ESTADISTICA INFERENCIAL
|
|
- Gonzalo Iglesias Reyes
- hace 7 años
- Vistas:
Transcripción
1 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 de confianza Pruebas de hipótesis Dígitos significativos Diseño de experimentos Errores Distribuciones de probabilidad Toma de decisiones PROFESOR: DR. JORGE ACUÑA A. BASES DE PROBABILIDAD Experimento actividad con resultados inciertos y que dependen de los elementos del sistema Diámetro de una pieza, tiempo de proceso, tiempo de espera, número de piezas que se producen por turno? Espacio muestral lista completa de todos los posibles resultados individuales de un experimento BASES DE PROBABILIDAD Evento un subconjunto del espacio muestral Se denota por E, F, E 1, E, etc. Unión, intersección, complementos Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es un número real entre 0 y 1 (inclusive) Se denota por P(E), P(E F), etc. Interpretación proporción de veces que el evento ocurre en muchas repeticiones independientes del experimento PROFESOR: DR. JORGE ACUÑA A. 3 PROFESOR: DR. JORGE ACUÑA A. 4
2 BASES DE PROBABILIDAD Algunas propiedades de la probabilidad Si S es la totalidad de ocurrencias, entonces P(S) ) = 1 Si Ø es un evento, entonces P(Ø) = 0 Si E C es el complemento de E, entonces P(E C ) = 1 P(E) La P(E o F)= P(E F) ) = P(E) ) + P(F) P(E F) Si E y F son mutuamente excluyentes (ejemplo, E F = Ø), entonces P(E F) ) = P(E) ) + P(F) Si E es un subconjunto de F (ejemplo,, la ocurrencia de E implica la ocurrencia de F), entonces P(E) P(F) Si o 1, o, son resultados individuales en el espacio muestral, entonces VARIABLES ALEATORIAS Es una forma de cuantificar y simplificar eventos asociados a probabilidades Una variable aleatoria (VA) es un número cuyo valor está determinado por el resultado de un experimento Se pueden obtener inferencias sin tener que trabajar con el espacio muestral completo. VA es un número cuyo valor no conocemos con certeza pero que podemos conocer algo acerca de el. Se denota con letras latinas: X, Y, W 1, W, etc. Su conducta probabilística se describe por medio de una distribución PROFESOR: DR. JORGE ACUÑA A. 5 PROFESOR: DR. JORGE ACUÑA A. 6 VARIABLES ALEATORIAS CONTINUAS Y DISCRETAS Dos formas básicas de VAs usadas para representar un modelo Discreta puede tomar solamente ciertos valores separados El número de valores posibles puede ser finito o infinito Continua puede tomar cualquier valor en un rango El número de valores es siempre infinito El intervalo puede ser abierto o cerrado en ambos o un lado DISTRIBUCIONES DISCRETAS Sea X una variable aleatoria discreta que puede tomar valores x 1, x, (lista( finita o infinita) Función densidad de probabilidad (FDP) p(x ) i = P(X = x ) i para i = 1,,... La expresión X = x i es un evento que puede o no ocurrir,, sea que tiene una probabilidad de ocurrencia, que es medida por la FDP Dado que X debe ser igual a algún valor de x, i y dado que los valores x s i son todos distintos, PROFESOR: DR. JORGE ACUÑA A. 7 PROFESOR: DR. JORGE ACUÑA A. 8
3 DISTRIBUCIONES DISCRETAS Distribución acumulada de probabilidad (DAP) probabilidad de que la VA sea a un valor fijo x: DISTRIBUCIONES DISCRETAS Para calcular valores sumar los valores de p(x ) i para aquellos x s i que satisfacen la condición: Propiedades de la DAP: 0 F(x) 1 para todo x Como x, F(x) 0 Como x +, F(x) 1 F(x) ) no es decreciente en x F(x) es una función de un valor discreto a otro Estas cuatro propiedades son también verdaderas para variables continuas función continua de la derecha que brinca Tener cuidado con desigualdades PROFESOR: DR. JORGE ACUÑA A. 9 PROFESOR: DR. JORGE ACUÑA A. 10 VALOR ESPERADO DE LA MEDIA El conjunto de datos tiene un centro centro el promedio Las variables aleatorias tienen un centro centro valor esperado Se le llama también la media o esperado de X Se puede indicar con notación: µ, µ X Promedio ponderado de los posibles valores de x, i donde los pesos son las respectivas probabilidades de ocurrencia Esperado significa: Repetir el experimento muchas veces, observando muchos valores de X 1, X,, X n E(X) es valor al que se converge cuando n PROFESOR: DR. JORGE ACUÑA A. 11 VALOR ESPERADO DE LA VARIANZA Medidas de dispersión dispersión Varianza muestral Desviación estándar muestral Las VAs tiene medidas similares Otra notación: Promedio ponderado de las desviaciones cuadradas de los posibles valores de x i de la media La desviación estándar de X es La interpretación es análoga a la de E(X) PROFESOR: DR. JORGE ACUÑA A. 1
