Curso Inferencia. Miguel Ángel Chong R. 3 de septiembre del 2013
|
|
- Esther Jiménez Maestre
- hace 5 años
- Vistas:
Transcripción
1 Curso Estadística Miguel Ángel Chong R. 3 de septiembre del 013
2 Definamos más formalmente que entenderémos por una muestra. Definción Sea X la v.a. correspondiente a una población con función de distribución F (x). Si X 1, X,...,X n son v.a.s independientese identicamente distribuidas, F (x), en adelante denotado por v.a.i.i.d. Entonces a X 1, X,...,X n lo llamaremos muestra aleatoria simple o muestra aleatoria.
3 Estimación de parámetros Ahora una vez que suponemos que la población sigue cierto comportamiento distribucional F (x) (por ejemplo una normal), con base en la información contenida en una muestra aleatoria quisieramos saber cuáles son los parámetros adecuados (µ y/o, continuando con ejemplo de la normal). Un estimador es una fórmula que establece cómo calcular una estimación basada en las mediciones contenidas en una muestra. Entonces un estimador es una función de la muestra 1 yasuvezes una variable aleatoria. A continuación daremos un breve respaso de algunas funciones de distribución que nos serán de gran utilidad. 1 Que no depende del parámetro que deseamos estimar.
4 Recordemos que si X N(µ, es: ), entonces su función de densidad f X (x) = ( 1 p exp ) (x µ), para 1< x < 1 donde, µ = E (X ), 1 <µ<1, Var (X )= y > 0. Yapartirdecualquierv.a.X N(µ, ) con > 0, podemos llevarla a una v.a. normal estándar Z N(0, 1) haciendo la siguiente transformación Z = X µ, a este proceso se le llama estandación o estandarizar la v.a. X.
5 Como notación usaremos la letra, para la fución de distribución acumulada de una normal estandar y lo calcularemos usando R de la siguiente forma (z) =P (Z apple z) = pnorm(z, 0, 1).
6 Una v.a. se genera a partir de la suma de variables aleatorias independientes normales con media cero y varianza uno. Es decir, si Z 1, Z,...,Z k N (0, 1) y son independientes entonces si definimos la nueva v.a. W como: W = Z1 + + Z k, y diremos W se distribuye como una ji cuadrada con k grados de libertad, y lo denotaremos como W k. Observaciones 1 El número de términos en la suma son los grados de libertad. Se puede probar que la esperanza de W es k, esdecirque E (W )=k, y 3 La varianza de W es k, esdecirvar(w )=k. 4 Podemos calcular la función de distribución acumulada de una n como P (W apple w) =pchisq(w, n) y los cuantiles para un u [0, 1] como P W apple u,n = u de la siguiente manera u,n = qchisq(u, n).
7 k Si Z N(0, 1) y W donde Z y W son independiente. Si entonces la v.a. definida por la transformación Y = Z, diremos que Y se distribuye t de Student con k grados de libertad, y lo denotaremos por Y t k. Observaciones Los grados de libertad de t k son los mismos grados de la que la genera. Esta función de distribución es parecida a la normal centrada en cero p W k en el sentido de que también es simétrica alrededor del cero, pero la t k se diferencía de la normal en que tiene colas más pesadas. Cuando los grados de libertad k tienden a infinito, entonces t k tiende a una N (0, 1), y lo podemos escribir como t k! N (0, 1) cuando k!1. Podemos calcular la función de distribución acumulada de una t k usando R como sigue P (Y apple w) =pt(w, n) y los cuantiles para un u [0, 1] como P (Y apple t u,n )=u de la siguiente manera t u,n = qt(u, n).
8 Si d1 yd son números enteros positivos y definimos las siguentes v.a.s como V d1 y W d donde V y W son independiente. Entonces la v.a. definida por la transformación K = V /d1, se dice que K se W/d distribuye F de Snedecor con d1 y d grados de libertad, ylo denotaremos por K F d1,d. Observaciones Los grados de libertad d1 yd delaf d1,d los determinan los grados de la en el numerador y en el denominador respectivemete. Si K F d1,d entonces 1 K =K 1 F d,d1. Podemos calcular la función de distribución acumulada de una F d1,d usando R como sigue P (K apple w) =pf (w, d1, d) y los cuantiles para un u [0, 1] como P (K apple f u,d1,d )=u de la siguiente manera f u,d1,d = qt(u, d1, d).
