E.U.I.T.I. Bilbao. Asignatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA
|
|
- Silvia Rey Bustamante
- hace 6 años
- Vistas:
Transcripción
1 E.U.I.T.I. Bilbao Asigatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA
2 E.U.I.T.I. Bilbao Asigatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA TEMA 6: ESTIMACIÓN DE PARÁMETROS DE UNA DISTRIBUCION
3 Datos, datos, datos! gritó impacietemete. No puedo hacer ladrillos si arcilla. Sherlock Holmes Las aveturas de los bombachos de cobre Arthur Coa Doyle Actor: Basil Rathboe
4 . RESUMEN Se describe las técicas más usuales para estimar la media, la variaza y otros parámetros poblacioales co valores aislados (estimació putual) o mediate itervalos de cofiaza. Palabras clave: estimador putual método de los mometos método de máxima verosimilitud itervalo de cofiaza ivel de cofiaza
5 . ÍNDICE DEL TEMA 6.. Itroducció 6.. Estimació putual 6.3. Obteció de estimadores putuales método de los mometos método de máxima verosimilitud 6.4. Estimació por itervalos 6.5. Itervalos de cofiaza 6.6. Nivel de cofiaza 6.7. Estimació de la media 6.8. Estimació de la diferecia de medias
6 . ÍNDICE DEL TEMA 6.9. Estimació de la variaza de ua població ormal 6.0. Estimació del cociete de variazas de dos poblacioes ormales 6.. Estimació de ua proporció 6.. Estimació de la diferecia de proporcioes
7 3. INTRODUCCIÓN e Estadística, ua estimació cosiste e la realizació de ua iferecia sobre el valor del parámetro de ua població usado la iformació obteida a través de ua muestra e Estadística hay tres formas de iferir u valor de u parámetro de ua població: estimació putual: regla ó fórmula que permite calcular u valor cocreto de ese parámetro basádose e la iformació coteida e ua muestra estimació por itervalos de cofiaza: regla ó fórmula que usa la iformació muestral para hallar u itervalo ó regió de cofiaza para el valor de dicho parámetro cotraste de hipótesis: tomado ua decisió sobre u valor hipotético del parámetro
8 3. INTRODUCCIÓN estimació
9 3. INTRODUCCIÓN ejemplo: el redimieto de u equipo de trabajo e ua cadea de producció puede estar represetado por el úmero medio de compoetes producidas. Supógase que u igeiero quiere proporcioar iformació acerca de este promedio e su equipo. Posibilidades: tratar de estimar el promedio de compoetes producidas a través de u úico valor estimado proporcioar u itervalo de valores e el que tega mucha cofiaza de que se ecuetre el valor promedio comparar el valor promedio de su equipo co u valor hipotético para, por ejemplo, demostrar que tiee u mejor redimieto que el promedio geeral de la empresa otació: parámetro de la població que se quiere estimar: estimador putual de dicho parámetro: θ θ
10 ESTIMACIÓN PUNTUAL
11 4. ESTIMACIÓN PUNTUAL Estimador putual: regla que idica cómo calcular ua estimació umérica de u parámetro poblacioal descoocido, θ, a partir de los datos de ua muestra otació: θ Estimació putual: úmero cocreto que resulta del cálculo de la regla para ua muestra dada ejemplo: si se desea obteer estimacioes de la media de ua v.a. parece lo más lógico utilizar como estimador la media muestral cada media muestral (ua por muestra) es ua estimació putual de la media poblacioal
12 4. ESTIMACIÓN PUNTUAL etoces, u estimador putual usa la iformació aportada por ua muestra para calcular u úico valor que se utiliza para estimar el parámetro de ua població como se calcula a partir de ua muestra tiee ua distribució muestral que describe por completo sus propiedades Ejemplo. Segú el teorema cetral del límite, bajo ciertas hipótesis: µ: media de la població X N µ ; : desviació típica de la població : tamaño de la muestra
13 4. ESTIMACIÓN PUNTUAL Ejemplo. X N µ ; por la simetría de la gráfica de la distribució ormal, la media muestral tiee la misma probabilidad de quedar por ecima ó por debajo de la media poblacioal además: P X µ < Fució de desidad de X ~95%
14 4. ESTIMACIÓN PUNTUAL Propiedades Las características mostradas e la figura aterior idetifica las dos propiedades más deseables de los estimadores putuales Propiedad auque el estimador o proporcioe siempre el valor exacto del parámetro, al meos debe equivocarse e igual medida por exceso que por defecto lo ideal es que la distribució muestral de u estimador esté cetrada e el parámetro que se desea estimar este tipo de estimadores se deomia isesgados
15 4. ESTIMACIÓN PUNTUAL Propiedades Propiedad θ u estimador,, de u parámetro θ se dice isesgado si la media de la distribució muestral de dicho estimador putual es igual que el parámetro de la població que estima, θ E [ θ ] θ e caso cotrario, el estimador se dice sesgado: [ θ ] θ el sesgo B de u estimador putual,, se defie como la diferecia etre la media de la distribució muestral del estimador putual y el parámetro estimado, θ e valor absoluto ( θ ) [ E θ ] θ B E B ( θ ) [ θ ] θ θ E
16 4. ESTIMACIÓN PUNTUAL Propiedad Propiedades distribució muestral de u estimador isesgado de u parámetro θ θ A distribució muestral de u estimador sesgado de u parámetro θ θ B
17 4. ESTIMACIÓN PUNTUAL Propiedad Propiedades además de la falta de sesgo, es deseable que la distribució muestral de u estimador tega variaza míima es decir, que la dispersió de la distribució muestral sea lo más pequeña posible co lo que las estimacioes tieda a ser cercaas al valor del parámetro θ que se estima estimador isesgado de míima variaza de u parámetro θ es aquél estimador, θ, que tiee la variaza más pequeña de etre todos los estimadores isesgados error estádar de u estimador: desviació típica de dicho estimador
18 4. ESTIMACIÓN PUNTUAL Propiedad Propiedades o siempre es fácil ecotrar este estimador y, e ocasioes, se admite u ligero sesgo co tal de que la variaza del esti- mador sea míima e casos así, se elige el estimador que miimiza el error cuadrático medio sesgo
19 4. ESTIMACIÓN PUNTUAL Propiedades Propiedad error cuadrático medio de u estimador ( ): media del cuadrado de la desviacioes etre el estimador putual y el parámetro estimado, θ MSE [ ] ( θ ) E ( θ θ ) se puede demostrar que: MSE ( θ ) Var [ θ ] + ( B ( θ )) θ ( θ ) [ θ ] etoces, si es u estimador putual isesgado se tiee: MSE Var θ
20 4. ESTIMACIÓN PUNTUAL Propiedades Ejemplo. Para estimar la catidad media reclamada por icedio e pisos de tamaño medio se ha muestreado los ficheros de ua compañía de seguros y se ha obteido las siguietes catidades reclamadas e 0 icedios medidas e miles de euros: Solució., 5.5, 6.3,., 8.0, 4., 4., 5., 6.6, 0.3 estimador (isesgado) de la media de catidades reclamadas: X se estima que la catidad media reclamada por icedio es de 7340 ya que, como se ha visto: E [ X ] µ
21 4. ESTIMACIÓN PUNTUAL Propiedades Ejemplo. Para estimar la catidad media reclamada por icedio e pisos de tamaño medio se ha muestreado los ficheros de ua compañía de seguros y se ha obteido las siguietes catidades reclamadas e 0 icedios medidas e miles de euros:., 5.5, 6.3,., 8.0, 4., 4., 5., 6.6, 0.3 Solució error estádar: SD [ X ] X cómo puede reducirse el error estádar a la mitad? multiplicado por 4 el tamaño de la muestra
22 4. ESTIMACIÓN PUNTUAL Estimació de la media de ua v.a. sea X, X,, X ua muestraaleatoria deu v.a. X ormal co media µ y desviació típica como ya se ha visto: la media muestral es u estimador isesgado de la media de X X X + X + + X [ ] µ E X el error estádar es: SD [ X ] X
23 4. ESTIMACIÓN PUNTUAL Estimació de la variaza de ua v.a. sea X, X,, X ua muestraaleatoria simple deua v.a. X ormal co media µ y desviació típica se demuestra que: la cuasivariaza muestral es u estimador isesgado de la variaza de la v.a. X i s S ( X i X ) E [ S ] i s
24 4. ESTIMACIÓN PUNTUAL Estimació de la variaza de ua v.a. Ejemplo (ejercicio ). Sea X, X,, X ua muestra aleatoria simple de ua població ormal co media µ y variaza. demostrar que la cuasivariaza muestral es u estimador isesgado de la variaza de la població. es la variaza muestral u estimador isesgado de la variaza de la població? Solució e el tema Distribucioes muestrales se vio: ( ) s χ s s