4 DISTRIBUCIONES CONTINUAS Sea X una variable aleatoria continua VA Rango limitado a la izquierda o derecha o ambos No importa lo pequeño del rango,, el número de valores posibles de X es siempre incontable (infinito) No es significativa la P(X = x) aunque x esté en el rango. Ese valor es un diferencial con valor cercano a 0 Se describe la conducta de X en términos de intervalos DISTRIBUCIONES CONTINUAS Función densidad de probabilidad (FDP) es una función f(x) ) con las siguientes tres propiedades: f(x) 0 para todos los valores reales de x El área total bajo la curva es f(x) es 1: Para cualquier valor fijo de a y b con a b, la probabilidad de que X caiga entre a y b es el área bajo f(x) entre a y b: PROFESOR: DR. JORGE ACUÑA A. 13 PROFESOR: DR. JORGE ACUÑA A. 14 DISTRIBUCIONES CONTINUAS Distribución acumulada de probabilidad (FAP) probabilidad de que la VA sea a un valor fijo x: VALOR ESPERADO DE LA MEDIA Esperado o media de X es Propiedades de la FAP 0 F(x) 1 para todo x Estas cuatro propiedades Si x, F(x) 0 son también verdaderas Si x +, F(x) 1 para variables discretas F(x) ) no es decreciente en x F(x) es una función continua con pendiente igual a FDP: f(x) ) = F'( '(x) PROFESOR: DR. JORGE ACUÑA A. 15 Promedio ponderado continuo de los posibles valores de X Misma interpretación del caso discreto: promedio de un número infinito de observaciones de la variable X PROFESOR: DR. JORGE ACUÑA A. 16
5 VALOR ESPERADO DE LA VARIANZA Varianza de X es Desviación estándar de X es DATOS EN SIMULACION ENTRADA Distribuciones de entrada Recolectar datos Ajustar distribuciones de probabilidad Probar H 0 : los datos se ajustan a la distribución seleccionada SALIDA Comparar dos o mas diseños o modelos Probar H 0 : todos los diseños dan el mismo rendimiento,, o H 0 : uno de los diseños es mejor que el otro u otros. PROFESOR: DR. JORGE ACUÑA A. 17 PROFESOR: DR. JORGE ACUÑA A. 18 MUESTREO MUESTREO Análisis estadístico estima o infiere algo acerca de una población o proceso basado en una única muestra extraída de ella. Muestra aleatoria es un conjunto de observaciones independientes e idénticamente distribuidas X 1, X,, X n En simulación, muestreo se aplica al hacer varias corridas del modelo recolectando datos No se conocen los parámetros de la población (o distribución) ) y se quiere estimarlos o inferir algo acerca de ellos basado en una muestra Parámetro poblacional Media µ = E(X) Varianza σ Proporción P Parámetro se necesita trabajar con toda la población Fijo pero desconocido Estimado muestral Media x Varianza muestral s Proporción muestral p Estadístico muestral puede ser calculado de una muestra Varía de una muestra a otra es una VA, y tiene una distribución, llamada distribución muestral. PROFESOR: DR. JORGE ACUÑA A. 19 PROFESOR: DR. JORGE ACUÑA A. 0
6 DATOS EN SIMULACION Los datos obtenidos de una simulación pueden ser de dos tipos: datos de observación o datos dependientes del tiempo. Datos de observación son aquellos para los cuales el tiempo de recolección no modifica su valor. Ejemplo: número de entidades procesadas en el sistema se recoleta al final de la corrida. Datos dependientes del tiempo son aquellos cuyo valor varía de acuerdo con el tiempo. Ejemplo: número de entidades residentes en una cola pues al calcular el valor se debe considerar el tiempo que duró esperando. DIGITOS SIGNIFICATIVOS Los valores finales de una medida de efectividad se deben reportar en forma puntual, pero con cuántas cifras significativas? Si un determinado valor del tiempo de ciclo da minutos, qué tan significativas son asl últimas tres cifras? Si en tres corridas se obtienen los valores de , , es poco probable que nos equivoquemos si reportamos 14.8 minutos. En realidad la respuesta se da en términos de que tan grande es la desviación estándar del conjunto de tiempos de ciclo. PROFESOR: DR. JORGE ACUÑA A. 1 PROFESOR: DR. JORGE ACUÑA A. DIGITOS SIGNIFICATIVOS Procedimiento: 1. Recolectar los n-valores n de la medida de efectividad.. Agrupe los valores según teorema del límite central 3. Calcule el promedio de promedios. 