9 Distribución de estadísticos muestrales Los estadísticos muestrales los usaremos para estimar los correspondientes parámetros poblacionales. Como los estadísticos muestrales son una función de una muestra aleatoria (X 1,...,X n ), estos estadísticos son también variables aleatorias en algunos casos no es difícil calcular su distribución de probabilidad. Es importante notar que la distribución exacta de los estadísticos dependerá del tamaño muestral n, y en algunos casos habrá que tomar una muestra grande y utilizar la distribución ĺımite apropiada. En concreto nos centraremos en saber la distribución de los estadísticos X y S que son muy útiles en diferentes aplicaciones estadísticas, pero antes de calcula la distribución de estos estadísticos veamos los siguientes resultados.
10 Teorema Si (X 1,...,X n )esunamuestraaleatoriadetamañon procedente de una población, descrita por la variable aleatoria X, con media E[X ]=µ yvarianzavar(x )=, entonces E X = µ Var X = n. El resultado anterior es valido cuando el muestreo se hace de una población infinita, o bien de una población finita, pero con reemplazo. A continuación nos centraremos primero en saber las distribuciones de algunos estadísticos para muestras procedentes distribuciones normales, cuyos parámetros pueden o no, ser conocidos.
11 La función generadora de momentos de la variable aleatoria X se define como M X (t) =E e Xt y tiene las propiedades: M X +Y (t) =M X (t) M Y (t) si solo si X y Y son v.a.s indepencientes M ax (t) =M X (at) donde a es una constante real. Además un resultado muy conocido es el siguiente: Si X N µ, entonces M X (t) =e µt+ t.
12 Teorema Si X 1,...,X n, son variables aleatorias independientes distribuidas según una N(µ i, i ), para i = {1,...,n} y si a 1,...,a n, son números reales, entonces la variable aleatoria Y = a 1X a nx n Demostración Y N a 1µ a nµ n, a an n. M Y (t) =M a1 X a nx n (t) = = ny M Xi (a i t)= ny ny M ai X i (t) i=1 i=1 i=1 =e P P ni=1 n i=1 µ i a i t+ i a i t. e µ i a i t+ i a i t Que es la función generadora de momentos de una normal con media P n i=1 µ ia i yvarianza P n i=1 i ai
13 Como consecuencia vamos a obtener la función del estadístico X bajo los siguientes supuestos. Sea (X 1,...,X n )unamuestraaleatoria simple de tamaño n, procedente de una población N µ,, donde es conocida y como consecuencia X N µ, n, Z = X µ q n N (0, 1).
14 Sea (X 1,...,X n )unamuestraaleatoriasimpledetamañon, procedente de una poblacioin N µ,. Entonces tenemos que cada elemento de la muestra lo podemos estandarizar Z i = X i µ N (0, 1), con i {1,,...,n} Usando la independencia tenemos que nx i=1 Z i n.
15 Encontramos la distribución de X bajo el supuesto de que la varianza de la población es conocida, pero en general este parámetro también es desconocido. Podemos estimar la varianza poblacional con la varianza muestral S = 1 P n n 1 i=1 X i X. Teorema Sea (X 1,...,X n )unamuestraaleatoriasimpledetamañon, procedente de una población N µ,. Entonces se verifica que: 1 Los estadísticos X y S son independientes. El estadístico W = (n 1) S n 1. 3 Y por lo tantos el estadístico X µ q n q W n 1 = X µ Sp n t n 1.
16 Distribución de la diferencia de medias muestrales cuando se conoce la varianza poblacional. En muchas situaciones surge la necesidad de comparar medias muestrales de dos poblaciones distintas. Supongamos que X N µ X, X,yquelavariablealeatoria Y N µ Y, Y. Se selecciona una muestra aleatoria de tamaño n X de la primera población y una muestra aleatoria de tamaño n Y de la otra. Si X y Ȳ son las medias muestrales de ambas muestras y estamos interesados en conocer la distribución muestral de la diferencia X Ȳ para las muestras respectivas de tamaño n X y n Y
17 Teorema Sean (X 1,...,X nx )y(y 1,...,Y ny ) dos muestras aleatorias simples e independientes entre sí, de tamaños n X y n Y, procedentes de las poblaciones N µ X, X y N µ Y, Y respectivamente. Entonces la distribución muestral de la diferencia de medias X Ȳ, tendrá una distribución normal Entonces X Ȳ N µ X µ Y, X n X + Y. n Y Z = X Ȳ (µ X µ Y ) q X n X + Y n Y N (0, 1).
