Repaso para el segundo parcial
|
|
- José Carlos Páez Jiménez
- hace 5 años
- Vistas:
Transcripción
1 Repaso para el segudo parcial Dr. Pastore, Jua Igacio Profesor Adjuto.
2 Alguas Distribucioes Estadísticas Teóricas Distribució Cotiuas: a) Distribució Uiforme b) Distribució de Expoecial c) Relació etre la Distribucioes de Poisso y Expoecial. d) Distribució Normal
3 Distribució Uiforme Se dice que la variable aleatoria X se distribuye uiformemete e el itervalo [a,b] si su fució de desidad de probabilidades (f.d.p) está dada por: 1 f( x) b- a 0 si a x b e otro caso f(x) 1 b a fdp Esperaza Variaza E X V X b a 2 b a 2 12 a b x
4 Distribució Uiforme Si X es ua variable aleatoria distribuida uiformemete e el itervalo [a,b] su fució de distribució acumulativa (FDA) está dada por: 0 si x < a x a F(x)= si a x b b a 1 si x > b a FDA b x
5 Distribució Uiforme fdp F(x) FDA f(x) 1 b a 1 a b x a b x
6 Distribució Expoecial Se dice que X, que toma todos los valores o egativos, tiee ua distribució expoecial, co parámetro 0, si su fdp está dada por: - x e si x 0 f(x) 0 si x < (e la distribució de Poisso)
7 Distribució Expoecial Esta distribució: suele ser el modelo de aquellos feómeos aleatorios que mide el tiempo que trascurre etre la ocurrecia de dos sucesos. Demostrar las características uméricas de la fució expoecial: 1 1 Ex ( ) V(x)= 2
8 Distribució Expoecial Sea X ua v.a distribuida expoecialmete, co parámetro fució de distribució acumulativa (FDA) está dada por: 0, su La FDA está dada por: F(x) x 1 e si x 0 0 si x<0 F(x) 1 x
9 Propiedad fudametal de la Distribucioes Expoecial La distribució expoecial o tiee memoria : P( x< s + t / x> s ) = P( x< t ) La probabilidad de que el elemeto falle e ua hora (o e u día, o e segudo) o depede del tiempo que lleve fucioado. P( s x s t) F( s t) F( s) P( x s t / x s) P( x s) 1 F( s) ( st) s as t s s t 1 e 1 e e e e e ( e 1) s s s 1 (1 e ) e e t 1 e F( t) P( x t)
10 Relació etre la Distribucioes de Poisso y Expoecial Sea X ua variable de Poisso que mide el úmero de ocurrecias de u determiado suceso e u período t. Etoces: La probabilidad de que o haya ocurrecias e el período de tiempo t está dado por: P X t 0 t e 0 0! e t La variable T : tiempo trascurrido hasta la primera ocurrecia de Poisso e el período t es ua variable expoecial de parámetro λ. Etoces la probabilidad de que la variable aleatoria T exceda el tiempo t está dada por t 0 P T t e P X La v.a X que es igual a la distacia etre coteos sucesivos de u proceso de Poisso co media 0 tiee ua distribució expoecial co parámetro : 0
11 Relació etre la Distribucioes de Poisso y Expoecial Sea X el úmero de partículas emitidas por ua fuete radioactiva. Si se sabe que el úmero esperado de demisioes e ua hora es de 30 partículas: Cuál es la probabilidad de que sea emitidas al meos 2 partículas e u lapso de 1 miuto? Solució/ X : º de partìculas e 1mi k. e P( X k) k! P ( X 2)01 P ( X 2) 1 P ( X 0) P ( X ,91 0,09
12 Relació etre la Distribucioes de Poisso y Expoecial Sea X el úmero de partículas emitidas por ua fuete radioactiva. Si se sabe que el úmero esperado de demisioes e ua hora es de 30 partículas: Cuál es la probabilidad de que el tiempo etre emisioes sucesivas sea mayor a 3 miutos? Solució/ T : tiempo (mi) hasta que ocurre la prox emisio, 30.3 Y : partìculas emitidas e 3mi, (1.5). e P( T 3) P( Y 0) !
13 Distribució Normal Pierre Simo de Laplace ( ) Si duda la distribució de probabilidad cotiua más importate, por la frecuecia co que se ecuetra y por sus aplicacioes teóricas, es la distribució ormal, gaussiaa o de Laplace - Gauss. Fue publicada por primera vez e 1733 por De Moivre. A la misma llegaro, de forma idepediete, Laplace (1812) y Gauss (1809), e relació co la teoría de los errores de observació astroómica y física. Karl F. Gauss ( )
14 Distribució Normal Se dice que X que toma todos los valores reales, tiee ua distribució ormal, si su fdp está dada por: 1x 2 1 f(x) e co - < x < 2 2 La fució depede de úicamete de dos parámetros, μ y σ, su media y desviació estádar, respectivamete. Ua vez que se especifica μ y σ, la curva ormal queda determiada por completo. E( x) y V( x) 2
15 Distribució Normal: Pricipales Características: 1.La fució tiee u máximo e x =. 2.La curva es simétrica alrededor del eje vertical x=μ, dode coicide la mediaa (Me) y la moda (Mo ). 3.Los putos de iflexió tiee como abscisas los valores e x=μ ± σ, es cócava hacia abajo si μ-σ<x< μ+σ, y es cócava hacia arriba e cualquier otro puto. 4.La curva ormal se aproxima al eje horizotal de maera asitótica coforme os alejamos de la media e cualquier direcció, es decir Para x tediedo a, el límite f(x) =0. 5.El área total bajo la curva y sobre el eje horizotal es igual a 1. 6.Los parámetros μ y σ so realmete la media y la desviació estádar de la distribució ormal.