25 4. ESTIMACIÓN PUNTUAL Estimació de la variaza de ua v.a. Ejemplo (ejercicio ).. Solució ( ) s χ. χ ( ) [ ] ( ) ( ) [ ] s E s E E s E χ ( ) [ ] s E [ ] s E
26 4. ESTIMACIÓN PUNTUAL Estimació de la variaza de ua v.a. Ejemplo (ejercicio ).. Solució ( ) s χ s χ. s s χ [ ] [ ] s E s E E s E χ [ ] s E [ ] s E La variaza muestral NO es u estimador isesgado de
27 4. ESTIMACIÓN PUNTUAL Estimació de ua proporció poblacioal se desea estimar ua proporció descoocida, p, que represeta la probabilidad de u suceso detro de u espacio muestral sea X, X,, X ua muestrade resultados del experimeto asociado al espacio muestral deotado Xi el éxito del suceso e el i-ésimo experimeto y Xi0 el fracaso e este caso: estimador isesgado de p: error estádar: s.e. ( p ) SD[ p ] p i i p X i ( p )
28 4. ESTIMACIÓN PUNTUAL Estimació de ua proporció poblacioal error estádar: s.e. ( p ) SD[ p ] p ( p ) o puede evaluarse ya que p es descoocido si el tamaño de la muestra,, es grade se utiliza el valor del estimador e lugar de p e la expresió que da el error estádar cota superior: si 0 p : p( p ) 4 s.e. ( p ) 4
29 4. ESTIMACIÓN PUNTUAL Estimació de ua proporció poblacioal Ejemplo. E ua muestra de 000 idividuos de ua població el úmero de varoes es de 50. estimació de la proporció de varoes e la població total: 50 p cota superior del error estádar: estimació del error estádar: p ( ) ( p ) s.e. p s.e. 000 ( p )
30 5. OBTENCIÓN DE ESTIMADORES PUNTUALES: MÉTODOS se ha estimado la media y la variaza de ua v.a. (població) co ua distribució ormal mediate la media muestral y la cuasivariaza muestral, respectivamete si embargo, hay distribucioes teóricas que o depede directamete de la media o la variaza: la biomial depede de p la gamma de k y λ existe varias maeras de estimar estos parámetros, se va a ver dos de los más secillos: método de los mometos método de máxima verosimilitud
31 6. MÉTODO DE LOS MOMENTOS se va a explicar el método sólo para distribucioes de uo o dos parámetros poblacioales, que so del tipo de las que se ha visto sea X, X,, X ua muestraaleatoria simple deua v.a. X. si la distribució de X depede de u parámetro, θ la media poblacioal de X es fució θ: E [ X ] µ f ( θ ) θ el estimador del parámetro θ,, propuesto por el método de los mometos se obtiee despejádolo (si es posible) de la ecuació: x f ( θ )
32 6. MÉTODO DE LOS MOMENTOS sea X, X,, X ua muestraaleatoria simple deua v.a. X. si la distribució de X depede de u solo parámetro θ ejemplo: sea X~B(;p) media de la població biomial: E [ X ] µ p f ( p ) estimador de p propuesto por el método: x p f p ( p ) ejemplo: sea X~ε(λ) media de la població expoecial: E λ estimador de λ propuesto por el método: x [ X ] µ f ( λ ) x ( λ ) f λ λ x
33 6. MÉTODO DE LOS MOMENTOS sea X, X,, X ua muestraaleatoria simple deua v.a. X. si la distribució de X depede de dos parámetros, θ y θ la media poblacioal de X es fució de ambos: [ X ] µ f (, ) E θ θ igualmete, la variaza poblacioal de X está expresada como fució de esos parámetros: [ X ] g ( θ, θ ) Var segú este método, los estimadores de θ y θ, y, se obtiee despejádolos (si es posible) del sistema de ecuacioes: x f ( θ, θ ) s g ( θ, θ ) θ θ
34 6. MÉTODO DE LOS MOMENTOS sea X, X,, X ua muestraaleatoria simple deua v.a. X. si la distribució de X depede de dos parámetros, θ y θ ejemplo: sea X~Gamma(k;λ) media de la població: E [ X ] µ f ( k, λ ) variaza de la població: Var [ X ] g ( k, λ ) estimadores de k y λ propuestos por el método: ( ) : x f ( k, λ ) ( ) : s g ( k, λ ) k λ k λ ( ) ( ) : k λ x λ s k λ ( ) a k s x
35 7.MÉTODODEMÁXIMAVEROSIMILITUD el método obedece a u pricipio muy lógico: dada ua muestra se escoge como estimadores aquellos valores de los parámetros que haga más creíbles (o más verosímiles) los datos de la muestra e el siguiete ejemplo se ve las ideas básicas del método de máxima verosimilitud que os llevará a la defiició geeral Ejemplo. Se sabe que e ua ura hay 4 bolas (que puede ser blacas o egras). La proporció de bolas blacas, θ, es descoocida y puede tomar los valores: θ { 3,,,, }
36 7.MÉTODODEMÁXIMAVEROSIMILITUD Ejemplo. Para obteer más iformació, se extrae de la ura bolas co reemplazamieto (co lo que se garatiza la idepedecia de las observacioes). Supógase que la primera bola es blaca y la seguda egra, deotádolo como BN. θ { 3,,,, } la probabilidad de obteer, precisamete, esa muestra depede de la proporció de bolas blacas e la ura, θ la idea del método de máxima verosimilitud es muy secilla y razoable; tomar como estimació de θ aquel valor que da la mayor probabilidad a la muestra obteida
37 7.MÉTODODEMÁXIMAVEROSIMILITUD Ejemplo. { 3 θ,,,, } se calcula la probabilidad de obteer la muestra BN 0 si θ 0 P ( BN θ ) si si si si θ θ θ θ Mayor probabilidad para la muestra obteida Si la muestra obteida es BN el estimador de máxima verosimilitud es θ
38 7.MÉTODODEMÁXIMAVEROSIMILITUD sea x, x,, x ua muestraaleatoria simple co observacioes de ua v.a. X si X es discreta: fució de masa de probabilidad: p(x) fució de probabilidad de la muestra: p si X es cotiua: ( x, x,,x ) p ( x ) p ( x ) p ( ) x fució de desidad de probabilidad: f(x) fució de desidad de la muestra: f ( x, x,,x ) f ( x ) f ( x ) f ( ) x
39 7.MÉTODODEMÁXIMAVEROSIMILITUD sea x, x,, x ua muestraaleatoria simple co observacioes de ua v.a. X la fució de probabilidad (masa ó desidad) depede de k parámetros deotados: θ ( θ, θ,, θ ) estimador de máxima verosimilitud de θ es el formado por los valores: θ ( θ, θ,, θ ) ese estimador maximiza la fució de verosimilitud k k
40 7.MÉTODODEMÁXIMAVEROSIMILITUD fució de verosimilitud, L(θ): fució de probabilidad de la muestra (masa ó desidad) si X es discreta: L si X es cotiua: L ( θ ) p ( x ) p ( x ) p ( ) x ( θ ) f ( x ) f ( x ) f ( ) Nota. Como la estimació de θ es el valor que da la mayor probabilidad a la muestra, será aquel valor que maximice la fució de verosimilitud. x
41 7.MÉTODODEMÁXIMAVEROSIMILITUD Procedimieto. escribir la fució de verosimilitud, L(θ) si X es discreta: i ( ) p ( ) L θ i x i si X es cotiua: L i ( θ ) f ( ) i x i
42 7.MÉTODODEMÁXIMAVEROSIMILITUD Procedimieto. maximizar la fució de verosimilitud, L(θ) Nota. Dado que el máximo de ua fució coicide co el de su logaritmo para el mismo valor de la variable resulta muy útil, e geeral, maximizar el logaritmo de la fució L(θ) e lugar de la propia fució de verosimilitud si X es discreta: si X es cotiua: l l i ( ) ( L ( θ )) l p ( ) i i x i ( ) ( L ( θ )) l f ( ) i x i
43 7.MÉTODODEMÁXIMAVEROSIMILITUD Ejemplo Obteer el estimador de máxima verosimilitud del parámetro λ de ua distribució de Poisso Solució X es discreta: X~P(λ) fució de masa de probabilidad: P e λ λ! ( X i ) ( i 0,,,... ) i i sea x, x,, x ua muestra aleatoria simple de la v.a. X co observacioes
44 7.MÉTODODEMÁXIMAVEROSIMILITUD Ejemplo Obteer el estimador de máxima verosimilitud del parámetro λ de ua distribució de Poisso Solució ( ) ( ) ( ),...,, i! x e x p x X P i x i i i λ λ fució de verosimilitud, L(λ): ( ) ( ) ( ) i i i x i i i! x e x p L i i i λ λ λ
45 7.MÉTODODEMÁXIMAVEROSIMILITUD Solució logaritmo eperiao de la fució de verosimilitud, l[l(λ)]: l i i [ L ( λ ) ] λ + x l λ l ( x ) i! i i i! maximizació de la fució, l[l(λ)]: d dλ i λ i { l [ L ( λ )]} + 0 estimador de máxima verosimilitud:! x i λ i i! x i x
46 ESTIMACIÓN POR INTERVALOS DE CONFIANZA
47 8.ESTIMACIÓN POR INTERVALOS cuado se estima u parámetro mediate u estimador putual o se puede esperar que el estimador sea exactamete igual al parámetro sio que esté próximo e la práctica, además de dar ua estimació putual de u parámetro, iteresa facilitar u itervalo que permita precisar la icertidumbre existete e la estimació u estimador por itervalo es ua regla ó fórmula que, usado la iformació muestral, permite hallar dos valores que defie u itervalo utilizado como estimació del parámetro poblacioal (se predice que el parámetro está coteido e él) co cierto grado de cofiaza
48 9. INTERVALOS DE CONFIANZA sea x, x,, x ua muestraaleatoria simple co observacioes de ua v.a. X cuya distribució depede de u parámetro descoocido θ U itervalo de cofiaza para θ co u ivel de sigificació α, I(x,x,, x), es u itervalo real que depede de la muestra, pero que o depede de θ, tal que: P θ I x, x,, x [ ( )] α ivel (o coeficiete) de cofiaza: -α para cada muestra particular se tiee u itervalo de cofiaza: I ( x, x,, x ) ( T ( x, x,, x ),T ( x, x,, x ))