18 Distribución de la diferencia de medias muestrales cuando no se conoce la varianza poblacional Un caso más general es cuando las varianzas poblacionales no son conocidas. Si queremos obtener la distribución de la diferencia de medias muestrales X Ȳ cuando el muestro se realiza sobre dos poblaciones normales, independientes y con varianzas desconocidas. Es decir, consideramos dos poblaciones normales e independientes, N µ X, X y N µ Y, Y y seleccionamos una muestra aleatona simple de tamaño n X de la primera población y otra muestra aleatoria simple de tamaño n Y,independientedela anterior, y procedente de la segunda población, entonces pueden presentarse dos situaciones: Las varianzas poblacionales son iguales = X = Y, Las varianzas poblacionales son distintas X 6= Y.
19 Caso = X = Y Como las muestras son independientes, también serán independientes las varianzas muestrales SX y SY y por tanto los estadísticos (n X 1) S X n X 1 (n Y 1) S Y n Y 1, entoces al sumar las dos expresiones anteriores y usando la independencia tenemos que Por otro lado U = (n X 1) S X +(n Y 1) S Y n x +n Y. Yporlotanto Z = X Ȳ (µ X µ Y ) q N (0, 1). 1 n X + 1 n Y T = q Z U n X +n Y t nx +n Y
20 Desarrollando la igualdad de la lamina anterior tenemos que T = ( X Ȳ) (µ X µ Y ) q 1 nx + 1 n Y q 1 (n X 1)S X +(n Y 1)S Y n X +n Y = p n X + n Y q = X Ȳ (µ X µ Y ) p 1 n X + 1 (nx n Y 1) SX +(n Y 1) SY p nxn Y p nx + n Y p nx + n Y X Ȳ (µ X µ Y ) p (nx 1) S X +(n Y 1) S Y t nx +n Y
21 caso X 6= Y Si las varianzas poblacionales son distintas y desconocidas X 6= Y utilizamos las varianzas muestrales S X y S Y como sus estimadores. Cuando los tamaños muestrales de ambas muestras son mas grandes de 30, entonces usamos el estadístico X Ȳ (µ X µ Y )! t, + S Y n Y q S X n X donde es el entero más próximo a la siguiente cantidad S X + S Y n X ny S X! S! Y nx ny n X 1 + n Y 1
22 Distribución para el cociente de varianzas Sean dos poblaciones X y Y normales N µ X, X y N µ Y, Y independientes, de las cuales seleccionamos dos muestras aleatorias e independientes, de tamaños n X y n Y,(X 1,...,X nx )y(y 1,...,Y ny ), entonces pueden presentarse fundamentalmente dos situaciones: a) Sungamos que µ X y µ Y son conocidas. Si definimos a entonces S X = 1 n X nx i=1 (X i µ X ), S Y = 1 n Y n Y X i=1 (Y i µ Y ). Entonces U = n X SX X n X, V = n Y SY Y n Y. F = U /n X V/n Y = Y X S X SY F nx,n Y
23 b) y por otro lado, supongamos que µ X y µ Y son desconocidas. Si definimos a S X = entonces 1 n X 1 nx i=1 X i X, S Y = 1 n Y 1 n Y X i=1 Y i Ȳ. U = (n X 1)S X X n X 1, V = (n Y 1)S Y Y n Y 1. Entonces F = U /(n X 1) V/(n Y 1) = Y X S X S Y F nx 1,n Y 1
24 Teorema Central del Límite Sea X 1, X, X 3,... una sucesión de v.a.s independientes con función de probabilidades f X (x), con media µ X yvarianza X X.Sea = 1 n (X 1 + X X n )lamediaaritméticadelasprimerasn variables aleatorias que integran la sucesión. Cuando n!1, la distribución de la variable aleatoria X es aproximadamente normal con media µ X yvarianza X n,esdecir X! d N µ X,, cuando n!1, donde el símbolo d! debe leerse converge en distribución. Yporlotanto X n X µ X = px n p n( X µ X ) X d! N(0, 1).
