Teoría de la estimación
|
|
- Alfonso Jiménez Moreno
- hace 7 años
- Vistas:
Transcripción
1 Teoría de la estimación En las primeras unidades se desarrollaron los conceptos vinculados a la definición de estimadores, sus propiedades deseables, los métodos para obtener buenos estimadores, y se plantearon los estimadores que gozan de aquellas propiedades y son utilizados en los problemas de aplicación más frecuentes: media muestral, varianza muestral, proporción muestral. Ahora bien, las estimaciones que se realizan al calcular para cada caso particular el valor surgido de una muestra, no llevan asociadas ninguna idea acerca del grado de aproximación que puede existir entre el valor del estimador y el del parámetro que se está estimando. O dicho de otra forma, no hay una idea acerca del "error" que puede cometerse al afirmar que el parámetro desconocido se "estima" es igual a esa función de las observaciones muestrales definidas por cada estimador. Qué es el "error"' en una estimación? Tal como puede intuirse, se trata de la diferencia existente entre el valor del estimador en una muestra particular (a este valor se le llama estimación) y el verdadero valor del parámetro desconocido. En efecto, si σ es el parámetro que se desea estimar, y θ un estimador de σ, la diferencia en valor absoluto: σ - θ < ε indica que el "error" cometido al realizar la estimación de σ no excederá a ε. (Este error es aleatorio, porque depende de θ que es una variable aleatoria) Es interesante entonces, teniendo en cuenta el conocimiento de las distribuciones de probabilidad de algunos estadísticos, esto es funciones de los estimadores y los parámetros, analizar la probabilidad de establecer un intervalo aleatorio, (θ + ε, θ -ε ) cuya amplitud es igual al doble del error máximo de estimación, y al cual pueda asociarse una elevada probabilidad de que el parámetro σ sea interior al intervalo. De esta manera, si por ejemplo se desea estimar el tiempo promedio que demoran los proveedores de una línea de productos para entregar los pedidos, al 1
2 efectuar la estimación puntual, podrá concluirse que la demora promedio, según lo calculado a partir de la media muestral, es de 12 días. Si se realiza una estimaci6n por intervalo, utilizando el conocimiento existente acerca de la distribución de la media muestral, podría concluirse que, existe una confianza del 95% de que la demora promedio se encuentra en e1 intervalo (10,5-13,5)días. De esta manera, si bien se ha perdido precisión en la estimación, al referirse la misma a un intervalo y no a un valor puntual, se ha ganado en el conocimiento del error que puede cometerse al realizar la estimación (en este caso, la diferencia entre el verdadero valor del parámetro y el de su estimación no supera 1,5 días) y del grado de confianza (probabilidad fiducial se llama este grado de confianza; se explicará más adelante por qué no es estrictamente una probabilidad) de que la afirmación sea verdadera (en este caso, existe un 95% de confianza de que el verdadero promedio se encuentre entre 10,5 y 13,5 días, y hay solo un 0.05 de probabilidad de que ello no ocurra, esto es, que el verdadero promedio no se ubique en ese intervalo). A partir de la necesidad de estimar la media poblacional se desarrollará un ejemplo, teniendo en cuenta el conocimiento que existe de la distribución de la media muestral. Para este ejemplo se plantearán algunos supuestos, que pueden resultar irritantes (estos supuestos no se verifican nunca..., o "como hago para saber si se cumplen los supuestos"...) pero más adelante al desarrollar los diferentes casos, se irán levantando algunos de estos supuestos y también aprendiendo los procedimientos para saber si se cumplen o no en diferentes poblaciones. Se trata de estimar la media de una variable en cierta población, de la cual se conoce que tiene distribución normal, y además se supone conocida la. varianza poblacional ("pero, si no conozco la media, como voy a conocer la varianza..."). Este conocimiento de la varianza puede provenir de experiencias anteriores con poblaciones similares; (hay mayor permanencia en la varianza que en la media. ). Ambos supuestos (población normal y varianza conocida serán levantados en desarrollos posteriores).la estimación se efectuará a partir de una muestra aleatoria de tamaño n. _ El estimador puntual de µ, X. Por tratarse de una población normal, no importa 2
3 cuál sea n, (aplicando el teorema de Gauss)se conoce que la distribución de X es también normal, con esperanza µ y varianza σ 2 / n. Luego, el estadístico _ X - µ ~ N (0,1) σ / n Observe que el estadístico planteado, es funci6n del estimador y del parámetro a estimar, el cuál es la única incógnita de la expresi6n, ya que σ se supuso conocida, n es el tamaño de la muestra, y el valor particular del estimador x se obtendrá a partir de la muestra. El conocimiento de la distribuci6n de probabilidad del estadística, permite afirmar que: P ( -z < X - µ < z ) = 1 - α (1) σ / n y se lee: existe una probabilidad igual a l - α de que el estadístico esté comprendido entre -z y z. Se entiende que z es el valor de la abcisa de la curva normal (0, 1) correspondiente a una probabilidad acumulada igual (1- α/2). Así por ejemplo, si 1- α=0.95, z=1.96 dado que P ( z < 1.96)= y P(-1.96 < z < 1.96)= Despejando el error aleatorio en (1): P(-z σ / n < x - µ < z σ / n) = l -α (2) Esto se lee: existe una probabilidad igual a l -α de que el error (aleatorio, porque depende de x) de estimación no supere en valor absoluto a z σ / n. Como puede observarse, la probabilidad l - α,que debe ser elevada (generalmente mayor a 0.90) es la que determina el valor de z : a mayor 'confianza', es decir mayor l - α, mayor será z y eso incidirá agregando el valor máximo del error se tendrá una estimación menos precisa);a mayor tamaño de muestra, será menor el error estándar del estimador (σ / 3
