Curso Inferencia. Miguel Ángel Chong R. 10 de septiembre del 2013
|
|
- Ramona Fidalgo Herrero
- hace 5 años
- Vistas:
Transcripción
1 Curso Estadística Miguel Ángel Chong R. 10 de septiembre del 013
2 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
3 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).
4 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.
5 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
6 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
7 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
8 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
9 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
10 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).
11 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 1 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). 1 Siempre y cuanto tenga hasta segundo momento finito.
12 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
13 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 estándar µˆpx ˆp y = p x p 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.
14 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.
15 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.
16 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 esté en promedio concentrado alrededor del verdadero valor del parámetro.
17 Propiedades de los estimadores puntuales Supongamos que la población sigue una distribución F (x; ), en donde es un parámetro poblacional desconocido, y lo queremos estimar vía ˆ = g(x 1,...,X n )dadaunamuestraaleatoriade tamaño n, (X 1,...,X n ). Pero nos interesa encontrar un estadístico g(x 1,...,X n ) que nos proporcione el mejor estimador del parámetro desconocido, una medida deseable es calcular error cuadrático medio del estimador.
18 Error cuadrático medio del estimador ˆ. Definimos el error cuadrático medio del estimador, que lo notaremos por ECM(ˆ ), como el valor esperado del cuadrado de la diferencia entre el estadístico ˆ yelparámetro,esdecir ECM(ˆ ) = E apple ˆ. El ECM del estadístico ˆ se puede descomponer en suma de dos cantidades no negativas B ˆ = E ˆ. apple ECM(ˆ ) = E ˆ = Var ˆ ˆ + B, Notemos que ambas cantidades debe de ser tomadas en cuenta para obtener propiedades deseables en un estimador. Quisieramos que tanto la varianza como sesgo, sean lo más pequeños posibles, en otras palabras, sería bueno que la distribución muestral de ˆ se concentre al rededor del parámetro.
19 Suena sencillo, bastaría con tomar el estimador ˆ de con ECM más pequeño de entre todos los posibles estimadores de! Lo que es difícil es obtener entre todos los posibles estimadores de, el que nos de un ECM mínimo para todo. En otras palabras, no siempre existirá un estimador que haga mínimo su ECM para todo. Puede pasar que un estimador ˆ 1 tenga ECM mínimo para algunos valores del parámetro, mientras que otro estadístico ˆ tenga un ECM mínimo para otros valores de. Por lo tanto, el ECM como medida de elección de un buen estimador es insuficiente. Al espacio parametrál lo denotaremos por la letra, y es el conjunto de todos los posibles valores que puede tomar
20 Estimador insesgado Hemos definido el sesgo del estimador ˆ como: B ˆ = E ˆ. en el ECM, que en el segundo sumando nos aparecía el cuadrado del sesgo, también decíamos que el ECM ˆ debería ser lo más pequeño posible y para ello era necesario que la varianza del estimador y el cuadrado del sesgo también fueran lo más pequeños posibles. Será conveniente que el sesgo en valor absoluto sea lo más chico posible, siendo deseable que sea nulo, es decir E ˆ =. Decimos que un estimador ˆ es insesgado si E ˆ =, de lo contrario se dice que es sesgado. Si E ˆ > estamos sobre estimando y si E ˆ < caemos es subestimación.
21 Proposición Si ˆ 1 y ˆ son dos estimadores insesgados del parámetro, entonces el estimador ˆ definido como ˆ = ˆ 1 +(1 )ˆ, (0, 1) es también un estimador insesgado del parámetro.
