los valores que toma X es también normal. ( ) Si X N(µ, σ) = X σ N µ,. n Teorema central del ĺımite (TCL): Si n es grande, la distribución de X es aproximadamente normal aunque X no sea normal. ( ) Si n es grande = X aprox σ N µ,. n Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 15
16 Distribución de la media muestral Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 16
17 Ejemplo 3.4: De acuerdo con la Organización Mundial de la Salud un individuo tiene sobrepeso si su índice de masa corporal (IMC) es superior a 25. Se sabe que el IMC de una población es una variable con distribución normal de media µ = 26 y desviación típica σ = 6. Si se seleccionan aleatoriamente 100 individuos y se calcula la media de sus IMC, cuál es la probabilidad de que esta media sea superior a 25.5? Otras propiedades: Sea X 1,, X n una muestra aleatoria de una v.a. X con media y varianza poblacional µ y σ 2 respectivamente La media muestral X es un estimador insesgado de la media de la población: E( X ) = µ. La varianza muestral SX 2 es un estimador insesgado de la varianza de la población: E(SX 2 ) = σ2. Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 17
18 Error típico o relativo El error típico de un estimador es su desviación típica (o una estimación de la misma). El error típico de la media X es su desviación típica, se( X ) = σ n pero en la práctica σ es un parámetro poblacional desconocido. Resulta natural estimar σ 2 con la varianza muestral s 2. Los programas informáticos proporcionan el siguiente error típico de la media muestral se( X ) = s. n Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 18
19 Ejemplo 1.2 (cont.): Contaminación por Hg en el pescado Estadísticos descriptivos LONG N válido (por lista) N Mínimo Máximo Media Estadístico Estadístico Estadístico Estadístico Error estándar Desviación estándar Estadístico ,2 65,0 39,971,6513 8, Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 19
20 Ejemplo 3.5: En SPSS se pueden generar observaciones aleatorias de algunas distribuciones, por ejemplo, generamos una muestra de tamaño 20 de una N(2,1). Pinchamos en Transformar -> Calcular variable Estadísticos descriptivos Desviación N Media estándar Error Estadístico Estadístico estándar Estadístico X N válido (por lista) 20 1,6618, , Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 20
21 Intervalos de confianza Sea X 1,..., X n una muestra aleatoria de una población X con función de distribución F θ, siendo θ un parámetro desconocido. Fijamos 0 < α < 1. Sea (T 1, T 2 ) un intervalo tal que T i = T i (X 1,..., X n ) para i = 1, 2 y 1 α = P θ {T 1 (X 1,..., X n ) < θ < T 2 (X 1,..., X n )} = P θ {θ (T 1, T 2 )}. Entonces, para cada observación (x 1,..., x n ) de la muestra, el intervalo IC 0.95 (θ) = (T 1 (x 1,..., x n ), T 2 (x 1,..., x n )) es un intervalo de confianza para θ al nivel de confianza 1 α. El nivel de significancia α es la probabilidad de equivocarnos al afirmar que el parámetro se encuentra en el IC obtenido: α = P θ {θ / (T 1, T 2 )}. Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 21
22 Construcción de un intervalo de confianza: Buscamos una cantidad pivotal para θ, que es una función C(X 1,..., X n ; θ) cuya distribución no depende de θ. Ejemplo 3.6: Sea (X 1,..., X 10 ) una muestra aleatoria de X N(µ, 1). Entonces una cantidad pivotal para µ es A continuación buscamos dos valores c 1 y c 2 tales que P θ {c 1 < C(X 1,..., X n ; θ) < c 2 } = 1 α. Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 22
23 Ejemplo 3.6 (cont.): Finalmente se despeja θ de la desigualdad c 1 <C(X 1,..., X n ; θ)<c 2. Ejemplo 3.6 (cont.): Para la muestra tenemos x = e IC 0.95 (µ) = Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 23