4 n )y por lo tanto será el menor el error máximo de estimación ( se tendrá una estimación más precisa). Ahora, despejando µ en la expresión (2): P(x - z σ / n < µ < x + z σ / n) = l -α (3) Observe: dónde esta la variable aleatoria en esta expresión probabilística? µ es una variable aleatoria? Entonces debe leerse: existe una probabilidad igual a l - α de que el intervalo aleatorio x m z σ/ n contenga a µ. (y no es correcto hablar de probabilidad de que µ esté comprendido...etc.). Este intervalo x m z σ / n es un intervalo de confianza del l - α por ciento para µ. La expresión intervalo de confianza se debe a que, una vez tomada la muestra y realizada la estimación de µ obteniendo una x particular, el intervalo deja de ser aleatorio, y toma dos valores también particulares, llamado límite inferior y limita superior de confianza, y el nivel l - α expresa ya no una probabilidad, porque no hay ninguna variable aleatoria a la cual referir esa probabilidad, sino un nivel de confianza de que el intervalo obtenido contenga al valor del parámetro desconocido: LIC = x - z σ / n LSC = x + z σ / n El gráfico que sigue, puede ayudar a comprender cabalmente el significado de los límites de confianza en una estimación. De acuerdo al ejemplo planteado, se trata de una distribución normal, con media µ y desviación estándar σ. Se grafica la distribución de la media muestral, para las muestras de tamaño n (luego, también normal, con media µ y desviación estándar error estándar - σ / n). 4
5 El intervalo señalado en el gráfico, encierra el 95% de probabilidad debajo de la curva normal. Esto es, en un 95% de las posibles muestras aleatorias de tamaño n, la media muestral obtenida estará dentro del intervalo. El intervalo de confianza que se construye a partir de una media muestral, consiste en restar y sumar a esa media muestral la cantidad zσ / n ; en este caso, 1.96 σ/ n. Como puede observarse en las líneas trazadas debajo de la curva normal, correspondientes a los posibles resultados de cinco muestras, siempre que la media muestral caiga dentro del intervalo del 95% de probabilidad, los límites de confianza contendrán en su interior a la media poblacional µ. Es decir, el intervalo así construido encerrará a la verdadera media (aunque esta sigue siendo desconocida, se sabe que el intervalo la contiene). Pero cuando la media muestral cae fuera del intervalo del 95% (y esto en que porcentaje del total de muestras posibles ocurrirá) los limites de confianza obtenidos no contendrán a la verdadera µ. Luego, cuando se toma una muestra aleatoria, y a partir de la media muestral de esa muestra se construye un intervalo de amplitud igual al doble de z σ/ n, se tendrá una confianza igual a l - α (95% si z = 1.96) de que el valor del parámetro µ, desconocido, se encuentra dentro de ese intervalo. En este ejemplo gráfico, de cinco 5
6 muestras obtenidas, solo en la primera resulta un intervalo que no contiene a µ. En las restantes, es 'verdadera' la afirmaci6n que µ se encuentra entre el LIC y el LSC. (Se comprende ahora que significa 95% de confianza? Es correcto afirmar que el mínimo error que puede cometerse al realizar la estimación de la media en este caso es 1.96 σ/ n? Por que? ) Precisando el ejemplo planteado más arriba acerca del tiempo de demora para entregar los pedidos, supóngase conocida la varianza poblacional (σ 2 =4 ). Se toma una muestra de 49 pedidos y se encuentra una media muestral x = 8 días. Luego, para un 95% de confianza: P <x σ/ n < µ < X σ/ n ) =0.95 Hay una probabi1idad de 0.95 que el intervalo expresado arriba, contenga la demora promedio. Se trata de un intervalo aleatorio. Luego reemplazando por los datos del problema: LIC = / 49 = 7.44 LSC = / 49 = 8.56 Esto significa: existe un 95%. de confianza de que la demora para entregar un pedido, se encuentra entre 7.44 y 8.56 días. Planteo General de la estimación por intervalos Teniendo en cuenta el desarrollo del ejemplo en el punto anterior, sea un parámetro σ, un estimador θ = g (x 1,x 2,...,x n ) función de las observaciones muestrales en una muestra de tamaño n, un estadístico h < θ,σ > función del estimador y del parámetro. Este estadístico debe cumplir dos condiciones: primera, que algebraicamente sea posible despejar el parámetro-única incógnita en la expresión- y segunda, que tenga una di stribuci6n de probabilidad conocida. 6
7 En el ejemplo planteado anteriormente, el parámetro era µ, el estimador x, el estadístico (x µ ) / ( σ/ n ), en el cual se advierte claramente que, por los supuestos establecidos µ es la única incógnita y cuya distribución es conocida: N(0,1). En estas condiciones, fijando un nivel de confianza l - α, que indica la probabilidad de que el intervalo así construido contenga realmente al parámetro poblacional, se determina en primer en primer lugar un intervalo para el estadístico: P ( K 1 < h (θ,σ) < K 2 ) = l - α Donde K 1 y K 2 se obtienen teniendo en cuenta la distribución de probabilidad del estadístico y el nivel de confianza establecido. Luego se despeja σ, obteniéndose un intervalo aleatorio el cual tiene una probabi1idad igual a l -α de contener al parámetro. Por último, y ya con los valores particulares de una muestra, se realiza la estimación del parámetro, y se obtienen los límites inferior y superior de confianza entre los cuales se piensa (con una confianza igual a l - α ) que se encuentra σ. En todos los puntos siguientes de esta unidad, es indispensable complementarla lectura de cada uno de ellos con los ejercicios y problemas que al final de la misma se agregan. Intervalos de Confianza Intervalos de confianza para la media de una población Se trata ahora de obtener, intervalos de confianza para la media de una población. Se plantean distintos casos, según el conocimiento que se tenga de la población, el tamaño de la muestra y los supuestos que pueden realizarse acerca de la distribución poblacional. 7