25 El Teorema Central del Límite establece que para un tamaño de muestra grande la distribución de X es aproximadamente normal: 1 independientemente de que la v.a. X de la cual se está muestreando, el teorema funciona aún si la distribución es discreta, 3 sea simétrica o asimétrica la forma de la densidad de f X (x) 4 la expresión tamaño de muestra grande es ambigüa, por lo tanto el tamaño de muestra para el cual la aproximación es buena depende de la forma de f X (x). Siempre y cuanto tenga hasta segundo momento finito.
26 Distribución de la proporción muestral Sea (X 1,...,X n) una muestra aleatoria simple de tamaño n, deunapoblación nx Ber(p). Sea U = X i la v.a. que cuenta los éxitos y por lo tanto el i=1 estadístico proporción muestral que nos servirá para estimár p será la v.a. P x = U. n nx Una vez que tenemos una muestra observada (x 1,...,x n)yu = x i el valor del estadístico proporción muestral es el número ˆp = u n. en donde u representa el número de elementos de la muestra que poseen la característica que estamos investigando y la variable aleatoria U sigue una distribución binomial Bin(n, p). La distribución binomial se puede aproximar por una normal cuando n es grande (n 30), usando el Teorema Central del Límite. Entonces el estadístico muestral sigue una distribución normal i=1 U n d! N p, p(1 p) n
27 Distribución de la diferencia de proporciones Otro problema que se suele presentarse es comparar las proporciones p x y p y de dos poblaciones con distribución Ber(p x )yber(p y ), usando muestras aleatorias simples de tamaño n x y n y,respectivamente, extraídas de ambas poblaciones de forma indepenciente entre ellas. Sean n x n X X y U = X i y V = i=1 i=1 Y i Entonces la distribución muestral de la diferencia de proporciones ˆp x ˆp y = U n x V n y tendrá aproximadamente (para n x y n y grandes) una distribución normal con media y desviación típica µˆpx ˆp y =ˆp x ˆp y ˆpx ˆp y = p xq x n x ˆp x ˆp y d! N µˆpx ˆp y, ˆp x + p y q y n y ˆp y.
28 El problema de la estimación puntual La estimación de parámetros se divide en dos grandes grupos: 1 La estimación puntual se concentra en obtener un único valor, calculado a partir de las observaciones muestrales, y que es utilizado como estimación del valor del parámetro. En la estimación por intervalos se obtienen dos valores: un ĺımite inferior L i yunĺımitesuperiorl s que definen un intervalo en los reales, el cual contendrá con cierta confianza el valor del parámetro.
29 Como suponemos que la población está representada por su función de distribución F (x; ), donde es el parámetro poblacional desconocido. El estimador del parametro poblacional es una función de la muestra aleatoria ˆ = g(x 1,...,X n ) Cuando tenemos una muestra observada (x 1,...,x n ) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional ˆ = g(x 1,...,x n ) El estimador es un estadístico y además v.a. y el valor de esta variable aleatoria para una muestra dada (x 1,...,x n )esuna estimación puntual. Como hemos visto, estimador ˆ tiene su distribución muestral y para diferentes realizaciones de una muestra de tamaño n se tendrá un valor.
30 Nuestro objetivo es seleccionar el estadístico que usaremos como estimador del parámetro poblacional. Por ejemplo, una propiedad deseable de un estadístico es que para diferentes realizaciones (x 1,...,x n ), el estadístico estén en promedio concentrado alrededor del verdadero valor del parámetro.