16 Distribució Normal: Pricipales Características: Putos de iflexió - =Mo=Me + +
17 Distribució ormal co =0 para varios valores p(x)
18 Distribució ormal co distitas medias y dispersió
19 N(μ, σ): Iterpretació geométrica La media se puede iterpretar como u factor de traslació. Y la desviació típica como u factor de escala, grado de dispersió,
20 Estadarizació de la Distribució Normal Dada la dificultad que se ecuetra al resolver las itegrales de ua fucioes desidades de probabilidades asociada a ua v.a. ormal, es ecesario cotar co ua tabulació de las áreas de la curva ormal para ua referecia rápida. Si embargo, sería ua tarea difícil itetar establecer tablas separadas para cada valor de μ y σ. Afortuadamete, podemos trasformar todas las observacioes de cualquier v.a. ormal X a u uevo cojuto de observacioes de ua variable ormal Z co media 0 y desviació estádar 1. x Si X N, Z=, Z N 0,1 2
21 Estadarizació de la Distribució Normal Sea X ua v.a está dada por: X N 0,1 su fució de distribució acumulativa (FDA) t 1 z 2 P Z z z e dt 2 2 P(Z<z)
22 Estadarizació de la Distribució Normal x Si X N, y Z= N 0,1 2 Z Pa x b P a x b P a Z b b a
23 Cálculo de la probabilidad de desviació prefijada. P x Si X N, 2 x x x P P P 1 2 1
24 Regla de las tres sigmas Es u caso particular de desviació prefijada. x x x Si = 3 P 3 P 3 3 P ,9974 Esto sigifica que el suceso x 3 Es prácticamete u suceso cierto, o que el suceso cotrario es poco probable y puede cosiderarse prácticamete imposible.
25 Regla de las tres sigmas: Su esecia. Si ua variable aleatoria está distribuida ormalmete, etoces la desviació respecto de la esperaza matemática, e valor absoluto, o es mayor que el triple de la dispersió. P x 3 0,9974
26 Para ilustrar el uso de las Tablas, calculemos la probabilidad de que Z sea meor que Primero localizamos u valor de z igual a 1.6 e la primera columa (izquierda), después os movemos a lo largo de la fila hasta ecotrar la columa correspodiete a 0.04, dode leemos Por lo tato P(Z<1.64)=
27 Para ecotrar u valor de z que correspoda a ua probabilidad dada, el proceso se ivierte. Po ejemplo, el valor de z que deja u área de 0.9 bajo la curva a la izquierda de z es de 1.28.
28 LEY DE LOS GRANDES NÚMEROS Cuado el úmero de repeticioes de u experimeto aleatorio aumeta, la frecuecia relativa del suceso A coverge e setido probabilístico a la probabilidad teórica. Ley de los grades úmeros f P( A) para A
29 Desigualdad de Tchebyshev Esta desigualdad brida u medio para eteder cómo la variaza mide la variabilidad alrededor de la esperaza matemática de la variable. Si la esperaza y la variaza de la variable X so fiitas, para cualquier úmero positivo k, la probabilidad de que la variable aleatoria X esté e el itervalo 1 k; k es mayor o igual que 1- es decir 2 k 1 P X k 1-2 k
30 Teorema de Beroulli Geeralizado E toda sucesió de pruebas de Beroulli, la frecuecia relativa coverge e setido probabilístico a p. lím lim P f A p 1 0 P f A p 0 0
31 Població y Muestra Ua variable aleatoria X co E(x) = µ y V(x) =σ 2 puede pesarse como cualquier característica medible de los idividuos de ua població. El cojuto de todas las medicioes de dicha variable es la Població o Uiverso. Muestra es u subcojuto de la població al que teemos acceso y sobre el que realmete hacemos las medicioes x1, x2, x3,... x N
32 Població y Muestra Estas variables forma ua muestra aleatoria de tamaño si: Las Xi so variables aleatorias idepedietes. Cada variable Xi tiee la misma distribució de probabilidad que la distribució de la població co su misma esperaza µ y variaza σ 2., es decir E(xi) = µ y V(xi) = σ 2
33 Teorema de Beroulli Geeralizado Dada ua m.a.s., es decir: ua sucesió x1, x2, x3,... x dos a dos idepedietes, co ua misma distribució de probabilidad y co esperaza y variaza 2 etoces 0 lím P x 1 ó 0 lím P x El límite, e probabilidad, de la media muestral para es igual a la media de la població de la que se extrajo la muestra
34 Suma de Variables Aleatorias El teorema afirma que, co ciertas restriccioes leves, la distribució de la suma de u gra úmero de variables aleatorias, tiee aproximadamete ua distribució ormal. El valor de este teorema es que o requiere codicioes para las distribucioes de las variables aleatorias idividuales que se suma para tediedo a ifiito.
