Teoría de muestras INTRODUCCIÓN A LA TEORÍA DE MUESTRAS
|
|
- María del Rosario Palma Alvarado
- hace 7 años
- Vistas:
Transcripción
1 Teoría de muestras INTRODUCCIÓN A LA TEORÍA DE MUESTRAS Cuado se lleva a cabo ua ivestigació estadística, se pretede realizar algua iferecia acerca de situacioes aparetemete ifluidas por el azar. Por ejemplo, si se quiere coocer el grado de eficacia de u uevo medicameto, la resistecia de u uevo material para fabricar bombillas, la evolució a corto plazo del úmero de parados, etc. El primer paso para emplear la Estadística como disciplia cietífica e el estudio de este tipo de feómeos, cosiste e idetificar el cojuto de etes reales o poteciales sobre los que se pretede obteer iformació, estudiado ua característica dada, al que se deomia població. E los ejemplos ateriores, las persoas co la dolecia que trata el uevo medicameto, las bombillas fabricadas co el uevo material o la població activa. Cuado el ivestigador toma iformació de todos y cada uo de los elemetos de la població se dice que está realizado u ceso. Si embargo, esto o es muchas veces posible, ya sea por el coste que resulta de la toma de iformació, bie porque ésta lleve cosigo la destrucció del ete e cuestió o tambié porque la població está costituida por etes poteciales, como por ejemplo, efermos co ua determiada dolecia. Este problema lleva al ivestigador a tomar la iformació de uos cuatos elemetos de la població estadística y este proceso recibe el ombre de muestreo. El cojuto de elemetos de los que se toma iformació se llama muestra y el úmero de elemetos que la compoe, tamaño muestral. Existe distitos tipos de muestreo (estratificado, por coglomerados, sistemático...) que garatiza la represetatividad de la muestra segú sea las diferecias etre los elemetos de la població. Cuado o dispogamos de esta iformació y los elemetos sea idistiguibles o itercambiables a priori y perfectamete homogéeos respecto a la variable que estudiamos, la muestra se seleccioa co muestreo aleatorio simple, que es aquél e el que cada elemeto de la població tiee la misma probabilidad de ser elegido para la toma de iformació y las observacioes se realiza co reemplazamieto, de maera que la població es idética e cada extracció. El ivestigador básicamete seleccioa ua muestra de la població para que, a través de la observació del comportamieto idividual de cada uo de sus elemetos, se pueda obteer uas leyes geerales acerca del comportamieto de todos los elemetos de la població. La metodología que se utiliza para hacer referecias, prediccioes y geeralizacioes sobre la població, basádose e la iformació coteida e la muestra, recibe el ombre de Iferecia Estadística. MUESTRA ALEATORIA. ESTADÍSTICOS. DISTRIBUCIONES EN EL MUESTREO. Supogamos que dispoemos de ua població estadística que es susceptible de ser descrita mediate u modelo probabilístico de ua sola variable aleatoria X. Dicho modelo depederá de uo o más parámetros que, si fuera coocidos, os serviría para describir perfectamete el modelo e cuestió. Si embargo, e la realidad ocurre que estos parámetros so descoocidos pero podemos obteer iformació acerca de ellos mediate la observació repetida de la variable e estudio. Por ejemplo, supogamos que se está estudiado la logitud del caparazó de la especie de tortuga maria más comú e el Mediterráeo, caretta caretta. Es u hecho empíricamete Imaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 1
2 probado que muchas de las características morfológicas (logitudes, pesos, diámetros, cocetracioes de ciertos compuestos e sagre, etc.) de los idividuos de ua població biológica, sigue ua distribució ormal. Por tato, se puede admitir que la variable X= logitud del caparazó de ua caretta caretta sigue u modelo de distribució ormal N(µ, σ), cuyos parámetros µ y σ so descoocidos. Para coocer cuáles so los valores de dichos parámetros, se observara la logitud, X i, de los caparazoes de ua muestra represetativa de tortugas. E leguaje de la teoría de probabilidades, esto sigifica que estamos cosiderado variables aleatorias idepedietes X 1,..., X cuya distribució de probabilidad es la misma que la de la variable aleatoria X de partida, que represeta la logitud del caparazó de ua caretta caretta del Mediterráeo. Las X 1, X 2,..., X so, pues, ua muestra aleatoria simple tomada de ua hipótetica població de posibles observacioes. Para ser aú más explícitos, X 1 = logitud del caparazó de la primera tortuga de la muestra tomada es ua variable aleatoria cotiua, que puede tomar ifiitos