49 9. INTERVALOS DE CONFIANZA Observació: el objetivo de u itervalo de cofiaza es proporcioar, e base a los datos de la muestra, ua regió e la que se tega u determiado ivel de cofiaza de que se ecuetre el parámetro como e el caso de los estimadores putuales, el itervalo de cofiaza es aleatorio ya que depede de los valores de la muestra además, se da por hecho que existe la posibilidad de que el verdadero parámetro θ o quede situado detro del itervalo de cofiaza, algo que ocurre co probabilidad α
50 9. INTERVALOS DE CONFIANZA Procedimieto: idetificar u estadístico pivotal, es decir, u estadístico que depede de los valores muestrales y del parámetro que se está estimado seleccioar u coeficiete de cofiaza (deotado -α) ormalmete: α0.05 ó α0.0 suele cosiderarse e tato por cieto: (-α) 00% costruir el itervalo de cofiaza
51 Nota: 0. NIVEL DE CONFIANZA adoptado ua iterpretació frecuetista de la probabilidad, u itervalo de cofiaza al 95%, por ejemplo, garatiza que si se toma 00 muestras el parámetro poblacioal estará e el iterior del itervalo e, aproximadamete, 95 de itervalos costruidos e la práctica, esto resulta absurdo porque o se tiee 00 muestras sio solamete ua etoces, a partir de los datos de ua muestra se costruye u itervalo de cofiaza; cabe dos posibilidades: el parámetro está detro del itervalo o o lo está el parámetro es costate y el itervalo tambié (o se repite el experimeto); por ello, se habla de itervalos de cofiaza iterpretado que se tiee ua cofiaza del 95% e que el parámetro estará detro del itervalo
52 0. NIVEL DE CONFIANZA EJEMPLO: itervalo de cofiaza para ua media ivel de cofiaza α 00% 68 ( ) % ivel de cofiaza α 00% 90 ( ) % ivel de cofiaza α 00% 99 ( ) %
53 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal Hipótesis adicioales població ormal media, µ, descoocida desviació típica,, coocida X µ ; ivel de cofiaza: -α Sea X, X,, X ua muestra de tamaño de la població Tipificado: Z N ( 0; ) X µ
54 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal [ ] se verifica 0, (ver figura): z α α ( ) α P Z Ross, M.S.; Itroducció a la Estadística; Ed. Reverté S.A. (005)
55 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal multiplicado ambos miembros de la desigualdad por P ( ) Z z α α P X µ z α α por tato, co probabilidad -α la media poblacioal µ está e el itervalo: X ± z α
56 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal se deomia estimador por itervalo al 00(-α)% de cofiaza al itervalo: + z X, z X α α si el valor observado de la media muestral es el itervalo de cofiaza para la media poblacioal, µ, es, co ua cofiaza del 00(-α)%: + z X, z X α α x + z x, z x α α
57 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal Ejemplo. Si se quiere obteer u estimador por itervalo co 95% de cofiaza ( ) Z z P α? Excel: DISTR.NORM.ESTAND.INV( 0,975 ) ~.96 P Z z α P z Z z α α P X µ
58 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal Ejemplo. Si se quiere obteer u estimador por itervalo co 95% de cofiaza -α0.95 Ross, M.S.; Itroducció a la Estadística; Ed. Reverté S.A. (005)
59 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal Ejemplo. Si se quiere obteer u estimador por itervalo co 95% de cofiaza P X µ P X. 96 µ X etoces, co u 95% de cofiaza, la media poblacioal, µ, se ecuetra e el itervalo: X. 96, X +. 96
60 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal Ejemplo. Ua señal de itesidad µ emitida desde u puto A se registra e u puto B co ua itesidad que se distribuye segú ua ormal de media µ y 3 (esto es, debido al ruido la itesidad registrada difiere de la real e ua catidad que sigue la distribució ormal idicada). Para reducir el error, la misma señal se registra, idepedietemete, 0 veces tal que los valores registrados so: 7,, 0, 8, 9,, 0,, 6, 9 Costruir itervalos al 90%, 95% y 99% de cofiaza para la itesidad real µ
61 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal Ejemplo. Solució media muestral : x 9. 3 cofiaza del 95%: , cofiaza del 90%: ( , ) ( 7. 44,. 6 ) Excel: DISTR.NORM.ESTAND.INV(0,95) ~ , ( 7. 74, )
62 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal Ejemplo. Solució cofiaza del 99%: Excel: DISTR.NORM.ESTAND.INV(0,995) ~ , ( 6. 86,. 74 ) Ross, M.S.; Itroducció a la Estadística; Ed. Reverté S.A. (005)
63 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal Hipótesis adicioales població ormal media, µ, descoocida desviació típica,, descoocida X µ ; tamaño muestral pequeño: 30 ivel de cofiaza: -α e la práctica es poco probable que se descoozca µ y se coozca co lo que la aplicació del teorema es limitada el siguiete resultado respode a la ecesidad de exteder el resultado aterior cuado o se cooce
64 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal cuado el valor de es descoocido, e la aterior fórmula de u itervalo de cofiaza para la media, puede utilizarse para aproximarlo la cuasidesviació típica muestral, ŝ esa aproximació es bastate buea siempre que sea suficietemete grade; si el tamaño muestral es pequeño la aproximació de la desviació típica poblacioal por la cuasidesviació típica muestral o es buea para compesar esa mala aproximació se tipifica para utilizar la distribució t de Studet: X µ t ŝ
65 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal sea X, X,, X ua muestra de tamaño de la població idicada etoces: x : media muestral : tamaño muestral P µ ŝ ŝ x t α + α α, x t ; ; ŝ : cuasidesviació típica muestral t : es el valor de ua variable aleatoria t, co distribució ; α de Studet co - grados de libertad, que deja a su derecha u área igual a α/; es decir: α P t t α ( ) > ;
66 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal los dos resultados que se ha euciado se basa e que es coocida la distribució de la muestra (ormal, lo que permite deducir que la media muestral sigue ua distribució ormal de media µ y variaza /) teorema cetral del límite: sea cual sea la distribució de las variables de la muestra aleatoria simple, la media muestral sigue, aproximadamete, ua distribució ormal de media µ y variaza / por tato, se puede obteer u itervalo de cofiaza aproximado para cualquier media de cualquier distribució
67 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal sea X, X,, X ua muestra de tamaño de ua v.a. X que sigue ua distribució cualquiera co ua media, µ, descoocida y co ua desviació típica x siedo la media muestral, si es suficietemete grade (>30) etoces: P x z α, x + z α µ α si es descoocida puede sustituirse por la cuasidesviació típica muestral, ŝ
68 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal tabla resume població ormal x Estimador Itervalo de cofiaza: (-α)00% Hipótesis adicioales + z x, z x α α població ormal coocida x població ormal descoocida + ŝ t x, ŝ t x ; ; α α x + z x, z x α α >30 coocida x >00 descoocida x + ŝ z x, ŝ z x α α
69 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal Ejemplo. El tiempo de fallo de ua compoete electróica sigue ua distribució expoecial de parámetro λ descoocido. Se toma ua muestra de 50 tiempos de fallo y su media muestral es de 7,5 siedo la cuasidesviació típica muestral de 9,. Calcular u itervalo de cofiaza para λ co u ivel de sigificacia α0, Solució ivel de cofiaza del 90%: α0.0.9 α/0.05 media muestral: x 7. 5 cuasidesviació típica muestral: ŝ 9. tamaño muestral: 50
70 . ESTIMACIÓN DE LA MEDIA Itervalo de cofiaza para la media poblacioal Ejemplo. Solució α z z. 645 z x z α ŝ, x + z α ŝ etoces: µ E [ X ] ( ,. 967 ) por otra parte: µ E [ X ] λ itervalo de cofiaza al 90% de λ: 9. 50, λ ( ) ( , ),
71 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: muestras idepedietes se cosidera dos poblacioes: població : media µ y desviació típica població : media µ µ y desviació típica se seleccioa dos muestras aleatorias simples de forma idepediete: població : tamaño muestral població : tamaño muestral X X N µ ; N µ ;