35 Suma de Variables Aleatorias Si X es la suma de u gra úmero de variables aleatorias idepedietes x1, x2, x3,... x etoces, bajo ciertas codicioes, la fució de desidad de probabilidad de la variable aleatoria X se distribuye aproximadamete e forma orma, para tediedo a ifiito. Es decir, X x i1 i etoces z X i 1 i 1 2 i i ~ N 0,1 dode EX ( ) i ( X ) 2 i 1 i 1 i Observació:Esta geeralizació es válida cuado las variables aleatorias idividuales sólo hace ua cotribució relativamete pequeña a la suma total
36 E particular, si las xi está idéticamete distribuidas, es decir, tiee la misma media y la misma variaza de la població de la que fuero extraídas E x i E( X ) E xi E xi. i1 i1 V x i 2 V( X ) V x i V xi. i1 i1 Etoces el teorema afirma que la fdp de la variable S se distribuye ormalmete Luego Suma de Variables Aleatorias X z ~ N0,1. 2
37 Parámetros y Estimadores Parámetro: Es ua catidad umérica calculada sobre la població. Estadístico o estimador : Es cualquier operació que se hace co la muestra. Por eso es ua fució de las observacioes coteidas e ua muestra. Ejemplos: la media muestral, la proporció muestral y la variaza muestral. Los estimadores so variables aleatorias, por lo tato tiee su distribució de probabilidades que se cooce como distribucioes de muestreo. Estimació: Es el valor umérico que toma u estimador.
38 Estimació putual: Es u úmero calculado co los datos de la muestra, del cual se espera que estime u parámetro poblacioal. Si X es ua variable aleatoria co distribució de probabilidades f(x), caracterizada por el parámetro descoocido y si x1, x2,..., x es ua muestra aleatoria de tamaño, etoces Es u estimador putual de Estimació de Parámetros ˆ h( x1, x2,... x )
39 Propiedad de isesgadura: Propiedad de eficiecia Propiedades de los Estimadores Propiedad de suficiecia: U estimador es suficiete si utiliza toda la iformació de la muestra.
40 Debemos hallar los estadísticos L y U tales que P( L U) 1 Coeficiete de cofiaza Itervalo de cofiaza para la media poblacioal coociedo la 2 X 2 N, Estimació por itervalo Dada ua m.a.s., extraída de ua població co distribució ormal. X N, 2 x z N0,1 P( z Z z ) 1 /2 /2 x z x z /2 /2
41 Nivel de cofiaza y precisió de la estimació Cuato más alto es el ivel de cofiaza, mayor amplitud tiee el itervalo y meor es la precisió de la estimació. Elecció del tamaño de la muestra La precisió del itervalo de cofiaza es el radio del itervalo z 2 Esto sigifica que al usar la media muestral para estimar la media poblacioal, el error que se comete es: x z 2
42 x, x, x,... x Distribució Ji-cuadrado Sea variables aleatorias distribuidas ormal e idepedietemete co media 0 y variaza 1. Etoces la variable aleatoria: 2 x x2 x3... x Tiee distribució Ji-Cuadrado co grados de libertad. Co media y variaza 2 2
43 Distribució Ji-cuadrado 2 Fució de desidadde v x f 2 ( x). x. e x 0 v v Es o egativa y asimétrica hacia la derecha. Si aumeta, se aproxima a la ormal
44 Distribució Ji-cuadrado Los putos porcetuales de la distribució se da e la tabla correspodiete 2 2, P f x dx 2 2,
45 Distribució muestral de la variaza S 2 Si es la variaza de ua muestra aleatoria de tamaño tomada de ua població ormal que tiee ua variaza 2 Etoces la variable aleatoria defiida por S 2 Se distribuye como 1
46 Extremos del itervalo para la variaza poblacioal P /2; 1 /2; 1 1 P S /2; 1 2 /2; 1 P S 2 1 S /2; 1 1 /2; 1 1 S 1 S /2; 1 1 /2; 1
47 Distribució t de Studet Si Z es ua variable aleatoria co distribució N(0,1), V ua variable aleatoria co distribució Ji-Cuadrado co grados de libertad y además Z y V so variables aleatorias idepedietes, etoces la variable aleatoria defiida por: Z T Tiee ua distribució t de Studet co gradis de libertad co la siguiete fdp: V 1 / 2 1 f ( t). t 1 /2 2. t / 1 2 Los putos porcetuales está dados por la tabla correspodiete
48 Distribució t de Studet Los putos porcetuales está dados por la tabla correspodiete ; P T t f t dt, t Distribució de la media muestral co variaza poblacioal descoocida Si >30, podemos utilizar la distribució ormal y S e reemplazo de Si <30 y proviee de ua distribució ormal, etoces T x t 1 S/
49 Itervalo de cofiaza para la media co variaza poblacioal descoocida y <30 Si la població base es ormal, la variaza es descoocida y el tamaño de la muestra meor que 30, la media muestral tiee distribució T co -1 grados de libertad P( t T t ) 1 /2, 1 /2, 1 x P( t t ) 1 /2, 1 /2, 1 S S S P( x t x t ) 1 /2, 1 /2, 1 S x t x t /2, 1 /2, 1 S
50 Itervalo de cofiaza sobre ua proporció Si se ha tomado ua muestra aleatoria de tamaño de ua gra població (posiblemete ifiita), dode X observacioes e esta muestra perteece a la clase de iterés. X ua v.a. biomial, de parámetros y p pˆ X Es el estimador putual de la proporció poblacioal. ˆp La distribució de muestreo de es aproximadamete ormal co esperaza p y variaza p1 p co p o cerca de 0 y 1.