valores reales, y cuya distribució de probabilidad se admite que sigue u modelo ormal de parámetros µ y σ. Lo mismo sucede para X 2, X 3,..., X. Fruto de la observació de la característica objeto de estudio, e los elemetos de la muestra, se obtiee lo que se llama realizació de la muestra, que o es más que el cojuto x 1, x 2,..., x de valores observados fialmete, de todos los posibles que podía tomar las variables aleatorias que forma la muestra. Así, si el iterés se cetra e estimar la logitud media del caparazó y se sabe que dicha variable se modeliza co ua distribució ormal, el primero de los dos parámetros de los que depede dicha distribució, represeta la catidad que se pretede aproximar. Ua vez observada la característica e los idividuos, se dispodrá de ua realizació de la muestra x 1, x 2,..., x, es decir, de las logitudes del caparazó e tortugas y etoces, os pregutamos qué valor debe asigarse al parámetro µ? Evidetemete, a adie le sorprede que sea u valor basado e la realizació de la muestra. Más aú, si se quiere obteer iformació sobre la media poblacioal, parece lógico pesar e que se puede utilizar la media muestral, esto es, la media aritmética de los valores observados e la muestra: i=1 x i x = Auque podría emplearse como medida alterativa, la media aritmética de los valores de la muestra que queda ua vez que se haya elimiado el más grade y el más pequeño, por ejemplo, e lugar de todos los observados. No cabe duda de que, e cualquier caso, u procedimieto razoable será utilizar ua determiada fució de las observacioes muestrales. Dado u paso atrás, podemos pesar e todos los posibles valores teóricos que se podría obteer para la media muestral o para cualquier otra fució que depeda de los valores de la muestra. Surge así el cocepto de estadístico, como el de ua fució T de las variables aleatorias X 1, X 2,..., X, que compoe ua muestra aleatoria. Al ser fució de varias variables aleatorias, u estadístico es tambié ua variable aleatoria a cuya distribució se deomia distribució e el muestreo o distribució muestral del estadístico, que depederá e geeral de los parámetros descoocidos de la població X. Otro ejemplo de estadístico que puede usarse como estimador de otro parámetro poblacioal, lo costituye la variaza muestral, que se defie de la forma atural, es decir, como la variaza de los elemetos de ua muestra i=1 s 2 (X i X) 2 = Imaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 2
3 Ésta es ua variable aleatoria que podrá tomar ifiitos valores, o previsibles, hasta que se hace efectivo el muestreo, y que tedrá su propia distribució de probabilidad. Para qué puede servir coocer la distribució e el muestreo de ua determiado estadístico? Tégase e cueta que los dos estadísticos hasta ahora cosiderados, media y variaza muestral, ha surgido de forma atural como estimadores de la media y la variaza poblacioal, respectivamete, si embargo o teemos evidecias, de que dichas estimacioes vaya a ser fiables. Éso va a depeder precisamete, de la distribució e el muestreo del estadístico que se tome como estimador, puesto que dicha distribució explica qué valores puede tomar dicho estadístico y co qué probabilidades. ESTIMACIÓN PUNTUAL Asociado a ifiidad de feómeos o previsibles o aleatorios, se realiza costatemete estimacioes de los parámetros que determia el comportamieto de dicho feómeo. Co el objetivo de prever el úmero de camas dispoibles e u hospital, se hace estimacioes del úmero de pacietes atedidos diariamete; para poder ateder la demada, las empresas tiee que estimar la media y dispersió de las vetas que va a realizar de sus productos; para sacar coclusioes acerca de la eficacia de cierto retroviral, los ivestigadores ecesita coocer la cocetració media de leucocitos e sagre de los pacietes seropositivos, etc. El proceso se basa e observar los valores que toma ua muestra aleatoria X 1, X 2,..., X de la població y combiar dichas observacioes x 1, x 2,..., x adecuadamete, de forma que la fució resultate T (x 1, x 2,..., x ) sea ua buea aproximació del parámetro poblacioal. Por tato, el proceso de estimació putual utiliza u estadístico,t, que e este caso se deomia estimador putual y como tal estadístico tiee ua distribució e el muestreo, que depede e geeral del parámetro e cuestió. A ua realizació particular del estimador putual se le llama estimació putual, que es el valor umérico que se toma para aproximar el parámetro poblacioal descoocido. Pero, cuál es el estadístico T más apropiado? Lo razoable es observar la