22 Ejemplo Estimadores insesgados Sea X 1,...,X 10 una muestra aleatoria con media µ yvarianza siguientes estimadores para µ: considere los 1 ˆ 1 = X 1, ˆ = X 1+X, 3 ˆ 3 = X = X 1+X + +X = X. Las esperanzas y las varianzas de los estimadores anteriores son: 1 E ˆ 1 = E (X 1 )=µ, Var ˆ 1 = Var (X 1 )= ˆ E = E X1 +X Var ˆ = Var X1 +X = 1 E (X 1 + X )= 1 (E (X 1)+E (X )) = µ+µ = µ, = 1 4 (Var (X 1 + X )) = 1 4 (Var (X 1)+Var (X )) = = 4. 3 E ˆ 3 = 1 10 E (X X 10 )= 10µ 10 = µ, Var ˆ 3 = Var X1 + +X 10 = (Var(X X 10 )) = (Var(X 1)+ + Var(X 10 )) = = 10. respectivamente. Por lo tanto ˆ 1, ˆ y ˆ 3 son estimadores insesgados de µ. ˆ 3 es más eficiente que ˆ y ˆ 1,puestoqueˆ 3 < ˆ < ˆ 1.
23 Estimador insesgado de minima varianza Si nos restringimos a los estimadores insesgados y de ese conjunto buscamos el que tenga el error cuadrático medio, ECM(ˆ ), mínimo. Es decir, si el estadístico ˆ es insesgado, entonces ECM(ˆ ) = Var(ˆ ) por lo tanto, ahora buscamos un estimador, de entre todos los estimadores insesgados el que tenga la varianza más chica. A éste estimador insesgado de varianza mínima lo llamaremos el estimador insesgado y uniformemente de mínima varianza (UMVUE).
24 Definición Estimador insesgado uniformemente de mínima varianza. Diremos que el estimador insesgado ˆ 0, es insesgado y uniformemente de mínima varianza (UMVUE) para el parámetro, si dado cualquier otro estimador insesgado ˆ de él y, se verifica que Var(ˆ 0 ) apple Var(ˆ ) para todos los valores posibles de. Para llegar a obtener el UMVUE, si es que éste existe, tendríamos que calcular las varianzas de todos los estimadores insesgados para y tomar el estimador que tenga la varianza más chica. Afortunadamente existe un resultado 3 que nos garantiza que existe una cota inferior para la varianza de un estimador. Si bien no nos da este resultado el estimador de mínima varianza, sí nos dice si hemos alcanzado la cota o no. 3 Cota inferior de Cramer y Rao
25 Cota inferior de Cramer y Rao Sea (X 1,...,X n)unamuestraaleatoriadetamafion, deunapoblaciónconfunciónde densidad f (x; ). Entonces la función de densidad conjunta de la muestra cumple con que Z R L (x 1,...,x n; ) = f (x 1,...,x n; ) Z f (x 1,...,x n; ) dx 1...dx n = 1. R Por otro lado, sea ˆ = g (X 1,...,X n)unestimadorinsesgadoparaelparámetro. Ysisecumplenlascondicionesderegularidad,entonceslavarianzadelestimadorestá acotada inferiormente de la siguiente manera Var ˆ = 1 ln f (x; ) 1 h ne ln f (x; A E ln f (x; ) se le conoce como la información de
26 Las condiciones de regularidad son: i) El modelo f (x; ) para la distribución de la población es tal que el soporte de f no depende de. ii) La funcion ln(f (x; )) es dos veces diferenciable y continua, es decir, de clase C. iii) Las operaciones de derivación e integración (o suma en caso discreto) son intercambiables.
27 Si el estimador ˆ hubiera sido sesgado, es decir i E hˆ = + B(ˆ ), en donde B(ˆ ) es el sesgo del estimador, entonces la Cota Inferior de Cramer y Rao tiene la forma Var(ˆ ) 1+B ˆ 0 apple, ln f (x; siendo B 0 (ˆ ) laderivadarespectode del sesgo del estimador.
28 Observaciones Si el modelo de población, X es una variable aleatoria discreta, en vez de usar la función de densidad f (x; ) usamos la función de masa de probabilidad P (X = x). La Cota Inferior de Cramer Rao (CICR) nos da un ĺımite inferior para la varianza del estimador ˆ.
