14. Contrastes no paramétricos
|
|
- Adolfo Rojas Aguirre
- hace 6 años
- Vistas:
Transcripción
1 14. Contrastes no paramétrcos 1
2 Contrastes no paramétrcos En la leccón anteror nos hemos ocupado de contrastes paramétrcos. Determnábamos la plausbldad de certas hpótess sobre los valores de parámetros poblaconales. Los contrastes no paramétrcos hacen referenca a la dstrbucón poblaconal en su conjunto: (1) Cómo podemos decdr a partr de una muestra s la poblacón sgue ( ajusta ) a una determnada dstrbucón dada (problema de bondad de ajuste). () Estas muestras provenen de poblacones con la msma dstrbucón? (problema de la homogenedad). (3) Son ndependentes o dependentes varas característcas poblaconales?
3 Prueba de bondad de ajuste χ Supongamos una muestra aleatora smple de tamaño n. Desconocemos que la dstrbucón de probabldad f de la poblacón. Contrastaremos la hpótess: H 0 : f f 0 y H 1 : f f 0 Es decr: queremos contrastar s la dstrbucón desconocda f de la poblacón es f 0, que conocemos completamente (por ejemplo, una dstrbucón de Posson determnada). Usaremos la dstrbucón ch-cuadrado para determnar la bondad de ajuste entre las frecuencas observadas de los datos de la muestra, frecuencas muestrales, y las frecuencas esperadas (teórcas) según la dstrbucón que sospechamos es la de la poblacón. 3
4 Procedmento: (1) Dvdmos el domno completo de la dstrbucón teórca f 0 en k clases o ntervalos dsjuntos. Calculamos el número de datos esperados, según la dstrbucón teórca a contrastar f 0, que deberían haber caído en cada clase. Para ello basta multplcar la probabldad que asgna f 0 a cada clase por n, el tamaño muestral. Hemos de construr las clases de modo que cada una contenga al menos 5 datos muestrales. Tenemos pues: A 1, A,...,A k clases con n 1 esp, n esp,...,n k esp datos muestrales en cada clase, donde todos valores tenen que ser mayores o guales a 5. 4
5 Ejemplo: Durante 00 días se han recogdo el número de accdentes de tráfco daros: Número de accdentes Número de días (1) Creemos que el número de accdentes se dstrbuye como una Posson de meda (hpótess nula). Núm. de accdentes N. esperado de días 7,06 54,14 54,14 36,08 18,04 10,54 P( x Calculamos los valores esperados a través de la Posson. 6) e 6 6! 0.01; Aquí la probabldad será de 5 a nfnto..41 5
6 Procedmento: () Ahora construmos las msmas k clases o ntervalos dsjuntos para los datos muestrales. Tendremos tambén: A 1, A,...,A k clases con n 1, n,...,n k datos muestrales en cada clase. Estos son los datos orgnales: Número de accdentes Número de días Ajustamos al número de clases que nos determnó la dstrbucón a contrastar. Número de accdentes Número de días
7 Realzaremos el test de constraste utlzando el estadístco ch-cuadrado sguente: Frecuencas muestrales χ k 1 ( ) n Eˆ que sgue una dstrbucón ch-cuadrado con k-1 grados de lbertad. En nuestro ejemplo tenemos k 6 clases. Luego: Eˆ Frecuencas esperadas χ 6 1 ( n Eˆ Eˆ ) ( 7.06) ( )
8 Nuestro estmador ch-cuadrado vale: χ.307 El estmador se dstrbuye como: χ k 1 χ6 1 χ5 Supongamos que queremos: 0.05 α 0.05 En las tablas encontramos: χ 5, χ 5, χ.307 < No podemos rechazar H 0 8
9
10
11
12
13 Hpótess compuesta Prmero estmaremos por el método de máxma verosmltud el valor del parámetro θ: n ( ) 1 1 x L(x,...,x, θ) f x, θ e θ 1 n θ n 1 Ln L(x 1,...,x n, θ) nlnθ 1 θ n 1 x 13
14 0 ˆ ˆ ˆ ) 1 ˆ 0 1 ) 3 ˆ 1 3 ˆ < + θ θ θ θ θ θ θ θ θ θ θ θ n n x n θ, θ,...,x Ln L(x x n x n θ, θ,...,x Ln L(x n n n n n 14