72 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: muestras idepedietes se va a utilizar la iformació sumiistrada por las dos muestras (seleccioadas idepedietemete) para estimar la diferecia de las medias poblacioales se sabe que: E [ X X ] µ µ µ µ Var [ X X ] +
73 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: muestras idepedietes tabla resume. Itervalo de cofiaza para µ µ Estimador Itervalo de cofiaza: (-α)00% Hipótesis adicioales x x ( x x ) ± z α + poblacioes ormales ó, >5, coocidas x x ( x ) ŝ x ± z + α ŝ, >30, descoocidas
74 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: muestras idepedietes tabla resume. Itervalo de cofiaza para µ µ Estimador Itervalo de cofiaza: (-α)00% Hipótesis adicioales poblacioes ormales x x ( x x ) ± t α + ; S P +, descoocidas, pequeños S P ( ) ŝ + ( ) + ŝ
75 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: muestras idepedietes tabla resume. Itervalo de cofiaza para µ µ e el último caso, como se supoe que las variazas de ambas poblacioes so iguales auque descoocidas, se utiliza la iformació proporcioada por las dos muestras para costruir u estimador de ese estimador se deota como: S P S P : media poderada de las dos cuasivariazas muestrales co pesos proporcioales a sus respectivos tamaños muestrales ( y )
76 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: datos pareados (ó pares coicidetes) muestras depedietes e idepedietes si la selecció de los datos de ua població o está relacioada co la de los datos de la otra se trata de muestras idepedietes si las muestras se seleccioa de maera que cada medida e ua de ellas pueda asociarse aturalmete co ua medida e la otra muestra se llama muestras depedietes diferecia de medias e muestras idepedietes se estudia la diferecia de medias de dos muestras idepetes extraídas aleatoriamete de poblacioes ormales
77 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: datos pareados (ó pares coicidetes) diferecia de medias co datos pareados se estudia la diferecia de medias ates y después de cierto tratamieto al que so sometidos los mismos sujetos que costituye ua muestra extraída aleatoriamete de ua població ormal si dos medidas se obtiee de la misma fuete se puede pesar que las medidas está pareadas; por tato, dos medidas que se obtiee de la misma fuete so depedietes si dos muestras so depedietes etoces, ecesariamete, tiee el mismo tamaño
78 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: datos pareados (ó pares coicidetes) ejemplo se quiere estudiar el efecto de ua dieta al cabo de 6 meses; para ello, se mide el peso de los sujetos ates de iiciar la dieta y después de realizarla durate los 6 meses e este caso ambos pesos o so variables idepedietes ya que es claro que el peso al cabo de los 6 meses de dieta depederá del peso que se teía ateriormete
79 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: datos pareados (ó pares coicidetes) ejemplo se quiere comparar la velocidad de ejecució computacioal de dos algoritmos se podría hacer ejecutado los algoritmos sobre dos cojutos aleatorios de problemas idepedietes pero, e este caso, el experimeto podría verse afectado por la aturaleza de los problemas escogidos para cada algoritmo este problema puede evitarse si a cada tipo de problema se le aplica u algoritmo y después el otro midiedo los tiempos de ejecució correspodietes
80 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: datos pareados (ó pares coicidetes) procedimieto se estudia el caso e el que X e Y so dos variables aleatorias que represeta características diferetes de la misma població y tales que: X N ( µ ; ) Y N ( µ ; ) X X para aalizar sus diferecias se toma muestras pareadas: se obtiee los valores de X e Y sobre los mismos sujetos de la població el tamaño de la muestra,, es igual para X e Y Y Y
81 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: datos pareados (ó pares coicidetes) procedimieto se defie la variable aleatoria diferecia, D XY, que sigue u modelo de distribució ormal: ( µ D D ) dode µ D µ X Y D N ; µ el problema se covierte e ua estimació por itervalo para la variable D: ( ) D i X i Y i i,,, : es ua muestra aleatoria simple de la variable diferecia D D D X s ˆ S Y D : es la media muestral de la variable diferecia D : es la cuasivariaza muestral de la variable D
82 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: datos pareados (ó pares coicidetes) procedimieto estimació por itervalo para la variable D: estimador: D X Y tamaño muestral grade ( 30), coocida D µ D D Z N ( 0;) tamaño muestral pequeño (<30), descoocida D µ D T t sˆ D
83 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: datos pareados (ó pares coicidetes) Ejercicio (Juio 0). Para cotrastar la efectividad de ua herramieta ueva e la realizació de ua tarea se ha pedido a 9 operarios que realice la tarea co la herramieta ueva y la atigua. Se ha medido los tiempos de realizació e miutos y el resultado es le siguiete Operario Herramieta Atigua Nueva
84 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: datos pareados (ó pares coicidetes) Ejercicio (Juio 0). (º) Ecuetre u itervalo de cofiaza de 95 % (º) Ecuetre u itervalo de cofiaza de 95 % para la diferecia media de tiempos de realizació de la tarea co ambas herramietas,supoiedo que las diferecias de tiempos se distribuye aproximadamete de forma ormal. (º) Cuál tedría que ser el úmero de operarios si se desea que la desviació típica del estimador sea como máximo de 0.5 miutos?
85 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: datos pareados (ó pares coicidetes) Ejercicio (Juio 0). (3º) Es el resultado de la prueba evidecia suficiete de que la herramieta ueva reduce al meos e u miuto el tiempo medio de realizació de la tarea co u ivel de sigificació α5%? NOTA. Este apartado se podrá resolver cuado se estudie el tema relativo a los Cotrastes de hipótesis
86 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: datos pareados (ó pares coicidetes) Ejercicio (Juio 0). estadísticos muestrales: Excel: x D D PROMEDIO(B5:J5).6 ŝ D DESVEST(B5:J5).6398
87 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: datos pareados (ó pares coicidetes) Ejercicio (Juio 0). Apartado º. se trata de u problema de muestras pequeñas (<30) y pares coicidetes ya que la herramieta se mide para cada operario estimació por itervalo para la variable D: estimador isesgado de variaza míima: D x A x B.6 error probable: D ˆ s D
88 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: datos pareados (ó pares coicidetes) Ejercicio (Juio 0). Apartado º. como se ha de estimar ua media poblacioal se utiliza la distribució de probabilidad t de Studet ivel de cofiaza: α % grados de libertad: gl ν 8 valor de la variable (dos colas): t α t Excel: DISTR.T.INV(0,05;8).3060 ; 8;0,975 ν.3060 Itervalo de cofiaza: IC D ± t.6± ;0,975 D IC ( 0.480, )
89 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: datos pareados (ó pares coicidetes) Ejercicio (Juio 0). Apartado º. la desviació típica del estimador viee dada por: t ν ; α D t ν ; α sˆ D e max 0.5 por lo tato: t ν sˆ D α mi 49 ; e max operarios
90 . DIFERENCIA DE MEDIAS Estimació de la diferecia de medias: datos pareados (ó pares coicidetes) Ejercicio (Juio 0). Apartado 3º. se propoe como ejercicio para el alumo cuado se estudie el tema relativo a Cotrates de hipótesis
91 3. ESTIMACIÓN DE LA VARIANZA Itervalo de cofiaza para la variaza poblacioal aálogamete a lo ya estudiado, puede obteerse itervalos de cofiaza para la variaza, co la media coocida ó descoocida, pero sólo cuado la variable aleatoria observada sigue ua distribució gaussiaa e el capítulo aterior se vio que: : tamaño muestral ( ) ŝ χ : variaza de la població ormal que se desea estimar ŝ : cuasivariaza muestral
92 3. ESTIMACIÓN DE LA VARIANZA Itervalo de cofiaza para la variaza poblacioal la distribució χ o es simétrica respecto al 0 χ P ( ) χ > χ α ; α P ( ) χ α χ > α ;
93 3. ESTIMACIÓN DE LA VARIANZA Itervalo de cofiaza para la variaza poblacioal se tiee que: sustitució: ( ) ŝ χ ( ) α χ χ χ α α ; ; P operado: ( ) ( ) α χ χ α α ; ; ŝ ŝ P
