El estimado bootstrap ideal del sesgo se obtiene sustituyendo F por su distribución empírica Fˆ está dado por
|
|
- Carla Rivero Castellanos
- hace 5 años
- Vistas:
Transcripción
1 Estimació del sesgo por bootstrappig El Sesgo de u estimador θˆ es otra medida de precisió. Sea x=(x,x, X ) ua muestra aleatoria de ua variable aleatoria que tiee distribució F y sea θ=t(f) u parámetro que sea estimar. Se defie el sesgo del estimador θˆ =s(x) por Sesgo F (θˆ,θ)= E F (θˆ )-θ=e F [s(x) ]-t(f) Ejemplo: Dada ua distribució F, θˆ = x es u estimador isesgado de θ=µ. O sea Sesgo F (θˆ,θ)=0 Ejemplo: Si F es ua distribució uiforme e (0,θ) y ˆ θ = max( X,..., X ) etoces Sesgo F (θˆ,θ)= E F (θˆ )-θ= θ θ = θ + + El estimado bootstrap ideal del sesgo se obtiee sustituyedo F por su distribució empírica Fˆ está dado por Sesgo Fˆ ( ˆ, θ θ ) = E ˆ F [ s( x*)] t( Fˆ dode x* es ua muestra bootstrap de x. Aquí el valor esperado se aproxima usado todas las muestras co reemplazo que se puede extraer de la muestra origial. E la practica el estimado bootstrap ideal del sesgo es aproximado tomado B muestras bootstrap de la muestra origial x. Así el estimado bootstrap de θ basado e B repeticioes está dado por Sesgo ( ˆ, ) ˆ * ( ˆ B θ θ = θ t F ) dode ˆ θ * es el promedio de las estimacioes de θˆ =s(x) e cada muestra bootstrap. Ejemplo. Dada la siguiete muestra estimar por bootstrap el sesgo del estimador del máximo usado 000 muestras bootstrap. sesgomaxboot=fuctio(muestra,b){ obs=legth(muestra) bootsample=matrix(0,b,obs) for(b i :B) { )
2 bootsample[b,]=sample(muestra,obs,replace=t) bootmax=apply(bootsample,,max) sesgo=mea(bootmax)-max(muestra) sesgo x=c(, 7, 9, 40, 4, 9,, 4) > sesgomaxboot(x,000) [] El teórico es -40/9= Ejemplo. Estimador de razó. Los siguietes datos represeta la població e miles de 0 ciudades de US segú los cesos de 90(x) y 90(y). i X Y La població total e 90 se puede estimar multiplicado la població total e 90 por el estimador θ=e(y)/e(x), el cual es llamado u estimador de razó. Dada u par de variables aleatorias X y Y distribuidas cojutamete se desea estimar el EY ( ) parámetro θ =, el estimador muestral será ˆ y θ =. EX ( ) x La siguiete fució e R halla el estimador por bootstrappig del error estádar y sesgo de u estimador de razó usado B muestras bootstrap. bootratio=fuctio(data,b) {# esta fucio halla el error estadar y el sesgo estimado #por bootstrappig de ua razo obs=dim(data)[] thetaest=mea(data[,])/mea(data[,]) bootrat=rep(0,b) for (b i :B) {bootidex=sample(:obs,obs,replace=t) bootrat[b]=mea(data[bootidex,])/mea(data[bootidex,]) seboot=sd(bootrat) cat( El error estadar estimado por bootstrappig de la razo es",seboot, \ ) biasboot=mea(bootrat)-thetaest cat( El sesgo estimado por bootstrappig de la razo es",biasboot, \ )
3 Aplicado la fució a los datos co B=000 y B=0000 muestras bootstrap se obtiee > brazo=bootratio(pobla,000) El error estadar estimado por bootstrappig de la razo es El sesgo estimado por bootstrappig de la razo es La razó del sesgo co respecto al error estádar es >.0460/.64 [] brazo=bootratio(pobla,0000) El error estadar estimado por bootstrappig de la razo es El sesgo estimado por bootstrappig de la razo es La razó del sesgo co respecto al error estádar es >.076/.9 [] 0.76 Usualmete el úmero de muestra bootstrap ecesarias para estimar el sesgo es mayor que el úmero de muestras requeridas para estimar el error estádar, debido es la mayor variablidad presete e la estimació del sesgo como lo muestra los siguietes resultados para el ejemplo aterior. B CV(se B ) CV(Sesgo B ) Ejemplo: Estimació por Boostrappig del error estádar y sesgo del coeficiete de asimetría (skewess) Sea X ua variable aleatoria co media µ etoces la medida de asimetría de su distribució se defie por E( X µ ) γ = [ E( X µ ) ] /. Usado el método de estimació por mometos para el segudo y tercer mometo cetral se tiee que la asimetría puede ser estimada por