4. Calcule el valor de la desviación estándar s. 5. Calcule el valor de (s/ n) 6. Identifique el dígito d mas significativo. Ejemplos: es el (5) 1.35 es el (1) es el (1) 7. Reporte el valor de la variable basado en el promedio calculado en 3), pero con un dígito d menos que el valor calculado en 5). DIGITOS SIGNIFICATIVOS Ejemplos: Promedio (s/ n) Puntual Intervalo PROFESOR: DR. JORGE ACUÑA A. 3 PROFESOR: DR. JORGE ACUÑA A. 4
7 INTERVALOS DE CONFIANZA Un estimador puntual es un simple número,, con alguna incertidumbre o variabilidad asociada a el Intervalo de confianza cuantifica la imprecisión probable del estimador puntual Un intervalo que contiene el parámetro poblacional desconocido con una probabilidad alta especificada 1 α Intervalo de confianza para media poblacional µ: t n-1,1-α/ bajo el cual el área es 1 α/ en t student con n 1 grados de libertad PRUEBA DE HIPOTESIS Prueba alguna conjetura sobre la población o sus parámetros Nunca determina algo verdadero o falso con certeza, solamente da evidencia para tomar una de las dos direcciones Hipótesis nula (H 0 ) lo que va a ser probado Hipótesis alternativa (H 1 or H A ) negación de H 0 H 0 : µ = 6 vs. H 1 : µ 6 H 0 : σ < 10 vs. H 1 : σ 10 H 0 : µ 1 = µ vs. H 1 : µ 1 µ Desarrolla una regla de decisión para decidir sobre H 0 o H 1 basado en los datos de la muestra PROFESOR: DR. JORGE ACUÑA A. 5 PROFESOR: DR. JORGE ACUÑA A. 6 ERRORES EN PRUEBA DE HIPOTESIS H 0 es verdadera Decide H 0 No hay error ( Acepta H 0 ) Probabilidad 1 α α es seleccionado Decide H 1 (Rechaza H 0 ) Error tipo I Probabilidad α H 1 es verdadera Error tipo II Probabilidad β β no está controlado afectado por α y n No hay error Probabilidad β = potencia de la prueba VALORES DE p Calcular el valor de p de la prueba p-value (valor p) = probabilidad de obtener un resultado mas en favor de H 1 que lo obtenido en la muestra Pequeño p (< 0.01) evidencia convincente en contra de H 0 Gran p (> 0.0) indica falta de evidencia contra H 0 Conección con el método tradicional Si p < α, rechazar H 0 Si p α,, no rechazar H 0 PROFESOR: DR. JORGE ACUÑA A. 7 PROFESOR: DR. JORGE ACUÑA A. 8
8 PRUEBAS DE HIPOTESIS Comportamiento de un proceso con el fin de ejecutar acciones que prevengan problemas de calidad. Procedimiento mediante el cual, sujeto a un error tipo I denotado por α, se contrasta una hipótesis planteada con el fin de probar su veracidad o su falsedad. Error tipo I (α) es la probabilidad de rechazar la hipótesis nula siendo esta verdadera. Error tipo II (ß) es la probabilidad de aceptar la hipótesis nula siendo esta falsa. PRUEBAS DE HIPOTESIS a. Plantear la hipótesis nula H0 y la hipótesis alternativa denotada por Ha. b. Prueba debe ser unilateral o bilateral. c. Fijar el nivel de significación (α) o error tipo I, (1%, 5% ó 10%) d. Definir el estadístico a usar de acuerdo con la distribución de probabilidad que le corresponde a la variable en estudio y según lo que se desee probar (una media, dos medias, una varianza, dos varianzas, una proporción o dos proporciones). PROFESOR: DR. JORGE ACUÑA A. 9 PROFESOR: DR. JORGE ACUÑA A. 30 PRUEBAS DE HIPOTESIS e. Definir las áreas donde se cumplirá cada una de las hipótesis. f. Calcular el valor del estadístico seleccionado g. Comparar el estadístico obtenido con el estadístico teórico. El resultado permitirá conocer la decisión de aceptación o rechazo h. Obtener las conclusiones del experimento efectuado. Un valor importante de calcular aquí es el error tipo II. EJEMPLO 1 En un proceso de fabricación de piezas de precisión se quiere que el valor nominal del diámetro de una pieza sea 0,0 mm. Se conoce que la desviación estándar de esta característica es 3,0 mm. Se toma una muestra de 5 piezas obteniéndose un promedio de diámetro de 19, mm. Se ha cumplido con lo requerido? Use α=5%. PROFESOR: DR. JORGE ACUÑA A. 31 PROFESOR: DR. JORGE ACUÑA A. 3