94 3. ESTIMACIÓN DE LA VARIANZA Itervalo de cofiaza para la variaza poblacioal tabla resume. Itervalo de cofiaza para Estimador Itervalo de cofiaza: (-α)00% Hipótesis adicioales població ormal µ descoocida ŝ ( ) ( ) α α χ χ ; ; ŝ, ŝ població ormal µ coocida ( ) x i i i µ ( ) ( ) α α χ µ χ µ ; i i i ; i i i x, x
95 3. ESTIMACIÓN DE LA VARIANZA Itervalo de cofiaza para el cociete de dos variazas poblacioales se cosidera dos poblacioes: població : variaza població : variaza para comparar las variazas de las dos poblacioes realiza iferecias sobre su cociete: la distribució muestral del aterior estimador es muy coocida cuado las muestras so aleatorias simples y extraídas de dos poblacioes ormales idepedietes
96 3. ESTIMACIÓN DE LA VARIANZA Itervalo de cofiaza para el cociete de dos variazas poblacioales bajo las hipótesis idicadas, se utiliza la distribució F de Fisher-Sedecor para obteer u itervalo de cofiaza para el estimador: ŝ ŝ F, α ;
97 3. ESTIMACIÓN DE LA VARIANZA Itervalo de cofiaza para el cociete de dos variazas poblacioales para establecer los límites del itervalo de cofiaza del estimador debe recordarse que: F, F, ; α F, ; α
98 3. ESTIMACIÓN DE LA VARIANZA Itervalo de cofiaza para el cociete de dos variazas poblacioales se tiee que: ( ) α α α ;,, ;, F F F P ŝ sustitució: operado: α ;, F ŝ α α α ;, ;, F ŝ ŝ F ŝ ŝ P
99 3. ESTIMACIÓN DE LA VARIANZA Itervalo de cofiaza para el cociete de dos variazas poblacioales tabla resume. Itervalo de cofiaza para Estimador Itervalo de cofiaza: (-α)00% Hipótesis adicioales poblacioes ormales µ, µ descoocidas ŝ ŝ α α ;, ;, F ŝ ŝ, F ŝ ŝ
100 4.ESTIMACIÓNDEUNAPROPORCIÓN Itervalo de cofiaza para ua proporció estimació de la proporció p de éxitos, es decir, la proporció p de idividuos de ua població que preseta ua determiada característica sea p la probabilidad descoocida de u determiado suceso, deomiado éxito, que puede ocurrir e u experimeto biomial sea cierta muestra {x, x,, x} de realizacioes idepedietes del experimeto, dode si se da el éxito: x i proporció de éxitos de la muestra: pˆ i x i
101 4.ESTIMACIÓNDEUNAPROPORCIÓN Itervalo de cofiaza para ua proporció tabla resume. Itervalo de cofiaza para p Estimador Itervalo de cofiaza: (-α)00% Hipótesis adicioales pˆ i i pˆ ( pˆ ) x i pˆ ± z α pˆ 4 ( pˆ ) 4
102 4.ESTIMACIÓNDEUNAPROPORCIÓN Itervalo de cofiaza para la diferecia de proporcioes de dos poblacioes sea dos experimetos biomiales idepedietes sea cosidera ua muestra de cada uo : muestra : tamaño muestra : tamaño proporció de éxitos de la muestra : proporció de éxitos de la muestra : pˆ i pˆ i i i x i x i
103 4.ESTIMACIÓNDEUNAPROPORCIÓN Itervalo de cofiaza para la diferecia de proporcioes de dos poblacioes tabla resume. Itervalo de cofiaza para p Estimador Itervalo de cofiaza: (-α)00% Hipótesis adicioales pˆ pˆ ( pˆ pˆ ) ± z pˆ ( pˆ ) pˆ ( pˆ ) α + ( pˆ ) 4 ( pˆ ) 4 4, pˆ 4, pˆ
Intervalos de Confianza basados en una muestra. Instituto de Cálculo
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky Hay dos razoes por las cuales el itervalo (6.63,.37) tiee mayor logitud que el obteido ateriormete (7.69, 0.3). la variaza
Más detallesProblemas de Estimación de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Problemas de Estimació de Ua y Dos Muestras UCR ECCI CI-35 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviaa Ramírez Beavides Iferecia Estadística La teoría de la iferecia estadística cosiste e aquellos
Más detallesINTERVALOS DE CONFIANZA
Gestió Aeroáutica: Estadística Teórica Facultad Ciecias Ecoómicas y Empresariales Departameto de Ecoomía Aplicada Profesor: Satiago de la Fuete Ferádez NTERVALOS DE CONFANZA Gestió Aeroáutica: Estadística
Más detallesCAPÍTULO 6 DISTRIBUCIONES MUESTRALES
CAPÍTULO 6 DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es coocer acerca del comportamieto de parámetros poblacioales tales como: la media ( μ ), la variaza ( ) o la proporció ( p ).
Más detallesEstadística Teórica II
tervalos de cofiaza Estadística Teórica NTERVALOS DE CONFANZA Satiago de la Fuete Ferádez 77 tervalos de cofiaza CÁLCULO DE NTERVALOS DE CONFANZA PARA LA MEDA CON DESVACÓN TÍPCA POBLACONAL CONOCDA Y DESCONOCDA.
Más detallesEjercicios de intervalos de confianza en las PAAU
Ejercicios de itervalos de cofiaza e las PAAU 2008 1 1.-El úmero de días de permaecia de los efermos e u hospital sigue ua ley Normal de media µ días y desviació típica 3 días. a)determiar u itervalo de
Más detallesIntervalo de confianza para µ
Itervalo de cofiaza para p y ˆp1 ˆp ˆp1 ˆp ˆp z 1 α/ ; ˆp + z 1 α/, 7.6 ˆp + z 1 α/ ± z 1 α/ 1 + z 1 α/ ˆp1 ˆp + z 1 α/ 4 7.7 siedo ˆp = x/ y z 1 α/ el cuatil 1 α/ de la distribució ormal estádar. El itervalo
Más detallesComo se ha podido apreciar en los módulos anteriores, La estadística trata con recolección de datos, su análisis e interpretación.
Uiversidad Técica Federico Sata María Departameto de Matemática Reato Allede Olivares 7. QUINTO MÓDULO 7. Iferecia Estadística Como se ha podido apreciar e los módulos ateriores, La estadística trata co
Más detallesMUESTREO Y ESTIMACIÓN ESTADÍSTICA
1 MUESTREO Y ESTIMACIÓN ESTADÍSTICA Muestreo. Métodos de muestreo Se llama població al cojuto de idividuos que posee cierta característica. Ua muestra es ua parte de esa població. Muestreo es el proceso
Más detallesn x i n y i = 0 ,..., x n u)... exp 1 y 1 y y n u . Demuestre que i=1 Y n
47 Capítulo 9 Propiedades de los estimadores putuales y métodos de estimació ii Demuestre que para que esta relació sea idepediete de p, debemos teer x i y i = 0 o x i = y i. iii De acuerdo co el método
Más detallesDISTRIBUCIÓN DE LA MEDIA MUESTRAL. (a) Las muestras de tamaño n obtenidas en una población de media y desviación típica,
1 MAJ04 DISTRIBUCIÓN DE LA MEDIA MUESTRAL 1. E u servicio de ateció al cliete, el tiempo de espera hasta recibir ateció es ua variable ormal de media 10 miutos y desviació típica 2 miutos. Se toma muestras
Más detalles12 I N F E R E N C I A E S T A D Í S T I C A II (CONTRASTE DE HIPÓTESIS)
12 I N F E R E N C I A E S T A D Í S T I C A II (CONTRASTE DE HIPÓTESIS) 1 Supogamos que ua variable aleatoria X sigue ua ley N(µ; =,9). A partir de ua muestra de tamaño = 1, se obtiee ua media muestral
Más detallesMedidas de Tendencia Central
1 Medidas de Tedecia Cetral La Media La media (o promedio) de ua muestra x 1, x,, x de tamaño de ua variable o característica x, se defie como la suma de todos los valores observados e la muestra, dividida
Más detallesPRUEBAS DE HIPOTESIS
PRUEBAS DE HIPOTESIS Es posible estimar u parámetro a partir de datos muestrales, bie sea ua estimació putual o u itervalo de cofiaza. Pero: Si mi objetivo o es estimar u parámetro, sio determiar el cumplimieto
Más detallesPrueba A = , = [ 7.853, 8.147]
PRUEBAS DE ACCESO A LA UNIVERSIDAD CURSO 5-6 - CONVOCATORIA: Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo debe
Más detallesTEMA 7. ESTIMACIÓN. 7.2. Estimación puntual. Propiedades deseables de los estimadores 7.2.1. Introducción y definiciones 7.2.2. Estimadores Insegados
TEMA 7. ETIMACIÓN 7.1. Itroducció y defiicioes 7.. Estimació putual. Propiedades deseables de los estimadores 7..1. Itroducció y defiicioes 7... Estimadores Isegados 7.3. Estimació por itervalos de cofiaza
Más detallesEstimación puntual y por intervalos de confianza
Ídice 6 Estimació putual y por itervalos de cofiaza 6.1 6.1 Itroducció.......................................... 6.1 6. Estimador........................................... 6. 6.3 Método de costrucció
Más detallesPara estimar su media poblacional (µ) se toma una muestra de 20 cigarrillos, las medias de la. σ 20
Modelo 04. Problema 5A.- (Calificació máxima: putos) El coteido e alquitrá de ua determiada marca de cigarrillos se puede aproximar por ua variable aleatoria co distribució ormal de media µ descoocida
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2013 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 013 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Juio, Ejercicio 4, Opció A Juio, Ejercicio 4, Opció B Reserva 1, Ejercicio 4, Opció
Más detallesConceptos generales de inferencia estadística. Estimación de parámetros. Intervalos de confianza.