4 skew = = [ ] / ( xi ] / Hay muchas otras variates de la formula. Recordado que σ estimado de σ,produce el siguiete estimado skew = s [ = E ( X µ) y que s es u Esta forma de estimado es el que usa la fució skewess de la librería fbasics de R. La siguiete fució e R calcula el skewess de ua variable aleatoria X. skewess=fuctio (x) {a=sqrt(legth(x))*sum((x-mea(x))^) b=(sum((x-mea(x))^))^.5 skew=a/b La siguiete fució de R calcula la estimació por boostrappig del error estádar y del sesgo del skewess de ua variable aleatoria X. bootskew=fuctio(data,b) {# esta fucio halla el error estadar y el sesgo estimado #por bootstrappig de ua razo obs=legth(data) thetaest=skewess(data) bootskew=rep(0,b) for (b i :B) {bootsample=sample(data,obs,replace=t) bootskew[b]=skewess(bootsample) seboot=sd(bootskew) cat("el error estadar estimado por bootstrappig del skewess es",seboot) biasboot=mea(bootskew)-thetaest cat("\el sesgo estimado por bootstrappig del skewess es",biasboot,"\") Ua aplicació a las dos variables del cojuto brai produce los siguietes resultados bootskew(brai[,],00) El error estadar estimado por bootstrappig del skewess es El sesgo estimado por bootstrappig del skewess es
5 > bootskew(brai[,],500) El error estadar estimado por bootstrappig del skewess es El sesgo estimado por bootstrappig del skewess es > bootskew(brai[,],000) El error estadar estimado por bootstrappig del skewess es El sesgo estimado por bootstrappig del skewess es > bootskew(brai[,],00) El error estadar estimado por bootstrappig del skewess es El sesgo estimado por bootstrappig del skewess es > bootskew(brai[,],500) El error estadar estimado por bootstrappig del skewess es El sesgo estimado por bootstrappig del skewess es > bootskew(brai[,],000) El error estadar estimado por bootstrappig del skewess es El sesgo estimado por bootstrappig del skewess es > Solamete e el caso de estimadores plug-i existe ua mejor maera de estimar el sesgo por bootstrappig usado u cocepto llamado de vector de remuestreo pero o será discutida aquí (ver Efro y Tibshirai, pags 0-). Estimado bootstrap de u estimador corregido por sesgo La razó pricipal de estimar el sesgo es corregir el estimador iicial θˆ haciédolo meos sesgado. Luego el estimador de θ corregido por sesgo será θ = ˆ θ SesgoB ( ˆ, θ θ ) O equivaletemete, θ = ˆ θ ( ˆ θ * ˆ) θ = ˆ θ ˆ θ * E el ejemplo de la razó de poblacioes se tiee que ˆ θ =. 50 y el estimado del sesgo basado e 000 muestras bootstrap es Luego el estimador corregido por sesgo será θ = =.474
Propiedades de la funcion de distribucion empirica. Propiedades de la Función de distribución Empírica:
Propiedades de la fucio de distribucio empirica Propiedades de la Fució de distribució Empírica: a. Fˆ es creciete de 0 hasta 1. b. Fˆ es ua fució escaloada co saltos e los distitos valores de X 1, X,...,
Más detallesEstimación de Parámetros
Igacio Cascos Ferádez Departameto de Estadística Uiversidad Carlos III de Madrid Estimació de Parámetros Estadística I curso 008 009 Veremos cómo costruir valores aproximados de los parámetros de los modelos
Más detallesINFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS
INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS Població E el cotexto de la estadística, ua població es el cojuto de todos los valores que puede tomar ua característica medible e particular, de u cojuto correspodiete
Más detallesINTRODUCCION Teoría de la Estimación
INTRODUCCION La Teoría de la Estimació es la parte de la Iferecia Estadística que sirve para coocer o acercarse al valor de los parámetros, características poblacioales, geeralmete descoocidos e puede
Más detallesDistribuciones en el muestreo, EMV
Distribucioes e el muestreo, E Tema 6 Descripció breve del tema. Itroducció y coceptos básicos. Propiedades de los estimadores Sesgo, Variaza, Error Cuadrático Medio y Cosistecia 3. Distribució de u estimador
Más detalles) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1
ESTIMACIÓN PUNTUAL. ESTIMACIÓN POR INTERVALOS DE CONFIANZA. 1. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA El objetivo básico de la iferecia estadística es hacer iferecias o sacar coclusioes sobre la població
Más detallesCAPÍTULO I. Conceptos Básicos de Estadística
CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO Objetivos geerales del tema E este tema se itroducirá el cocepto de estadístico como medio para extraer iformació acerca de la ley de
Más detalles1. Propiedades de los estimadores
. Propiedades de los estimadores.. Eficiecia relativa. Defiició: Dados dos estimadores isesgados, ˆ y ˆ, de u parámetro, co variazas V ( ˆ ) y V ( ˆ ), etoces la eficiecia (eff) de ˆ respecto a ˆ, se defie