51 Prueba de Hipótesis Ua prueba de hipótesis es ua técica de Iferecia Estadística que permite comprobar si la iformació que proporcioa ua muestra observada cocuerda (o o) co la hipótesis estadística formulada y, por lo tato, decidir si se debe rechazar o o rechazar dicha hipótesis.
52 Hipótesis Estadística es cualquier afirmació o cojetura sobre ua o varias características de iterés de la població. Paramétrica : No Paramétrica Es ua afirmació sobre los valores de los parámetros poblacioales descoocidos. Simple la hipótesis asiga valores úicos a los parámetros Compuesta la hipótesis asiga u rago de valores a los parámetros Es ua afirmació sobre algua característica estadística de la població e estudio. Por ejemplo, las observacioes so idepedietes, la distribució de la variable e estudio es ormal, la distribució es simétrica, etc.
53 Idetificació de las Hipótesis Estadísticas Paramétricas Hipótesis ula H o Hipótesis Alterativa H 1 Se platea co el parámetro de iterés usado alguo de los símbolos La probabilidad de rechazar Ho es muy baja, y se llama ivel de sigificació porque Ho es la hipótesis que se cosidera cierta. Es cotraria a la hipótesis ula. (Niega a H 0 ). Se platea usado,,, >,< segú el caso respectivo al plateo de Ho. Está muy relacioada co la hipótesis de ivestigació, es coherete co los resultados obteidos e la muestra.
54 Tipos de error Cualquier decisió estará basada sobre iformació parcial de ua població, coteida e ua muestra, por lo que habrá siempre ua posibilidad de ua decisió icorrecta. La siguiete tabla resume cuatro posibles situacioes que puede surgir e u test de hipótesis. Verdadero estado de la població Decisió posible H 0 es cierta H 1 es cierta Se rechazo H 0 Error de tipo I Decisió correcta No se rechaza H 0 Decisió correcta Error de tipo II
55 Esquema para realizar ua prueba de hipótesis Etapas: 1) Euciado de la hipótesis ula y alterativa 2) Selecció del estadístico de prueba (Cosiderar el parámetro poblacioal utilizado e 1) y los datos del problema). 3)Gráfico de la distribució del estadístico de prueba para la determiació de la regió crítica co el alfa dado y la búsqueda e tabla del valor crítico. 4) Cálculo del valor observado a partir del estadístico. 5) Comparació de valores. 6) Exposició de las coclusioes
56 Prueba de hipótesis: uilateral y bilateral La posició de la regió crítica depede de la hipótesis alterativa Bilateral H 1 : Uilateral Uilateral H 1 : < H 1 : >20
57 Prueba para la media poblacioal o se cooce la dispersió poblacioal Si la muestra proviee de ua població ormal Cuado se descooce σ, se observa el tamaño de la muestra Si <30 Si 30 La media muestral tiee distribució T, porque S o es ua buea estimació de σ La media muestral se distribuye ormalmete, porque S es ua mejor estimació de σ T x ~ t 1 S/ z x S
58 Prueba para la comparació de medias Cuado se cooce las variazas, La diferecia de medias muestrales se distribuye ormalmete. Se usa el estadístico Z z ob x x Si Cuado se descooce las variazas pero so iguales, se observa el tamaño de cada muestra idep, que proviee de poblacioes ormales Si <30 La diferecia de medias muestrales se distribuye ormalmete. Se usa el estadístico Z z ob x x S S t ob La diferecia de medias muestrales se distribuye segú T. Se usa el estadístico T x x S1 2 1 S
59 Aálisis de Regresió y Correlació Lieal Si se trata de predecir o explicar el comportamieto de ua variable Y, a la que se deomia depediete o variable respuesta, e fució de otra variable X deomiada idepediete o regresora, Y =f(x), estamos frete a u problema de aálisis de regresió simple; pero si deseamos ivestigar el grado de asociació etre las variables X e Y estamos frete a u problema de aálisis de correlació. Es decir, Nos va a iteresar estudiar la relació que existe etre ellas y de qué forma se asocia. Para esto aalizaremos dos técicas: la de regresió y la de correlació. Frecuetemete se os formula las siguietes pregutas: El peso de las persoas está relacioado co la estatura? El peso y la presió arterial se relacioa? La presió de ua masa de gas depede de su volume y de su temperatura?, etc.
60 Tipos de relació etre variables Dos variables puede estar relacioadas por ua depedecia fucioal, por ua depedecia estadística o puede ser idepedietes. Raramete se determia ua depedecia fucioal rigurosa ya que ambas variables o ua de ellas, está expuestas a factores aleatorios, surge etoces ua depedecia estadística. La depedecia se llama estadística cuado la variació de ua de las variables da lugar a la alteració de la distribució de la otra. La depedecia estadística se maifiesta e que, al variar ua de las variables se altera el valor medio de la otra, e este caso se llama depedecia de correlació. Estadísticamete os iteresa aalizar la relació etre dos o más variables, siempre que se tega u idicio de que etre ellas existe por lo meos cierto grado de depedecia o asociació. Lo importate es medir y expresar fucioalmete esta relació mediate ua fució o modelo matemático.
61 Aálisis de regresió simple etre dos variables X e Y Cosideremos el problema de tratar de hallar la relació fucioal existete etre dos variables aleatorias X e Y. Supogamos que e experimetos las variables asumiero pares de valores {(xi,yi):i=1,,}, podemos iicialmete observar su comportamieto graficado dichos pares de valores sobre u sistema de coordeadas ortogoales. Dicho gráfico, llamado diagrama de dispersió a meudo permite discerir si existe algua tedecia hacia algú tipo de iterrelació etre ambas variables, y, si es posible, la aturaleza de dicho tipo de iterrelació.