FCEyN - Estadística para Química do. cuat. 006 - Marta García Be Coceptos geerales de iferecia estadística. Estimació de parámetros. Itervalos de cofiaza. Iferecia estadística: Dijimos e la primera clase
Más detallesQué es la estadística?
Qué es la estadística? La estadística tiee que ver co la recopilació, presetació, aálisis y uso de datos para tomar decisioes y resolver problemas. Qué es la estadística? U agete recibe iformació e forma
Más detallesMuestreo sistemático
Capítulo 1 Muestreo sistemático El muestreo sistemático es u tipo de muestreo que es aplicable cuado los elemetos de la població sobre la que se realiza el muestreo está ordeados Este procedimieto de muestreo
Más detallesMétodos Estadísticos de la Ingeniería Tema 9: Inferencia Estadística, Estimación de Parámetros Grupo B
Métodos Estadísticos de la Igeiería Tema 9: Iferecia Estadística, Estimació de Parámetros Grupo B Área de Estadística e Ivestigació Operativa Licesio J. Rodríguez-Aragó Abril 200 Coteidos...............................................................
Más detalles8. INTERVALOS DE CONFIANZA
8. INTERVALOS DE CONFIANZA Al estimar el valor de u parámetro de la distribució teórica, o se provee iformació sobre la icertidumbre e el resultado. Esa icertidumbre es producida por la dispersió de la
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E.
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E. CURSO 8-9 CONVOCATORIA: MATERIA: MATEMATICAS APLICADAS A LAS CC. SS. - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo debe respoder
Más detallesUnidad N 2. Medidas de dispersión
Uidad N 2 Medidas de dispersió Ua seguda propiedad importate que describe ua serie de datos uméricos es ua variació. La variació es la catidad de dispersió o propagació e los datos. Dos series de datos
Más detallesIES Fco Ayala de Granada Sobrantes de 2004 (Modelo 4) Solución Germán-Jesús Rubio Luna OPCIÓN A
IES Fco Ayala de Graada Sobrates de 004 (Modelo 4) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A ( putos) Sabemos que el precio del kilo de tomates es la mitad que el del kilo de care. Además, el
Más detallesImportancia de las medidas de tendencia central.
UNIDAD 5: UTILICEMOS MEDIDAS DE TENDENCIA CENTRAL. Importacia de las medidas de tedecia cetral. Cuado recopilamos ua serie de datos podemos resumirlos utilizado ua tabla de clases y frecuecias. La iformació
Más detallesTema 9. Introducción a la Inferencia Estadística. Presentación y Objetivos. Esquema Inicial. Probabilidades y Estadística I
Tema 9. Itroducció a la Iferecia Estadística Presetació y Objetivos. La iferecia utiliza el leguaje de la probabilidad para sacar coclusioes de los datos y acompañar esas coclusioes por ua declaració formal
Más detallesMuestreo e Intervalos de Confianza
Muestreo e Itervalos de Cofiaza PROBLEMAS DE SELECTIVIDAD RESUELTOS MUESTREO E INTERVALOS DE CONFIANZA 1) E ua població ormal co variaza coocida se ha tomado ua muestra de tamaño 49 y se ha calculado su
Más detallesOPCIÓN A EJERCICIO 1_A
IES Fco Ayala de Graada Sobrates de 2001 (Modelo 4) Euciado Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 0-1 2 1 ( putos) Resuelva la siguiete ecuació matricial: A X - 2 B C, siedo A 1 0 1, B -2, C. 1
Más detallesDistribuciones de probabilidad
Distribucioes de probabilidad 1. Variable aleatoria real: Ejemplo: Ua variable aleatoria X es ua fució que asocia a cada elemeto del espacio muestral E u úmero X: E ú Cosideremos el experimeto aleatorio
Más detallesMEDIDAS DE TENDENCIA CENTRAL. _ xi
EDIDAS DE TENDENCIA CENTRAL. EDIA ARITÉTICA. Es la medida más coocida y tambié es llamada promedio se obtiee sumado todos los valores de la muestra o població, dividida etre el total de elemetos que cotiee
Más detallesDepartamento Administrativo Nacional de Estadística
Departameto Admiistrativo acioal de Estadística Direcció de Regulació, Plaeació, Estadarizació y ormalizació -DIRPE- Especificacioes de Coeficiete y Variaza Ecuesta de Cosumo Cultural Julio 008 ESPECIFICACIOES
Más detallesT ema 8 ESTIMACIÓN. Conceptos previos. Población y muestra:
T ema 8 ESTIMACIÓN Coceptos previos Població y muestra: Població se refiere al cojuto total de elemetos que se quiere estudiar ua o más características. Debe estar bie defiida. Llamaremos N al úmero total
Más detallesCapítulo II Estimación de parámetros
Capítulo II Estimació de parámetros Estimació putual de parámetros Explicaremos el tópico de la estimació putual de parámetros, usado el siguiete ejemplo. La Tabla Nº. cotiee iformació de los salarios
Más detallesModelos lineales en Biología, 5ª Curso de Ciencias Biológicas Clase 28/10/04. Estimación y estimadores: Distribuciones asociadas al muestreo
Modelos lieales e Biología, 5ª Curso de Ciecias Biológicas Clase 8/10/04 Estimació y estimadores: Distribucioes asociadas al muestreo Referecias: Cualquiera de los textos icluidos e la bibliografía recomedada
Más detallesOPCIÓN A EJERCICIO 1_A
IES Fco Ayala de Graada Sobrates de 005 (Modelo 4) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 1 3 (1 puto) Sea las matrices A= 0 1 y B = 1-1 - 0 1 1 De las siguietes operacioes, alguas o se puede
Más detallesTema 6: Distribuciones Muestrales
Tema 6: Distribucioes Muestrales El objetivo es efectuar ua geeralizació de los resultados de la muestra a la població. Iferir o adiviar el comportamieto de la població a partir del coocimieto de ua muestra.
Más detalles1 Valores individuales del conjunto
5/03/00 METROLOGÍA ESTADÍSTICA ANÁLISIS DE DATOS Cuado se obtiee uo o más grupos de datos, producto de repeticioes i e ua medida, la mejor forma de represetarlas, es mediate las Medidas de tedecia cetral
Más detallesEstimación puntual y por Intervalos de Confianza
Capítulo 7 Estimació putual y por Itervalos de Cofiaza 7.1. Itroducció Cosideremos ua v.a X co distribució F θ co θ descoocido. E este tema vemos cómo dar ua estimació putual para el parámetro θ y cómo
Más detallesMEDIDAS DE DISPERSIÓN.
MEDIDA DE DIPERIÓN. Las medidas de tedecia cetral solamete da ua medida de la localizació del cetro de los datos. Co mucha frecuecia, es igualmete importate describir la forma e que las observacioes está
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 6 Aula + Laboratorio
26 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 6 Aula + Laboratorio 1. Los siguietes valores so medicioes del peso (e miles de toeladas) de grades taques de petróleo. 229, 232, 239, 232, 259, 361, 220, 260,
Más detallesTema 7: Estimación por intervalos de confianza.
Estadística 69 Tema 7: Estimació por itervalos de cofiaza. 7. Itroducció. Cuado tratamos la estimació putual, uo de los problemas que se platearo es que el valor de la estimació es sólo uo de los valores
Más detallesFÍSICA GENERAL 2º CUATRIMESTRE 2014 TT.PP. LABORATORIOS- TEORIA DE ERRORES. (Algunos conceptos importantes)
FÍSICA GENERAL 2º CUATRIMESTRE 2014 TT.PP. LABORATORIOS- TEORIA DE ERRORES (Alguos coceptos importates) 1. Error de apreciació. Lo primero que u experimetador debe coocer es la apreciació del istrumeto
Más detallesINTRODUCCIÓN A LA PROBABILIDAD
INTRODUIÓN L PROBBILIDD EXPERIMENTOS LETORIOS Y DETERMINISTS Los experimetos o feómeos cuyo resultado o puede coocerse hasta haber realizado la experiecia se llama aleatorios o estocásticos. uado el resultado
Más detallesOPCIÓN A EJERCICIO 1_A 1 0 2
IES Fco Ayala de Graada Sobrates de 007 (Modelo 6) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 1 0 - Sea las matrices A, B - 1 0 5 (1 5 putos) Calcule B.B t - A.A t (1 5 putos) Halle la matriz
Más detallesDISTRIBUCIONES DE PROBABILIDAD. DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL.