Más detallesIntervalos de Confianza basados en una muestra. Instituto de Cálculo
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky Hay dos razoes por las cuales el itervalo (6.63,.37) tiee mayor logitud que el obteido ateriormete (7.69, 0.3). la variaza
Más detallesSESION 15 DISTRIBUCIONES DE MUESTREO
SESION 15 DISTRIBUCIONES DE MUESTREO I. CONTENIDOS: 1. Distribució de muestreo. 2. Distribucioes de muestreo de la media 3. Media, mediaa y moda, así como su relació co la desviació estádar de las distribucioes
Más detallesMAS obtenidas de una población N, son por naturaleza propia impredecibles. No esperamos que dos muestras aleatorias de tamaño n, tomadas de la misma
MAS obteidas de ua població N, so por aturaleza propia impredecibles. No esperamos que dos muestras aleatorias de tamaño, tomadas de la misma població N, tega la misma media muestral o que sea completamete
Más detalles2 Algunos conceptos de convergencia de sucesiones de variables aleatorias
INTRODUCCIÓN A LA CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIAS Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció Se puede utilizar diferetes coceptos de covergecia para las sucesioes
Más detallesTEORÍA DE LA ESTIMACIÓN
TEORÍA DE LA ESTIMACIÓN Objetivo: El objetivo de la estimació putual es usar ua muestra para obteer úmeros (estimacioes putuales) que sea la mejor represetació de los verdaderos parámetros de la població.
Más detallesUniversidad MUESTREO de Oviedo. Facultad de Economía y Empresa. Grado en ADE. Métodos Estadísticos para
MÉTODOS ESTADÍSTICOS PARA LA EMPRESA TEMA 7: HERRAMIENTAS INFERENCIALES. DISTRIBUCIONES ASOCIADAS AL Uiversidad MUESTREO de Oviedo. Facultad de Ecoomía y Empresa. Grado e ADE. 7.1.- Distribucioes Métodos
Más detallesCurso de Estadística Aplicada a las Ciencias Sociales
Curso de Estadística Aplicada a las Ciecias Sociales Tema 11. Estimació de ua media (Cap. 21 del libro) 1 Tema 11. Estimació de ua media Itroducció 1. Distribució de la media e el muestreo 2. La media
Más detallesConvergencia de variables aleatorias
Capítulo Covergecia de variables aleatorias El objetivo del presete capítulo es estudiar alguos tipos de covergecia de variables aleatorias. Iiciaremos co la defiició de los distitos modos de covergecia...
Más detallesEstimación por Intervalos
Estimació por Itervalos Propósito Ya se discutiero los estimadores putuales: x y p Ahora se dará, e ambos casos, ua estimació de itervalo, la cual iforma sobre la precisió de la estimació. Esta estimació
Más detallesEstadística y sus aplicaciones en Ciencias Sociales Práctico 4 - Solución Curso ) Como se trata de muestreo sin reposición, se tiene C 5 3
Estadística y sus aplicacioes e Ciecias Sociales Práctico 4 - Solució Curso 016 Ejercicio 1 5! 1) Como se trata de muestreo si reposició, se tiee C 5 3 3!! muestras de tamaño =3. ) Distribució muestral
Más detallesEstimación de Parámetros. Estimación de Parámetros
Uiversidad Técica Federico Sata María Capítulo 7 Estimació de Parámetros Estadística Computacioal II Semestre 007 Prof. Carlos Valle Págia : www.if.utfsm.cl/~cvalle e-mail : cvalle@if.utfsm.cl C.Valle
Más detallesEstimadores Puntuales: Propiedades de estimadores Sebastián Court
Estadística Estimadores Putuales: Propiedades de estimadores Sebastiá Court 1.Motivació Cosideremos ua variable aleatoria X co ciertas características, como por ejemplo, u parámetro θ, y ua muestra aleatoria
Más detallesProblemas de cálculo
Problemas Estimació estadística Vicete Mazao-Arrodo, 2012,2013 Problemas de cálculo Ejercicio 1 resuelto Observamos e mometos al azar e ua cocurrida calle de la ciudad. Nos iteresa registrar cuátas persoas
Más detallesINFERENCIA ESTADÍSTICA
FACULTAD DE INGENIERÍA INFERENCIA ESTADÍSTICA Iree Patricia Valdez y Alfaro Estimació de parámetros ireev@servidor.uam.mx Ua clasificació de estadística Descriptiva Calculo de medidas descriptivas Costrucció
Más detallesDeterminación del tamaño de una muestra (para dos o más muestras)
STATGRAPHICS Rev. 457 Determiació del tamaño de ua muestra (para dos o más muestras) Este procedimieto determia el tamaño de muestra apropiado para estimar o realiar pruebas de hipótesis respecto a alguo
Más detallesNúmero de personas que se forman en una fila en 1 hora Número de águilas que se obtienen al lanzar una moneda 5 veces.