Curso Inferencia. Miguel Ángel Chong R. 10 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 10 de septiembre del 013 Distribución de la diferencia de medias muestrales cuando se conoce la varianza poblacional. En muchas situaciones
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesCurso Inferencia. Miguel Ángel Chong R. 1 de octubre del 2012
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 1 de octubre del 2012 Definición Estadístico suficiente Un estadístico es suficiente respecto al parámetro si la distribución de probabilidad
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Más detallesInferencia Estadística
Inferencia Estadística 2do C. 2018 Mg. Stella Figueroa Clase Nº10 Población y Muestra- Parámetro y Estimación puntual Población: Es el conjunto de todos los elementos o unidades elementales con características
Más detallesEstadísticas y distribuciones de muestreo
Estadísticas y distribuciones de muestreo D I A N A D E L P I L A R C O B O S D E L A N G E L 7/11/011 Estadísticas Una estadística es cualquier función de las observaciones en una muestra aleatoria que
Más detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más detallesEstimación. Introducción. Sea X la variable aleatoria poblacional con distribución de probabilidad f θ donde. es el parámetro poblacional desconocido
Tema : Introducción a la Teoría de la Estimación Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f θ (x), donde θ Θ es el parámetro poblacional desconocido Objetivo:
Más detallesFundamentos para la inferencia. Estadística Prof. Tamara Burdisso
Fundamentos para la inferencia Estadística 018 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesCurso Inferencia. Miguel Ángel Chong R. 24 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 24 de septiembre del 2013 Suficiencia Cuando hacemos inferencia sobre un parámetro, usando una muestra aleatoria (X 1,...,X n )yunestadísticoˆ
Más detallesCurso Inferencia. Miguel Ángel Chong R. 17 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 17 de septiembre del 2013 Estimador insesgado de minima varianza Definición Estimador insesgado uniformemente de mínima varianza. Diremos
Más detallesCurso Propedéutico para la Especialización en Estadística Aplicada
Curso Propedéutico para la Especialización en Estadística Aplicada Estadística Miguel Ángel Chong Rodríguez miguel@sigma.iimas.unam.mx 1 Introducción Una característica del humano es tratar de interpretar
Más detallesTema 1: Distribuciones en el muestreo
Tema 1: Distribuciones en el muestreo 1 (transparencias de A. Jach http://www.est.uc3m.es/ajach/) Muestras aleatorias Estadísticos Concepto de distribución muestral Media muestral Distribución muestral
Más detallesTema 3: Estimación estadística de modelos probabilistas. (primera parte)
Tema 3: Estimación estadística de modelos probabilistas. (primera parte) Estructura de este tema: 1. 2 Estimación por intervalos de confianza. 3 Contrastes de hipótesis. Planteamiento del problema Inconveniente:
Más detallesTema 7: Introducción a la Teoría sobre Estimación
Tema 7: Introducción a la Teoría sobre Estimación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Introducción a la Teoría sobre Estimación
Más detallesMomentos de Funciones de Vectores Aleatorios
Capítulo 1 Momentos de Funciones de Vectores Aleatorios 1.1 Esperanza de Funciones de Vectores Aleatorios Definición 1.1 Sea X = (X 1,..., X n ) un vector aleatorio (absolutamente continuo o discreto)
Más detallesMuestreo e intervalos de confianza
Muestreo e intervalos de confianza Intervalo de confianza para la media (varianza desconocida) Intervalo de confinza para la varianza Grados en Biología y Biología sanitaria M. Marvá. Departamento de Física
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesNotas de clase Estadística R. Urbán R.
Inferencia estadística Sabemos que una población puede ser caracterizada por los valores de algunos parámetros poblacionales, por ello es lógico que en muchos problemas estadísticos se centre la atención
Más detallesEstadís2ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 5. Inferencia estadís2ca
Estadís2ca Tema 5. Inferencia estadís2ca María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica
Más detallesESTADISTICA GENERAL. PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL PRINCIPALES DISTRIBUCIONES CONTINUAS Profesor: Celso Celso Gonzales OBJETIVOS Describir las características de las distribuciones de probabilidad : Normal, Ji-cuadrado, t de student
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesTécnicas de Muestreo Métodos
Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesINFERENCIA ESTADISTICA. Proferora: Lic. Gladis Mazza
INFERENCIA ESTADISTICA Proferora: Lic. Gladis Mazza INFERENCIA ESTADISTICA Por este proceso es posible utilizar estadísticos calculados a partir de muestras para estimar los valores de los parámetros de
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesComportamiento asintótico de estimadores