24 Habitualmente se trabaja con niveles de confianza del 90 % (α = 0.1), del 95 % (α = 0.05) y del 99 % (α = 0.01). Si se observan 100 muestras de tamaño n de X F θ y se construyen los correspondientes 100 intervalos de confianza para θ, IC 1 α (θ), aproximadamente en (1 α)100 de ellos está el parámetro desconocido θ: x (1) 1,..., x (1) n IC (1) 1 α (θ) x (2) 1,..., x (2) n IC (2) 1 α (θ). x (100) 1,..., x (100) n IC (100) 1 α (θ) Ver fichero Excel 100Ics.xlxs. Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 24
25 Distribuciones asociadas a la normal Son distribuciones de probabilidad de ciertos estadísticos construidos a partir de muestras de distribuciones normales. La distribución χ 2 de Pearson Sean X 1,..., X n v.a. independientes idénticamente distribuidas (i.i.d.) con distribución N(0, 1). La variable aleatoria n i=1 X i 2 sigue una distribución χ 2 de Pearson con n grados de libertad: n χ 2 Densidad de la χ 2 n n i=1 X 2 i χ 2 1 χ 2 2 χ χ 2 4 χ Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 25
26 La distribución t de Student Sean Y, X 1,..., X n v.a.i.i.d. con distribución N(0, 1). La variable Y aleatoria 1 sigue una distribución t de Student con n n n i=1 X i 2 grados de libertad, t n Densidad de la t N(0,1) t 5 t Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 26
27 La distribución F de Fisher Sean X 1,..., X m, Y 1,..., Y n v.a.i.i.d. con distribución N(0, 1). La v.a. 1 m i=1 X i 2 n j=1 Y j 2 m 1 n sigue una distribución F de Fisher con m y n grados de libertad, F m,n Densidad de la F F 5,3 F 4, Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 27
28 Intervalos de confianza en poblaciones normales Propiedad: Sea X 1,..., X n una muestra aleatoria de X N(µ, σ). Entonces X y S 2 son v.a. independientes, ( ) σ n 1 X N µ,, n σ 2 S X 2 χ 2 µ n 1 y t n 1 Sea x 1,..., x n una muestra de X N(µ, σ). Si σ es conocido un intervalo de confianza para µ al nivel de confianza 1 α es ) ) σ σ σ IC 1 α (µ) = ( x z α/2 n, x + z α/2 n = ( x z α/2 n. ( ) s Si σ es desconocido, IC 1 α (µ) = x t n 1;α/2 n IC 1 α (σ 2 ) = ( (n 1)s 2 χ 2, n 1;α/2 (n 1)s 2 χ 2 n 1;1 α/2, S n ). y Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 28
29 Ejemplo 3.7: El envenenamiento por DDT causa temblores y convulsiones. En un estudio se ha administrado una dosis de DDT a 4 ratones y se ha medido posteriormente en cada uno el periodo absolutamente refractario, es decir, el tiempo que tardan sus nervios en recuperarse tras un estímulo: (en milisegundos) Asumiendo normalidad en los datos: (a) Estima el periodo absolutamente refractario medio µ para toda la población de ratones de la misma cepa sujeta al mismo tratamiento con DDT. La estimación de µ es la media muestral: µ ˆµ = x x = = Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 29
30 Ejemplo 3.7 (cont.) (b) Halla el error típico de la estimación anterior. s 2 = ( )2 + ( ) 2 + ( ) 2 + ( ) 2 3 Por tanto s = y se( x)= s x = 0.13 = n 2 (c) Calcula un intervalo de confianza para µ al 90 %. = IC 90 % (µ) = [1.75 t 3; ] = [ ] = [1.597, 1.903] es decir, µ con un nivel de confianza del 90 %. (d) Calcula otro intervalo, pero ahora con un nivel del 95 %. IC 95 % (µ) = [1.75 t 3; ] = [ ] = [1.543, 1.957] es decir, µ con un nivel de confianza del 95 %. Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 30
31 Ejemplo 3.8: Un aumento de la concentración de colesterol en la sangre contribuye a dificultar su circulación y, a la larga, producir enfermedades cardíacas y circulatorias graves. Se ha recogido una muestra aleatoria de siete personas con niveles de Colesterol LDL (dg/dl) Utilizando estos datos, construye un intervalo de confianza al 90 % para la desviación típica. Nota: suponer normalidad en los datos. Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 31