62 Diagrama de Dispersió Correlació positiva Y Correlació egativa Y x XY y 1 32 Y X Y X X No hay correlació X Observació: Solo os ocuparemos del caso lieal e esta uidad.
63 Ajuste de ua fució de regresió: Método de míimos cuadrados Ajustar ua fució de regresió sigifica ecotrar, la fució que exprese co mayor precisió la relació etre las variables X e Y. Gráficamete será aquella fució que mejor se adecue a la ube de putos. E este setido, es recomedable como primer paso costruir el diagrama de dispersió o diagrama de ube de putos para, luego de aalizar su forma, decidir por el tipo de fució matemática (modelo) o la ecuació de regresió que exprese la relació etre las variables X e Y. Luego, se estima los parámetros del modelo, para lo cual existe varios métodos, siedo el más usado el método de míimos cuadrados. D d d d d El problema queda ahora reducido a ecotrar los coeficietes de u tipo de curva C que haga míimo el valor D. Ua vez determiados estos valores, a la curva correspodiete se la llamará curva de regresió de Y sobre X.
64 Aálisis de regresió lieal simple Es frecuete supoer que existe etre las variables observadas ua relació proximadamete lieal: y ax b i i La recta y=ax+bxes ua recta de regresió. El parámetro a es la pediete de la recta e idica cómo cambia la variable respuesta o depediete cuado el icremeto de x es ua uidad. El parámetro b es el térmio idepediete de la recta e idica el valor de Y cuado X = 0. Problema estadístico: Estimar los parámetros a y b a partir de los datos, de ua muestra.
65 Ecuació muestral de regresió de Y e X dode Determiació de las rectas de regresió por el método e míimos cuadrados y ax b a yx * 2 i i D y y i * i i yx i i i 2 2 D y y x b y i, D D 0 2 X b y x 0 y b x D D b b yx i i i i1 i i 2 xi yi yx xi yx xi yx X i b yi i1 Resolviedo el sistema obteemos: y x b x yx x y x y i i i i i1 i1 i1 xy 2 2 xi xi i1 i1 b y i i1 i1 yx x i
66 INFERENCIA EN REGRESION La recta de regresió os permite, basádoos e los datos de la muestra, estimar u valor de la variable Y, correspodiete a u valor dado xi de la variable X. Para ello es suficiete reemplazar el valor de xi e la recta de regresió y ecotrar el correspodiete valor estimado. La obteció de los coeficietes de la recta de regresió muestral puede cosiderarse tambié como u proceso de estimació putual de los coeficietes poblacioales.
67 Ejemplo: Determiar la recta de regresió lieal y x b x yx X: represeta el tiempo de recaletamieto Y: los espesores de óxido de cierta pieza x y x y i i i i i1 i1 i1 xy 2 2 xi xi i1 i1 b i i1 i1 y x i X (mi) Y (Ag) ,5 7,4 7,1 15,6 11,1 14,9 23,5 27,1 22,1 32,9 xy i i x i 860 y i 165,2 x 2 i ,17 a 1,76 y 0,17 x 1,76 yx x
68 Coeficiete de correlació de Pearso LA COVARIANZA COMO MEDIDA DE ASOCIACIÓN LINEAL Defiiremos como covariaza de dos variables X e Y, y deotaremos por S XY, el estadístico que os permite aalizar la variació cojuta de dos variables. Viee dado por la siguiete expresió: Cov X, Y S XY x i x yi y Esto os lleva a utilizar la covariaza como ua medida de la asociació lieal etre las variables, de modo que si ésta es positiva, os idica ua relació directa etre ellas y si es egativa, os idica ua relació iversa. Si las variables so idepedietes, etoces la covariaza es aproximadamete 0.
69 EL COEFICIENTE DE CORRELACIÓN LINEAL Alguas veces es deseable teer u idicador del grado de itesidad o fuerza de la relació lieal etre dos variables X e Y que sea idepediete de sus respectivas escalas de medició. A este idicador se le deomia coeficiete de correlació lieal etre X e Y. El estadígrafo comúmete utilizado se llama coeficiete de correlació del producto mometo de Pearso. Defiició. Sea (X, Y) ua variable aleatoria bidimesioal, defiimos r el coeficiete de correlació muestral etre X e Y como sigue: r i i i i x x y y Cov X, Y x x y y XY r xy x y Notar que si σx=σy r xy
70 INTERPRETACIÓN El coeficiete de correlació lieal de Pearso (r): -Está acotado etre -1 y 1. -U valor positivo se iterpreta como idicador de ua relació directa: A medida que aumeta los valores de ua variable aumeta los valores de la otra. -U valor egativo se iterpreta como idicador de ua relació iversa : A medida que aumeta los valores de ua variable dismiuye los valores de la otra. -El valor absoluto se iterpreta como el grado de relació lieal existete etre las variables, que será mayor cuato más cercao sea a 1. -Si el valor del coeficiete de correlació muestral, e valor absoluto, es mayor de 0,93 se cosidera buea la estimació que se realiza co la recta de regresió.
