Inferencia Estadística
|
|
- Susana Domínguez Martín
- hace 8 años
- Vistas:
Transcripción
1 EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre una población. Estos métodos utilizan la información contenida en una muestra de la población para obtener conclusiones. La inferencia estadística puede dividirse en dos grandes áreas: estimación de parámetros y prueba de hipótesis.
2 EYP14 Estadística para Construcción Civil Ejemplo de un problema de estimación de parámetros : Supóngase que un ingeniero de estructuras analiza la resistencia a la tensión de un componente empleado en la carrocería de un automóvil. Puesto que la variabilidad existe de manera natural en la resistencia a la tensión entre distintos componentes, debido a diferencias en los lotes de la materia prima, en el proceso de fabricación y en los procedimientos de medición (por ejemplo), el ingeniero está interesado en estimar la resistencia a la tensión promedio de los componentes.
3 EYP14 Estadística para Construcción Civil 3 Una aplicación muy importante de la estadística es obtener estimaciones puntuales de parámetros tales como la media y la varianza de la población. El objetivo de la estimación puntual es seleccionar un número, con base en los datos de la muestra, que sea el valos más plausible de θ. El valor numérico de alguna estadística de la muestra es el que será utilizado como estimación puntual. En general, si X es una variable aleatoria con distribución de probabilidad f (x), caracterizada por el parámetro no conocido θ, y si X,..., X 1 n es una muestra aleatoria de X de tamaño n, entonces la estadística θ ˆ h( X,..., X ) recibe el nombre de estimador 1 n puntual de θ. Nótese que θˆ es una variable aleatoria, ya que es una función de variables aleatorias.
4 EYP14 Estadística para Construcción Civil 4 Definición Un estimador es una medida estadística que especifica cómo utilizar los datos de la muestra para estimar un parámetro desconocido de la población. Propiedades de los Estimadores : Estimadores Insesgados Un estimador debe estar próximo en algún sentido al valor verdadero del parámetro desconocido. De manera formal, se dice que θˆ es un estimador insesgado de θ si el valor esperado de θˆ es igual a θ. Esto equivale a afirmar que la media de la distribución de probabilidad de θˆ (o la media de la distribución de muestreo de θˆ) es igual a θ.
5 EYP14 Estadística para Construcción Civil 5 Definición Un estimador θˆ es un estimador insesgado para estimar a θ si E ( θ ˆ) θ Si el estimador no es insesgado, entonces la diferencia es conocida como sesgo del estimador θˆ. E ( θˆ) θ Ejemplo 1 Supóngase que X es una variable aleatoria con media µ y varianza σ. Sea X 1,..., X n una muestra aleatoria de tamaño n tomada de una población representada por X. Demuéstrese que la media muestral X y la varianza muestral S son estimadores insesgados de µ y σ, respectivamente.
6 EYP14 Estadística para Construcción Civil 6 En ocasiones existen varios estimadores insesgados del parámetro de la población muestral. Puesto que no hay un estimador insesgado único, no es posible depender exclusivamente de esta propiedad para seleccionar el estimador. Se necesita un método para seleccionar uno de entre varios estimadores insesgados. Varianza y error cuadrático medio de un estimador puntual Supóngase que θ ˆ 1 y θ ˆ son estimadores insesgados de θ. Esto indica que la distribución de cada estimador está centrada en el verdadero valor de θ. Sin embargo, las varianzas de estas distribuciones pueden ser diferentes. Cuando se elige uno de entre varios estimadores, un principio lógico de estimación es seleccionar el estimador que tenga la menor varianza.
7 EYP14 Estadística para Construcción Civil 7 Definición Si se consideran todos los estimadores insesgados de θ, el que tiene la menor varianza recibe el nombre de estimador insesgado de varianza mínima. Otro método es el error cuadrático medio. Definición (Error Cuadrático Medio) El error cuadrático medio de un estimador θˆ del parámetro θ está definido como Obs. ECM ( θˆ) E( θˆ θ ) El error cuadrático medio puede reescribirse de la siguiente manera: ECM ( θˆ) Var( θˆ) + (sesgo)
8 EYP14 Estadística para Construcción Civil 8 El error cuadrático medio es un criterio importante para comparar dos estimadores. Sean θ ˆ 1 y θ ˆ dos estimadores del parámetro θ, y ECM ( θˆ 1 ) y ECM ( θˆ ) los errores cuadráticos medios de θ ˆ 1 y θ ˆ. Entonces, la eficiencia relativa de θ ˆ con respecto a θ ˆ 1 se define como ECM ( θˆ 1) ECM ( θˆ ) si la eficiencia relativa es menor que uno, entonces puede concluirse que θ ˆ 1 es un estimador más eficiente de θ que θ ˆ, en el sentido que tiene un error cuadrático medio más pequeño.