32 Ejemplo 3.5 (cont.): Con SPSS calculamos un IC de la media para los datos generados de una normal Descriptivos Estadístico Error estándar X Media 1,6618, % de intervalo de confianza para la media Media recortada al 5% Mediana Varianza Desviación estándar Mínimo Máximo Rango Rango intercuartil Asimetría Curtosis Límite inferior Límite superior 1,1805 2,1432 1,6366 1,6712 1,058 1,02850,14 3,63 3,49 1,53,305,512 -,523,992 Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 32
33 Sean x 1,..., x m e y 1,..., y n muestras independientes de X N(µ 1, σ) e Y N(µ 2, σ) respectivamente (σ desconocido). Entonces ( ) IC 1 α (µ 1 µ 2 ) = x ȳ t m+n 2;α/2 s p 1 m + 1 n, donde la varianza combinada s 2 p = (m 1)s2 1 + (n 1)s2 2 m + n 2 es una media ponderada de las cuasivarianzas muestrales s 2 1 = 1 m 1 m i=1 (x i x) 2 y s 2 2 = 1 n 1 n (y i ȳ) 2. i=1 Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 33
34 Ejemplo 3.9: Se quiere comparar la grasa corporal (en kg) entre nadadoras y corredoras oĺımpicas. Se observan los siguientes datos: Corredoras Nadadoras Suponiendo que estas variables siguen distribuciones normales homocedásticas, calcular un intervalo de confianza para la diferencia media de grasa entre ambos tipos de deportistas. Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 34
35 Sean x 1,..., x m e y 1,..., y n muestras aleatorias independientes de X N(µ 1, σ 1 ) e Y N(µ 2, σ 2 ) respectivamente (σ 1 y σ 2 desconocidas). Entonces ( ) ( σ 2 IC 1 s1 2 1 α σ2 2 = /s2 2, F m 1;n 1;α/2 Observación: F m;n;1 α = 1 F n;m;α s 2 1 /s2 2 F m 1;n 1;1 α/2 Ejemplo 3.9 (cont.): Suponiendo que la distribución de la grasa corporal en nadadoras y corredoras es normal con distintas medias y distintas varianzas, calcular un intervalo de confianza al 90 % para el cociente de las varianzas. ). Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 35
36 Datos emparejados: Sea (X 1, Y 1 ),..., (X n, Y n ) una muestra aleatoria de (X, Y ) donde X e Y no son independientes, pero los pares (X i, Y i ) son independientes entre sí. Denotemos E(X ) = µ 1 y E(Y ) = µ 2 y supongamos que D = X Y N(µ = µ 1 µ 2, σ). Entonces D 1 = X 1 Y 1,..., D n = X n Y n es una muestra aleatoria de D. Podemos construir intervalos de confianza para µ = µ 1 µ 2 y para σ como se indicó en la página 28. Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 36
37 Ejemplo 3.10: Ensayo cĺınico cruzado. Se quiere comparar el efecto X de un nuevo medicamento con el efecto Y de otro ya comercializado. Se administran ambos a 14 personas con insuficiencia respiratoria, asignando aleatoriamente a cada paciente un tratamiento, y manteniéndolo durante un mes. Luego se le da el tratamiento alternativo durante otro mes. En la cuarta semana de cada tratamiento se observa FEV1 (forced expiratory volume), el volumen de aire que un paciente expulsa en un segundo, tras una inhalación profunda. Paciente X Y D Paciente X Y D Calcular un intervalo de confianza al 90 % para la diferencia media de FEV1 con ambos medicamentos. Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 37
38 Intervalos de confianza para otras distribuciones Intervalo de confianza para el parámetro p de una Bernoulli Sea x 1,..., x n una muestra de X Bernoulli(p). Entonces ( ) x(1 x) IC 1 α (p) = x z α/2 (para n grande) n Intervalo para diferencia de proporciones de Bernoullis Sean x 1,..., x m e y 1,..., y n muestras de X Bernoulli(p 1 ) e Y Bernoulli(p 2 ) respectivamente, tal que ˆp 1 = x y ˆp 2 = ȳ. Entonces, para m y n grandes, IC 1 α (p 1 p 2 ) = ( x ȳ z α/2 x(1 x) m + ) ȳ(1 ȳ) n Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 38