8 En todo lo que sigue, se supone un muestreo aleatorio simple (con reemplazo). Si se trata de poblaciones finitas, y el muestreo es sin reemplazo, debe corregirse el error de estándar de la media muestral, multiplicando σ/ n por ( N-n ) / (N 1). Varianza Poblacional conocida Siendo µ el parámetro a estimar, y conociendo la varianza poblacional se advierte de inmediato que el estimador será. la media muestral y el estadístico a utilizar x µ ~ N (0,1) (1) σ / n siempre que: Se trate de una muestra extraída de una población normal (por aplicación del teorema de Gauss-Markov, en ese caso x se distribuye N(µ,σ) y el estadístico es N(0,1) o bien que; Se trate de muestras grandes (n>30) extraídas de cualquier población. Entonces por aplicación del teorema central del límite, también x se distribuye N(µ,σ) y el estadístico es N(0,1). Si la población no es normal, y la muestra es menor que 30 no puede usarse este estadístico (algunas alternativas: realizar alguna transformación con la variable para que la distribución poblacional de la variable transformada se aproxime a la normal. Varianza poblacional desconocida. Población normal Si se desconoce la varianza poblacional, el estadístico planteado en (1) no puede aplicarse, ya que existirían dos parámetros desconocidos: µ y σ. Recuérdese que se ha demostrado que el estadístico: _ X µ ~ t n-1 (2) S / n 8
9 donde S es la desviación estándar muestral (corregida). Si la muestra es grande, la función de densidad de la t se aproxima a una normal, por lo tanto, los límites de probabilidad pueden ser los correspondientes a la distribución normal ( si n>120). Pero también es importante recordar que para definir la distribución t, necesariamente se parte de una distribución poblacional normal. Luego, si la varianza poblacional es desconocida, pueden construirse intervalos de confianza utilizando el estadístico (2) siempre que la población sea normal. Qué pasa si la población no es normal? Nuevamente se presentan algunas alternativas: Intentar alguna transformación de la variable original para aproximarla a una normal; Si las muestras son suficientemente grandes (digamos n>100), dado que S es un estimador consistente de σ, puede utilizarse el estadístico (1) utilizando la S muestral en lugar de la σ poblacional, y entonces no seria tampoco necesario que la población fuera normal. (en este caso, por la consistencia de S y luego por el teorema central del límite). Si la muestra no es mayor que 100 y no puede hacerse una transformación adecuada de la variable para normalizarla, deberá recurrirse a la desigualdad de Chebychef. Intervalos de confianza por Montgomery Una estimación por intervalos de un parámetro desconocido θ es un intervalo de la forma l θ u, donde los puntos extremos l y u dependen del valor numérico de la estadística ô para una muestra en particular, y de la distribución de muestreo de Θ. Puesto que muestras diferentes producen valores distintos de ô y, en consecuencia, valores diferentes de los puntos extremos l y u, estos puntos son valores de variables aleatorias, por ejemplo, L y U, respectivamente. De la distribución de muestreo de e es posible determinar los valores de L y U tales que la siguiente proposición de probabilidad es verdadera: P(L θ U) = 1 - α 9
10 donde 0 < α < 1. Por tanto, se tiene una probabilidad de 1- α de seleccionar una muestra que produzca un intervalo que contiene el valor verdadero de θ. El intervalo resultante l θ u se conoce como intervalo de confianza del 100( 1 - α ) por ciento para el parámetro desconocido θ. Las cantidades l y u reciben el nombre de límites de confianza inferior y superior, respectivamente, y 1 - α es el coeficiente de confianza. La interpretación de un intervalo de confianza es que, si se recopila un número infinito de muestras aleatorias y se calcula un intervalo de confianza del 100(1 - α ) por ciento para θ, para cada una de las muestras, entonces el 100( 1 - α ) por ciento de esos intervalos contienen el valor verdadero de θ. Esta situación se ilustra en la figura siguiente, la cual presenta varios intervalos de confianza del 100( 1-α) por ciento para la media µ de una distribución. Los puntos del centro de cada intervalo indican la estimación puntual de µ (en este caso, x). Nótese que uno de los 15 intervalos no contiene el valor verdadero de µ. Si el intervalo de confianza fuera del 95%, esto significaría que en una corrida larga sólo el 5% de los intervalos no contendrían a µ. Ahora, en la práctica, se obtiene sólo una muestra aleatoria y se calcula un intervalo de confianza. Puesto que este intervalo puede o no contener el valor verdadero de θ, no es razonable asociar un nivel de probabilidad a este evento específico. La proposición adecuada es que el intervalo observado [l, u] contiene el valor verdadero de θ con una confianza 100( 1 α ). Esta proposición tiene una interpretación de frecuencia; esto es, no se sabe si es correcta para la muestra en particular, pero el método utilizado para obtener el intervalo [l, u] proporciona proposiciones correctas el 100(1 -α ) por ciento de las veces. El intervalo de confianza de la ecuación anterior recibe el nombre más apropiado de intervalo de confianza bilateral, ya que especifica los límites inferior y superior de θ. En ocasiones, puede resultar más apropiado un intervalo de confianza unilateral. Un intervalo de confianza unilateral inferior del 100(1 -α ) para θ está dado por el intervalo 10
11 l θ donde el límite inferior de confianza l se elige de modo que P(L θ ) = 1 - α De manera similar, un intervalo de confianza unilateral superior del 100(1 -α) para θ está dado por el intervalo θ u donde el límite de confianza superior u se escoge de modo que P(θ U) = 1 - α La longitud u - l del intervalo de confianza observado es una medida importante de la calidad de la información obtenida de la muestra. El semiintervalo θ-l o u-θ se conoce como precisión del estimador. 11
12 Entre más grande sea el intervalo de confianza, mayor es la seguridad de que el intervalo en realidad contenga el valor verdadero de θ. Por otra parte, entre más grande sea el intervalo, menor información se tiene acerca del valor verdadero de θ. En una situación ideal, se tiene un intervalo relativamente pequeño con una confianza grande. 12
Tema 11: Intervalos de confianza.