9 Se seguirá el procedimiento planteado. H 0 : µ = 0,0 H a : µ 0,0 b. La hipótesis es bilateral puesto que no se cumple con lo requerido si el promedio de la muestra es mayor o menor que lo especificado. c. El nivel de significación es dado, α= 5%. d. El estadístico por usar es el siguiente: _ x µ Z = σ/ n PROFESOR: DR. JORGE ACUÑA A. 33 e. Las áreas de cumplimiento de la hipótesis. f. Cálculo del estadístico citado en d. _ x µ 19, 0,0 Z = = = 1,33 σ/ n 3,0/ 5 g. El valor de Z calculado ( 1,33) se encuentra en el área de cumplimiento de la hipótesis nula. h. En conclusión, se puede afirmar, con α=5%, que estadísticamente se cumple con el valor nominal requerido. PROFESOR: DR. JORGE ACUÑA A. 34 EJEMPLO Si en el Ejemplo 1 no se conoce la desviación estándar pero a partir de la muestra se calcula una desviación típica de,1 mm Qué conclusiones se obtienen? Use α=5%. Se seguirá el procedimiento planteado. H 0 : µ = 0,0 H a : µ 0,0 b. La hipótesis es bilateral puesto que no se cumple con lo requerido si el promedio de la muestra es mayor o menor que lo especificado. c. El nivel de significación es dado, α = 5%. d. El estadístico por usar es el siguiente: _ x µ t = s/ n-1 PROFESOR: DR. JORGE ACUÑA A. 35 PROFESOR: DR. JORGE ACUÑA A. 36
10 e. Las áreas de cumplimiento de la hipótesis. f. Cálculo del estadístico citado en d. _ x µ 19, 0,0 t = = = 1,87 s/ n-1,1/ 4 g. El valor de t calculado ( 1,87) se encuentra en el área de cumplimiento de la hipótesis nula. h. En conclusión, se puede afirmar, con α = 5%, que estadísticamente se cumple con el valor nominal requerido. EJEMPLO 3 Un proveedor envía lotes de producto que según sus registros son 5% defectuosos. Un cliente toma una muestra de 00 unidades y encuentra 16 unidades defectuosas. Es cierto lo que muestran los registros del proveedor, con α =5%? PROFESOR: DR. JORGE ACUÑA A. 37 PROFESOR: DR. JORGE ACUÑA A. 38 Se seguirá el procedimiento planteado. H 0 : p = 0,05 H a : p > 0,05 b. La hipótesis es unilateral puesto que lo problemático en cuanto a calidad es que el porcentaje de defectuosos supere lo especificado. c. El nivel de significación es dado, α = 5%. d. El estadístico por usar es el siguiente: x np Z = npq e. Las áreas de cumplimiento de la hipótesis. f. Cálculo del estadístico x np 16 00(0,05) Z = = = 1,95 npq 00*0,05*0,95 g. El valor de Z calculado (1,95) se encuentra fuera del área de cumplimiento de la hipótesis nula. h. En conclusión, no hay evidencia estadística para aceptar la hipótesis nula con α= 5%. Por lo tanto, estadísticamente no es cierto lo que anotan los registros del fabricante. PROFESOR: DR. JORGE ACUÑA A. 39 PROFESOR: DR. JORGE ACUÑA A. 40
11 EJEMPLO 4 Para el mismo producto del Ejemplo 3, existe otro proveedor. Una muestra de 00 unidades extraídas de un lote enviado por él, tenía 1 unidades defectuosas. Se puede decir con 95% de confianza que el proveedor del Ejemplo 3 da peor calidad que el de este ejemplo. Se seguirá el procedimiento planteado. p1: fracción defectuosa del proveedor A p: fracción defectuosa del proveedor B H 0 : p1 = p H a : p1 > p b. La hipótesis es unilateral pues se quiere probar si la cantidad de defectuosos enviada por un proveedor es significativamente mayor que la del otro. c. El nivel de significación es dado, α= 5%. PROFESOR: DR. JORGE ACUÑA A. 41 PROFESOR: DR. JORGE ACUÑA A. 4 d. El estadístico por usar es: x1 + x p = q = 1 p n1 + n e. Las áreas de cumplimiento f. Cálculo del estadístico x1 + x p = = = 0,07 x1 x n1 n Z = = 1 1 p' q' + n1 n Z = *0.93 n1 + n q = 1 0,07 = 0,93 g. El valor de Z calculado (0,784) está en el área de cumplimiento de la hipótesis nula. h. Se puede afirmar, con α=5%, que no hay diferencia significativa entre las calidades suministradas por ambos proveedores EJEMPLO 4 En el corte de una varilla cromada se genera una varianza de la longitud de,5 mm. Se toma una muestra de 30 varillas y se mide la varianza muestral de la longitud, la que resulta ser,0 mm. Existe alguna diferencia significativa con el valor inicial de,5 mm? Use α=5%. PROFESOR: DR. JORGE ACUÑA A. 43 PROFESOR: DR. JORGE ACUÑA A. 44