15 Duracón # bombllas n x El valor estmado de θ será: n x θˆ 0.67 n 15
16 Ahora calculamos las probabldades esperadas: b 1 / ˆ / ˆ / ˆ ˆ ( < < ) x θ a θ b θ p P a x b e dx e e a ˆ θ Por ejemplo : pˆ e 1 P(0 < x 0/ 0.67 e < 00) 00/ e x / 0.67 Duracón # bombllas n x dx Aquí la probabldad será de 500 a nfnto. pˆ
17 Y a partr de ellas podemos calcular los valores esperados de las muestras: Eˆ npˆ Por ejemplo Eˆ npˆ ( ) : Duracón # bombllas n x pˆ Eˆ nˆ p
18 Como la penúltma categoría da un valor menor que 5, unmos las dos últmas: 1 Duracón # bombllas n x pˆ Eˆ nˆ p χ 4 1 ( n Eˆ Eˆ ) ( ) (1 7.30)
19 Nuestro estmador ch-cuadrado vale: χ 5.08 El estmador se dstrbuye como: χ ν k 1 χ4 1 1 χ χ, χ, Esta es la dferenca fundamental con el caso anteror. Al número de clases k hay que restarle 1 y el número de parámetros que prevamente hemos estmado. En este caso: ν 1. χ 5.08 < 5.99 No podemos rechazar H 0 19
20 0
21 1
22 Intelgenca colectva Los Borg en Star Trek
23 El públco presente corre los 100 metros lsos. Habrá una mejor marca. Ahora, el promedo, estará por encma o por debajo?
24 La nota meda, el salaro medo, la altura meda,... parece, que en general, promedo es gual a medocrdad. Sn embargo, en la toma de decsones o en las estmacones, a veces, el promedo colectvo puede ser excelente.
25 Veamos un ejemplo: Quén quere ser mllonaro? Opcón de llamada Opcón del públco Acertan el 65% de las veces. Acertan el 90% de las veces.
26 Un expermento clásco de ntelgenca de grupo Cuántos caramelos hay en el tarro? En el tarro había 153 caramelos. Grupo de 53 estudantes. La meda fue de 143, un error de un 6 por cento.
27 Estmar el peso y la edad de tres de nuestros colaboradores solamente por su voz en antena Neves Concostrna 45 años meda: 50. Pancraco Celdrán 65 años meda: 58. Jose Manuel Sánchez 56 años meda: 5. Neves 69 klos estmaron 66 klos Pancraco 69 klos estmaron 75 klos Jose Manuel 83 klos estmaron 8 klos. Hubo nueve personas que hceron mejor estmacón, en valor absoluto que la meda del grupo.
28 Estmar el peso y la edad de tres de nuestros colaboradores solamente por su voz en antena S sumamos los pesos de Neves, Pancraco y el comsaro, tenemos 1 klos y la meda es 3: sólo klos de más! Y s sumamos las edades, el resultado es de 166, cuando el grupo estmó 160: 6 años de menos. Tomando así las cosas, nade en partcular se acercó más que la meda. Y s nos nventamos los klo-años, el total sería de 387 klo-años y el grupo djo 383: solo 4 klo-años menos!
29 En certo modo, cada membro del colectvo contrbuye con nformacón fetén + error, y en el promedo, los errores se compensan. De modo que, dadas las crcunstancas adecuadas, los grupos manfestan una ntelgenca notable, con frecuenca superando a sus membros más ntelgentes o nformados.
30 Se está usando este conocmento para mejorar los resultados en alguna actvdad? Todos conocemos los sondeos de ntencón de voto a pe de urna. A partr de esa muestra se hace una predccón del resultado de las eleccones. Exste una alternatva que utlza la sabduría colectva: consste en preguntar a un conjunto de personas, no qué van a votar, sno que predgan qué votará el conjunto del país. En Internet pueden encontrar los resultados de algunos expermentos. Tenen que buscar por IEM, Iowa Electronc Markets. Y comprobarán que sorprendentemente las predccones del colectvo son mejores que las cláscas encuestas.