Statistics Review Variable Aleatoria o Ua variable aleatoria es ua variable cuyo valor está sujeto a variacioes que depede de la aleatoriedad. o Debe tomar valores uméricos, que depede del resultado del
Más detallesResumen Tema 2: Muestreo aleatorio simple. Muestreo con probabilidades desiguales.
Resume Tema 2: Muestreo aleatorio simple. Muestreo co probabilidades desiguales. M.A.S.: Muestreo aleatorio simple co probabilidades iguales si reemplazo. Hipótesis: Marco perfecto, si omisioes i duplicados
Más detallesEl método de Monte Carlo
El método de Mote Carlo El método de Mote Carlo es u procedimieto geeral para seleccioar muestras aleatorias de ua població utilizado úmeros aleatorios. La deomiació Mote Carlo fue popularizado por los
Más detalles1. Teorema del Límite Central. Como se dijo varias clases atras si tenemos n variables aleatorias, cada una de. X i = X. n = 1 n.
1. Teorema del Límite Cetral Teorema: ea Y 1, Y,..., Y variables aleatorias idepedietes idéticamete distribuidas co EY i = µ y V Y i =
Más detallesIntroducciónalaInferencia Estadística
Capítulo 6 ItroduccióalaIferecia Estadística 6.1. Itroducció El pricipal objetivo de la Estadística es iferir o estimar características de ua població que o es completamete observable (o o iteresa observarla
Más detallesTEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Introducción a la Inferencia Estadística Método de los momentos
TEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Itroducció a la Iferecia Estadística. Método Estadístico. Defiicioes previas. 5.2. Estimació putual 5.3. Métodos de obteció de estimadores: 5.3.1. Método de los
Más detallesHacia dónde tienden los datos? Se agrupan en torno a un valor? o, se dispersan? Su distribución se parece a alguna distribución teórica?
COMPORTAMIENTO DE LAS DISTRIBUCIONES DE FRECUENCIA: Preparadas las TABLAS DE FRECUENCIA de los valores de ua variable resulta iteresate describir su comportamieto. Hacia dóde tiede los datos? Se agrupa
Más detallesTAMAÑO DE MUESTRA. 5.1 Coeficiente de homogeneidad al interior de las escuelas
TAMAÑO DE MUETRA Ua de las etapas del diseño muestral es el cálculo del tamaño de la muestra (Cocra, 977, p. 7-88; Médez, 004, p. 45-47; y aro, 999, p. 39-4), ésta se lleva a cabo cosiderado el objetivo
Más detallesTema 14: Inferencia estadística
Tema 14: Iferecia estadística La iferecia estadística es el proceso de sacar coclusioes de la població basados e la iformació de ua muestra de esa població. 1. Estimació de parámetros Cuado descoocemos
Más detallesCurso de Estadística Aplicada a las Ciencias Sociales. Tema 11. Estimación de una media. Introducción. Introducción (2) Introducción
Curso de Estadística Aplicada a las Ciecias Sociales Tema 11. Estimació de ua (Cap. 1 del libro) Tema 11. Estimació de ua Itroducció 1. Distribució de la e el. La muestral es cetrada 3. El error típico
Más detallesDistribuciones Muestrales
10/08/007 Diseño Estadístico y Herramietas para la Calidad Distribucioes Muestrales Epositor: Dr. Jua José Flores Romero juaf@umich.m http://lsc.fie.umich.m/~jua M. e Calidad Total y Competitividad Distribucioes
Más detallesTema 4. Estimación de parámetros
Estadística y metodología de la ivestigació Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 4. Estimació de parámetros 1. Estimació putual 1 1.1. Estimació de la proporció e la distribució Bi(m, p).......................