9 EYP14 Estadística para Construcción Civil 9 Ejemplo Supóngase que se desea estimar la media µ de una población. Se tiene una muestra aleatoria de n observaciones X,..., X 1 n y se quiere comparar dos estimadores posibles de µ : la media muestral X y una observación de la muestra, por ejemplo X i. Cuál estimador se utilizaría, y por qué? Ejemplo 3 Supóngase que X 1,..., X 5 representa una muestra aleatoria de alguna población para la cual E X ) µ y ( i Var ( ) σ, i 1,..., 5. Se proponen como estimadores de µ a los X i siguientes: θˆ ˆ ( ), ˆ ( ), ˆ 1 X 1, θ X1 + X 5 θ3 X1 + X 5 θ4 X ( X1 + + X 5). 5 Cuál estimador se utilizaría, y por qué?
10 EYP14 Estadística para Construcción Civil 10 Método de Máxima Verosimilitud Uno de los métodos para obtener un estimador puntual de un parámetro es el método de máxima verosimilitud. Tal como su nombre lo implica, el estimador será el valor del parámetro que maximiza la función de verosimilitud. Supóngase, por ejemplo, que una caja contiene cuatro pelotas, de las cuales un número desconocido θ son blancas y ( 4 θ ) no son blancas. Se extraen al azar dos pelotas y se cuenta X, el número de pelotas blancas en la muestra. La distribución de probabilidad de X está dada por P( X x) θ 4 θ x x p( x) 4
11 EYP14 Estadística para Construcción Civil 11 Ahora supóngase que se observa que 1 X. Qué valor de θ hará máxima la probabilidad de este evento?. De acuerdo con la distribución anterior se tienen que 0 4) (1 1 3) (1 3 ) ( ) (1 0 0) (1 θ θ θ θ θ p p p p p
12 EYP14 Estadística para Construcción Civil 1 Por lo tanto, θ hace máxima la probabilidad de la muestra observada, así que se escogería este valor,, como el estimador de máxima verosimilitud de θ, dado que se ha observado que X 1. Definición Supóngase que X es una variable aleatoria con distribución de probabilidad f ( x, θ ), donde θ es un parámetro desconocido. Sean x,..., x 1 n los valores observados en una muestra aleatoria de tamaño n. La función de verosimilitud de la muestra es L( θ ) f ( x1, θ ) f ( x, θ ) f ( xn, θ ) Nótese que la función de verosimilitud es ahora una función del parámetro desconocido θ. El estimador de máxima verosimilitud de θ es el valor de θ que maximiza la función de verosimilitud L (θ ).
13 EYP14 Estadística para Construcción Civil 13 Nota : El método de máxima verosimilitud puede emplearse en situaciones donde esxisten varios parámetros desconocidos (por ejemplo, θ 1, θ,, θ ), que es necesario estimar. En tales casos, la función de verosimilitud es una función de los k parámetros desconocidos θ 1, θ,,, y los estimadores de máxima verosimilitud θ ˆ } se obtienen al igualar a cero θ k las k derivadas parciales L( θ 1, θ,, θk ) θi, i 1,,, k, y resolver el sistema de ecuaciones resultante. k { i Ejemplo 4 Supóngase que en una sucesión de n intentos Bernoulli independientes, se observan Y éxitos. Determinar el estimador de máxima verosimilitud de p, la probabilidad de éxito en cualquier intento dado.
14 EYP14 Estadística para Construcción Civil 14 Ejemplo 5 Supóngase que se observan n mediciones independientes de vida útil X, X,, X 1 n, de componentes de los que se sabe que sus vidas útiles siguen un modelo Weibull representado por γx f ( x) θ γ 1 e x γ / θ, x > 0 Suponiendo que se conoce γ, determinar el estimador de máxima verosimilitud de θ. Ejemplo 6 Sea X, X,, X y varianza 1 n una muestra aleatoria de tamaño n con distribución normal, media µ σ, donde µ y verosimilitud de µ y σ. σ son desconocidas. Determinar el estimador de máxima
15 EYP14 Estadística para Construcción Civil 15 Observaciones : 1. Los estimadores de máxima verosimilitud no son necesariamente insesgados.. El estimador de máxima verosimilitud es insesgado para n grande. Esto implica que el estimador de máxima verosimilitud θˆ es, de manera aproximada, el estimador insesgado de varianza mínima de θ para n grande ( n ). 3. Los estimadores de máxima verosimilitud también tienen una propiedad de invarianza. Esto es, si θˆ, θˆ,, θˆ 1 k, son los estimadores de máxima verosimilitud de los parámetros θ 1, θ,, θ k, entonces el estimador de máxima verosimilitud de cualquier función h θ, θ,, θ ) de estos parámetros, es la misma función h θˆ, θˆ,, θˆ ) de los ( 1 k estimadores θˆ, θˆ,, θˆ 1 k. ( 1 k
16 EYP14 Estadística para Construcción Civil 16 Ejemplo 7 Sea X una variable aleatoria igual al número de clientes que solicitan información a una empresa constructora durante un día. Se quiere saber el número esperado de clientes que solicitan información en un día y para esto se tomó una muestra aleatoria durante 50 días de la cantidad de clientes que llegaron por día, obteniéndose: Número de clientes por día Cantidad de días observados Además se sabe que la función de probabilidad de esta variable aleatoria es Poisson(λ ). En base a los datos, encuentre el estimador de máxima verosimilitud de la probabilidad de que no hayan clientes en un día.