31 Exstrá algo así como creatvdad artístca colectva? Karaoke
32 Exstrá algo así como creatvdad artístca colectva? Karaoke Experto en cocna marítma de los No me pses que llevo chanclas.
33 Ana Sergo Pablo Grupo
34 ... con Kevn McCourt (1) Cuadros colectvos () Relatos colectvos A C B
35 Prueba de homogenedad Supongamos que dsponemos de los datos de m muestras aleatoras y deseamos saber s podemos decdr s provenen de la msma dstrbucón poblaconal. Tamaño total de todas las muestras. n n + n n m Tamaño de la muestra m. Nuevamente hemos de dvdr el conjunto de observacones en k clases: A 1, A,...,A k clases determnadas por los valores esperados (en cada clase, todos valores mayores o guales a 5). Pero ahora lo haremos m veces. 35
36 El estadístco de contraste será ahora: Frecuenca muestral de la clase j de la muestra χ m k 1 j 1 n j Suma de las frecuencas muestrales de todas las clases número Eˆ Eˆ Eˆ Eˆ n n total total Número total de elementos de la muestra El estadístco segurá una dstrbucón ch-cuadrado de (m-1)(k-1) grados de lbertad. 36
37 37
38 Prueba de ndependenca Supongamos que de n elementos de una poblacón se han observado dos característcas X e Y. Es decr: dsponemos de los datos de una muestra aleatora smple bdmensonal: ( x, y ),(, 1 x y ),...,( x, n y 1 n ) Deseamos contrastar s las característcas poblaconales X e Y son ndependentes o no. Nuevamente hemos de dvdr el conjunto de observacones en k clases: A 1, A,...,A k clases determnadas por los valores esperados de X y en r clases: B 1, B,...,b r para Y. (De nuevo en cada clase, todos valores mayores o guales a 5) 38
39 El estadístco de contraste será ahora: Frecuenca muestral de la clase (, j) (X,Y). χ k r 1 j 1 n j Eˆ Número total de elementos de la clase de X con el resto de clases de Y Eˆ total total Eˆ n Eˆ n total j Número total de elementos de la clase j de Y con el resto de clases de X total j El estadístco segurá una dstrbucón ch-cuadrado de (k-1)(r-1) grados de lbertad. 39
40 40
41 Contraste de Kolmogorov-Smrnov El contraste K-S de bondad de ajuste es váldo solo para dstrbucones contnuas. (1) Se ordenan los n valores muestrales: x n x x... 1 () Se calcula la dstrbucón empírca de la muestra: + < n r r n x x x x x n r x x x F 1 1 / 0 ) ( 1 41
42 Se calcula la dscrepanca máxma, que será el estmador que usaremos, entre la funcón de dstrbucón empírca que acabamos de calcular y la dstrbucón teórca F 0 que estamos contrastando: n máx F ( x) F ( x) 0 n cuya dstrbucón es conocda y tenemos tabulada según los valores de n. 4
43
44
45
46
47
48
49
50 50
51 51
52 5
53 53
54 54
55 55
LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesCapítulo 12 CONTRASTES NO PARAMÉTRICOS
Capítulo 1 CONTRASTES NO PARAMÉTRICOS 1.1 Introduccón 1. Contrastes de ajuste a una dstrbucón teórca 1..1 Contrastes basados en la dstrbucón de frecuencas muestral 1..1.1 El contraste ch-cuadrado, χ. 1..1.
Más detallesContraste de Hipótesis
. CONTRSTE DE HIPÓTESIS.1. Introduccón.. Contraste de una hpótess estadístca.3. Test unlateral y blateral.4. Test relaconados con una sola meda (varanza conocda).5. Relacón con la estmacón del ntervalo
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesLECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA
LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas
Más detalles1. Lección 7 - Rentas - Valoración (Continuación)
Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento
Más detallesTeoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios
Teoría de Modelos y Smulacón Enrque Eduardo Tarfa Facultad de Ingenería - Unversdad Naconal de Jujuy Generacón de Números Aleatoros Introduccón Este capítulo trata sobre la generacón de números aleatoros.