Curso Inferencia. Miguel Ángel Chong R. 3 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 3 de septiembre del 013 Definamos más formalmente que entenderémos por una muestra. Definción Sea X la v.a. correspondiente a una población
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 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 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 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 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 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 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 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 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 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 detallesTema 3 - Introducción. Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2.
Tema 3 - Introducción 1 Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2. Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores
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 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 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 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 detallesIntroducción a la Inferencia Estadística
MÁSTER EN ESTADÍSTICA PÚBLICA Experto Universitario: Estadística Aplicada y Técnicas de Encuestación 1 Introducción a la Inferencia Estadística Estimación puntual paramétrica M a Teresa Gómez Departamento
Más 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 detallesTema 6. Estimación puntual
Tema 6. Estimación puntual Contenidos Planteamiento del problema Criterios de comparación de estimadores: Insesgadez Estimadores de mínima varianza Error cuadrático medio Consistencia Métodos para obtener
Más detallesTema 2: Introducción a la Inferencia Estadística
Tema 2: Introducción a la Inferencia Estadística 1.- En m.a.s. el estadístico varianza muestral es: a) Un estimador insesgado de la varianza poblacional. b) Un estimador insesgado de la media poblacional.
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 detallesVariables aleatorias. Utilizando el resultado anterior, vemos que
Variables aleatorias Utilizando el resultado anterior, vemos que Variables aleatorias Otro tipo de función generadora (generatriz) es la función generadora de momentos Para una variable aleatoria X y un
Más detallesBLOQUE III: INFERENCIA ESTADISTICA. X, variable aleatoria de interés sobre una determinada población
BLOQUE III: INFERENCIA ESTADISTICA TEMA 8. MUESTREO Y DISTRIBUCIONES DE MUESTREO 1. Introducción a la Inferencia Estadística X, variable aleatoria de interés sobre una determinada población Observar el
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 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 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 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 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 detallesPROBLEMAS DE ESTIMACIÓN PUNTUAL Y POR INTERVALOS
Estadística 1 PROBLEMAS DE ESTIMACIÓN PUNTUAL Y POR INTERVALOS 1. Obtener un estimador insesgado para p en una m.a.s. de tamaño n de una distribución binomial B(m,p) con m conocido y calcular su error
Más detallesConceptos básicos de inferencia estadística (I): Inferencia estadística (repaso)
Conceptos básicos de inferencia estadística (I): Inferencia estadística (repaso) Tema 1 (I) Estadística 2 Curso 08/09 Tema 1 (I) (Estadística 2) Inferencia estadística Curso 08/09 1 / 24 Inferencia estadística
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 detallesBootstrap. Patricia Kisbye. 13 de mayo, FaMAF
Bootstrap Patricia Kisbye FaMAF 13 de mayo, 2010 Técnica de bootstrap La técnica de Bootstrap fue introducida por B. Efron, 1982. Consiste en aproximar la precisión de un estimador a partir de una muestra
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 detallesEstimaciones puntuales. Estadística II
Estimaciones puntuales Estadística II Estimación Podemos hacer dos tipos de estimaciones concernientes a una población: una estimación puntual y una estimación de intervalo. Una estimación puntual es un
Más detallesInferencia. Mauricio Olivares. 19 de junio de 2015 ITAM
Inferencia Mauricio Olivares ITAM 19 de junio de 2015 Recuerda de nuestra clase anterior que m(x) = α + βx. Recuerda de nuestra clase anterior que m(x) = α + βx. Esta es una relación poblacional, no hay
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 detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
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 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 detalles1. Estimación. f(y) = θ e y θ, y > 0 0, en otro punto
1. Estimación Definición: Un estimador es una regla que indica cómo calcular el valor de una estimación con base en las mediciones que contien una muestra. Definición: Si ˆθ es un estimador puntual de
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 detallesProbabilidades y Estadística
Probabilidades y Estadística Profesor: Fernando Lema Auxiliares: Víctor Carmi - Abelino Jiménez Universidad de Chile Indice General 1 Indice General 1 Advertencias y Recomendaciones Tener presente siempre
Más detallesPart VII. Estadística I. Mario Francisco. Introducción a la inferencia. Estimación puntual. Propiedades deseables de los estimadores
Part VII La inferencia puede definirse como el conjunto de métodos mediante cuales podemos extraer información sobre distintas características de interés de cierta distribución de probabilidad de la cual
Más detallesSesgo y varianza del estimador de la razón. con el problema de presición vs. sesgo que ya discutimos. t y. ˆt x
Sesgo y varianza del estimador de la razón A diferencia de los estimadores lineales vistos en las clases anteriores, los estimadores de la razón son usualmente sesgados. La varianza, comunmente más reducida,
Más detallesESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda.
ESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda. APRENDIZAJE AUTOMÁTICO, ESTIMACIÓN Y DETECCIÓN Introducción
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 detallesResumen de Probabilidad
Definiciones básicas * Probabilidad Resumen de Probabilidad Para calcular la probabilidad de un evento A: P (A) = N o decasosfavorables N o decasosposibles * Espacio muestral (Ω) Es el conjunto de TODOS
Más detallesEstadística. Grado en Biología. Universidad de Alcalá. Curso Capítulo 4: Variables Aleatorias. Fernando San Segundo. Actualizado:
Grado en Biología. Universidad de Alcalá. Curso 2017-18. Fernando San Segundo. Actualizado: 2017-10-16 Fernando San Segundo. Actualizado: 2017-10-16 1 Qué es una variable aleatoria? Pronto veremos una
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 detallesEstimación de Parámetros
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: p Estimación de Parámetros Prueba de Hipótesis Estimación
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más 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 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 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 detallesTema 2 Modelos de probabilidad
Tema 2 Modelos de probabilidad José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Estructura de este tema Conceptos básicos de probabilidad. Modelos discretos: la distribución
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 detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesEstadísticas y distribuciones de muestreo
Estadísticas y distribuciones de muestreo D I A N A D E L P I L A R C O B O S D E L A N G E L 7/11/011 Estadísticas Una estadística es cualquier función de las observaciones en una muestra aleatoria que
Más detallesTema 6: Introducción a la inferencia estadística Parte 1
Tema 6: Introducción a la inferencia estadística Parte 1 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos Lecturas recomendadas:
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 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 detallesMs. C. Marco Vinicio Rodríguez
Ms. C. Marco Vinicio Rodríguez mvrodriguezl@yahoo.com http://mvrurural.wordpress.com/ Un estimador es una regla que establece cómo calcular una estimación basada en las mediciones contenidas en una muestra
Más detallesESTADÍSTICA I Tema 3: Estimación puntual paramétrica
ESTADÍSTICA I Tema 3: Estimación puntual paramétrica Planteamiento del problema Estimadores. Concepto, error cuadrático medio y propiedades deseables Construcción de estimadores: el método de máxima verosimilitud
Más 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 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 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 detallesEXAMEN DE ESTADÍSTICA Junio 2011
EXAMEN DE ESTADÍSTICA Junio 2011 Apellidos: Nombre: DNI: GRUPO: 1. Sea X una variable aleatoria discreta. Determine el valor de k para que la función p(x) { k/x x 1, 2, 3, 4 0 en otro caso sea una función
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 detalles6-1. Dos preguntas sobre 100 tiradas de dado
Semana 6 Esperanza y Varianza 6-1. Dos preguntas sobre 100 tiradas de dado 6-2. Esperanza 6-3. Propiedades básicas de la esperanza 6-4. Distancia esperada a la media 6-5. Varianza 6-6. Demostraciones 6-1.