17 EYP14 Estadística para Construcción Civil 17 Distribuciones de Muestreo La distribución de muestreo de una estadística depende de la distribución de la población, del tamaño de la muestra y del método utilizado para seleccionar ésta. Definición La distribución de probabilidad de una estadística recibe el nombre de distribución de muestreo. Por ejemplo, la distribución de probabilidad de X se conoce como distribución de muestreo de la media.
18 EYP14 Estadística para Construcción Civil 18 Distribución de Muestreo de la Media Supóngase que se toma una muestra aleatoria de tamaño n de una población normal con media µ y varianza σ. Cada observación de esta muestra (por ejemplo, X, X,, X 1 n) es una variable aleatoria distribuida normal e independientemente, con media µ y varianza σ. Entonces se tiene que la media muestral X tiene una distribución normal con media µ y varianza n σ / n (es decir, X ~ N( µ, σ / )). Si se muestrea una población que tiene una distribución de probabilidad desconocida, la distribución de muestreo de la media muestral seguirá siendo aproximadamente normal con media µ y varianza σ / n, si el tamaño de la muestra n es grande. Éste es uno de los teoremas más útiles en estadística; se le conoce como teorema central del límite.
19 EYP14 Estadística para Construcción Civil 19 Teorema central del límite Si X 1, X,, X es una muestra aleatoria de tamaño n tomada de una población con n media µ y varianza finita distribución de σ, y si X es la media muestral entonces la forma límite de la Z X µ σ / n cuando n, es la distribución normal estándar. Ejemplo 8 Una compañía de electrónica fabrica resistores que tienen una resistencia promedio de 00 Ω y una desviación estándar de 0 Ω. La distribución de la resistencia es normal. Encuéntrese la probabilidad de que al tomar una muestra de n 5 resistores, la resistencia promedio de éstos será menor que 95 Ω (Rpta ).
20 EYP14 Estadística para Construcción Civil 0 Definición El error estándar de una estadística es la desviación estándar de su distribución de muestreo. Si el error estándar involucra parámetros desconocidos cuyos valores pueden estimarse, la sustitución de estas estimaciones en el error estándar da como resultado un error estándar estimado. Obs. El error estándar da alguna idea sobre la precisión de la estimación. Por ejemplo, si la media muestral X se utiliza como estimador puntual de la media poblacional µ, el error estándar de X mide cuán precisamente X estima a µ.
21 EYP14 Estadística para Construcción Civil 1 Ejemplo 9 Un artículo publicado en el Journal of Heat Transfer (Trans. ASME, Ses. C, 96, 1974, pág. 59) describe un nuevo método para medir la conductividad térmica del hierro Armco. Al utilizar una temperatura de $ 00 F y una potencia de entrada de 550 W, se obtienen las diez mediciones siguientes de conductividad térmica (en Btu/hr-ft- $ F): Una estimación puntual de la conductividad térmica promedio a muestral, X Btu/hr-ft- $ F. El error estándar de la media muestral es $ 00 F y 550 W es la media σ X σ / n, y dado que σ es desconocido, puede reemplazarse por la desviación estándar muestral s 0.84 para obtener el error estándar estimado de X como σ ˆ σ n X / 0.84/ , el cual es alrededor de 0.% de la media muestral, lo que implica que se ha obtenido una estimación puntual relativamente precisa de la conductividad térmica.
22 EYP14 Estadística para Construcción Civil Distribuciones importantes en inferencia estadística Distribución Chi-Cuadrado Sean Z 1, Z,, Z variables aleatorias distribuidas normal e independientemente, con k media µ 0 y varianza σ 1. Entonces, la variable aleatoria 1 + Z + Zk X Z + tiene la función de densidad de probabilidad f ( x) k 1 ( k / ) 1 x / x e, para x > / Γ( k / ) y se dice que sigue una distribución chi-cuadrado con k grados de libertad, lo que se abrevia χ (k ). 0
23 EYP14 Estadística para Construcción Civil 3 Propiedades : E X k y Var X k Propiedad de aditividad de la distribución chi-cuadrado Sean Y, Y,, Y k, k,, k 1 p variables aleatorias chi-cuadrado independientes con 1 p grados de libertad, respectivamente. Entonces Y Y + Y + + sigue una distribución chi-cuadrado con grados de libertad igual a 1 Y p Ejemplo 10 Supóngase que X, X,, X k p k i i 1 1 n es una muestra aleatoria tomada de una distribución normal, con media µ y varianza ( n 1) S σ. Entonces σ ( n 1) está distribuida como χ.