39 Ejemplo 3.11: Koshy et al. (2010) 1 estudian el efecto del tabaquismo de los padres sobre el índice de masculinidad, también llamado razón de sexo, la razón de hombres por mujeres en un determinado territorio, expresada en tanto por ciento. Para ello toman una muestra de 363 nacimientos de padres fumadores crónicos (ambos) en la que 158 bebés fueron varones y el resto niñas. Calcular un intervalo de confianza para la proporción de varones nacidos de ambos padres fumadores crónicos. 1 Koshy et al. (2010). Parental smoking and increased likelihood of female births. Annals of Human Biology. Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 39
40 Ejemplo 3.12: Un laboratorio farmacéutico desarrolla un nuevo medicamento para prevenir los resfriados. La compañía afirma que el producto es igual de efectivo en hombres que en mujeres. Para comprobarlo observan una muestra de 100 mujeres y 200 hombres sobre los que prueban el medicamento. Al final del estudio un 38 % y un 51 % respectivamente de las mujeres y hombres de la muestra se habían resfriado. Calcular un intervalo de confianza al 95 % para la diferencia entre la proporción de mujeres y la de hombres que se resfrían aún habiendo tomado el medicamento. Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 40
41 Intervalo de confianza para el parámetro λ de una Poisson Sea x 1,..., x n una muestra de X Pois(λ). Recordemos que E(X ) = V (X ) = λ y ˆλ = x. Entonces, para n grande, ( ) x IC 1 α (λ) = x z α/2. n Ejemplo 3.3 (cont.): Calcular un intervalo de confianza al 95 % para el parámetro λ. Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 41
42 Mínimo tamaño muestral El error cometido al estimar un parámetro θ mediante un intervalo de confianza IC 1 α (θ) es la semi-amplitud del intervalo. Observación: Esta definición tiene sentido principalmente en intervalos del tipo IC 1 α (θ) = (ˆθ semilongitud). Objetivo: Determinar el mínimo tamaño muestral n necesario para que el error cometido al estimar θ mediante un intervalo de confianza sea menor que una cierta cantidad. Motivación: Queremos que la estimación por intervalo de confianza tenga una determinada precisión. El valor de n obtenido debe tomarse como orientativo, especialmente cuando la semilongitud del intervalo dependa de la muestra observada. Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 42
43 Ejemplo 3.13: Se quiere estimar la proporción de manatíes en el Caribe que han sido heridos por hélices de barcos. A cuántos manatíes tendremos que examinar para asegurar que la estimación tiene un error máximo del 10 % con un nivel de confianza del 95 %? Estadística (Ambientales). Profesora: Amparo Baíllo Tema 3: Estimación puntual y por intervalos 43
Tema 6. Estimación puntual
Tema 6. Estimación puntual Contenidos Planteamiento del problema Criterios de comparación de estimadores: Insesgadez Estimadores de mínima varianza Error cuadrático medio Consistencia Métodos para obtener
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesTema 7: Introducción a la Teoría sobre Estimación
Tema 7: Introducción a la Teoría sobre Estimación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Introducción a la Teoría sobre Estimación
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesEstadística I Tema 7: Estimación por intervalos
Estadística I Tema 7: Estimación por intervalos Tema 7: Estimación por intervalos Ideas a transmitir Definición e interpretación frecuentista. Intervalos de confianza para medias y varianzas en poblaciones
Más detallesIntervalos de Confianza
Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de
Más detallesTécnicas de Muestreo Métodos
Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesIntroducción a la Inferencia Estadística