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesVida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad
Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA 1. S A es un suceso de probabldad 0.3, la probabldad de su suceso contraro es: a) 0. b) 1.0 c) 0.7 (Convocatora juno 006. Eamen tpo H) S A es un suceso, la probabldad de su suceso
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesBloque 5. Probabilidad y Estadística Tema 2. Estadística descriptiva Ejercicios resueltos
Bloque 5. Probabldad y Estadístca Tema. Estadístca descrptva Ejerccos resueltos 5.-1 Dada la sguente tabla de ngresos mensuales, calcular la meda, la medana y el ntervalo modal. Ingresos Frecuenca Menos
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesLIBRO DE PRÁCTICAS DEL SEGUNDO SEMESTRE ESTADISTICA II CURSO 2009 CONTENIDO
LIBRO DE PRÁCTICAS DEL SEGUNDO SEMESTRE ESTADISTICA II CURSO 009 CONTENIDO PRÁCTICA 9: PROPIEDADES DESEABLES DE LOS ESTIMADORES... PRÁCTICA 0: ESTIMACIÓN PUNTUAL... 5 PRÁCTICA : ESTIMACIÓN POR INTERVALO...
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesRegresión y correlación simple 113
Regresón y correlacón smple 113 Captulo X ANALISIS DE REGRESION Y CORRELACION El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesTema 1: Análisis de datos unidimensionales
Tema : Análss de datos undmensonales. Varables estadístcas undmensonales. Representacones gráfcas.. Característcas de las dstrbucones de frecuencas undmensonales.. Varables estadístcas undmensonales. Representacones
Más detallesTema 21: Distribución muestral de un estadístico
Análss de Datos I Esquema del Tema 21 Tema 21: Dstrbucón muestral de un estadístco 1. INTRODUCCIÓN 2. DISTRIBUCIÓN MUESTRAL DE LA MEDIA 3. DISTRIBUCIÓN MUESTRAL DE LA PROPORCIÓN Bblografía * : Tema 15
Más detallesOferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA
Oferta de Trabajo Parte 2 Economía Laboral Julo J. Elías LIE - UCEMA Curva de oferta de trabajo ndvdual Consumo Salaro por hora ($) G w=$20 F w=$25 25 Curva de Oferta de Trabajo Indvdual w=$14 20 14 w
Más detallesESTADÌSTICA INFERENCIAL
DIRECCIÓN DE EDUCACIÓN ABIERTA Y A DISTANCIA Y VIRTUALIDAD PROGRAMA ADMINISTRACIÓN DE EMPRESAS ESTADÌSTICA INFERENCIAL MÓDULO EN REVISIÓN DIRECCIÓN DE EDUCACIÓN ABIERTA Y A DISTANCIA Y VIRTUALIDAD PROGRAMA
Más detallesDISTRIBUCION DE RENDIMIENTOS: APLICACIONES
DISTRIBUCION DE RENDIMIENTOS: APLICACIONES Puntos a desarrollar Como es el modelo de dstrbucon normal de los rendmentos Como se puede utlzar para hacer predccones futuras sobre precos de actvos Como se
Más detallesMÉTODOS PARA PROBAR NUMEROS
Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular
Más detallesa) Qué población (la de hombres o la de mujeres) presenta un salario medio mayor? b) Qué porcentaje de varones gana más de 900?