Tema 11: Intervalos de confianza. Presentación y Objetivos. En este tema se trata la estimación de parámetros por intervalos de confianza. Consiste en aproximar el valor de un parámetro desconocido por
Más detallesUnidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones
Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesTeoría de la decisión Estadística
Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y
Más detallesD.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO
Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos
Más detallesEstimación por intervalos
Método de construcción de intervalos de confianza Intervalos de confianza para una población normal Estadística II Universidad de Salamanca Curso 2011/2012 Método de construcción de intervalos de confianza
Más detallesEstadistica II Tema 1. Inferencia sobre una población. Curso 2009/10
Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza
Más detallesMuestreo y Distribuciones muestrales. 51 SOLUCIONES
Muestreo y Distribuciones muestrales. 51 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería Soluciones de la hoja de problemas 5. Muestreo
Más detallesÍNDICE CAPITULO UNO CAPITULO DOS. Pág.
ÍNDICE CAPITULO UNO Pág. Concepto de Estadística 1 Objetivo 1 Diferencia entre estadísticas y estadística 1 Uso de la estadística 1 Divisiones de la estadística 1 1. Estadística Descriptiva 1 2. Estadística
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 5 (En esta sesión abracamos hasta tema 5.8)
PROBABILIDAD Y ESTADÍSTICA Sesión 5 (En esta sesión abracamos hasta tema 5.8) 5 DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Y MUESTRALES 5.1 Distribución de probabilidades de una variable aleatoria continua
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesINTERVALO DE CONFIANZA PARA LA PROPORCIÓN
INTERVALO DE CONFIANZA PARA LA PROPORCIÓN Si deseamos estimar la proporción p con que una determinada característica se da en una población, a partir de la proporción p' observada en una muestra de tamaño
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2004 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 004 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Parte II, Opción A Junio, Ejercicio 3, Parte II, Opción B Reserva
Más detallesSelectividad Junio 2007 JUNIO 2007
Bloque A JUNIO 2007 1.- Julia, Clara y Miguel reparten hojas de propaganda. Clara reparte siempre el 20 % del total, Miguel reparte 100 hojas más que Julia. Entre Clara y Julia reparten 850 hojas. Plantea
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 9 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización Los métodos estadísticos y las técnicas de
Más detallesESTADISTICA INFERENCIAL
ESTADISTICA INFERENCIAL PROFESOR: DR. JORGE ACUÑA A. 1 LA ESTADISTICA Estadística descriptiva Método científico Muestreo Información de entrada y de salida Estadística inferencial Inferencias Intervalos
Más detallesPruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales II - Junio 2011 - Propuesta B 1. Queremos invertir una cantidad de dinero en dos tipos
Más detallesTamaño de muestra agropecuaria
Pablo Tadeo Cruz * RESUMEN En este documento, se analizan condiciones de productividad y rentabilidad de los Sistemas de Producción Agropecuaria, dónde se aplica metodología de determinación de tamaño
Más detalles8.2.5. Intervalos para la diferencia de medias de dos poblaciones
8.. INTERVALOS DE CONFIANZA PARA LA DISTRIBUCIÓN NORMAL 89 distribuye de modo gaussiana. Para ello se tomó una muestra de 5 individuos (que podemos considerar piloto), que ofreció los siguientes resultados:
Más detallesEJERCICIOS RESUELTOS TEMA 7
EJERCICIOS RESUELTOS TEMA 7 7.1. Seleccione la opción correcta: A) Hay toda una familia de distribuciones normales, cada una con su media y su desviación típica ; B) La media y la desviaciones típica de
Más detallesAnálisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears
Análisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears CONTENIDOS Introducción a la inferencia estadística. Muestreo. Estimación
Más detallesMUESTREO Y MEDICIÓN MÉTODOS DE MUESTREO PROBABILÍSTICO Y NO PROBABILÍSTICO. FeGoSa
MÉTODOS DE MUESTREO PROBABILÍSTICO Y NO PROBABILÍSTICO TAMAÑO DE LA MUESTRA AL ESTIMAR LA MEDIA DE LA POBLACIÓN Al prever el intervalo de confianza resultante de una media muestral y la desviación estándar,
Más detallesUnidad III Variables Aleatorias Unidimensionales
Unidad III Variables Aleatorias Unidimensionales En el capítulo anterior se examinaron los conceptos básicos de probabilidad con respecto a eventos que se encuentran en un espacio muestral. Los experimentos
Más detallesÍndice general. 7.3.2. Intervalo de confianza para la media si la varianza poblacional es. conocida... 3. desconocida... 3
Índice general 7. Estimación por intervalos de confianza 1 7.1. Introducción.................................. 1 7.2. Método de construcción de intervalos de confianza: método pivotal.... 2 7.3. Intervalos
Más detallesDOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL
DOCUMENTO 3: DISTRIBUCIÓN DE PROBABILIDAD DE V. A. CONTINUA: LA DISTRIBUCIÓN NORMAL 3.1 INTRODUCCIÓN Como ya sabes, una distribución de probabilidad es un modelo matemático que nos ayuda a explicar los
Más detallesDISTRIBUCIONES DE PROBABILIDAD (RESUMEN)
DISTRIBUCIONES DE PROBABILIDAD (RESUMEN) VARIABLE ALEATORIA: un experimento produce observaciones numéricas que varían de muestra a muestra. Una VARIABLE ALEATORIA se define como una función con valores
Más detallesMétodos Estadísticos de la Ingeniería Tema 10: Inferencia Estadística, Intervalos de Confianza Grupo B
Métodos Estadísticos de la Ingeniería Tema 10: Inferencia Estadística, Intervalos de Confianza Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Abril 010 Contenidos...............................................................