Más detallesObjetivos. 1. Inferencia Estadística. INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo. M. Iniesta Universidad de Murcia
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo Objetivos Tratar co muestras aleatorias y su distribució muestral e ejemplos de tamaño reducido. Tratar co la distribució de la
Más 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 detallesTEMA 3: INFERENCIA ESTADISTICA
ESTADÍSTICA, CURSO 008 009 TEMA 3: INFERENCIA ESTADISTICA INTRODUCCION oblació. Muestra, muestreo. Objetivos de la iferecia estadística. Métodos paramétricos y o paramétricos. TEORIA ELEMENTAL DEL MUESTREO.
Más detallesESCUELA SUPERIOR POLITÉCNICA DEL LITORAL. Instituto de Ciencias Matemáticas
ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL Istituto de Ciecias Matemáticas Igeiería e Estadística Iformática Estimadores Jackife para distitos tipos de població TESIS DE GRADO Previa a la obteció del Título
Más detallesIntervalos de confianza basado en bootstrap
Itervalos de cofiaza basado e bootstrap Cosideremos ua variable aleatoria X que tiee ua fució de distribució F θ (x)=f(x-θ), dode θ es llamado u parámetro de localizació. Ejemplos de parámetros de localizació
Más detallesESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA PROPORCIÓN POBLACIONAL.
ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA PROPORCIÓN POBLACIONAL. U itervalo de cofiaza, para u parámetro poblacioal θ, a u ivel de cofiaza (1 ) 100 %, o es más que u itervalo (L i, L s
Más detallesIntroducción. Ejemplos:
Itroducció Las técicas del muestreo se utiliza frecuetemete cuado se quiere coocer cuáles so las características geerales de ua població. Ejemplos: Aspectos demográficos y sociales: Prevalecia de la drogadicció
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EXAMEN FINAL RESOLUCIÓN
Más detallesAnálisis estadístico de datos simulados Estimadores
Aálisis estadístico de datos simulados Estimadores Patricia Kisbye FaMAF 11 de mayo, 2010 Aálisis estadístico Iferecia estadística: Elegir ua distribució e base a los datos observados. Estimar los parámetros
Más detallesCurso de Estadística Aplicada a las Ciencias Sociales. Introducción. Introducción (2) Hasta ahora: estadística descriptiva (para describir datos)
Curso de Estadística Aplicada a las Ciecias Sociales Tema 10. Estimació de ua proporció Cap. 0 del maual Tema 10. Estimació de ua proporció Itroducció 1. Distribució e el muestreo de ua proporció. Estimadores
Más detallesDISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS)
DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS) www.cedicaped.com DISTRIBUCIÓN DE PROBABILIDAD Recordemos que el Espacio Muestral es el cojuto de todos y
Más detallesMÉTODOS ESTADÍSTICOS DE LA INGENIERÍA CONVOCATORIA DE MAYO (011) EJERCICIO 1 El director de publicacioes de ua editorial trata de decidir si debe publicar u uevo texto de estadística. Los ateriores libros
Más detallesEstimación por intervalos
Estimació por itervalos do C. 018 Mg. tella Figueroa Clase Nº 11 Para la media poblacioal Coociedo Partimos de ua població ormal X y de la distribució muestral de la media X ~ N, X ~ N, P( z Z z ) 1 /
Más detallesEn el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo:
TEMA 6. Estimació putual. E muchos casos o será posible determiar el valor de u parámetro poblacioal descoocido, aalizado todos los valores poblacioales, pues el proceso a seguir puede ser destructivo,
Más detallesTEMA 5: Gráficos de Control por Atributos. 1. Gráfico de control para la fracción de unidades defectuosas
TEMA 5: Gráficos de Cotrol por Atributos 1 Gráfico de cotrol para la fracció de uidades defectuosas 2 Gráfico de cotrol para el úmero medio de discoformidades por uidad Selecció del tamaño muestral 3 Clasificació
Más detallesSobre los intervalos de confianza y de predicción
Sobre los itervalos de cofiaza y de predicció Itervalos de cofiaza Javier Satibáñez 28 de febrero de 2018 Se costruye itervalos de cofiaza para parámetros. Sea X = X 1,..., X } ua muestra aleatoria de