MÁSTER EN ESTADÍSTICA PÚBLICA Experto Universitario: Estadística Aplicada y Técnicas de Encuestación 1 Introducción a la Inferencia Estadística Estimación puntual paramétrica M a Teresa Gómez Departamento
Más detallesTema 1: Distribuciones en el muestreo
Tema 1: Distribuciones en el muestreo 1 (transparencias de A. Jach http://www.est.uc3m.es/ajach/) Muestras aleatorias Estadísticos Concepto de distribución muestral Media muestral Distribución muestral
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesESTADÍSTICA I Tema 4: Estimación por intervalos de confianza
ESTADÍSTICA I Tema 4: Estimación por intervalos de confianza El concepto de intervalo de confianza (IC) IC aproximados basados en el TCL: intervalos para una proporción Determinación del mínimo tamaño
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesIntervalos de confianza
Capítulo 5 Intervalos de confianza Como su nombre indica, el objetivo de un estadístico puntual para un parámetro desconocido de una población, es acercarnos al verdadero valor del mismo dando un valor
Más detalles1. Ejercicios. 2 a parte
1. Ejercicios. 2 a parte Ejercicio 1 Calcule 1. P (χ 2 9 3 33) 2. P (χ 2 15 7 26). 3. P (15 51 χ 2 8 22). 4. P (χ 2 70 82). Ejercicio 2 Si X χ 2 26, obtenga un intervalo [a, b] que contenga un 95 % de
Más detallesMuestreo de variables aleatorias
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 Distribución de la muestra 3 4 5 Distribuciones de la media y la varianza en poblaciones normales Introducción Tiene como
Más detallesConceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste.
Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Tema 1 (III) Estadística 2 Curso 08/09 Tema 1 (III) (Estadística 2) Contrastes de bondad de
Más detallesEstructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo
Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,
Más detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
Más detallesESTADÍSTICA I Tema 3: Estimación puntual paramétrica
ESTADÍSTICA I Tema 3: Estimación puntual paramétrica Planteamiento del problema Estimadores. Concepto, error cuadrático medio y propiedades deseables Construcción de estimadores: el método de máxima verosimilitud
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Mag. María del Carmen Romero 2014 romero@econ.unicen.edu.ar Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo
Más detallesEstimación por intervalos
Capítulo 9 Estimación por intervalos 9.1. Introducción En este capítulo se desarrolla la estimación por intervalos donde el proceso de inferencia se realiza de la forma θ C, donde C = Cx) es un conjunto
Más detallesTema 5: Introducción a la inferencia estadística
Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas
Más detallesTema 8: Estimación por intervalos de confianza.
Estadística 84 Tema 8: Estimación por intervalos de confianza. 8.1 Introducción. Cuando tratamos la estimación puntual, uno de los problemas que se plantearon es que el valor de la estimación es sólo uno
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más detallesTEMA 2: Estimadores y distribuciones en el muestreo. Alfredo García Hiernaux. Grupos 69 y 73 Estadística I. Curso 2006/07
TEMA 2: Estimadores y distribuciones en el muestreo 1) Introducción 2) Tipos de muestreos 3) Estadísticos INDICE 4) Estimadores y propiedades 5) Distribución muestral 6) Teorema Central del Límite 7) Distribuciones
Más detallesCaso particular: Contraste de homocedasticidad
36 Bioestadística: Métodos y Aplicaciones 9.5.5. Caso particular: Contraste de homocedasticidad En la práctica un contraste de gran interés es el de la homocedasticidad o igualdad de varianzas. Decimos
Más detallesMODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO.