71 INTERPRETACIÓN
72
Estimación por intervalos
Estimació por itervalos Estimació por itervalos para la media poblacioal co (variaza poblacioal) coocida P( x z/ x z/ ) 1 co (variaza poblacioal) descoocida Si 30 se reemplaza por S y usamos el itervalo
Más detallesDesigualdad de Tchebyshev
Desigualdad de Tchebyshev Si la Esperaza y la variaza de la variable X so fiitas, para cualquier úmero positivo k, la probabilidad de que la variable aleatoria X esté e el itervalo La probabilidad de que
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 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 detallesTEMA 1. ESTADÍSTICA DESCRIPTIVA
TEMA. ESTADÍSTICA DESCRIPTIVA. Itroducció: coceptos básicos. Tablas estadísticas y represetacioes gráficas. Características de variables estadísticas uidimesioales.. Características de posició.. Características
Más detallesSESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN
SESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN I. CONTENIDOS: 1. Regresió lieal simple.. Iterpretació de gráficas de regresió. 3. Cálculo de coeficiete de correlació. 4. Iterpretació del coeficiete de correlació.
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 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 detallesPRUEBAS DE HIPÓTESIS.
PRUEBAS DE HIPÓTESIS. HIPÓTESIS ESTADÍSTICA Paramétrica : No Paramétrica Es ua afirmació sobre los valores de los parámetros poblacioales descoocidos. Es ua afirmació sobre algua característica Simple
Más detalles3. Distribuciones de probabilidad
3. Distribucioes de probabilidad Estudiamos a cotiuació las pricipales distribucioes de probabilidad que se ecuetra e las aplicacioes del cálculo de probabilidades. Clasificaremos las distribucioes atediedo
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 detallesCapítulo 3. El modelo de regresión múltiple. Jorge Feregrino Feregrino. Econometría Aplicada Utilizando R
Capítulo 3. El modelo de regresió múltiple. Jorge Feregrio Feregrio Idetificació del modelo La idetificació del objeto de ivestigació permitirá realizar ua búsqueda exhaustiva de los datos para llevar
Más detallesSUMA DE VARIABLES ALEATORIAS
SUMA DE VARIABLES ALEATORIAS do C. 018 Clase Nº 9 Mg. Stella Figueroa Teorema Cetral del Límite El teorema afirma que la distribució de la suma de u gra úmero de variables aleatorias tiee aproximadamete
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 detallesUniversidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA. Ingenierías RH-Amb-Ag TEORÍA
Uiversidad Nacioal del Litoral Facultad de Igeiería Ciecias Hídricas ESTADÍSTICA Igeierías RH-Amb-Ag TEORÍA Mg. Susaa Valesberg Profesor Titular INFERENCIA ESTADÍSTICA TEST DE HIPÓTESIS INTRODUCCIÓN Geeralmete
Más detallesANEXO B. Se define como Regresión al estudio de la fuerza, consistencia o grado de asociación de la
ANEXO B B.. Regresió Se defie como Regresió al estudio de la fuerza, cosistecia o grado de asociació de la correlació de variables idepedietes [6]. B... Regresió Lieal Simple El objeto de u aálisis de
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 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 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 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 detallesAlgunas distribuciones teóricas continuas
Algunas distribuciones teóricas continuas Dr. Pastore, Juan Ignacio Profesor Adjunto. Algunas Distribuciones Estadísticas Teóricas Distribución Continuas: a) Distribución Uniforme b) Distribución de Exponencial
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 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 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 detallese i y i y i y i 0 1 x 1i 2 x 2i k x ki
Demostracioes de Rgresió múltiple El modelo que se platea e regresió múltiple es: y i 0 1 x 1i x i k x ki u i dode x 1, x,,x k so las variables idepedietes o explicativas. La variable respuesta depede
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 1999-.000 - CONVOCATORIA: SEPTIEMBRE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de
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 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 detalles1 x 1 0,1666. sabiendo que 506, 508, 499, 503, 504, 510, 497, 512, 514, 505, 493, 496, 506, 502, 509, 496.