Más detallesFormulas. Población infinita. Población finita
Formulas X~N(μ, σ 2 ) x = x i x ~N si X~N o si > 30 Població ifiita Població fiita x ~N(μ, σ2 ) N x ~N(μ, N 1 σ2 ) Ejercicio Se sabe que la media poblacioal e u exame de Estadística es de 70 y que la variaza
Más detallesUT-4: Distribuciones fundamentales de muestreo y descripción de datos
UT-4: Distribucioes fudametales de muestreo y descripció de datos Sub tema: Muestreo aleatorio. Distribucioes muestrales. Distribucioes muestrales de medias. Teorema del límite cetral. Aplicacioes. DF
Más detallesDISTRIBUCIONES EN EL MUESTREO
7/9/08 DISTRIBUCIONES EN EL MUESTREO Uidad 4 08 Las estadísticas pesadas como variables aleatorias Ejemplo: u experimeto E cosiste e elegir =5 alícuotas de agua del río y medir la cocetració de arséico:
Más detallesθˆ = h(x 1,X 2,...,X n ) θˆ es un estimador puntual de θ
Iferecia Estadística 95 Capitulo VIII INFERENCIA ETADITICA Es ua rama de de la Estadística que se ocupa de los procedimietos que os permite aalizar y etraer coclusioes de ua població a partir de los datos
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 detallesOtro ejemplo es la tasa de cambio del tamaño de una población (N), que puede expresarse como:
SOLUCIÓN DE ECUACIONES DIFERENCIALES Autor: Keith Gregso Traducció: José Alfredo Carrillo Salazar Muchos sistemas diámicos puede represetarse e térmios de ecuacioes difereciales. Por ejemplo, la tasa de
Más detallesy i 0 1 x i 2 2 y i media 2 Varianza 2 i 1 Para calcular el los valores que maximizan L derivamos e igualamos a cero 2 y i 0 1 x i 0 # i 1
Demostracioes de Regresió Simple. Estimació La distribució de y es y i N 0 x i, Estimació Máximo Verosímil La fució de verosimilitud, sabiedo que y i es ua variable ormal será L exp y i 0 x i ya que la
Más detallesTRANSFORMADA RAPIDA DE FOURIER (FFT)
Capítulo 6 TRASORADA RAPIDA DE OURIER (T) Los temas a tratar e el presete capítulo so: 6. Algoritmo T 6. T Iversa. 6.3 Implemetació Televisió Digital 6- La implemetació de la ec. (4.5) ivolucra u úmero
Más detallesCoeficientes binomiales
Coeficietes biomiales (Ejercicios Objetivos Defiir coeficietes biomiales y estudiar sus propiedades pricipales Coocer su aplicació e la fórmula para las potecias del biomio y su setido combiatorio (si
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 detallesCapítulo 4 (Continuación) MÉTODOS ESTADÍSTICOS. Autor: José María García Palanco
Capítulo 4 (Cotiuació MÉTODOS ESTADÍSTICOS Autor: José María García Palaco Técicas Eperimetales Medida de magitudes 4.8 Métodos Estadísticos Ya hemos visto e los apartados ateriores, que u procedimieto
Más detalles6. DISTRIBUCIONES MUESTRALES
6. DISTRIBUCIONES MUESTRALES Dr. Edgar Acua http://math.uprm.edu/~edgar UNIVERSIDAD DE UERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es saber
Más detalles13.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA
Dra. Diaa M. Kelmasky 109 13. INTERVALOS DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL Supogamos que X1,...,X es ua muestra aleatoria de ua població ormal co media μ y variaza. Sabemos que la media
Más detallesPoblación Joven Adulta Total A favor En contra Total
Nombre: Libre Reglametado C.I.: EXAMEN El exame costa de dos partes. La Primera Parte debe ser realizada por todos los alumos y el tiempo previsto es de 2 horas. La Seguda Parte debe ser realizada sólo
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 detalles[e j N 2 e j N 2 ]...} (22)
Trasformadores multiseccioales de cuarto de oda. La teoría de reflexioes pequeñas descrita e la secció aterior se puede usar para aalizar trasformadores multiseccioales de u cuarto de oda. Cosidere la
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 detallesTécnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20
Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra
Más detalles1. Distribución Normal.