DISTRIBUCIONES DE PROBABILIDAD. DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL. E estadística, la distribució biomial es ua distribució de probabilidad discreta que mide el úmero de éxitos e ua secuecia de esayos
Más detallesTeorema del límite central
Teorema del límite cetral Carles Rovira Escofet P03/75057/01008 FUOC P03/75057/01008 Teorema del límite cetral Ídice Sesió 1 La distribució de la media muestral... 5 1. Distribució de la media muestral
Más detalles2 CARTAS DE CONTROL POR ATRIBUTOS
2 CARTAS DE CONTROL POR ATRIBUTOS Cualquier característica de calidad que pueda ser clasificada de forma biaria: cumple o o cumple, fucioa o o fucioa, pasa o o pasa, coforme o discoforme defectuoso, o
Más detallesIES Fco Ayala de Granada Sobrantes de 2005 (Modelo 3) Solución Germán-Jesús Rubio Luna OPCIÓN A
IES Fco Ayala de Graada Sobrates de 005 (Modelo 3) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO _A ( putos) Dibuje el recito defiido por las siguietes iecuacioes: + y 6; 0 y; / + y/3 ; 0; ( puto) Calcule
Más detallesProbabilidad y estadística
Probabilidad y estadística MEDIDAS DE TENDENCIA CENTRAL, MEDIDAS DE DISPERSIÓN, GRÁFICAS, E INTERPRETANDO RESULTADOS Prof. Miguel Hesiquio Garduño. Est. Mirla Beavides Rojas Depto. De Igeiería Química
Más detallesCombinatoria y definiciones básicas de probabilidad
Combiatoria y defiicioes básicas de probabilidad Defiicioes de probabilidad Probabilidad como ituició Probabilidad como la razó de resultados favorables Probabilidad como medida de la frecuecia de ocurrecia
Más detallesEstimación puntual y por intervalos
0/1/011 Aálisis de datos gestió veteriaria Estimació putual por itervalos Departameto de Producció Aimal Facultad de Veteriaria Uiversidad de Córdoba Córdoba, 30 de Noviembre de 011 Estimació putual por
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA DISTRIBUCIÓN DE FRECUENCIAS, HISTOGRAMA, POLIGONO Y ESTADÍSITICOS DE TENDENCIA CENTRAL, DISPERSIÓN, ASIMETRÍA Y CURTOSIS. Prof.: MSc. Julio R. Vargas I. Las calificacioes fiales
Más detallesTEMA 6. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
TEMA 6. INTRODUCCIÓN A LA INFERENCIA ETADÍTICA 6.. Itroducció 6.. Coceptos básicos 6.3. Muestreo aleatorio simple 6.4. Distribucioes asociadas al muestreo 6.4.. Distribució Chi-Cuadrado 6.4.. Distribució
Más detallesTema 9. Inferencia Estadística. Intervalos de confianza.
Tema 9. Iferecia Estadística. Itervalos de cofiaza. Idice 1. Itroducció.... 2 2. Itervalo de cofiaza para media poblacioal. Tamaño de la muestra.... 2 2.1. Itervalo de cofiaza... 2 2.2. Tamaño de la muestra...
Más detallesIntervalos de Confianza para la diferencia de medias
Itervalo de Cofiaza para la diferecia de media INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE MEDIAS Sea,,..., ua muetra aleatoria de obervacioe tomada de ua primera població co valor eperado μ, y variaza
Más detallesCalculamos los vértices del recinto resolviendo las ecuaciones las rectas de dos en dos.
IES Fco Ayala de Graada Sobrates de 008 (Modelo 6) Germá-Jesús Rubio Lua SELETIVIDAD ANDALUÍA MATEMÁTIAS SS SOBRANTES 008 (MODELO 6) OPIÓN A EJERIIO 1_A (3 putos) Ua empresa produce botellas de leche etera
Más detallesProbabilidad y Estadística. Introducción a la Inferencia Estadística. Raúl D. Katz 2013
Probabilidad y Estadística Itroducció a la Iferecia Estadística Raúl D. Katz 013 Ídice 1. Itroducció 3. Muestreo 3.1. Muestras aleatorias simples.................................... 4 3. Iferecia estadística
Más detalles4 Contrastes del Chi 2 de bondad del ajuste
4 Cotrastes del Chi de bodad del ajuste U cotraste de bodad del ajuste es de la forma o H 0 : P = P 0 frete a H 1 : P P 0 H 0 : P {P θ } θ Θ frete a H 1 : P / {P θ } θ Θ 4.1 Cotraste del χ para modelos
Más detallesGLOSARIO ESTADÍSTICO. Fuente: Murray R. Spiegel, Estadística,, McGraw Hill.
GLOSARIO ESTADÍSTICO Fuete: Murray R. Spiegel, Estadística,, McGraw Hill. CONCEPTOS Y DEFINICIONES ESPECIALES Es el estudio cietífico de los La estadística posee tres campos métodos para recoger, orgaizar,
Más detallesUNIDAD III. PRUEBAS DE HIPÓTESIS 3.6 Prueba para diferencia de proporciones
UNIDAD III. PRUEBAS DE HIPÓTESIS 3.6 Prueba para diferecia proporcioes E alguos diseños ivestigació, el pla muestral requiere seleccioar dos muestras ipedietes, calcular las proporcioes muestrales y usar
Más detallesSobrantes de 2004 (Septiembre Modelo 3) Soluciones Germán-Jesús Rubio Luna OPCIÓN A
OPCIÓN A EJERCICIO 1_A (3 putos) Ua pastelería elabora dos tipos de trufas, dulces y amargas Cada trufa dulce lleva 20 g de cacao, 20 g de ata y 30 g de azúcar y se vede a 1 euro la uidad Cada trufa amarga
Más detallesMuestreo. Tipos de muestreo. Inferencia Introducción
Germá Jesús Rubio Lua Catedrático de Matemáticas del IES Fracisco Ayala Muestreo. Tipos de muestreo. Iferecia Itroducció Nota.- Puede decirse que la Estadística es la ciecia que se preocupa de la recogida
Más detallesEL CONTRASTE DE HIPOTESIS: Esquemas y ejemplos
EL CONTRASTE DE HIPOTESIS: Esquemas y ejemplos Ua vez expuesta la lógica de u Cotraste de Hipótesis y tras haber defiido los térmios y coceptos ivolucrados, hay que decir que esa lógica geeral se cocreta
Más detallesTeoría de muestras INTRODUCCIÓN A LA TEORÍA DE MUESTRAS
Teoría de muestras INTRODUCCIÓN A LA TEORÍA DE MUESTRAS Cuado se lleva a cabo ua ivestigació estadística, se pretede realizar algua iferecia acerca de situacioes aparetemete ifluidas por el azar. Por ejemplo,
Más detallesTrabajo Especial Estadística
Estadística Resolució de u Problema Alumas: Arrosio, Florecia García Fracaro, Sofía Victorel, Mariaela FECHA DE ENTREGA: 12 de Mayo de 2012 Resume Este trabajo es ua ivestigació descriptiva, es decir,
Más detallesIES Fco Ayala de Granada Modelo 2 del 2015 (Soluciones) Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO 2 DEL 2015 OPCIÓN A
IES Fco Ayala de Graada Modelo del 015 (Solucioes) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO DEL 015 OPCIÓN A EJERCICIO 1 (A) 1-1 Sea las matrices A = 0 1-1, B = 1 1, C = ( 1),
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA.
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA. Població: El cojuto de todos los elemetos o idividuos que posee ua determiada característica o cualidad de iterés. Existe situacioes e las que o es posible aalizar
Más detallesESTADISTICA UNIDIMENSIONAL
ESTADISTICA UIDIMESIOAL La estadística estudia propiedades de ua població si recurrir al sufragio uiversal. El estudio estadístico tiee dos posibilidades (1) Describir lo que ocurre e la muestra mediate
Más detallesINTRODUCCIÓN A LA ESTADÍSTICA
INTRODUCCIÓN A LA ESTADÍSTICA DIRECCIÓN DE LA PRODUCCIÓN Por: LUIS ARENCIBIA SÁNCHEZ www.laformacio.com - www.libroelectroico.et 1 Ídice. 1. Cotrol estadístico de calidad.. Datos..1. Presetació de datos...
Más detallesSeries de potencias. Desarrollos en serie de Taylor
Capítulo 9 Series de potecias. Desarrollos e serie de Taylor E la represetació (e icluso e la costrucció) de fucioes, desempeña u papel especialmete destacado cierto tipo de series, deomiadas series de
Más detallesTema 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD. X- μ. f(x) = e para - < x < Z 2. . e para - < z <
Tema 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD La distribució ormal: La distribució ormal, campaa de Gauss o, curva ormal, tambié defiida por De Moivre. Características y propiedades: La siguiete fórmula
Más detallesORGANIZACIÓN DE LOS DATOS.