Comportamiento asintótico de estimadores Seguimos con variable X con función de densidad/masa f (x; θ). Queremos estimar θ. Dada una muestra aleatoria, definimos un estimador T = h(x 1,..., X n ) Esperamos/deseamos
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Mag. María del Carmen Romero 2014 romero@econ.unicen.edu.ar Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo
Más detallesSeries de tiempo. Miguel Ángel Chong R. 2 de abril del 2013
Estadística Miguel Ángel Chong R miguel@sigmaiimasunammx de abril del 03 Autorregresivos Diremos que un proceso {X t } tt es un autorregresivo de orden p, y lo denotaremos como AR(p), si para p unenteroy,,
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #9 Tema: Estimación puntual y por Intervalo de confianza Prof.: MSc. Julio Rito Vargas A. Grupos: CCEE y ADMVA /2016 Objetivos:
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesTema 4. Intervalos de confianza. Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1
Tema 4. Intervalos de confianza Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1 Definición Sea X una v.a. con distribución de probabilidad dada por un modelo
Más detallesFORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD
FORMULARIO DE DISTRIBUCIONES DE PROBABILIDAD Jorge M. Galbiati pág. DISTRIBUCION BINOMIAL 2 DISTRIBUCION POISSON 4 DISTRIBUCION HIPERGEOMETRICA 5 DISTRIBUCION GEOMETRICA 7 DISTRIBUCION NORMAL 8 DISTRIBUCION
Más detallesTema 4: Estimación por intervalo (Intervalos de Confianza)
Tema 4: Estimación por intervalo (Intervalos de Confianza (a partir del material de A. Jach (http://www.est.uc3m.es/ajach/ y A. Alonso (http://www.est.uc3m.es/amalonso/ 1 Planteamiento del problema: IC
Más detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesCálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
Más detallesFundamentos para la inferencia. Unidad 3 Parte II Estadísca Prof. Tamara Burdisso
Fundamentos para la inferencia Estadísca 017 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesFundamentos para la inferencia. Unidad 3 Parte II Estadísca Prof. Tamara Burdisso
Fundamentos para la inferencia Estadísca 016 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más detallesSeries de tiempo. Miguel Ángel Chong R. 19 de marzo del 2013
Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 19 de marzo del 2013 Promedios moviles Definición Diremos que {X t } t2t es un proceso de media movil de orden q, y lo denotaremos como MA(q),
Más detallesTema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
Más detalles5.3. Distribuciones Derivadas de la Normal
5.3. Distribuciones Derivadas de la Normal El propósito de esta sección es enunciar varios teoremas importantes que nos dirán que realizando diferentes transformaciones de la v.a. normal podremos obtener
Más detallesValeri Makarov: Estadística Aplicada y Cálculo Numérico (Grado en Química)
Estadística Aplicada y Cálculo Numérico (Grado en Química) Valeri Makarov 10/02/2015 29/05/2015 F.CC. Matemáticas, Desp. 420 http://www.mat.ucm.es/ vmakarov e-mail: vmakarov@mat.ucm.es Capítulo 4 Variables
Más detallesDistribuciones de muestreo importantes. Jhon Jairo Padilla Aguilar, PhD.
Distribuciones de muestreo importantes Jhon Jairo Padilla Aguilar, PhD. Distribución chi-cuadrado Si z1, z2,z3, zk son distribuciones normales estandarizadas, la variable aleatoria x 2 2 z1 z2... zk Sigue
Más detallesTema 3: Estimación estadística de modelos probabilistas. (segunda parte)
Tema 3: Estimación estadística de modelos probabilistas. (segunda parte) Estructura de este tema: 1 Técnicas de muestreo y estimación puntual. 2. 3 Contrastes de hipótesis. Planteamiento del problema Sea
Más detallesESTADÍSTICA. Tema 4 Intervalos de confianza
ESTADÍSTICA Grado en Biología Tema 4 Intervalos de confianza Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo Estadística. Tema 4: Intervalos
Más detallesDistribuciones Fundamentales de Muestreo. UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides
Distribuciones Fundamentales de Muestreo UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides Distribuciones Muestrales La distribución de probabilidad de un estadístico
Más detallesTema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:
Tema 4: Variables aleatorias Tema 4: Variables Aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno
Más detallesTEMA 3: MUESTREO Y ESTIMACIÓN. Estimación de la Media
TEMA 3: MUESTREO Y ESTIMACIÓN Estimación de la Media INTRODUCIÓN Supongamos que queremos estudiar una determinada característica de una población. Como vimos en el anterior power point, es muy complejo
Más detalles( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE
Estudiamos algunos ejemplos de distribuciones de variables aleatorias continuas. De ellas merecen especial mención las derivadas de la distribución normal (χ, t de Student y F de Snedecor), por su importancia
Más detalles1. La distribución ji-cuadrada. La distribución ji-cuadrada surge de la suma de normales estándar al cuadrado, su definición formal es la siguiente:
DISTRIBUCIONES DERIVADAS DE LA NORMAL Son tres distribuciones derivadas de la normal, las cuales se aplican es estadística inferencial para modelas las distribuciones en el muestreo. Estas distribuciones
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesCap. 5 : Distribuciones muestrales
Cap. 5 : Distribuciones muestrales Alexandre Blondin Massé Departamento de Informática y Matematica Université du Québec à Chicoutimi 18 de junio del 2015 Modelado de sistemas aleatorios Ingeniería de
Más detallesEjemplos Resueltos Tema 4
Ejemplos Resueltos Tema 4 01 1. Intervalo de Confianza para la Media µ (con σ conocida Dada una muestra de tamaño n, para un nivel de confianza 1-α y la desviación típica de la población σ, el Intervalo
Más detallesUNIDAD 4. INFERENCIA ESTADÍSTICA. Prof. Eliana Guzmán U. Semestre A-2015
UNIDAD 4. INFERENCIA ESTADÍSTICA Prof. Eliana Guzmán U. Semestre A-05 INFERENCIA ESTADÍSTICA La teoría de la Inferencia Estadística está conformada por aquellos métodos que permiten hacer generalizaciones,
Más detallesPart VI. Distribuciones notables. Estadística I. Mario Francisco. Principales distribuciones unidimensionales. discretas. Principales distribuciones
Part VI notables El proceso de Bernoulli En cada observación se clasifica el elemento de la población en una de las dos posibles categorías, correspondientes a la ocurrencia o no de un suceso. Llamaremos
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesResumen teórico de los principales conceptos estadísticos
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Muestreo aleatorio simple Resumen teórico Resumen teórico de los principales conceptos estadísticos Muestreo aleatorio
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Recuerdo que Conceptos estadísticos Población y muestra Población es una colección de posibles individuos, especímenes, objetos o medidas de interés sobre
Más detallesEstadística Clase 4. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 Clase 4 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 4 1. Pasos en un proceso estadístico. Inferencia Estadística 3. Estimación Puntual
Más detallesCUESTIONES TEÓRICAS ESTADÍSTICA
Gestión Aeronáutica: Estadística Teórica Facultad Ciencias Económicas y Empresariales Departamento de Economía Aplicada Profesor: Santiago de la Fuente Fernández CUESTIONES TEÓRICAS ESTADÍSTICA Gestión
Más detallesCAPITULO 6 DISTRIBUCIONES MUESTRALES
CAPITULO 6 DISTRIBUCIONES MUESTRALES MUESTRAS ALEATORIAS PARA DEFINIR UNA MUESTRA ALEATORIA, SUPONGAMOS QUE x ES UNA VARIABLE ALEATORIA CON DISTRIBUCIÓN DE PROBABILIDADA f(x). EL CONJUNTO DE n OBSERVACIONES
Más detallesIntervalos de Confianza
Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesTEMA 2: Estimadores y distribuciones en el muestreo. Alfredo García Hiernaux. Grupos 69 y 73 Estadística I. Curso 2006/07
TEMA 2: Estimadores y distribuciones en el muestreo 1) Introducción 2) Tipos de muestreos 3) Estadísticos INDICE 4) Estimadores y propiedades 5) Distribución muestral 6) Teorema Central del Límite 7) Distribuciones
Más detalles1. Muestreo e Inferencia Estadística
Tema 6: Introducción a la Inferencia Estadística Objetivos Introducir los conceptos elementales en esta parte de la asignatura. Tratar con muestras aleatorias y su distribución muestral en ejemplos de
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9)
PROBABILIDAD Y ESTADÍSTICA Sesión 6 (A partir de tema 5.9) 5.9 Muestreo: 5.9.1 Introducción al muestreo 5.9.2 Tipos de muestreo 5.10 Teorema del límite central 5.11 Distribución muestral de la media 5.12
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesTema 6. Estimación puntual
1 Tema 6. Estimación puntual En este tema: Planteamiento del problema. Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Métodos
Más detallesCENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO EN COMPUTACIÓN MUESTRAS ALEATORIAS Y DISTRIBUCIONES DE MUESTREO
CENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO EN COMPUTACIÓN MUESTRAS ALEATORIAS Y DISTRIBUCIONES DE MUESTREO ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: AGOSTO DE 2017 UNIDAD DE APRENDIZAJE PROBABILIDAD
Más detallesJuan Carlos Colonia INFERENCIA ESTADÍSTICA
Juan Carlos Colonia INFERENCIA ESTADÍSTICA PARÁMETROS Y ESTADÍSTICAS Es fundamental entender la diferencia entre parámetros y estadísticos. Los parámetros se refieren a la distribución de la población
Más detallesJuan Carlos Colonia DISTRIBUCIONES MUESTRALES
Juan Carlos Colonia DISTRIBUCIONES MUESTRALES POBLACIÓN Es el conjunto de individuos u objetos que poseen alguna característica común observable y de la cual se desea obtener información. El número de
Más detallesARCH y GARCH. Series de tiempo. Miguel Ángel Chong R. 14 de mayo del 2013
Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 14 de mayo del 013 Modelos estacionales multiplicativos y estacionarios En la mayor parte de los casos los datos no sólo están correlacionados
Más detallesMATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
MATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con sucesos. Leyes de De Morgan.