DEPARTAMENTO DE MATEMÁTICAS UNIDAD 5. Estadística IES Galileo Galilei RESUMEN 1. Distribució Normal. 1.1. Cálculo de probabilidades a) Para ua distribució estádar N(0,1) usamos directamete la tabla: Ejemplos:
Más detallesUNIDAD 3.- INFERENCIA ESTADÍSTICA I
UNIDAD 3.- INFERENCIA ESTADÍSTICA I 1. ESTADÍSTICA INFERENCIAL. MUESTREO La Estadística es la ciecia que se preocupa de la recogida de datos, su orgaizació y aálisis, así como de las prediccioes que, a
Más detallesANDALUCÍA / JUNIO 04. LOGSE / MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES / EXAMEN COMPLETO OPCIÓN A
EXAMEN COMPLETO Istruccioes: a) Duració: 1 hora y 30 miutos. b) Elija ua de las dos opcioes propuestas y coteste los ejercicios de la opció elegida. c) E cada ejercicio, parte o apartado se idica la putuació
Más detalles1.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky 106 1. INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL upogamos que X1,...,X es ua muestra aleatoria de ua
Más detalles1. Muestreo Aleatorio Simple
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL Estadística III-Material 2-2012 Revisió y Cambios y Ampliació: Ig. José Alejadro Marí Fuete Primaria: Ig. César Augusto Zapata Urquijo
Más detallesAPUNTES DE FÍSICA I Profesor: José Fernando Pinto Parra UNIDAD 11 DINÁMICA DEL MOVIMIENTO ROTACIONAL
APUNTES DE FÍSICA I Profesor: José Ferado Pito Parra UNIDAD 11 DINÁMICA DEL MOVIMIENTO ROTACIONAL Cuado u objeto real gira alrededor de algú eje, su movimieto o se puede aalizar como si fuera ua partícula,
Más detalles4 - DESIGUALDAD DE CHEBYSHEV- LEY DE LOS GRANDES NUMEROS
arte Desigualdad de Chebyshev rof. María B. itarelli 4 - DESIGULDD DE CHEBYSHE- LEY DE LOS GRNDES NUMEROS La desigualdad de Chebyshev es ua importate herramieta teórica. Etre otras aplicacioes costituirá
Más detallesElementos de Teoria Asintotica
(wsosa@udesa.edu.ar) Uiversidad de Sa Adres El modelo lieal e otacio observacioal y i = x iβ + u i, i = 1, 2,..., x i = [ Mi Z i ] [, x i x Mi i = Z i ] [ Mi Z i ] = M 2 i Z i M i M i Z i Z 2 i M 2 x i
Más detalles8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS
8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS Sea ua variable aleatoria de ley descoocida co 0,00. Si 0,, emplear la desigualdad de TCHEBYCHEFF para acotar iferiormete la probabilidad E( ) [
Más detallesIntroducción a la Inferencia Estadística. Material Preparado por Olga Susana Filippini y Hugo Delfino
Itroducció a la Iferecia Estadística Temario Diseño Muestral Teorema Cetral del Límite Iferecia estadística Estimació putual y por itervalos Test de hipótesis. DISEÑO MUESTRAL Porque utilizar muestras
Más detallesTRABAJO DE GRUPO Series de potencias
DPTO. MATEMÁTICA APLICADA FACULTAD DE INFORMÁTICA (UPM) TRABAJO DE GRUPO Series de potecias CÁLCULO II (Curso 20-202) MIEMBROS DEL GRUPO (por orde alfabético) Nota: Apellidos Nombre Este trabajo sobre
Más detallesIntroducción a las medidas de dispersión.
UNIDAD 8: INTERPRETEMOS LA VARIABILIDAD DE LA INFORMACION. Itroducció a las medidas de dispersió. Como su ombre lo idica, las medidas de dispersió so parámetros que os idica qué ta dispersos está los datos.
Más detallesMETODOLOGÍA MUESTRAL EFECTIVA ENCUESTA DE GANADO CAPRINO AÑO 2015 INSTITUTO NACIONAL DE ESTADÍSTICAS
METODOLOGÍA MUESTRAL ECTIVA ECUESTA DE GAADO CAPRIO AÑO 05 ISTITUTO ACIOAL DE ESTADÍSTICAS Diciembre / 05 Metodología Muestral Efectiva Ecuesta de Gaado Caprio Año 05 Secció de Estadísticas Ecoómicas.
Más detallesSemana 10 [1/24] Sucesiones (II) 2 de mayo de Sucesiones (II)
Semaa 0 [/24] 2 de mayo de 2007 Sadwich de sucesioes Semaa 0 [2/24] Límites y Orde. Teorema Sea u ) y w ) sucesioes covergetes a u y w, respectivamete. Si 0 tal que para 0 se cumple que etoces u w. u w
Más detallesPROBLEMA DEL USO DE FERTILIZANTE EN GRANJAS DE PRODUCCIÓN DE TOMATES.
PROBLEMA DEL USO DE FERTILIZANTE EN GRANJAS DE PRODUCCIÓN DE TOMATES. E el siguiete ejercicio se tratará de expoer, de forma didáctica, el proceso de solució de u problema de regresió simple. Problema:
Más detallesNotas de clase 3 Estimación de parámetros.