24 EYP14 Estadística para Construcción Civil 4 Distribución t Sea Z una variable aleatoria con distribución N (0,1) y V una variable aleatoria con distribución chi-cuadrado con k grados de libertad. Si Z y V son independientes, la variable aleatoria tiene la función de densidad de probabilidad T Z V / k [ ( k + 1) / ] 1 [ ] < < Γ f ( x) x ( k + 1) / πk Γ( k / ) ( x / k) + 1 y se dice que sigue la distribución t con k grados de libertad, lo que se abrevia como t k. Propiedades : E 0 X, y Var X k /( k ) para k >.
25 EYP14 Estadística para Construcción Civil 5 Ejemplo 11 Supóngase que normal, con media µ y varianza X 1, X,, X es una muestra aleatoria tomada de una distribución n σ. Entonces T X µ sigue una distribución t ( n 1). S / n Distribución F Sean W e Y variables aleatorias independientes con distribución chi-cuadrado con grados de libertad u y v respectivamente. Entonces el cuociente W / u F Y / v tiene la función de densidad de probabilidad :
26 EYP14 Estadística para Construcción Civil 6 f x u + v u Γ v u / ( ) ( u+ v) / u v u Γ Γ x + 1 v x ( u / ) 1, 0 < x < y se dice que sigue la distribución F con u y v grados de libertad. Usualmente, esto se denota como F ( u, v). Propiedades E X v /( v ) para v >, y v ( u + v ) VarX, v u( v ) ( v 4) > 4
27 EYP14 Estadística para Construcción Civil 7 Relaciones importantes 1. Si X ~ F( p, q) entonces / X ~ F( q, p). ~ q. Si X ~ tq entonces X F(1, ). Ejemplo 11 Supóngase que se tienen dos poblaciones normales con varianzas σ 1 y respectivamente. Se toman dos muestras aleatorias independientes de tamaños n 1 y n de las poblaciones 1 y, respectivamente, y sean S 1 y S las varianzas muestrales. Entonces, el cuociente σ, tiene una distribución F n 1, 1). ( 1 n F S S 1 / σ / σ 1
Tema 2: Estimación puntual
Tema 2: Estimación puntual 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: estimador y estimación Insesgadez
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesT.3 ESTIMACIÓN PUNTUAL
T.3 ESTIMACIÓN PUNTUAL 1. INTRODUCCIÓN: ESTIMACIÓN Y ESTIMADOR 2. PROPIEDADES DE LOS ESTIMADORES 3. MÉTODOS DE ESTIMACIÓN. EJEMPLO 1, EJEMPLO 2 1. Introducción: Estimación y Estimador En este tema se analizan
Más detallesTema 10. Estimación Puntual.
Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener
Más detallesClase 8: Distribuciones Muestrales
Clase 8: Distribuciones Muestrales Distribución Muestral La inferencia estadística trata básicamente con generalizaciones y predicciones. Por ejemplo, podemos afirmar, con base a opiniones de varias personas
Más detalles8. Estimación puntual
8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores
Más detallesESTIMACION POR INTERVALOS
ESTIMACION POR INTERVALOS En muchas situaciones, una estimación puntual no proporciona información suficiente sobre el parámetro. Por esta razón se construyen intervalos de confianza en donde el parámetro
Más detallesCapítulo 7: Distribuciones muestrales
Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.
Más detallesESTIMACION DE INTERVALOS DE CONFIANZA
pag 3. Prohibida su reproducción ESTIMACION DE INTERVALOS DE CONFIANZA Una muestra permite realizar estimaciones puntuales de los parámetros de la población. Utilizando las propiedades de las distribuciones
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD EJERCICIOS 5 Profesor: Hugo S. Salinas. Primer Semestre 2009 1. Una compañía de seguros utiliza la
Más detallesMEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL
MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL Las medias de tendencia central o posición nos indican donde se sitúa un dato dentro de una distribución de datos. Las medidas de dispersión, variabilidad o variación
Más detallesTema 2 - Introducción
Tema 2 - Introducción 1 Tema 1. Introducción a la inferencia estadística Planteamientos y objetivos. Revisión de distribuciones multivariantes. Esperanza y varianza de sumas de v.a. independientes. Tema
Más detallesEstimación puntual. Estadística II. Curso 2011/2012. Universidad de Salamanca
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 3 4 Introducción Una estimación puntual de algún parámetro poblacional θ es un valor único del estadístico θ. Por ejemplo,
Más detallesTema 1: Test de Distribuciones de Probabilidad
Tema 1: Test de Distribuciones de Probabilidad 1.- Una compañía de seguros tiene 1000 asegurados en el ramo de accidentes. Si la el modelo mejor para el número de siniestros en un año es: a) Normal (5;,3).
Más detallesPruebas de. Hipótesis
Pruebas de ipótesis Pruebas de ipótesis Otra manera de hacer inferencia es haciendo una afirmación acerca del valor que el parámetro de la población bajo estudio puede tomar. Esta afirmación puede estar
Más detallesTema 1. Inferencia estadística para una población
Tema 1. Inferencia estadística para una población Contenidos Inferencia estadística Estimadores puntuales Estimación de la media y la varianza de una población Estimación de la media de la población mediante
Más detallesExperimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.
Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables
Más detallesEstimación. Intervalos de Confianza para la Media y para las Proporciones
Estimación. Intervalos de Confianza para la Media y para las Proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Estimación El objetivo
Más detallesUniversidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción
V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA 5.1 Introducción En este capítulo nos ocuparemos de la estimación de caracteristicas de la población a partir de datos. Las caracteristicas poblacionales
Más detallesSelectividad Junio 2008 JUNIO 2008 PRUEBA A
Selectividad Junio 008 JUNIO 008 PRUEBA A 3 a x + a y =.- Sea el sistema: x + a y = 0 a) En función del número de soluciones, clasifica el sistema para los distintos valores del parámetro a. b) Resuélvelo
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesINFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA
1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA Páginas 74-75 Lanzamiento de varios dados Comprobación de que: Desviación típica de n dados = (Desv. típica para un dado) / 1,71 n = 1,1 1,71 n = 3 0,98
Más detallesEncuesta económica del sector de servicios profesionales y empresariales. Cálculo de Errores de Muestreo.
Encuesta económica del sector de servicios profesionales y empresariales. Cálculo de Errores de Muestreo. 1 INDICE 1. Introducción...3 2. Breve descripción de la encuesta...3 2.1 Definición...3 2.2 Diseño
Más detallesPoblación, Unidad de Análisis, Criterios de Inclusión y Exclusión.
Población Población, Unidad de Análisis, Criterios de Inclusión y Exclusión. Muestra: Identificación y Reclutamiento. Nomenclatura En esta aproximación conceptual consideraremos a Población como sinónimo
Más detallesx 10000 y 8000 x + y 15000 a) La región factible asociada a las restricciones anteriores es la siguiente: Pedro Castro Ortega lasmatematicas.
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Septiembre 2012 - Propuesta A 1. Queremos realizar una inversión en dos tipos
Más detallesOtras medidas descriptivas usuales
Tema 7 Otras medidas descriptivas usuales Contenido 7.1. Introducción............................. 1 7.2. Medidas robustas.......................... 2 7.2.1. Media recortada....................... 2 7.2.2.
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 003 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Opción A Junio, Ejercicio 3, Opción B Reserva 1, Ejercicio 3,
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesDISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS
DISTRIBUCIÓN NORMAL CON EXCEL Y WINSTATS 1) Reseña histórica Abrahan De Moivre (1733) fue el primero en obtener la ecuación matemática de la curva normal. Kart Friedrich Gauss y Márquez De Laplece (principios
Más detalles4. Se considera la función f(x) =. Se pide:
Propuesta A 1. Queremos realizar una inversión en dos tipos de acciones con las siguientes condiciones: Lo invertido en las acciones de tipo A no puede superar los 10000 euros. Lo invertido en las acciones
Más detallesEstimación de una probabilidad
Estimación de una probabilidad Introducción En general, la probabilidad de un suceso es desconocida y debe estimarse a partir de una muestra representativa. Para ello, deberemos conocer el procedimiento
Más detalles3. ANÁLISIS ESTADÍSTICOS DE LAS PRECIPITACIONES EN EL MAR CASPIO
Análisis estadístico 31 3. ANÁLII ETADÍTICO DE LA PRECIPITACIONE EN EL MAR CAPIO 3.1. ANÁLII Y MÉTODO ETADÍTICO UTILIZADO 3.1.1. Introducción Una vez analizado el balance de masas que afecta al mar Caspio
Más detallesSeis Sigma. Nueva filosofía Administrativa.
Seis Sigma. Nueva filosofía Administrativa. GIN. Filosofía de Calidad. El Seis Sigma es un parámetro cuya base principal es la desviación estándar y su enfoque es reducir la variación y/o defectos en lo
Más detallesProblemas de Probabilidad resueltos.