GRADO GESTIÓN AERONÁUTICA: EXAMEN ESTADÍSTICA TEÓRICA 9 de Eero de 015. E-7. Aula 104 1.- La fució de desidad de ua variable aleatoria es: a b 0 f() 0 e el resto sabiedo que 1 P 1 0,1666. Determiar a y
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 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 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 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 detallesINFERENCIA ESTADÍSTICA
X INFERENCIA ESTADÍSTICA Sea ua característica o variable aleatoria de la població objeto de estudio y sea ( X, X, X,..., X ) ua muestra aleatoria de dicha població. 1 3 U parámetro poblacioal es ua caracterizació
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 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 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 detallesPRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA
PRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA Pruebas de hipótesis es ua parte de la ESTADISTICA INFERENCIAL y tiee su aalogía co los pasos que se realiza e u JUICIO. Objetivo: Aquí o se busca Estimar
Más detallesBloque 3 Tema 12 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS
Bloque 3 Tema 1 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS Hay ocasioes e las que teemos que tomar decisioes relativas a ua població sobre la base de los coocimietos que
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 detallesMINITAB y MODELOS DE REGRESIÓN
Prácticas de Fudametos Matemáticos para el estudio del Medio Ambiete www.um.es/docecia/jpastor jpastor@um.es MINITAB y MODELOS DE REGRESIÓN 1. Itroducció Ua de las cuestioes de mayor iterés e las Ciecias
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 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 detallesR-SQUARED RESID. MEAN SQUARE (MSE) σˆ 2 ADJUSTED R-SQUARED STANDARD DEVIATION σ ˆ
06 5.8 Leyedo la salida de u programa estadístico Cada programa estadístico preseta los resultados de la regresió e forma diferete, pero la mayoría provee la misma iformació básica. La tabla muestra la
Más detallesPráctica 7 CONTRASTES DE HIPÓTESIS
Práctica 7. Cotrastes de hipótesis Práctica 7 CONTRATE DE IPÓTEI Objetivos Utilizar los cotrastes de hipótesis para decidir si u parámetro de la distribució de uos datos objeto de estudio cumple o o ua
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 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 detallesTEMA 6.- INTERVALOS DE CONFIANZA
TEMA 6.- INTERVALOS DE CONFIANZA 6.1. Distribucioes asociadas a la Normal 6.1.1. Distribució Chi cuadrado de Pearso o Gi dos 6.1.. Distribució t de Studet 6.. Itroducció a itervalos de cofiaza 6.3. Método
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 detallesEstimación de parámetros. Biometría
Estimació de parámetros Biometría Estimació Las poblacioes so descriptas mediate sus parámetros Para variables cuatitativas, las poblacioes so descriptas mediate y Para variables cualitativas, las poblacioes
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 detalles9.3. Contrastes de una proporción
9.3. CONTRASTES DE UNA PROPORCIÓN 219 y el criterio que sumiistra el cotraste es si a teo χ 2 exp b teo = o rechazamos H 0 ; si χ 2 exp < a teo ó χ 2 exp > b teo = rechazamos H 0 y aceptamos H 1. Cotrastes
Más detallesAnálisis de resultados. Independencia de las muestras
Aálisis de resultados Clase ro. 8 Curso 00 Idepedecia de las muestras Los resultados de ua corrida de simulació, so muestras de algua distribució. Esos resultados los llamamos "respuestas". Las respuestas
Más detallesPráctica 2 VARIABLES ALEATORIAS CONTINUAS
Práctica. Objetivos: a) Apreder a calcular probabilidades de las distribucioes Normal y Chi-cuadrado. b) Estudio de la fució de desidad de la distribució Normal ~ N(µ;σ) c) Cálculo de la fució de distribució
Más detallesIntroducción a la Inferencia Estadística. Muestreo en poblaciones normales
Ídice 5 Itroducció a la Iferecia Estadística Muestreo e poblacioes ormales 51 51 Itroducció 51 52 Estadísticos y mometos muestrales 53 521 Media muestral Propiedades 54 522 Variaza muestral Propiedades
Más detallesQué es la estadística?
Qué es la estadística? La estadística tiee que ver co la recopilació, presetació, aálisis y uso de datos para tomar decisioes y resolver problemas. Qué es la estadística? U agete recibe iformació e forma
Más 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 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 detallesObjetivo. 1. Intervalos y test (una sola muestra) Práctica 7: Intervalos de conanza y contrastes de hipótesis I. M. Iniesta Universidad de Murcia
Práctica 7: Itervalos de coaza y cotrastes de hipótesis I Objetivo E esta práctica y e la siguiete apredemos a aplicar e iterpretar las técicas de itervalos de coaza y test de hipótesis, seleccioado la
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 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 detallesOPCIÓN A EJERCICIO 1_A
IES Fco Ayala de Graada Sobrates de 2001 (Modelo 4) Euciado Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 0-1 2 1 ( putos) Resuelva la siguiete ecuació matricial: A X - 2 B C, siedo A 1 0 1, B -2, C. 1
Más detallesINFERENCIA ESTADÍSTICA Y ESTIMACIÓN
INFERENCIA ESTADÍSTICA Y ESTIMACIÓN La estadística iferecial se ocupa de exteder o extrapolar a toda ua població, iformacioes obteidas a partir de ua muestra, así como de tomar de decisioes. El muestreo
Más detallesMUESTREO Y ESTIMACIÓN ESTADÍSTICA
1 MUESTREO Y ESTIMACIÓN ESTADÍSTICA Muestreo. Métodos de muestreo Se llama població al cojuto de idividuos que posee cierta característica. Ua muestra es ua parte de esa població. Muestreo es el proceso
Más detallesREPASO DE ESTADÍSTICA
Aputes IN 56B; Profesor: Viviaa Ferádez I. Coceptos de Probabilidad A. Variables Discretas REPASO DE ESADÍSICA. E el mudo existe estados posibles (evetos), e algua fecha futura. Ejemplo: u eveto es el
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 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 detallesa) ( ) ( ) Supóngase que se toma una muestra en una población con distribución N ( ;1. Qué tamaño debe tener esta para que P X µ SOLUCIÓN:
..- Supógase que se toma ua muestra e ua població co distribució N ( ;. Qué tamaño debe teer esta para que P X µ 0. 0.95? µ ) ( ) 384.3.- Si se toma ua muestra e ua població co distribució B p, para que
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 detallesCONTRASTE DE HIPÓTESIS
Estadística: Cotraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Cotraste de hipótesis sobre la media poblacioal Se parte de ua població supuestamete ormal de media y desviació típica N(, ); se tipifica
Más detallesCAPÍTULO 6 DISTRIBUCIONES MUESTRALES
CAPÍTULO 6 DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es coocer acerca del comportamieto de parámetros poblacioales tales como: la media ( μ ), la variaza ( ) o la proporció ( p ).