Notas de clase 3 Estimació de parámetros. Willie Heradez 05-I E este capítulo se obtedrá relacioes etre la teoría y la realidad observable. Se buscará coclusioes que se puede obteer acerca de ua poblacióa
Más detallesSesión 8 Series numéricas III
Sesió 8 Series uméricas III Defiició Serie de Potecias Si a 0, a, a,, a so úmeros reales y x es ua variable, ua expresió de la forma a x, se llama Serie de Potecias. Lo abreviaremos co SP. Alguos ejemplos
Más detallesUniversidad de Granada
Uiversidad de Graada Departameto de Estadística e Ivestigació Operativa Bootstrap e poblacioes fiitas Máster Oficial e Estadística Aplicada Graada, julio de 2014 Ídice geeral 1. EL MÉTODO BOOTSTRAP 4 1.1.
Más detallesTema 8. Sesiones 15 y 16 Guía de clase 8. CONTRASTE DE HIPOTESIS
UNIVERSIDAD DE LOS ANDES NUCLEO UNIVERSITARIO RAFAEL RANGEL DEPTO DE CIENCIAS ECONOMOMICAS Y ADMIMISTRATIVAS AREA DE ESTADÍSTICA ESTADÍSTICA BASICA CONTADURÍA PÚBLICA Tema 8. Sesioes 5 y 6 Guía de clase
Más detallesProbabilidad y Estadística 2003 Intervalos de Confianza y Test de Hipótesis paramétricos
Probabilidad y Estadística 3 Itervalos de Cofiaza y Test de Hipótesis paramétricos Itervalos de Cofiaza Defiició Dada ua muestra aleatoria simple es decir, u vector de variables aleatorias X co compoetes
Más detallesEjercicios resueltos de Muestreo
Tema Ejercicios resueltos de Muestreo Ejercicio Sea ua població ita de 4 elemetos: P = f; 4; ; g : Se cosidera muestras de elemetos que se supoe extraidos y o devueltos a la població y que el muestreo
Más detallesIntervalos de Confianza basados en una sola muestra. Denotaremos al parámetro de interés con la letra θ y con θ un estimador para θ.
Itervalos de Cofiaza basados e ua sola muestra Ua estimació putual sólo os proporcioa u valor umérico, pero NO proporcioa iformació sobre la precisió y cofiabilidad de la estimació del parámetro. Etoces
Más detallesCalificación= (0,4 x Aciertos) - (0,2 x Errores) No debe entregar los enunciados. Sexo
EAMEN MODELO B ág. 1 INTRODUCCIÓN AL ANÁLII DE DATO FEBRERO 018 Código asigatura: 6011037 EAMEN TIO TET MODELO B DURACION: HORA Material: Addeda (Formulario y Tablas) y calculadora (cualquier modelo) Calificació
Más detallesSobre los intervalos de confianza y de predicción Javier Santibáñez 7 de abril de 2017
Sobre los itervalos de cofiaza y de predicció Javier Satibáñez 7 de abril de 2017 Itervalos de cofiaza Se costruye itervalos de cofiaza para los parámetros poblacioales. Supogamos que teemos ua muestra
Más detallesEstadística Descriptiva
Estadística Descriptiva TEMA 1 Estadística Descriptiva 1. Variables estadísticas uidimesioales a) Itroducció b) Estudio descriptivo de ua variable c) Represetacioes gráficas d) Medidas de tedecia cetral
Más detallesDiseño muestral de la Encuesta de Métodos de Producción Agrícola 2009
Diseño muestral de la Ecuesta de Métodos de Producció Agrícola 009 El diseño muestral de la Ecuesta de Métodos de Producció Agrícola 009 correspode a u tipo de muestreo aleatorio estratificado. E cada
Más detallesRepública Bolivariana de Venezuela Universidad Nacional Abierta Vicerrectorado Académico Área de Matemática
República Bolivariaa de Veezuela Uiversidad Nacioal Abierta Vicerrectorado Académico Área de Matemática Fórmulas y Tablas Cursos: 738, 745, 746 y 748 Prof. Gilberto Noguera Lista de Formulas N 1) µ = x
Más detallesSolución: de una distribución con media µ y varianza conocida. = X. Aquí 100. Así σ = a) Se pide determinar "n", de modo que:
Ejercicios Itervalos de Cofiaza. Se toma ua muestra aleatoria de observacioes y se costruye u itervalo de cofiaza del 95% para la media poblacioal, co variaza coocida. El itervalo de cofiaza resultó co
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 detalles