Más detallesAplicaciones de apoyo al diagnóstico médico. Identificación de objetos amigos y enemigos. Identificación de zonas afectadas por un desastre natural.
Capítulo 5 Evaluación En muchas ocasiones requerimos hacer una evaluación muy precisa de nuestros algoritmos de aprendizaje computacional porque los vamos a utilizar en algún tipo de aplicación que así
Más detallesUniversidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
Universidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA Ateneo Ruperto P. Bonet Chaple UTB-Julio 2016 OBJETIVO Aplicar las técnicas de Muestreo e Inferencia Estadística Determinar el tamaño
Más detalles6. Inferencia con muestras grandes. Informática. Universidad Carlos III de Madrid
6. Inferencia con muestras grandes 1 Tema 6: Inferencia con muestras grandes 1. Intervalos de confianza para μ con muestras grandes 2. Determinación del tamaño muestral 3. Introducción al contraste de
Más detallesUNIDAD 4: DISTRIBUCIÓN DE PROBABILIDAD
UNIDAD 4: DISTRIBUCIÓN DE PROBABILIDAD La Distribución de Probabilidad (DP) es la relación que se da entre los diferentes eventos de un espacio muestral y sus respectivas probabilidades de ocurrencia.
Más detallesCapítulo 3. Estimación estadística de modelos probabilistas
Capítulo 3. Estimación estadística de modelos probabilistas 3.1. Muestreo aleatorio. 3.2. Estimación puntual. 3.3. Estimación por intervalos de confianza. 3.4. Contrastes de hipótesis. 3. Estimación estadística
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 detallesINGENIERÍA INFORMÁTICA DE GESTIÓN Septiembre 2005 SOLUCION
INGENIERÍA INFORMÁTICA DE GESTIÓN Septiembre 005 SOLUCION 1.- Sea ( X,..., X ) una muestra aleatoria simple de una variable aleatoria X con 1 n E(X) µ y Var (X) k µ. Considérense los siguientes estimadores
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 detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
Más detallesANÁLISIS DE FRECUENCIAS
ANÁLISIS DE FRECUENCIAS EXPRESIONES PARA EL CÁLCULO DE LOS EVENTOS PARA EL PERÍODO DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTÁNDAR DE ESTIMACIÓN REQUERIDOS PARA LA DETERMINACIÓN DE LOS INTERVALOS DE
Más detallesIntroducción a la inferencia estadística
M. Wiper Estadística 1 / 15 Introducción a la inferencia estadística Michael Wiper Departamento de Estadística Universidad Carlos III de Madrid M. Wiper Estadística 2 / 15 Objetivo Introducir la distribución
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 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 detalles7. Inferencia Estadística. Métodos Estadísticos para la Mejora de la Calidad 1
7. Inferencia Estadística Métodos Estadísticos para la Mejora de la Calidad 1 Tema 7: Inferencia Estadística 1. Intervalos de confianza para μ con muestras grandes 2. Introducción al contraste de hipótesis
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 detallesDefinición de variable aleatoria
Variables aleatorias Instituto Tecnológico Superior de Tepeaca Agosto-Diciembre 2015 Ingeniería en Sistemas Computacionales M.C. Ana Cristina Palacios García Definición de variable aleatoria Las variables
Más detallesMuestreo y distribuciones muestrales.
Mathieu Departamento de Matemática Aplicada y Estadística Universidad Politécnica de Cartagena Cartagena, Enero 2010 Guión 1 Introducción 2 La media muestral Esperanza y varianza de la media muestral La
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
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 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 detallesTema 7: Ejercicios de Inferencia en una población Normal
Tema 7: s de Inferencia en una población Normal Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 83 - INGENIERÍA INFORMÁTICA Otros I3 En una explotación minera las rocas
Más detallesTema 4 - Introducción
Tema 4 - Introducción 1 Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Cómo obtener estimadores? Tema
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 detalles