Más detallesI.T. INDUSTRIAL METODOS ESTADÍSTICOS. FORMULARIO I. ESTADISTICA DESCRIPTIVA Xv.a. Media x = n n i x 2 Varianza poblacional σ 2 i
I.T. INDUSTRIAL METODOS ESTADÍSTICOS FORMULARIO I. ESTADISTICA DESCRIPTIVA Xv.a k modalidades x 1,x,..., x k ; datos i x i Media x = i x Variaza poblacioal σ i = x i (x i x) Variaza muestral S = 1 (x i
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 detallesMétodos de Análisis Cuantitativo
Métodos de Aálisis Cuatitativo Fórmulas E este documeto se lista las fórmulas trabajadas e las clases del curso de Métodos de Ivestigació Cuatitativa (GES204) de la Facultad de Gestió y Alta Direcció de
Más detallesTest de Hipótesis. Material Preparado por Hugo Delfino
Test de Hipótesis Material Preparado por Hugo Delfio 8-3 Qué es ua Hipótesis? Hipótesis: Es u suposició acerca del valor de u parámetro de ua població co el propósito de discutir su validez. Ejemplo de
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 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 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 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 detallesCLAVES DE CORRECCIÓN GUÍA DE EJERCITACIÓN FACTORES Y PRODUCTOS PREGUNTA ALTERNATIVA Nivel
x Estimado alumo: Aquí ecotrarás las claves de correcció, las habilidades y los procedimietos de resolució asociados a cada preguta, o obstate, para reforzar tu apredizaje es fudametal que asistas a la
Más detallesFigura 10. No se satisface el supuesto de linealidad.
Regresió Lieal Simple Dra. Diaa Kelmasky 04 Figura 8 Figura 9. No se satisface el supuesto de homoscedasticidad Si graficáramos los residuos cotra los valores de X los putos debería estar distribuidos
Más detallesGuía 1 Matemática: Estadística NM 4
Cetro Educacioal Sa Carlos de Aragó. Sector: Matemática. Prof.: Ximea Gallegos H. 1 Guía 1 Matemática: Estadística NM 4 Nombre: Curso: Fecha. Uidad: Estadística y Probabilidades. Apredizajes Esperados:
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 detallesEJERCICIO 1. , a partir de las frecuencias observadas, nij. , que se dan en la tabla del ejercicio.
EJERCICIO () Es u problema de idepedecia de criterios y se tedrá que costruir la tabla de cotigecia de frecuecias teóricas (esperadas), t ij, a partir de las frecuecias o observadas, ij, que se da e la
Más detallesTopografía 1. II semestre, José Francisco Valverde Calderón Sitio web:
II semestre, 2013 José Fracisco Valverde Calderó Email: geo2fra@gmail.com Sitio web: www.jfvc.wordpress.com José Fracisco Valverde C Cualquier actividad técica dode se requiera recopilar iformació espacial,
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 detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 2.001-2.002 - CONVOCATORIA: Juio MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella,
Más detallesCAPÍTULO 6 DISTRIBUCIONES MUESTRALES
CAPÍTULO 6 DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es saber acerca del comportamieto de parámetros poblacioales tales como: la media ( ), la variaza ( ) o la proporció ( p ). Para
Más detallesESTADÍSTICA. n i Se pide:
ESTDÍSTIC Tercera Prueba de Evaluació cotiua 1 de diciembre de 16 1.- l calcular cico veces la distacia etre dos putos, obteemos los siguietes valores: 17,13m; 17,1m; 17,m; 17,65m; 17,4 a) Itervalo de
Más detallesIES Fco Ayala de Granada Modelo 5 del 2015 (Soluciones) Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO 5 DEL 2015 OPCIÓN A
SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO 5 DEL 015 OPCIÓN A EJERCICIO 1 (A) Sea las matrices A = 1 0, B = 1 1 1 y C = 1 1 3 (1 5 putos) Resuelva la ecuació A X + B X = C. (1 5 putos) Calcule A 4
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 detallesT5. Contrastes para los parámetros de una población Normal
Estadística :: T5. Cotrastes para los parámetros de ua població Normal Estadística T5. Cotrastes para los parámetros de ua població Normal Departameto de Ciecias del Mar y Biología Aplicada Estadística
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 detallesLa Estadística y el Mejoramiento Genético
La Estadística y el Mejoramieto Geético. Itroducció 2. Valores idividuales y parámetros poblacioales 3. La distribució ormal 4. La media 5. Variació Importacia Medidas: - Variaza - Desvío estádar 6. Covariació
Más detallesExplicación de la tarea 10 Felipe Guerra. Para la explicación de esta tarea veamos primeramente que es lo que nos están pidiendo.
Explicació de la tarea 0 Felipe Guerra Para la explicació de esta tarea veamos primeramete que es lo que os está pidiedo. Ya hemos visto a lo largo del curso que la variaza es el error cuadrado medio de
Más detalles2 Conceptos básicos y planteamiento
ESTADÍSTICA DESCRIPTIVA: DOS VARIABLES Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció E muchos casos estaremos iteresados e hacer u estudio cojuto de varias características de ua població.
Más detallesAnálisis estadístico de datos. Análisis estadístico de datos simulados. Elección de una distribución. Análisis estadístico de datos simulados
Aálisis estadístico de datos Aálisis estadístico de datos simulados Patricia Kisbye FaMAF 29 de abril, 2008 Cada fuete de aleatoriedad debe expresarse de acuerdo a ua distribució de probabilidad. Ua mala
Más detalles