12 Se seguirá el procedimiento planteado. H 0 : σ =,5 H a : σ,5 b. La hipótesis es bilateral puesto que no se cumple con lo requerido si la varianza de la muestra es mayor o menor que la especificada. c. El nivel de significación es dado, α= 5%. d. El estadístico por usar es el siguiente: s χ = (n-1) σ e. Las áreas de cumplimiento de la hipótesis. f. Cálculo del estadístico citado en d. s χ = (n-1) = 9 * (/,5) = 3, σ g. El valor de χ calculado (3,) se encuentra en el área de cumplimiento de la hipótesis nula. h. En conclusión, se puede afirmar, con α= 5%, que estadísticamente no existe diferencia con la varianza inicial. PROFESOR: DR. JORGE ACUÑA A. 45 PROFESOR: DR. JORGE ACUÑA A. 46 EJEMPLO 5 En un proceso de corte de bolsas plásticas se usan dos máquinas. De la máquina A se toma una muestra de 30 unidades que genera una varianza en la longitud de corte de 3,3 mm y de la máquina B se toma una muestra de 5 unidades que genera una varianza en la longitud de corte de 4,1 mm. Se puede afirmar, con α= 5%, que una máquina es mejor en la ejecución de esta operación que la otra? PROFESOR: DR. JORGE ACUÑA A. 47 Se seguirá el procedimiento planteado. Sea σ A la varianza producida por la máquina A σ B la varianza producida por la máquina B H 0 : σ A = σ B H a : σ A σ B b. La hipótesis es bilateral puesto se desea probar la existencia de diferencias entre las varianzas de ambas máquinas. c. El nivel de significación es dado, α= 5%. d. El estadístico por usar es el siguiente: s 1 F = s PROFESOR: DR. JORGE ACUÑA A. 48
13 e. Las áreas de cumplimiento de hipótesis. Los valores de F de 0.53 y 1.94 fueron extraídos de tablas F con α/ = f. Cálculo del estadístico citado en d. s 1 3,3 F = = = 0,805 s 4,1 g. El valor de F calculado (0,805) se encuentra en el área de cumplimiento de la hipótesis nula (ver Figura.18). h. En conclusión, se puede afirmar, con α=5%, que no existe ninguna diferencia de variabilidad de la longitud de corte entre ambas máquinas. EJEMPLO 6 Una inspección de calidad efectuada sobre dos marcas de baterías para linterna, reveló que una muestra aleatoria de 61 unidades de la marca A generó un promedio de vida útil de 36,5 horas con una desviación estándar de 1,8 horas, mientras que otra muestra aleatoria de 31 unidades de la marca B generó un promedio de 36,8 horas con una desviación estándar de 1,5 horas. Con un nivel de significación del 5% se desea saber si hay diferencia significativa entre la vida útil de ambas marcas. PROFESOR: DR. JORGE ACUÑA A. 49 PROFESOR: DR. JORGE ACUÑA A. 50 Para probar si hay diferencia significativa entre los promedios se debe comprobar primero la diferencia entre las varianzas, para así seleccionar el estadístico adecuado. 1. Hipótesis de varianzas Siguiendo los pasos de una prueba de hipótesis se tiene: H 0 : σ A = σ B H a : σ A σ B b. Como la hipótesis alternativa es de desigualdad, entonces es bilateral. Esto significa que puede darse una relación mayor o menor. PROFESOR: DR. JORGE ACUÑA A. 51 c. El nivel de significancia es α= 5%. d. El estadístico por usar es Fc = s 1 / s (distribución F-Fisher), pues lo que se desea es medir la relación de varianzas. e. Las áreas de la hipótesis que se va a probar. v1 = n1 1 = 61 1=60 v=n-1 = 31 1=30 De una Tabla F con α/=.5% se tiene: F 60,30,0.05 = 0,551 F 60,30,0.975 = 1,440 f. Fc= s 1 / s = 1,8 /1,5 = 1,44 g. Este valor calculado de Fc cae en el área donde se cumple Ho, por lo tanto se acepta Ho. PROFESOR: DR. JORGE ACUÑA A. 5