Más detallesTema 5: Principales Distribuciones de Probabilidad
Tema 5: Principales Distribuciones de Probabilidad Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Principales Distribuciones de Probabilidad
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD Se llama variable aleatoria a toda función que asocia a cada elemento del espacio muestral E un número real. Una variable aleatoria discreta es aquella que sólo puede tomar
Más detallesEstadística Inferencial. Sesión 5. Prueba de hipótesis
Estadística Inferencial. Sesión 5. Prueba de hipótesis Contextualización. En la práctica, es frecuente tener que tomar decisiones acerca de poblaciones con base en información de muestreo. Tales decisiones
Más detallesDISTRIBUCIONES MUESTRALES
DISTRIBUCIONES MUESTRALES Distribuciones muestrales Autores: Ángel A. Juan (ajuanp@uoc.edu), Máximo Sedano (msedanoh@uoc.edu), Alicia Vila (avilag@uoc.edu). ESQUEMA DE CONTENIDOS CARACTERÍSTICAS DE LA
Más detallesLa distribución t de student. O lo que es lo mismo: La relación entre la cerveza y los estudios de estadística
La distribución t de student O lo que es lo mismo: La relación entre la cerveza y los estudios de estadística La distribución t de student fue descubierta por William S. Gosset en 1908. Gosset era un estadístico
Más detalles1. Límites normales de tolerancia: estos límites asumen que los datos son una muestra aleatoria de una distribución normal.
Límites de Tolerancia Los límites de tolerancia proporcionan un rango de valores para X tal que se puede tener 100(1-α) % de confianza que P por ciento de la población, de la cual provienen los datos,
Más detallesEconometria. 4. Modelo de Regresión Lineal Simple: Inferencia. Prof. Ma. Isabel Santana
Econometria 4. Modelo de Regresión Lineal Simple: Inferencia Prof. Ma. Isabel Santana MRLS: Inferencia Hasta ahora nos hemos ocupado solamente de la estimación de los parámetros del modelo de regresión
Más detallesESTADISTICA APLICADA: PROGRAMA
Pág. 1 de 5 ESTADISTICA APLICADA: PROGRAMA a) OBJETIVOS Y BLOQUE 1: Teoría de Probabilidades 1.1 Comprender la naturaleza de los experimentos aleatorios y la estructura de los espacios de probabilidades,
Más detallesLA DISTRIBUCIÓN NORMAL
LA DISTRIBUCIÓN NORMAL En estadística y probabilidad se llama distribución normal, distribución de Gauss o distribución gaussiana, a una de las distribuciones de probabilidad que con más frecuencia aparece
Más detallesEL TAMAÑO DE UNA MUESTRA EN UN ESTUDIO DE PREVALENCIA. Carlos Escalante Angulo Docente, Investigador, Facultad de Optometria
EL TAMAÑO DE UNA MUESTRA EN UN ESTUDIO DE PREVALENCIA Carlos Escalante Angulo Docente, Investigador, Facultad de Optometria RESUMÉN La investigación epidemiológica moderna se realiza por medio de muestras
Más detallesTest de Kolmogorov-Smirnov
Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar
Más detallesDistribución Normal Curva Normal distribución gaussiana
Distribución Normal La distribución continua de probabilidad más importante en todo el campo de la estadística es la distribución normal. La distribución normal tiene grandes aplicaciones prácticas, en
Más detallesDistribución muestral de proporciones. Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua
Distribución muestral de proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Distribución muestral de Proporciones Existen ocasiones
Más detalles1) Características del diseño en un estudio de casos y controles.
Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Estudios de casos y controles CONCEPTOS CLAVE 1) Características del diseño en un estudio de casos y controles. )
Más detallesDistribuciones muestrales. Distribución muestral de Medias
Distribuciones muestrales. Distribución muestral de Medias Algunas secciones han sido modificadas de: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua TEORIA DEL MUESTREO
Más detallesMuestreo y estimación: problemas resueltos
Muestreo y estimación: problemas resueltos BENITO J. GONZÁLEZ RODRÍGUEZ (bjglez@ull.es) DOMINGO HERNÁNDEZ ABREU (dhabreu@ull.es) MATEO M. JIMÉNEZ PAIZ (mjimenez@ull.es) M. ISABEL MARRERO RODRÍGUEZ (imarrero@ull.es)
Más detallesTema 3: Estimadores de máxima verosimilitud
Tema 3: Estimadores de máxima verosimilitud 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: motivación Método
Más detallesUNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD OPCIÓN A
OPCIÓN A 1 a 1/ 0 Se consideran las matrices A = y B =, 0 1 3/ 4 0 siendo a un número real cualquiera 014 a) (1 punto) Obtenga la matriz A 3 b) (15 puntos) Para a =, resuelva la ecuación matricial A X
Más detallesInferencia estadística Estimación - 1. MasMates.com Colecciones de ejercicios
1. Una ciudad de 2000 habitantes está poblada por personas de pelo negro, rubio o castaño. Se ha seleccionado, mediante muestreo aleatorio estratificado con afijación proporcional, una muestra constituida
Más detallesCÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS SIMCE
CÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS SIMCE SIMCE Unidad de Currículum y Evaluación Ministerio de Educación 011 Índice 1. Antecedentes Generales 1. Comparación de puntajes promedios.1. Errores
Más detallesPropuesta A. 2 0 b) Dada la ecuación matricial: X = , despeja y calcula la matriz X. (0.75 ptos) 2 1
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (015) Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II El alumno deberá contestar a una de las dos opciones propuestas A o B. Se
Más detallesDeterminación del tamaño de muestra aleatoria simple en el uso del cuestionario SERVQUAL
Apunte Docente Determinación del tamaño de muestra aleatoria simple en el uso del cuestionario SERVQUAL Renzo Devoto Ratto El autor es Magíster en Administración y Dirección de Empresas, Universidad de
Más detallesDistribución de las proporciones muestrales. Estimación de una proporción
Distribución de las medias muestrales. Estimación de la media 1. Se supone que la estatura de los chicos de 18 años de cierta población sigue una distribución normal de media 16 cm y desviación típica
Más detallesPropiedades en una muestra aleatoria
Capítulo 5 Propiedades en una muestra aleatoria 5.1. Conceptos básicos sobre muestras aleatorias Definición 5.1.1 X 1,, X n son llamadas una muestra aleatoria de tamaño n de una población f(x) si son variables
Más detallesEl método utilizado en esta investigación será el método probabilístico ya que el universo en estudio es finito.
CAPITULO III: MARCO METODOLOGICO. 3.1 TIPO DE INVESTIGACION: El tipo de estudio que se desarrollara en la investigación es, descriptiva, porque está dirigido a determinar cómo es, cómo está la situación
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 8 Distribución normal estándar y distribuciones relacionadas Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Explicar los conceptos de la distribución
Más detallesREVISION DE CONCEPTOS BÁSICOS
REVISION DE CONCEPTOS BÁSICOS Objetivos Introducir, de manera muy general, algunos de los conceptos matemáticos y estadísticos que se utilizan en el análisis de regresión. La revisión no es rigurosa y
Más detallesDepartamento Administrativo Nacional de Estadística. Dirección de Censos y Demografía
Departamento Administrativo Nacional de Estadística Dirección de Censos y Demografía ESTIMACIÓN E INTERPRETACIÓN DEL COEFICIENTE DE VARIACIÓN DE LA ENCUESTA COCENSAL CENSO GENERAL 2005 - CGRAL Junio de
Más detalles2. Probabilidad y. variable aleatoria. Curso 2011-2012 Estadística. 2. 1 Probabilidad. Probabilidad y variable aleatoria
2. Probabilidad y variable aleatoria Curso 2011-2012 Estadística 2. 1 Probabilidad 2 Experimento Aleatorio EL término experimento aleatorio se utiliza en la teoría de la probabilidad para referirse a un
Más detallesPruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León
Pruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León MATEMÁTICAS APLICAAS A LAS CIENCIAS SOCIALES EJERCICIO Nº Páginas 2 OPTATIVIA: EL ALUMNO EBERÁ ESCOGER UNA E LAS OS OPCIONES
Más detallesInferencia de información
Inferencia de información para una población Distribuciones muestrales y teorema central del límite. Intervalos de confianza. Contrastes de hipótesis para una población Blanca de la Fuente PID_00161059
Más detallesJUNIO 2010. Opción A. 1 2 3
JUNIO 2010 Opción A 2 3 1 1.- Sean las matrices: A 0 1 2 y B 5 3 1 Halla una matriz X tal que 2X BA AB. 2 0 1 3 3 2. 1 2 3 2.- La cantidad C de tomates (en kg) que se obtienen de una planta de tomate depende
Más detallesINFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016
INFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016 Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 1. COMENTARIOS Y/O ACOTACIONES RESPECTO AL TEMARIO EN RELACIÓN
Más detallesCÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS DE LAS PRUEBAS SIMCE
CÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS DE LAS PRUEBAS SIMCE Unidad de Análisis Estadístico División de Evaluación de Logros de Aprendizaje Agencia de Calidad de la Educación 013 Índice 1.