ORGANIZACIÓN DE LOS DATOS. La toma de datos es ua de las partes de mayor importacia e el desarrollo de ua ivestigació. Así los datos obteidos mediate u primer proceso recibe el ombre de datos si tratar
Más detallesBIOESTADISTICA (55-10536) Estudios de prevalencia (transversales) 1) Características del diseño en un estudio de prevalencia, o transversal.
Departameto de Estadística Uiversidad Carlos III de Madrid BIOESTADISTICA (55-10536) Estudios de prevalecia (trasversales) CONCEPTOS CLAVE 1) Características del diseño e u estudio de prevalecia, o trasversal
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2009 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 009 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Juio, Ejercicio 3, Parte II, Opció A Juio, Ejercicio 3, Parte II, Opció B Reserva
Más detallesFUNDAMENTOS FÍSICOS DE LA INGENIERIA SESIÓN DE PRÁCTICAS 0
DEPARTAMENTO DE FÍSICA APLICADA ESCUELA TÉCNICA SUPERIOR DE INGENIEROS AGRÓNOMOS Y DE MONTES UNIVERSIDAD DE CÓRDOBA FUNDAMENTOS FÍSICOS DE LA INGENIERIA SESIÓN DE PRÁCTICAS 0 1. Itroducció al cálculo de
Más detallesMuestreo Estratificado.
Muestreo Estratificado. 1.- Itroducció: Para aplicar este diseño, se precisa que la població esté dividida e subpoblacioes, estratos, que o se solape. Se seleccioa ua muestra probabilística e cada estrato
Más detalles2. MODELOS PROBABILISTICOS
. MODELOS PROBABILISTICOS. Fucioes de Probabilidad.. Variable Discreta U modelo probabilístico de u experimeto requiere asociar u valor de probabilidad a cada puto del espacio muestral. E el caso de las
Más detalles7.2. Métodos para encontrar estimadores
Capítulo 7 Estimació putual 7.1. Itroducció Defiició 7.1.1 U estimador putual es cualquier fució W (X 1,, X ) de la muestra. Es decir, cualquier estadística es ua estimador putual. Se debe teer clara la
Más detallesLímite y Continuidad de Funciones.
Límite Cotiuidad de Fucioes. Eleazar José García. eleagarcia9@hotmail.com. Límite de ua fució.. Defiició de límite de ua fució.. Ifiitésimo.. Ifiitésimos equivalete.. Límite por la izquierda.. Límite por
Más detallesEstadístico. Parámetro
La iferecia estadística comprede el establecer ciertos juicios co respecto a algo después de examiar solamete ua parte o muestra de ello. Así, se ofrece ua muestra gratis de u uevo producto alimeticio
Más detallesEstadística para Química - 1er. cuat. 2007 - Marta García Ben
Ej. 1 Podriamos cosiderar S={0,1,} (los resultados o sería igualmete probables). Pero tambie podemos defiir S={CC,CS,SC,SS} describiedo todos los resultados de tirar dos moedas y luego asociar CC, CS 1,
Más detallesIntervalos de confianza para la media
Itervalos de cofiaza para la media Ejercicio º 1.- Las vetas diarias, e euros, e u determiado comercio sigue ua distribució N(950, 200). Calcula la probabilidad de que las vetas diarias e ese comercio:
Más detallesMétodo de máxima verosimilitud. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Método de máxima verosimilitud Curso de Estadística TAE,2005 J.J. Gómez Cadeas Muestras Cosiderar ua variable aleatoria x descrita por la pdf f(x). El espacio de muestras está costituido por todos los
Más detallesINTERÉS SIMPLE COMO FUNCIÓN LINEAL.
INTERÉS SIMPLE COMO FUNCIÓN LINEAL. EJERCICIOS PROPUESTOS. 1.- Grafica las fucioes Moto e Iterés: a) C = + 0, co C e miles de pesos ; : meses y R. Para graficar estar fucioes, debemos dar valores a, por
Más detallesEstimador Es la regla o procedimiento, expresado en general por medio de una fórmula, que se utiliza para deducir la estimación.
Teoría de la Estimació Estadística Teoría de la Estimació Estadística Razó para estimar Los admiistradores utiliza las estimacioes porque se debe tomar decisioes racioales, si que tega la iformació pertiete
Más detallesProbabilidad. Departamento de Análisis Matemático Universidad de La Laguna. 1. Introducción 1
Probabilidad BENITO J. GONZÁLEZ RODRÍGUEZ (bjglez@ull.es) DOMINGO HERNÁNDEZ ABREU (dhabreu@ull.es) MATEO M. JIMÉNEZ PAIZ (mjimeez@ull.es) M. ISABEL MARRERO RODRÍGUEZ (imarrero@ull.es) ALEJANDRO SANABRIA
Más detalles6. Sucesiones y Series numéricas Series numéricas DEFINICIONES Y PROPIEDADES
6. Sucesioes y Series uméricas 6.2. Series uméricas 6.2.. DEFINICIONES Y PROPIEDADES Series de úmeros reales Se llama serie umérica o de úmeros reales a la suma idicada de los ifiitos térmios de ua sucesió:
Más detalles11 I N F E R E N C I A E S T A D Í S T I C A I (INTERVALOS DE CONFIANZA)
I N F R N C I A S T A D Í S T I C A I (INTRVALOS D CONFIANZA) Sea Ω ua població y sobre ella ua variable aleatoria X que sigue ua ley ormal N(µ; ), co media µ descoocida y desviació típica coocida. Co
Más detallesCRIPTOGRAFIA BASICA Y SISTEMAS DE ECUACIONES LINEALES
MATEMÁTICA I - 0 - Capítulo 6 ------------------------------------------------------------------------------------ CRIPTOGRAFIA BASICA Y SISTEMAS DE ECUACIONES LINEALES Las matrices iversas se puede usar
Más detallesTest de Kolmogorov Smirnov Patricia Kisbye El test chi-cuadrado en el caso continuo
Test de Kolmogorov Smirov Técicas de validació estadística Bodad de auste Kolmogorov-Smirov Patricia Kisbye FaMAF 29 de mayo, 2008 Icoveiete: No es secillo costruir los itervalos a partir de las probabilidades.
Más detalles16 Distribución Muestral de la Proporción
16 Distribució Muestral de la Proporció 16.1 INTRODUCCIÓN E el capítulo aterior hemos estudiado cómo se distribuye la variable aleatoria media aritmética de valores idepedietes. A esta distribució la hemos
Más detallesTest de Wilcoxon de rangos signados
5 Elea J. Martíez do cuat. 0 Test de Wilcoxo de ragos sigados Hemos visto que, co míimas hipótesis sobre la distribució subyacete (úica mediaa y distribució cotiua), el test del sigo es UMP para las hipótesis
Más detallesConvolución. Dr. Luis Javier Morales Mendoza. Procesamiento Digital de Señales Departamento de Maestría DICIS - UG
Covolució Dr. Luis Javier Morales Medoza Procesamieto Digital de Señales Departameto de Maestría DICIS - UG Ídice.. Itroducció... Aálisis de Sistemas Discretos Lieales e Ivariates e el Tiempo.... Técicas
Más detallesLicenciatura en Matemáticas Febrero 2011. x(1 x) θ 1 I [0,1] (x). (1)
Estadística I Exame Liceciatura e Matemáticas Febrero 2011 1. Sea X 1,..., X ua muestra aleatoria de ua variable X co distribució Beta de parámetros 2 y θ > 0. Esto último sigifica que la fució de desidad
Más detallesTeorema del Muestreo
Teorema del Muestreo Dr. Luis Javier Morales Medoza Procesamieto Digital de Señales Departameto de Maestría DICIS - UG Ídice 1.1. Itroducció 1.2. Coversió aalógico-digital y digital-aalógico 1.3. Proceso
Más detallesESTADÍSTICA BÁSICA. Discretas. Función de masa de probabilidad: P(X=x i ) Sólo se toma un conjunto finito valores {x 1, x 2,...}
ESTADÍSTICA BÁSICA 1.) Coceptos básicos: Estadística: Es ua ciecia que aaliza series de datos (por ejemplo, edad de ua població, altura de u equipo de balocesto, temperatura de los meses de verao, etc.)
Más detallesLECTURA 04: INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL. INTERVALOS DE CONFIANZA ENTRE DOS MEDIAS POBLACIONALES.
ECTURA 4: INTERVAOS DE CONFIANZA PARA A MEDIA POBACIONA. INTERVAOS DE CONFIANZA ENTRE DOS MEDIAS POBACIONAES. TEMA 8: INTERVAOS DE CONFIANZA: INTRODUCCIÓN Y DEFINICIÓN. INTRODUCCION: Actualmete e debe
Más detalles