EJERCICIO 1. A contnuacón tene dos dstrbucones por sexo y salaro declarado en el prmer empleo tras obtener la lcencatura de un grupo de ttulados por la UNED. Salaro en Hombres en % Mujeres en % < de 600
Más detalles4. PROBABILIDAD CONDICIONAL
. ROBBILIDD CONDICIONL La probabldad de que ocurra un evento B cuando se sabe que ha ocurrdo algún otro evento se denomna robabldad Condconal, Se denota como (B/) y se lee como la probabldad de que ocurra
Más detallesPARÁMETROS DE UNA DISTRIBUCIÓN DE PROBABILIDAD DISCRETA Media aritmética: μ = x
Dstrbucones de Probabldad dscretas-bn1b DISTRIBUIONES DISRETAS DE PROBABILIDAD Dstrbucones dscretas son aquellas en las que la varable sólo puede tomar valores aslados. Ejemplo: lanzar una moneda ( valores:
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detalles3. Algunos modelos estadísticos
3. Algunos modelos estadístcos Con las herramentas computaconales a nuestra dsposcón, en las sguentes seccones se revsarán algunos de los modelos estadístcos más usados en la práctca y la forma de hacer
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesLa adopción y uso de las TICs en las Microempresas Chilenas
Subdreccón Técnca Depto. Investgacón y Desarrollo Estadístco Subdreccón de Operacones Depto. Comerco y Servcos INFORME METODOLÓGICO DISEÑO MUESTRAL La adopcón y uso de las TICs en las Mcroempresas Clenas
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
Más detallesAdemás podemos considerar diferentes tipos de medidas de resumen. Entre ellas tenemos:
MEDIDAS DE POSICIÓN Y DISPERSIÓN Estadístca En la clase anteror vmos como resumr la nformacón contenda en un conjunto de datos medante tablas y gráfcos. En esta clase vamos a ver como resumrlos medante
Más detallesSEMINARIO DE NOTAS TÉCNICAS Y RESERVAS
SEMINARIO DE NOTAS TÉCNICAS Y RESERVAS USO DE LA ESTIMACIÓN DE LA DISTRIBUCIÓN DE PROBABILIDAD PARA MUESTRAS PEQUEÑAS Y DE LA SIMULACIÓN EN LA INFERENCIA DE CARTERAS DE SEGUROS M. en I. JUAN CARLOS VARGAS
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesCESMA BUSINESS SCHOOL
CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta
Más detallesVARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL.
VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL. Concepto de varable aleatora. Se llama varable aleatora a toda aplcacón que asoca a cada elemento del espaco muestral de un expermento, un número real.
Más detallesTEMA 10: ESTADÍSTICA
TEMA 10: La Estadístca es la parte de las matemátcas que se ocupa de recoger, organzar y analzar grandes cantdades de datos para estudar alguna característca de un colectvo. 1. VARIABLES S UIDIMESIOALES
Más detallesXII. Uso de la Estimación de la Distribución de Probabilidad para Muestras Pequeñas y de la Simulación en la Inferencia de Carteras de Seguros.
Uso de la Estmacón de la Dstrbucón de Probabldad para Muestras Pequeñas y de la Smulacón en la Inferenca de Carteras de Seguros. Trabajo presentado para el XII Premo de Investgacón sobre Seguros y Fanzas
Más detallesRegresión Cuantílica o Quantile Regression
Regresón Cuantílca o Quantle Regresson A. Cameron and P. rved, (005), Macroeconometrcs, Methods and Applcatons, Cambrdge Unversty Press. R. Koenker, (005), Quantle Regresson, Econometrc Socety Monographs
Más detallesENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.
Más detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detallesINTRODUCCIÓN A LA PROBABILIDAD
INTRODUCCIÓN A LA PROBABILIDAD José Lus Quntero Expermento aleatoro Expermento Bnomal Teoría de Conjuntos Probabldad Teorema de Bayes Técncas de Conteo Unversdad Central de Venezuela Facultad de Ingenería
Más detallesV II Muestreo por Conglomerados
V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos
Más detallesTEMA UNIDAD III: INFERENCIA ESTADÍSTICA
MÉTODOS DE MUESTREO 13.1. ITRODUCCIÓ 13.. COCEPTOS BÁSICOS 13.3. ERRORES E EL MUESTREO 13.4. ETAPAS DEL PROCESO DE MUESTREO 13.5. RAZOES PARA LA IVESTIGACIÓ POR MUESTREO 13.6. DISEÑO MUESTRAL 13.7. ESTIMACIÓ
Más detallesREGRESIÓN LINEAL SIMPLE
RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó
Más detallesCAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS
CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS En los capítulos anterores se han analzado varos modelos usados en la evaluacón de stocks, defnéndose los respectvos parámetros. En las correspondentes fchas de ejerccos
Más detallesModelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit.