14 h. Se concluye que ambas varianzas, al 5% de significancia, son iguales. Se procede entonces a hacer la hipótesis de promedios. Siguiendo los pasos de prueba de hipótesis se tiene: H o : µ 1 = µ H a : µ 1 µ b. La hipótesis es bilateral al igual que en la hipótesis anterior. c. El nivel de significación es del 5% d. Según la hipótesis anterior las varianzas son desconocidas pero iguales, además, los tamaños de muestra son mayores que 30. Por lo tanto el estadístico por usar es: x 1 x δ t = s 1 s + n n e. Las áreas de cumplimiento y rechazo. v = n1 + n v = v = 90 1 PROFESOR: DR. JORGE ACUÑA A. 53 PROFESOR: DR. JORGE ACUÑA A. 54 De tablas se obtienen los valores: t 90, 0,05 = 1,987 t 90,0,975 =1,987 f. El estadístico calculado es: t = 36,5 36,8 0 0,3 = = 0,845 1,8 1,5 0, En este caso (µ 1 µ ) = 0 pues es de suponer que tratándose de un mismo producto las medias poblacionales son iguales. g. No hay evidencia estadística, con α = 5%, para concluir que ambas medias sean diferentes. CORRIDAS DE SIMULACION No sacar conclusiones en simulación con base en una sola corrida. Se debe aplicar muestreo. Para ello: 1. Hacer un número inicial de corridas n i (10).. Calcular la desviación estándar para la medida de efectividad mas importante del modelo. 3. Estimar el valor de h = t α/,n /,n-1*s/ n 4. Calcular n = n i *(h/h ) h es el valor deseado de intervalo 5. Correr la simulación por el número de corridas faltantes sea por n - n i, cambiando la semilla de número aleatorios, de lo contrario se repite la salida. Si n i n entonces no hay necesidad de mas corridas. PROFESOR: DR. JORGE ACUÑA A. 55 PROFESOR: DR. JORGE ACUÑA A. 56
15 CORRIDAS DE SIMULACION EJEMPLO: Se han obtenido 10 corridas de una simulación que han generado los siguientes tiempos de ciclo: 93, 113, 107, 103, 11, 103, 11, 100, 98 y 105. Se desea un h de Calcular la desviación estándar, s = Estimar h=t α/,n /,n-1*s/ n =.6*6.59/ 9 = 4.97 t 0.975,9 =.6 (en tablas) 3. Calcular n = n i *(h/h ) = 10 * (4.97/3) = 7.44 ~ 8 4. Obtener 18 corridas mas de la simulación. CALENTAMIENTO DE LA SIMULACION Los resultados de una simulación deben ser obtenidos en el estado estable de la corrida. El momento desde el inicio de la simulación hasta que se obtiene el estado estable se llama período de calentamiento. En el estado transiente el estado las entidades residentes inicia en cero lo cual puede no representar la realidad. Esto hace que el sistema aparezca funcionando mejor de lo que realmente puede ser. PROFESOR: DR. JORGE ACUÑA A. 57 PROFESOR: DR. JORGE ACUÑA A. 58 CALENTAMIENTO DE LA SIMULACION Formas de eliminar información obtenida durante el periodo de calentamiento: 1. Seleccionar las condiciones iniciales del sistema antes de las corridas. Se debe conocer muy bien el sistema.. Descartar los datos obtenidos en la fase transiente, se utilizan para ello el método de los promedios móviles para identificar el inicio del estado estable de la corrida. 3. Correr el modelo por un periodo lo suficientemente grande a fin de que los resultados obtenidos durante la fase transiente sean absorbidos por los datos de la fase estable. PROFESOR: DR. JORGE ACUÑA A. 59
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más 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 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 de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 28 de mayo, 2013 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
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 detallesTécnicas de validación estadística Bondad de ajuste
Técnicas de validación estadística Bondad de ajuste Georgina Flesia FaMAF 31 de mayo, 2011 Pruebas de bondad de ajuste Dado un conjunto de observaciones, de qué distribución provienen o cuál es la distribución
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 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 detallesEstadística II Tema 2. Conceptos básicos en el contraste de. Curso 2010/11
Estadística II Tema 2. Conceptos básicos en el contraste de hipótesis Curso 2010/11 Tema 2. Conceptos básicos en el contraste de hipótesis Contenidos Definición de contraste e hipótesis estadística. Hipótesis
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 Inferencial. Sesión No. 8 Pruebas de hipótesis para varianza.
Estadística Inferencial. Sesión No. 8 Pruebas de hipótesis para varianza. Contextualización. En las dos sesiones anteriores se vieron métodos de inferencia estadística para medias y proporciones poblacionales.