DISTRIBUCIÓN t Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza, en estos casos utilizamos la distribución de t de Student. Si el tamaño de la muestra es suficientemente
Más detallesESTADÍSTICA. Tema 2 Nociones elementales de inferencia estadística
ESTADÍSTICA Grado en CC. de la Alimentación Tema 2 Nociones elementales de inferencia estadística Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 1 Estructura de este
Más detallesAnota aquí tus respuestas para esta sección Distribución Z
Tarea 2. Estadística Inferencial Cada sección vale 25%. Cada inciso tiene el mismo peso. Hacer la tarea en equipo de dos personas y entregar solo una copia por cada equipo. 1. Cálculo lo siguiente. Ten
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesTÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
Más detallesTema 6: Introducción a la Inferencia Bayesiana
Tema 6: Introducción a la Inferencia Bayesiana Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Contenidos 1. Elementos básicos de
Más detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Más detallesÍndice general. Pág. N. 1. Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN. Diseño. Población. Muestra. Individuo (Observación, Caso, Sujeto) Variables
Pág. N. 1 Índice general Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN 1.1 Diseño 1.2 Descriptiva 1.3 Inferencia Diseño Población Muestra Individuo (Observación, Caso, Sujeto) Variables Ejercicios de Población
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesIntervalo para la media si se conoce la varianza
178 Bioestadística: Métodos y Aplicaciones nza para la media (caso general): Este se trata del caso con verdadero interés práctico. Por ejemplo sirve para estimar intervalos que contenga la media del colesterol
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesEstructura de este tema. Tema 2 Nociones elementales de inferencia estadística. La distribución normal. Ejemplos. Parámetro y estimador
Estructura de este tema Tema 2 Nociones elementales de inferencia estadística. La distribución normal José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Conceptos básicos de
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesPrueba de Hipótesis. Bondad de Ajuste. Tuesday, August 5, 14
Prueba de Hipótesis Bondad de Ajuste Conceptos Generales Hipótesis: Enunciado que se quiere demostrar. Prueba de Hipótesis: Procedimiento para determinar si se debe rechazar o no una afirmación acerca
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
Más detallesINDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso
INDICE Capítulo I: Conceptos Básicos 1.- Introducción 3 2.- Definición de calidad 7 3.- Política de calidad 10 4.- Gestión de la calidad 12 5.- Sistema de calidad 12 6.- Calidad total 13 7.- Aseguramiento
Más detallesCap. 5 : Distribuciones muestrales
Cap. 5 : Distribuciones muestrales Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 18 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de
Más detallesSOLUCIÓN EXAMEN IV Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/2004
Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/004 MÉTODOS ESTADÍSTICOS I EXAMEN IV PARTE I: Encierre con un círculo la respuesta correcta (0,5 puntos c/u): 1. (V F) Los contrastes de hipótesis de dos muestras
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detallesPROGRAMA DE ESTADÍSTICA DESCRIPTIVA
PROGRAMA DE ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS DE ESTADÍSTICA Definición de Estadística Origen del concepto. Evolución histórica de la Estadística Estadística Descriptiva y Estadística Inferencial
Más detallesPruebas de hipótesis
Pruebas de hipótesis Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Prueba de hipótesis Uno de los objetivos de la estadística es hacer
Más detallesR E S O L U C I Ó N. a) El intervalo de confianza de la media poblacional viene dado por: I. C. z
Un estudio realizado sobre 100 usuarios revela que un automóvil recorre anualmente un promedio de 15.00 Km con una desviación típica de.50 Km. a) Determine un intervalo de confianza, al 99%, para la cantidad
Más detallesDistribuciones Continuas
Capítulo 5 Distribuciones Continuas Las distribuciones continuas mas comunes son: 1. Distribución Uniforme 2. Distribución Normal 3. Distribución Eponencial 4. Distribución Gamma 5. Distribución Beta 6.