Problemas de Probabilidad resueltos. Problema 1 El profesor Pérez olvida poner su despertador 3 de cada 10 dias. Además, ha comprobado que uno de cada 10 dias en los que pone el despertador acaba no levandandose
Más detallesTEMA 4: Introducción al Control Estadístico de Procesos
TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción
Más detallesClase 5: Variables Aleatorias y Distribuciones de Probabilidad
Clase 5: Variables Aleatorias y Distribuciones de Probabilidad Variables Aleatorias Una variable aleatoria es una función que asocia un número real con cada elemento del EM. Ejemplo 1: El EM que da una
Más detallesTema 12: Contrastes Paramétricos
Tema 1 Tema 1: Contrastes Paramétricos Presentación y Objetivos. Se comienza este tema introduciendo la terminología y conceptos característicos de los contrastes de hipótesis, típicamente a través de
Más detallesPruebas de Hipótesis de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Pruebas de ipótesis de Una y Dos Muestras UCR ECCI CI-35 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides ipótesis Estadísticas Conceptos Generales En algunos casos el científico
Más detallesANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS
ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se
Más detallesMuestreo estadístico. Relación 2 Curso 2007-2008
Muestreo estadístico. Relación 2 Curso 2007-2008 1. Para tomar la decisión de mantener un determinado libro como texto oficial de una asignatura, se pretende tomar una muestra aleatoria simple entre los
Más detalles5. DISTRIBUCIONES DE PROBABILIDADES
5. DISTRIBUCIONES DE PROBABILIDADES Dr. http://academic.uprm.edu/eacunaf UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES DE PROBABILIDADES Se introducirá el concepto de variable
Más detallesPruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2012 - Propuesta B
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2012 - Propuesta B 1. Una empresa tiene 3000 bolsas de ajo morado de Las
Más detallesSISTEMAS DE ECUACIONES LINEALES
SISTEMAS DE ECUACIONES LINEALES INTRODUCCIÓN En el presente documento se explican detalladamente dos importantes temas: 1. Descomposición LU. 2. Método de Gauss-Seidel. Se trata de dos importantes herramientas
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesSelectividad Septiembre 2009 SEPTIEMBRE 2009. Opción A
SEPTIEMBRE 2009 Opción A 1.- Como cada año, el inicio del curso académico, una tienda de material escolar prepara una oferta de 600 cuadernos, 500 carpetas y 400 bolígrafos para los alumnos de un IES,
Más detallesSelectividad Septiembre 2006 SEPTIEMBRE 2006
Bloque A SEPTIEMBRE 2006 1.- En una fábrica trabajan 22 personas entre electricistas, administrativos y directivos. El doble del número de administrativos más el triple del número de directivos, es igual
Más detallesREPASO CONCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓN NORMAL.
REPASO COCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓ ORMAL. Éste es un breve repaso de conceptos básicos de estadística que se han visto en cursos anteriores y que son imprescindibles antes de acometer
Más detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD OPCIÓN A
OPCIÓN A (3 puntos) Una imprenta local edita periódicos y revistas. Para cada periódico necesita un cartucho de tinta negra y otro de color, y para cada revista uno de tinta negra y dos de color. Si sólo
Más detallesUnidad 6. Distribuciones de probabilidad continua, muestreo y distribución de muestras
Unidad 6 Distribuciones de probabilidad continua, muestreo y distribución de muestras Introducción La unidad 5 se enfocó en el estudio de las distribuciones de probabilidad discreta, entre las cuales
Más detallesEJERCICIOS RESUMEN. Aplicación: INFERENCIA ESTADÍSTICA. Nota técnica preparada por: Mayte Zaragoza Benítez Fecha: 13 de mayo de 2013
Aplicación: INFERENCIA ESTADÍSTICA EJERCICIOS RESUMEN Nota técnica preparada por: Mayte Zaragoza Benítez Fecha: 13 de mayo de 2013 Página1 DESCRIP Ejercicio 1 Los siguientes son los números de cambios
Más detallesINFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA
1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA Página 75 REFLEXIONA Y RESUELVE Lanzamiento de varios dados Comprueba en la tabla anterior ue: DESV. TÍPICA PARA n DADOS n = 8 1,71 1,1 n = 3 8 1,71 3 0,98
Más detallesPRUEBAS DE HIPÓTESIS
PRUEBAS DE HIPÓTESIS Muchos problemas de ingeniería, ciencia, y administración, requieren que se tome una decisión entre aceptar o rechazar una proposición sobre algún parámetro. Esta proposición recibe
Más detallesTema 5: Estimación puntual y por intervalos
Tema 5: Estimación puntual y por intervalos Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Estimación puntual y por intervalos Curso
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 2
7 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería N N D).
Más detallesVariables aleatorias continuas
Variables aleatorias continuas Hemos definido que una variable aleatoria X es discreta si I X es un conjunto finito o infinito numerable. En la práctica las variables aleatorias discretas sirven como modelos
Más detallesAsignatura: Econometría. Conceptos MUY Básicos de Estadística
Asignatura: Econometría Conceptos MUY Básicos de Estadística Ejemplo: encuesta alumnos matriculados en la UMH Estudio: Estamos interesados en conocer el nivel de renta y otras características de los estudiantes
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 2
PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería NND). a)
Más detallesDISTRIBUCIÓN DE LA MEDIA MUESTRAL. b) Las medias muestrales de tamaño n se distribuyen según la normal
1 DISTRIBUCIÓN DE LA MEDIA MUESTRAL La mayoría de estos problemas han sido propuestos en exámenes de selectividad de los distintos distritos universitarios españoles. 1. Considérese una población en la
Más detallesEstimación puntual. Estadística aplicada a la empresa II Prof. D. Juan José Pérez Castejón
Estimación puntual Estadística aplicada a la empresa II Prof. D. Juan José Pérez Castejón 1 ESTIMACIÓN PUNTUAL Tras hacernos a la idea en el tema anterior de lo que la inferencia estadística es y persigue,
Más detallesInferencia Estadística
Felipe José Bravo Márquez 11 de noviembre de 2013 Para realizar conclusiones sobre una población, generalmente no es factible reunir todos los datos de ésta. Debemos realizar conclusiones razonables respecto
Más detalles8.2.2. Intervalo para la media (caso general)
182 Bioestadística: Métodos y Aplicaciones 100 de ellos se obtiene una media muestral de 3 kg, y una desviación típica de 0,5 kg, calcular un intervalo de confianza para la media poblacional que presente
Más detallesTema 3. Comparaciones de dos poblaciones
Tema 3. Comparaciones de dos poblaciones Contenidos Hipótesis para la diferencia entre las medias de dos poblaciones: muestras pareadas Hipótesis para la diferencia entre las medias de dos poblaciones:
Más detallesNombre...Apellidos... Grado en:...grupo:...
ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA - Soluciones Estadística- Curso 01/1. 9 de Julio de 01 Nombre...Apellidos... Grado en:...grupo:... 1. Considera la variable aleatoria (v.a.) X cuyos posibles
Más detallesFunciones de varias variables
Funciones de varias variables Derivadas parciales. El concepto de función derivable no se puede extender de una forma sencilla para funciones de varias variables. Aquí se emplea el concepto de diferencial
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesTema 5. Variables aleatorias discretas
Tema 5. Variables aleatorias discretas Resumen del tema 5.1. Definición de variable aleatoria discreta 5.1.1. Variables aleatorias Una variable aleatoria es una función que asigna un número a cada suceso
Más detallesACCIONES Y OTROS TÍTULOS DE INVERSIÓN
ACCIONES Y OTROS TÍTULOS DE INVERSIÓN TASAS EFECTIVAS DE RENDIMIENTO ANUAL Y MENSUAL: Es aquélla que se emplea en la compraventa de algunos valores en el Mercado Bursátil o Bolsa de Valores. Estas tasas
Más detallesSoluciones de los ejercicios de Selectividad sobre Probabilidad de Matemáticas Aplicadas a las Ciencias Sociales II
Soluciones de los ejercicios de Selectividad sobre Probabilidad de Antonio Francisco Roldán López de Hierro * Convocatoria de 2008 Las siguientes páginas contienen las soluciones de los ejercicios propuestos
Más detallesUnidad 9. Estimación
Unidad 9 Estimación Estimación En los capítulos anteriores se han estudiado las nociones fundamentales de distribución de probabilidad y distribución muestral. Estamos ya en condiciones de tratar los métodos
Más detallesPuede dar pérdida un Casino?
Puede dar pérdida un Casino? por Ernesto Mordecki En esta nota calculamos la probabilidad de que pierda la banca en la ruleta, en un período dado de tiempo. uestro enfoque consiste en determinar cuantas
Más detallesSolución ESTADÍSTICA. Prueba de evaluación contínua 2 - PEC2
Semestre set04 - feb05 Módulos 11-17 Prueba de evaluación contínua 2 - PEC2 Solución Presentación i objetivos Enunciados: descripción teórica de la práctica a realizar Materiales Criterios de evaluación
Más detallesESTADÍSTICA SEMANA 4
ESTADÍSTICA SEMANA 4 ÍNDICE MEDIDAS DE DISPERSIÓN... 3 APRENDIZAJES ESPERADOS... 3 DEfinición de Medida de dispersión... 3 Rango o Recorrido... 3 Varianza Muestral (S 2 )... 3 CÁLCULO DE LA VARIANZA...
Más detallesEspacios generados, dependencia lineal y bases
Espacios generados dependencia lineal y bases Departamento de Matemáticas CCIR/ITESM 14 de enero de 2011 Índice 14.1. Introducción............................................... 1 14.2. Espacio Generado............................................
Más detallesTEMA 6: Gráficos de Control por Variables
TEMA 6: Gráficos de Control por Variables 1 Introducción 2 Gráficos de control de la media y el rango Función característica de operación 3 Gráficos de control de la media y la desviación típica 4 Gráficos
Más detallesMetodología. del ajuste estacional. Tablero de Indicadores Económicos
Metodología del ajuste estacional Tablero de Indicadores Económicos Metodología del ajuste estacional Componentes de una serie de tiempo Las series de tiempo están constituidas por varios componentes que,
Más detallesTests de hipótesis estadísticas
Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA DE TRABAJO 2 Profesor: Hugo S. Salinas. Primer Semestre 2010 1. La dureza Rockwell de un metal
Más detallesTema 3: Variable aleatoria 9. Tema 3: Variable aleatoria
Tema 3: Variable aleatoria 9 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Estadística Tema 3: Variable aleatoria 1. Probar si las siguientes funciones pueden definir funciones
Más detallesGRAFICOS DE CONTROL DATOS TIPO VARIABLES
GRAFICOS DE CONTROL DATOS TIPO VARIABLES PROCESO Maquinaria Métodos Materias Primas Proceso Producto Mano de Obra Condiciones Ambientales VARIACIÓN Fundamentalmente, las cinco fuentes más importantes de
Más detalles1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde
Soluciones de la relación del Tema 6. 1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B1, p), donde p = P X = 1) = P la persona presente síntomas)
Más detallesMétodos Estadísticos 2.3. Distribuciones discretas de probabilidad
2.3. DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Parámetros de un problema Saber: Explicar el concepto de variable discreta. Explicar los conceptos y métodos de la distribución binomial, hipergeométrica,
Más detallesTEMA 7: Análisis de la Capacidad del Proceso
TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad
Más detallesTEMA 2: MÉTODO MONTE CARLO
TEMA 2: MÉTODO MONTE CARLO Introducción al tema: En esta sección continuaremos estudiando los elementos necesarios que sustentan el método Monte Carlo. Ya en el tema anterior se vio la aplicación de la
Más detallesSOLUCIONES AL BOLETÍN DE EJERCICIOS Nº 3
Sloan School of Management 15.010/15.011 Massachusetts Institute of Technology SOLUCIONES AL BOLETÍN DE EJERCICIOS Nº 3 1. a. FALSO Los bienes duraderos son más elásticos a corto plazo que a largo (esto
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece
Más detallesEJERCICIOS RESUELTOS SOBRE ERRORES DE REDONDEO
EJERCICIOS RESUELTOS SOBRE ERRORES DE REDONDEO 1º) Considérese un número estrictamente positivo del sistema de números máquina F(s+1, m, M, 10). Supongamos que tal número es: z = 0.d 1 d...d s 10 e Responde
Más detallesEl concepto de integral con aplicaciones sencillas
El concepto de integral con aplicaciones sencillas Eliseo Martínez Marzo del 24 Abstract Este artículo trata de ejemplos sencillos del concepto de integral con aplicaciones a la Física, la Teoría de la
Más detallesEcuaciones de primer grado con dos incógnitas
Ecuaciones de primer grado con dos incógnitas Si decimos: "las edades de mis padres suman 120 años", podemos expresar esta frase algebraicamente de la siguiente forma: Entonces, Denominamos x a la edad
Más detallesEJERCICIOS DE MATEMÁTICAS I HOJA 4. Ejercicio 1. Se consideran los vectores
EJERCICIOS DE MATEMÁTICAS I HOJA 4 Ejercicio 1. Se consideran los vectores u 1 = (1, 1, 0, 1), u 2 = (0, 2, 1, 0), u 3 = ( 1, 1, 1, 1), u 4 = (2, 2, 1, 0) de R 4. Expresa, si es posible, los vectores u
Más detallesPeríodo de recuperación del capital (Payback) Período de recuperación del capital (Payback)
Período de recuperación del capital (Payback) Período de recuperación del capital (Payback) Algunas empresas requieren que la inversión se recupere en un período determinado Payback se obtiene contando
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.E.
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.E. CURSO 2013-2014 CONVOCATORIA: MATERIA: MATEMATICAS APLICADAS A LAS CC. SS. - Cada alumno debe elegir sólo una de las pruebas (A o B). - Cada una de las preguntas
Más detallesTema 3: Variables aleatorias y vectores aleatorios bidimensionales
Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos
Más detalles1.4 Cálculo de Probabilidades con Métodos de Conteo. Considerere un espacio muestral finito,
1 1.4 Cálculo de Probabilidades con Métodos de Conteo Considerere un espacio muestral finito, y defina, Luego, Ω = {ω 1,..., ω n }, P ({ω i }) = p i, i = 1,..., n P (A) = ω i A p i, A Ω Ω se dice equiprobable
Más detallesMódulo 9 Sistema matemático y operaciones binarias
Módulo 9 Sistema matemático y operaciones binarias OBJETIVO: Identificar los conjuntos de números naturales, enteros, racionales e irracionales; resolver una operación binaria, representar un número racional
Más detalles(A) Primer parcial. si 1 x 1; x 3 si x>1. (B) Segundo parcial
CÁLCULO DIFERENCIAL E INTEGRAL I EVALUACIÓN GLOBAL E700 1) x 5 > 1. A) Primer parcial ) Sean las funciones ft) t +,gy) y 4&hw) w. Encontrar f/h, g f, f g y sus dominios. ) Graficar la función x + six
Más detallesAnálisis de componentes principales
Capítulo 2 Análisis de componentes principales 2.1. INTRODUCCIÓN El Análisis de componentes principales trata de describir las características principales de un conjunto de datos multivariantes, en los
Más detallesDATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT
DATA MINING EN LA BASE DE DATOS DE LA OMS KNOWLEDGE DETECTION (DETECCIÓN DEL CONOCIMIENTO) Q.F.B. JUANA LETICIA RODRÍGUEZ Y BETANCOURT REACCIONES ADVERSAS DE LOS MEDICAMENTOS Los fármacos por naturaleza
Más detallesTEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones.
TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. La herramienta que nos indica si el proceso está o no controlado o Estado de Control son
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES PAUTA DE CORRECCIÓN: PRUEBA PARCIAL N o Profesor: Hugo S. Salinas. Segundo Semestre. RESOLVER. 3
Más detallesTécnicas de valor presente para calcular el valor en uso
Normas Internacionales de Información Financiera NIC - NIIF Guía NIC - NIIF NIC 36 Fundación NIC-NIIF Técnicas de valor presente para calcular el valor en uso Este documento proporciona una guía para utilizar
Más detalles