Más detallesPart I. Momentos de una variable aleatoria. Esperanza y varianza. Modelos de Probabilidad. Mario Francisco. Esperanza de una variable aleatoria
una una típica Part I Momentos. Esperanza y varianza Esperanza una una típica Definición Sea X una discreta que toma los valores x i con probabilidades p i. Supuesto que i x i p i
Más detallesEsquema Matemáticas CCSS
Esquema Matemáticas CCSS 4. Inferencia Conocer el vocabulario básico de la Inferencia Estadística: población, individuos, muestra, tamaño de la población, tamaño de la muestra, muestreo aleatorio. Conocer
Más detallesTema 12: Distribuciones de probabilidad
Tema 12: Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E, de un experimento aleatorio, un número real: X:
Más detallesMs. C. Marco Vinicio Rodríguez
Ms. C. Marco Vinicio Rodríguez mvrodriguezl@yahoo.com http://mvrurural.wordpress.com/ Uno de los objetivos de la estadística es saber acerca del comportamiento de parámetros poblacionales tales como:
Más detallesCuál es el campo de estudio de la prueba de hipótesis?
ESTIMACIÓN Establecer generalizaciones acerca de una población a partir de una muestra es el campo de estudio de la inferencia estadística. La inferencia estadística se divide en estimación y prueba de
Más detallesIntervalo para la media si se conoce la varianza
178 Bioestadística: Métodos y Aplicaciones nza para la media (caso general): Este se trata del caso con verdadero interés práctico. Por ejemplo sirve para estimar intervalos que contenga la media del colesterol
Más detallesTEMA 7. Estimación. Alicia Nieto Reyes BIOESTADÍSTICA. Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 7. Estimación 1 / 13
TEMA 7. Estimación Alicia Nieto Reyes BIOESTADÍSTICA Alicia Nieto Reyes (BIOESTADÍSTICA) TEMA 7. Estimación 1 / 13 1 Estimación Puntual 1 Estimación por intervalos Estimación por intervalos de la Media
Más detallesEstadística Clase 3. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase 3 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri 1. Pasos en un proceso estadístico 1. Plantear una hipótesis sobre una población.. Diseñar
Más detallesContrastes basados en el estadístico Ji Cuadrado
Capítulo 10 Contrastes basados en el estadístico Ji Cuadrado 10.1. Introducción Existen multitud de situaciones en el ámbito de la salud en el que las variables de interés, las cuales no pueden cuantificarse
Más detallesINFERENCIA ESTADÍSTICA
INFERENCIA ESTADÍSTICA 1. DEFINICIÓN DE INFERENCIA ESTADÍSTICA Llamamos Inferencia Estadística al proceso de sacar conclusiones generales para toda una población a partir del estudio de una muestra, así
Más detallesz es una variable estandarizada con media igual a cero y varianza igual a uno. (μ= 0, σ 2 =1)
z x z es una variable estandarizada con media igual a cero y varianza igual a uno. (μ= 0, σ =1) La distribución normal es una distribución continua, en forma de campana donde la media, la mediana y la
Más detallesEstadística I Tema 5: Modelos probabiĺısticos
Estadística I Tema 5: Modelos probabiĺısticos Tema 5. Modelos probabiĺısticos Contenidos Variables aleatorias: concepto. Variables aleatorias discretas: Función de probabilidad y Función de distribución.
Más detallesDistribución de probabilidad
Los experimentos aleatorios originan resultados y los resultados nos permiten tomar decisiones Por ejemplo, en un partido de fútbol si se lanza una moneda y sale cara parte la visita, de lo contrario parte
Más detalles