Modelos de eleccón smple y múltple. Regresón logt y probt. Modelos multlogt y multprobt. Sga J.Muro(14/4/2004) 2 Modelos de eleccón dscreta. Modelos de eleccón smple. Modelos de eleccón múltple. Fnal J.Muro(14/4/2004)
Más detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd
Más detallesCAPITULO CUATRO MEDIDAS DE DISPERSION, ASIMETRIA Y CURTOSIS
CAPITULO CUATRO MEDIDAS DE DISPERSION, ASIMETRIA Y CURTOSIS El conocmento de las meddas de centralzacón no es sufcente para caracterzar completamente a una dstrbucón por ejemplo: s las edades medas de
Más detallesEJERCICIOS RESUELTOS TEMA 2
EJERCICIOS RESUELTOS TEMA.1. La Moda, para el grupo de Varones de la Tabla 1, es: A) 4,5; B) 17; C) 60.. Con los datos de la Tabla 1, la meda en para las Mujeres es: A) gual a la meda para los Varones;
Más detallesPROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA
Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL
Más detallesAnálisis de Varianza no paramétricos
Capítulo VII Análss de Varanza no paramétrcos Anova de Kruskal-Walls Anova de Fredman Anova de Q de Cochran Introduccón Las técncas de análss de varanza no paramétrcos son útles cuando los supuestos de:
Más detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesAPLICACIÓN DE MODELOS IRT AL ANÁLISIS DE LA OFERTA DE EQUIPAMIENTO DE LOS ALOJAMIENTOS RURALES EXTREMEÑOS
APLICACIÓN DE MODELOS IRT AL ANÁLISIS DE LA OFERTA DE EQUIPAMIENTO DE LOS ALOJAMIENTOS RURALES EXTREMEÑOS Marcelno Sánchez Rvero Departamento de Economía Aplcada y Organzacón de Empresas Unversdad de Extremadura
Más detallesRegresión y correlación Tema 8. 1.1 Contraste sobre β 1.2 Regresión en formato ANOVA. 2. Correlación. Contraste sobre ρ xy
Unversdad Autónoma de Madrd 1 Regresón y correlacón Tema 8 1. Regresón lneal smple 1.1 Contraste sobre β 1. Regresón en formato ANOVA. Correlacón. Contraste sobre ρ xy Análss de Datos en Pscología II Tema
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesHOMOGENEIDAD DE POBLACIONES ESTADISTICAS. EL PROBLEMA DE LA MIXTURA DE COMPONENTES
HOMOGENEIDAD DE POBLACIONES ESTADISTICAS. EL PROBLEMA DE LA MIXTURA DE COMPONENTES Mguel Ángel Fajardo Caldera - fajardo@unex.es Jesús Perez Mayo - jperez@unex.es Lyda Andrades Caldto andrades@unex.es
Más detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesDepartamento Administrativo Nacional de Estadística
Departamento Admnstratvo Naconal de Estadístca Dreccón de Censos Demografía METODOLOGIA ESTIMACIONES Y PROYECCIONES DE POBLACIÓN, POR ÁREA, SEXO Y EDAD PARA LOS DOMINIOS DE LA GRAN ENCUESTA INTEGRADA DE
Más detallesFIABILIDAD (V): COMPARACIÓN (NO PARAMÉTRICA) DE MUESTRAS
FIABILIDAD (V): COMPARACIÓN (NO PARAMÉTRICA) DE MUESTRAS Autores: Ángel A Juan Pérez (ajuanp@uocedu), Rafael García Martín (rgarcamart@uocedu) RELACIÓN CON OTROS MATH-BLOCS Este math-block forma parte
Más detallesIntroducción a las Subastas de Múltiples Objetos
Introduccón a las Subastas de Múltples Objetos Alvaro J. Rascos Vllegas Unversdad de los Andes Abrl de 2010 lvaro J. Rascos Vllegas (Unversdad de losintroduccón Andes) a las Subastas de Múltples Objetos
Más detallesIng. Graciela Fasciolo
VALORACIÓN CONTINGENTE El Análss de Datos en el Enfoque de la Respuesta Dcotómca Ing. Gracela Fascolo Mendoza, setembre 2002 1. INTRODUCCIÓN La técnca de la respuestas dcotómca o de referéndum es uno de
Más detallesTRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).
TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen
Más detallesEstadística Descriptiva Análisis de Datos
El concepto de Estadístca Estadístca Descrptva Análss de Datos 8.1 INTRODUCCION El orgen de la Estadístca se remonta a dos tpos de actvdades humanas: los juegos de azar y las necesdades de los Estados:
Más detallesMedidas de Tendencia Central y de Variabilidad
Meddas de Tendenca Central y de Varabldad Contendos Meddas descrptvas de forma: curtoss y asmetría Meddas de tendenca central: meda, medana y moda Meddas de dspersón: rango, varanza y desvacón estándar.
Más detallesEstimación del consumo diario de gas a partir de lecturas periódicas de medidores
Nota técnca Estmacón del consumo daro de gas a partr de lecturas peródcas de meddores Por Salvador Gl, Gerenca de Dstrbucón del Enargas, A. azzn, Gas Natural Ban y R. Preto, Gerenca de Dstrbucón del Enargas
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 detallesOrganización y resumen de datos cuantitativos
Organzacón y resumen de datos cuanttatvos Contendos Organzacón de datos cuanttatvos: dagrama de tallos y hojas, tablas de frecuencas. Hstogramas. Polígonos. Ojvas ORGANIZACIÓN Y RESUMEN DE DATOS CUANTITATIVOS
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE..ESTADÍSTICA La fecunddad y su relacón con varables socoeconómcas, demográfcas y educatvas aplcando el Modelo de Regresón
Más detallesCAPÍTULO 18 Interpolación
CAPÍTULO 8 Interpolacón Con frecuenca se encontrará con que tene que estmar valores ntermedos entre datos defndos por puntos. El método más común que se usa para este propósto es la nterpolacón polnomal.
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesPregunta Hoy está nublado, cuál es la probabilidad de que mañana continúe nublado? cuál es la probabilidad de que está nublado pasado mañana?
Cadenas de Marov Después de mucho estudo sobre el clma, hemos vsto que s un día está soleado, en el 70% de los casos el día sguente contnua soleado y en el 30% se pone nublado. En térmnos de probabldad,
Más detalles4 Contraste de hipótesis en el modelo de regresión múltiple
4 Contraste de hpótess en el modelo de regresón múltple Ezequel Urel Unversdad de Valenca Versón: 9-13 4.1 El contraste de hpótess: una panorámca 1 4.1.1 Formulacón de la hpótess nula y de la hpótess alternatva
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detalles6.1 EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS
TEMA NÚMEROS COMPLEJOS. EN QUÉ CONSISTEN LOS NÚMEROS COMPLEJOS DEFINICIONES Al resolver ecuacones del tpo : x + = 0 x = ± que no tene solucón en los números reales. Los números complejos nacen del deseo
Más detallesTALLER INTERNACIONAL CREANDO RECOLECCIÓN Y ANÁLISIS DE DATOS. Lima Feb, Análisis Econométrico
TALLER INTERNACIONAL CREANDO CAPACIDAD NACIONAL EN LA RECOLECCIÓN Y ANÁLISIS DE DATOS Lma 9-3 Feb, 007 Análss Econométrco Análss de Regresón La regresón es la técnca estadístca más etendda y se utlza para
Más detallesPROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos)
PROBLEMAS DE ELECTRÓNCA ANALÓGCA (Dodos) Escuela Poltécnca Superor Profesor. Darío García Rodríguez . En el crcuto de la fgura los dodos son deales, calcular la ntensdad que crcula por la fuente V en funcón
Más detallesDistribuciones de probabilidad
Dstrbucones de probabldad Toda dstrbucón de probabldad es generada por una varable aleatora x, la que puede ser de dos tpos: Varable aleatora dscreta (x). Se le denomna varable porque puede tomar dferentes
Más detalles