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 detallesTema 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 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 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 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 detallesTema II. Las muestras y la teoría paramétrica
2.1. Muestras y muestreos: - La muestra:. Subconjunto de elementos de la población. Necesidad práctica:. Motivos económicos. Imposibilidad (práctica/teórica) de estudiar TODA la población. Inconveniencia
Más detallesNivel socioeconómico medio. Nivel socioeconómico alto SI 8 15 28 51 NO 13 16 14 43 TOTAL 21 31 42 94
6. La prueba de ji-cuadrado Del mismo modo que los estadísticos z, con su distribución normal y t, con su distribución t de Student, nos han servido para someter a prueba hipótesis que involucran a promedios
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 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 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 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 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 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 detallesDiferencia de medias. Estadística II Equipo Docente: Iris Gallardo Andrés Antivilo Francisco Marro
Sesión 15 Prueba de Hipótesis para la Diferencia de medias En qué contexto es útil una prueba de hipótesis i para la diferencia i de medias? 1. Cuando se trabaja simultáneamente con una variable categórica
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 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 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 detallesInferencia estadística
Población y muestra Estadística descriptiva e inferencial Herramientas de la estadística inferencial Intervalos de confianza para media y varianza poblacional Ejemplo de aplicación Población: Conjunto
Más detallesContraste de Hipótesis
Contraste de Hipótesis Introducción Ejemplo El peso de plantines de un arbusto forrajero, almacenado a temperatura y humedad relativa ambientes, obtenido a los 20 días desde la germinación es en promedio
Más detallesProblemas resueltos. Temas 10 y 11 11, 9, 12, 17, 8, 11, 9, 4, 5, 9, 14, 9, 17, 24, 19, 10, 17, 17, 8, 23, 8, 6, 14, 16, 6, 7, 15, 20, 14, 15.
Temas 10 y 11. Contrastes paramétricos de hipótesis. 1 Problemas resueltos. Temas 10 y 11 1- las puntuaciones en un test que mide la variable creatividad siguen, en la población general de adolescentes,
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 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 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 detallesValidación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS. Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO
Validación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO Objetivos de la clase Objetivos de la estadística. Concepto y parámetros
Más detallesTEMA 4: CONTRASTES DE HIPÓTESIS. CONCEPTOS BÁSICOS
ASIGNATURA: ESTADÍSTICA II (Grado ADE,MIM,FBS) TEMA 4: CONTRASTES DE HIPÓTESIS. CONCEPTOS BÁSICOS 4.1. Hipótesis estadística. Tipos de hipótesis 4.2. Región crítica y región de aceptación 4.3. Errores
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 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 detallesESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO
ESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO Varianzas poblacionales desconocidas y distintas Muestras grandes (n 30) Muestras pequeñas (n
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más 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 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 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 detallesUnidad 7: Muestreo de aceptación
Unidad 7: Muestreo de aceptación Cap 12. Gutiérrez Liliana Recchioni Unidad 7: 7.1. Tipos de planes de muestreo. 7.2. Variabilidad y curvas características (CO). 7.3. Diseño de un plan de muestreo simple
Más detallesLOGO Fundamentos Básicos de Estadística I
LOGO Fundamentos Básicos de Estadística I Prof. Mariugenia Rincón mrinconj@gmail.com Definiciones Estadistica. Objetivo e Importancia Clasificación: Descriptiva e Inferencial Población y Muestra Unidad
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 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 detallesDiseño de experimentos - prueba de hipótesis.
Diseño de experimentos - prueba de hipótesis http://www.academia.utp.ac.pa/humberto-alvarez/diseno-deexperimentos-y-regresion Inferencia estadística Conjunto de métodos y técnicas que permiten inducir,
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 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 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 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 detallesANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación
ANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación Francisca José Serrano Pastor Pedro A. Sánchez Rodríguez - Implica siempre a variables
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 detallesTema 2. Contraste de hipótesis en una población
Tema 2. Contraste de hipótesis en una población Contenidos Introducción, las hipótesis nula y alternativa El procedimiento de contraste de hipótesis Errores de Tipo I y Tipo II, potencia del contraste
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 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 detallesCONCEPTOS BÁSICOS DE ESTADÍSTICA
CONCEPTOS BÁSICOS DE ESTADÍSTICA Jorge M. Galbiati Riesco La Estadística está constituida por un conjunto de métodos de análisis de datos que pueden agruparse en tres categorías: La Estadística Descriptiva,
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 1. Modelo de diseño de experimentos (un factor)
Tema 1. Modelo de diseño de experimentos (un factor) Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 1 Introducción El objetivo del Análisis de la Varianza
Más detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más detallespara una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua
Pruebas de hipótesis para una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua En muchas situaciones cuando queremos sacar conclusiones sobre una muestra,
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 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 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 detallesRIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO RIESGO Y RENDIMIENTO. M.Sc. Roberto Solé M.