Más detallesTema 6: Introducción a la inferencia estadística
Tema 6: Introducción a la inferencia estadística Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 6: Introducción a la inferencia estadística
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detalles= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] =
El peso en kg de los estudiantes universitarios de una gran ciudad se supone aproximado por una distribución normal con media 60kg y desviación típica 8kg. Se toman 100 muestras aleatorias simples de 64
Más detallesEJERCICIOS DE SELECTIVIDAD
EJERCICIOS DE SELECTIVIDAD INFERENCIA 1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media μ = 100 meses y desviación típica σ
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesDistribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio
Distribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población),
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesINFERENCIA ESTADÍSTICA
INFERENCIA ESTADÍSTICA 1. DEFINICIÓN DE INFERENCIA ESTADÍSTICA Llamamos Inferencia Estadística al proceso de sacar conclusiones generales para toda una población a partir del estudio de una muestra, así
Más detallesConceptos del contraste de hipótesis
Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
Más detalles3 ESTIMACION. 3.1 Introducción
3 ESTIMACION 3.1 Introducción En un problema estadístico, si los datos fueron generados a partir de una distribución de probabilidad F(x) desconocida, la Inferencia Estadística permite decir algo respecto
Más detallesTema 7 Intervalos de confianza Hugo S. Salinas
Intervalos de confianza Hugo S. Salinas 1 Introducción Hemos definido la inferencia estadística como un proceso que usa información proveniente de la muestra para generalizar y tomar decisiones acerca
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesEstimación de Máxima Verosimilitud Utilizando la Función optim en R
Estimación de Máxima Verosimilitud Utilizando la Función optim en R Juan F. Olivares-Pacheco * 15 de diciembre de 2006 Resumen En este trabajo se muestra el método de verosimilitud para la estimación de
Más detallesProbabilidad y Estadística Segundo del grado en Telecomunicaciones, UAM, Examen de la convocatoria extraordinaria,
Probabilidad y Estadística Segundo del grado en Telecomunicaciones, UAM, 2014-2015 Examen de la convocatoria extraordinaria, 22-6-2015 Nombre y apellidos.......................................................................
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detalles8. Estimación puntual
8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesa. N(19 5, 1 2) P(19 X 21) = P( Z ) = = P = P P = = P P = P = = = El 55 72% no son adecuados.
El diámetro de los tubos de cartón para un envase ha de estar entre 19 y 21mm. La maquina prepara tubos cuyos diámetros están distribuidos como una manual de media 19 5mm y desviación típica 1 2mm. Qué
Más detallesGuía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA
1. Introducción Guía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA Los análisis económicos y empresariales se efectúan sobre la base de la toma de decisiones, las cuales se toman a partir de la información
Más detallesPrograma Regular. Probabilidad y Estadística.
Programa Regular Probabilidad y Estadística. Modalidad de la asignatura: teórico-práctica. Carga horaria: 5hs. Objetivos: Con relación a los conocimientos a impartir en el desarrollo de la materia, es
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesEstadísticas y distribuciones de muestreo
Estadísticas y distribuciones de muestreo D I A N A D E L P I L A R C O B O S D E L A N G E L 7/11/011 Estadísticas Una estadística es cualquier función de las observaciones en una muestra aleatoria que
Más detallesTEMA 4: CONTROL POR VARIABLES Hoja de ejercicios (Entregar el 7 -problema de examen-)
MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE LA CALIDAD INGENIERIA DE TELECOMUNICACIONES TEMA 4: CONTROL POR VARIABLES Hoja de ejercicios (Entregar el 7 -problema de examen-) 1. Un proceso industrial fabrica
Más detallesInferencia con una variable Tema 2
Inferencia con una variable Tema 2 1. Contraste sobre una proporción 2. Bondad de ajuste 3. Contraste de hipótesis sobre una media 3.1. Con σ 2 conocida, prueba Z 3.2. Con σ 2 desconocida, prueba T 4.
Más detalles1. Ordena los datos en una tabla de contingencia. Economía Matemáticas Literatura Biología
Exemple Examen Part II (c) Problema 1 - Solución. En un estudio sobre la elección de la carrera universitaria entre envió cuestionarios a una muestra aleatoria simple de estudiantes preguntando la carrera
Más detallesESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más detallesPráctica 5: Estimación de parámetros. Una población.
Práctica 5: Estimación de parámetros. Una población. 1. Considere el conjunto f1; 3; 5; 7; 9g (a) Enumere todas las muestras de tamaño 2 que pueden ser seleccionadas con reposición de ese conjunto. Calcule
Más detallesPreparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detalles07 Estimación puntual e introducción a la estadística inferencial
07 Estimación puntual e introducción a la estadística inferencial Diego Andrés Alvarez Marín Profesor Asistente Universidad Nacional de Colombia Sede Manizales 1 Contenido Qué es la estadística inferencial?
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2011 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 011 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 4, Opción B Reserva 1, Ejercicio 4, Opción B Reserva, Ejercicio
Más detalles