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2014/15 Contenidos 1. Introducción
Más detallesExpresiones algebraicas
Expresiones algebraicas Expresiones algebraicas Las expresiones algebraicas Elementos de una expresión algebraica Números de cualquier tipo Letras Signos de operación: sumas, restas, multiplicaciones y
Más detallesEstadística II Tema 3. Comparación de dos poblaciones. Curso 2010/11
Estadística II Tema 3. Comparación de dos poblaciones Curso 2010/11 Tema 3. Comparación de dos poblaciones Contenidos Comparación de dos poblaciones: ejemplos, datos apareados para la reducción de la variabilidad
Más detallesTEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL
ESTADÍSTICA II TEMA II: DISTRIBUCIONES RELACIONADAS CON LA NORMAL II.1.- Distribución chi-cuadrado. II.1.1.- Definición. II.1..- Función de densidad. Representación gráfica. II.1.3.- Media y varianza.
Más detallesTEMA N 2 RECTAS EN EL PLANO
2.1 Distancia entre dos puntos1 TEMA N 2 RECTAS EN EL PLANO Sean P 1 (x 1, y 1 ) y P 2 (x 2, y 2 ) dos puntos en el plano. La distancia entre los puntos P 1 y P 2 denotada por d = esta dada por: (1) Demostración
Más detallesDemostración de la Transformada de Laplace
Transformada de Laplace bilateral Demostración de la Transformada de Laplace Transformada Inversa de Laplace En el presente documento trataremos de demostrar matemáticamente cómo puede obtenerse la Transformada
Más detalles7. Distribución normal
7. Distribución normal Sin duda, la distribución continua de probabilidad más importante, por la frecuencia con que se encuentra y por sus aplicaciones teóricas, es la distribución normal, gaussiana o
Más detallesTema 5. Variables aleatorias continuas
Tema 5. Variables aleatorias continuas Cuestiones de Verdadero/Falso 1. Muchas medidas numéricas de diversos fenómenos, como por ejemplo errores de medida o medidas antropométricas, pueden modelarse mediante
Más detalles1. Conocimientos previos. 1 Funciones exponenciales y logarítmicas.
. Conocimientos previos. Funciones exponenciales y logarítmicas.. Conocimientos previos. Antes de iniciar el tema se deben de tener los siguientes conocimientos básicos: Intervalos y sus definiciones básicas.
Más detallesDistribución de Probabilidad Normal
Distribución de Probabilidad Normal Departamento de Estadística-FACES-ULA 22 de Diciembre de 2013 Introducción La distribución normal es quizás la distribución de probabilidad para variables aleatorias
Más detallesMODELO DE RESPUESTAS Objetivos del 1 al 9
PRUEBA INTEGRAL LAPSO 05-764 - /9 Universidad Nacional Abierta Probabilidad y Estadística I (Cód. 764) Vicerrectorado Académico Cód. Carrera: 6 Fecha: 0-04-06 MODELO DE RESPUESTAS Objetivos del al 9 OBJ
Más detallesPráctica 3. CÁLCULO DE LA FUNCIÓN SENO UTILIZANDO UN DESARROLLO EN SERIE
PROGRAMACIÓN (EUI). Curso 2001-2002 Práctica 3. CÁLCULO DE LA FUNCIÓN SENO UTILIZANDO UN DESARROLLO EN SERIE F. Marqués y N. Prieto Índice General 1 Introducción 1 2 El problema 1 2.1 Desarrollo en serie
Más detallesPrueba de hipótesis. 1. Considerando lo anterior específica: a. La variable de estudio: b. La población: c. El parámetro. d. Estimador puntual:
Prueba de hipótesis Problema Un grupo de profesores, de cierto estado de la república, plantea una investigación acerca del aprendizaje de las ciencias naturales en la escuela primaria. Uno de los objetivos
Más detallesIntroducción a la estadística básica, el diseño de experimentos y la regresión
Introducción a la estadística básica, el diseño de experimentos y la regresión Objetivos José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 Objetivo general Organizar el estudio
Más detallesInforme sobre el Cálculo de Errores de Muestreo. Encuesta de Población en Relación con la Actividad (PRA)
Informe sobre el Cálculo de Errores de Muestreo Encuesta de Población en Relación con la Actividad (PRA) EUSKAL ESTATISTIKA ERAKUNDA INDICE 1. Introducción...3 2. Método de expansión de Taylor...3 3. Cálculo
Más detallesLa Distribución Normal y su uso en la Inferencia Estadística
La Distribución Normal y su uso en la Inferencia Estadística Los conceptos básicos de Probabilidad y de Distribuciones Muestrales sirven como introducción al método de Inferencia Estadística; esta se compone
Más detallesUNIVERSIDAD COMPLUTENSE DE MADRID
INSTRUCCIONES GENERALES Y VALORACIÓN TIEMPO: Una hora y treinta minutos. INSTRUCCIONES: El examen presenta dos opciones A y B; el alumno deberá elegir una de ellas y contestar razonadamente a los cuatro
Más detallesJuan Carlos Colonia INFERENCIA ESTADÍSTICA
Juan Carlos Colonia INFERENCIA ESTADÍSTICA PARÁMETROS Y ESTADÍSTICAS Es fundamental entender la diferencia entre parámetros y estadísticos. Los parámetros se refieren a la distribución de la población
Más detallesC a r t a D e s c r i p t i v a
I. Identificadores del Programa: C a r t a D e s c r i p t i v a Programa: Maestría en Matemática Educativa. Depto.: Física y Matemáticas Materia: Métodos Estadísticos Clave: MME10090 No. Créditos: 6 Tipo:
Más detallesSESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas
SESIÓN PRÁCTICA 7: REGRESION LINEAL SIMPLE PROBABILIDAD Y ESTADÍSTICA PROF. Esther González Sánchez Departamento de Informática y Sistemas Facultad de Informática Universidad de Las Palmas de Gran Canaria
Más detallesPONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA DE SISTEMAS
1 1. DATOS INFORMATIVOS PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA DE SISTEMAS MATERIA: ESTADISTICA CODIGO: 11715 CARRERA: INGENIERIA DE SISTEMAS NIVEL: TERCERO
Más detalles4. Medidas de tendencia central
4. Medidas de tendencia central A veces es conveniente reducir la información obtenida a un solo valor o a un número pequeño de valores, las denominadas medidas de tendencia central. Sea X una variable
Más detallesProbabilidad. Distribuciones binomial y normal
Tema 7 Probabilidad. Distribuciones binomial y normal 7.1. Introducción En este tema trataremos algunas cuestiones básicas sobre Probabilidad. Tanto la Probabilidad como la Estadística son dos campos de
Más detallesCONCEPTOS FUNDAMENTALES
TEMA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICAS PRIMERA PARTE: Conceptos fundamentales 8.1. Hipótesis estadística. Tipos de hipótesis 8.2. Región crítica y región de aceptación 8.3. Errores tipo I y tipo
Más detallesAnálisis de Capabilidad (Porcentaje Defectuoso)
Análisis de Capabilidad (Porcentaje Defectuoso) STATGRAPHICS Rev. 9/4/2006 Este procedimiento esta diseñado para estimar el porcentaje de artículos defectuosos en una población basándose en muestra de
Más detallesIntervalos de Confianza para dos muestras
Intervalos de Confianza para dos muestras Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Comparación de dos poblaciones La comparación
Más detallesPoblación finita. reemplazo sobre poblaciones de tamaño finito N.
Población finita 171 El TCL y las varianzas muestrales de medias y proporciones se basan en la premisa de muestras seleccionadas con reemplazo o de una población infinita. Sin embargo, en muchos estudios
Más detallesTEMA 11. LA FIABILIDAD DE LOS TESTS
TEMA 11. LA FIABILIDAD DE LOS TESTS 11.1. Métodos empíricos para estimar el coeficiente de Fiabilidad 11.2. Factores que afectan al Coeficiente de Fiabilidad 11.3. Interpretación del Coeficiente de Fiabilidad
Más detallesApellidos Nombre DNI / NIE Centro de examen PARTE COMÚN MATERIA: FUNDAMENTOS DE MATEMÁTICAS
CALIFICACIÓN: PRUEBAS DE ACCESO A CICLOS FORMATIVOS DE GRADO SUPERIOR DE FORMACIÓN PROFESIONAL SEPTIEMBRE DE 2012 Resolución de 27 de abril de 2012 (DOCM de 30 de abril) Instrucciones Generales PARTE COMÚN
Más detallesGUÍAS. Módulo de Razonamiento cuantitativo SABER PRO 2013-1
Módulo de Razonamiento cuantitativo Este módulo evalúa competencias relacionadas con las habilidades en la comprensión de conceptos básicos de las matemáticas para analizar, modelar y resolver problemas
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 7 Nombre: Distribuciones de probabilidad para variables aleatorias continuas Contextualización Al igual que la distribución binomial, la distribución
Más detallesColegio Beato Carlos Manuel Rodríguez Departamento de Matemáticas. Mapa curricular Algebra I 8 vo grado
Colegio Beato Carlos Manuel Rodríguez Departamento de Matemáticas Mapa curricular Algebra I 8 vo grado Colegio Beato Carlos Manuel Rodríguez Mapa curricular Algebra I 8 vo grado periodo 11 al 22 de agosto
Más detallesTabla de Derivadas. Función Derivada Función Derivada. f (x) n+1. f (x) y = f (x) y = ln x. y = cotg f (x) y = ( 1 cotg 2 f (x)) f (x) = f (x)
Matemáticas aplicadas a las CCSS - Derivadas Tabla de Derivadas Función Derivada Función Derivada y k y 0 y y y y y f ) y f ) f ) y n y n n y f ) n y n f ) n f ) y y n y y f ) y n n+ y f ) n y f ) f )
Más detallesTeorema de Bayes. mientras que B tiene una tasa de defectos del 4%.
Teorema de Bayes Ejemplo: En una empresa manufacturera, una máquina A produce el 60% de la producción total, mientras que una máquina B el restante 40%. 71 El 2% de las unidades producidas por A son defectuosas,
Más detallesDistribuciones de probabilidad. El teorema central del límite
8 Distribuciones de probabilidad. El teorema central del límite Neus Canal Díaz 8.1. Introducción La distribución de frecuencias es uno de los primeros pasos que debemos realizar al inicio del análisis
Más detallesPropuesta A. =, despeja y calcula la matriz X. (0.75 ptos)
Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (015) Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II El alumno deberá contestar a una de las dos opciones propuestas A o B. Se
Más detallesEstadística Inferencial 3.7. Prueba de hipótesis para la varianza. σ gl = n -1. Es decir: Ho: σ 2 15 Ha: σ 2 > 15 (prueba de una cola)
UNIDAD III. PRUEBAS DE HIPÓTESIS 3.7 Prueba de hipótesis para la varianza La varianza como medida de dispersión es importante dado que nos ofrece una mejor visión de dispersión de datos. Por ejemplo: si
Más detalles