FACTORES DETERMINANTES DEL PRECIO DE LAS ACCIONES: Riesgo Se puede examinar ya sea por su relación con un: Activo individual Cartera Rendimiento RIESGO: En un concepto básico es la probabilidad de enfrentar
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 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 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 detallesTeoría de la estimación
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
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 detallesEstadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
Más detallesDeterminación del tamaño muestral para calcular la significación del coeficiente de correlación lineal
Investigación: Determinación del tamaño muestral para calcular 1/5 Determinación del tamaño muestral para calcular la significación del coeficiente de correlación lineal Autores: Pértegas Día, S. spertega@canalejo.org,
Más detallesEl método de mínimos cuadrados. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
El método de mínimos cuadrados Curso de Estadística TAE, 005 J.J. Gómez-Cadenas Mínimos cuadrados y máxima verosimilitud Teorema del límite central Una medida y, puede considerarse como un variable aleatoria,
Más detallesMATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN. a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico.
MATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN 1. Conteste las preguntas siguientes: a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico. 1. 2. 3. 4. b. En
Más detallesUNIDAD 4. INFERENCIA ESTADÍSTICA. Prof. Eliana Guzmán U. Semestre A-2015
UNIDAD 4. INFERENCIA ESTADÍSTICA Prof. Eliana Guzmán U. Semestre A-05 INFERENCIA ESTADÍSTICA La teoría de la Inferencia Estadística está conformada por aquellos métodos que permiten hacer generalizaciones,
Más detallesCAPITULO III: METODOLOGIA. En el presente capítulo se describirá el conjunto de pasos a seguir para lograr el
CAPITULO III: METODOLOGIA En el presente capítulo se describirá el conjunto de pasos a seguir para lograr el objetivo propuesto en esta tesis. Primero se presenta la descripción general del programa y
Más detallesno paramétrica comparar más de dos mediciones de rangos (medianas)
Friedman Es una prueba no paramétrica de comparación de tres o más muestras relacionadas, debe cumplir las siguientes características: Es libre de curva, no necesita una distribución específica Nivel ordinal
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Recuerdo que Conceptos estadísticos Población y muestra Población es una colección de posibles individuos, especímenes, objetos o medidas de interés sobre
Más 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 detalles3. Análisis univariable y bivariable
FUOC P01/71039/00748 36 Investigación descriptiva: análisis de información 3. Análisis univariable y bivariable 3.1. Análisis univariable Como se ha visto, los métodos de análisis univariable se utilizan
Más detallesHipótesis. (x), donde es el parámetro poblacional desconocido. Problemas Inferenciales sobre
Tema 7: Introducción a los Contrastes de Hipótesis Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f (x), donde es el parámetro poblacional desconocido Problemas Inferenciales
Más detallesTests de hipótesis. Técnicas de validación estadística Bondad de ajuste. Pruebas de bondad de ajuste. Procedimiento en una prueba de hipótesis
Tests de hipótesis Técnicas de validación estadística Bondad de ajuste Patricia Kisbye FaMAF 27 de mayo, 2008 Test - Prueba - Contraste. Se utilizan para contrastar el valor de un parámetro. Ejemplo: la
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 detallesPruebas de Hipótesis
Pruebas de Hipótesis Una prueba de hipótesis es una técnica de Inferencia Estadística que permite comprobar si la información que proporciona una muestra observada concuerda (o no) con la hipótesis estadística
Más detallesPruebas de bondad de ajuste
Pruebas de bondad de ajuste Existen pruebas cuantitativas formales para determinar si el ajuste de una distribución paramétrica a un conjunto de datos es buena en algún sentido probabilístico. Objetivo:
Más detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
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 detallesMétodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández
Métodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández El método incluye diferentes elementos Justificación Planteamiento del problema
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesPotencia estadística
Potencia estadística M. Dolores Frías http://www.uv.es/~friasnav 1 Potencia Estadística 1 - Es la probabilidad que tiene la prueba estadística para rechazar una hipótesis NULA FALSA Tiene un rango de 0
Más detallesESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO
ESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO Varianzas poblacionales desconocidas y distintas Muestras grandes (n 30) Muestras pequeñas (n
Más detallesTEMA 3: Muestreo. Ing. Jadlyn González Ing. MétodosII (1º -2010)
TEMA 3: Muestreo Ing. MétodosII (1º -2010) Muestreo El muestreo de trabajo es una técnica que se utiliza para investigar las proporciones del tiempo total dedicada a las diversas actividades que componen
Más detallesDistribuciones de Probabilidad Para Variables Aleatorias Continuas
Distribuciones de Probabilidad Para Variables Aleatorias Continuas Departamento de Estadística-FACES-ULA 20 de Diciembre de 2013 Introducción Recordemos la definición de Variable Aleatoria Continua. Variable
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 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 detalles