distribució e el muestreo de dicho estadístico para teer ua idea aproximada de los posibles valores que puede tomar y comparar éstos co el valor del parámetro poblacioal. Se utiliza diversos criterios para medir la bodad del estimador: Para que, e promedio, el valor del estimador T utilizado esté cercao al valor del parámetro poblacioal a determiar, debe ocurrir que el valor esperado o esperaza matemática de dicho estadístico, sea el propio parámetro. E tal caso, se dice que el estimador es isesgado o cetrado y, e caso cotrario, se dice sesgado, llamado sesgo del estimador T a la desviació etre el valor esperado E(T ) y el verdadero valor del parámetro. La isesgadez o es, e sí misma, aisladamete, ua propiedad muy satisfactoria, ya que o es posible afirmar ada acerca de lo alejado que resulte el valor de T, e ua muestra cocreta. Además, o implica absolutamete ada respecto a la dispersió de la distribució del estimador. U estimador que sea isesgado pero que tega ua variaza muy alta, producirá a meudo estimacioes muy alejadas del objetivo (es decir, muy alejadas del verdadero valor del parámetro). Ello coduce a elegir u estimador cetrado, cuya variaza sea lo meor posible. Obsérvese que ua variaza pequeña, por sí sola, tampoco es ua buea propiedad Imaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 3
4 para u estimador, puesto que si todos los valores está muy cercaos a u valor medio muy distito del parámetro, la estimació putual que se haga co él e ua muestra cocreta, será co ua probabilidad alta, distito al valor real del parámetro poblacioal. Por tato, será bueo, elegir como estimador de u parámetro poblacioal u estadístico cetrado y de variaza míima. ESTIMADORES PUNTUALES MÁS USUALES Idepedietemete de cuál sea el proceso de selecció del estimador a utilizar, ua vez elegido, lo lógico es aalizar los resultados obteidos. No es posible comparar el valor estimado co el real, precisamete porque el valor del parámetro poblacioal es descoocido. Pero sí se puede coocer lo mejor posible la distribució de probabilidad del estimador, para saber cómo se distribuirá sus posibles valores alrededor del parámetro a estimar. A cotiuació se eumera los estimadores putuales más usados para distitos parámetros poblacioales. Supogamos que ua població está represetada por la variable estadística X co distribució coocida (por ejemplo, ua distribució ormal) y tal que E(X) = µ y Var(X) = σ 2. Media muestral Para ua muestra aleatoria simple X 1, X 2,..., X de tamaño se defie la media muestral como el estadístico i=1 X i X = Siempre que se trate de obteer estimacioes putuales sobre la media poblacioal µ, se tomará el valor observado de la media muestral, x. Cuasivariaza muestral Para ua muestra aleatoria simple X 1, X 2,..., X de tamaño se defie la cuasivariaza muestral como el estadístico i=1 S 2 (X i X) 2 = 1 Es u estimador isesgado de la variaza poblacioal y de variaza míima. Quizás lo atural, e pricipio, es cosiderar como estimador de la variaza poblacioal al estadístico variaza muestral defiido por s 2 = i=1 (X i X) 2 No se hace así porque este estadístico, o es cetrado, es decir su esperaza o valor esperado o coicide co el valor de la variaza poblacioal, σ 2, sio que tiee u sesgo que tiede a subestimar por térmio medio, el valor real de la variaza. Obsérvese que la cuasivariaza y la variaza de la muestra viee relacioadas por: s 2 = 1 S2 o lo que es igual S 2 = 1 s2 Por lo ateriormete expuesto, siempre que se trate de obteer estimacioes putuales sobre la variaza poblacioal σ 2, se tomará el valor observado de la cuasivariaza muestral, S 2. Imaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 4
5 Proporció muestral Cuado se cosidera ua prueba de Beroulli, co probabilidad de éxito p, descoocida, se repite la prueba veces (se cosidera u muestra aleatoria de tamaño ), de forma que u estimador putual de p será ˆp = úmero de éxitos e las pruebas úmero de pruebas, Este estimador es isesgado y de variaza míima, luego es el que se utiliza como estimador putual para la probabilidad de éxito. Por ejemplo, supogamos que se quiere estimar la proporció de ciudadaos que piesa votar a u determiado cadidato e uas eleccioes muicipales. LLevadas a cabo observacioes, X 1, X 2,..., X, es decir pregutados electores, se obtedrá uos o ceros, segú los electores pregutados piese votar o o al cadidato. Así, se tomará como estimació del porcetaje de votos que tedrá dicho cadidato e las eleccioes, como la proporció de electores que piesa votarle de los pregutados. ESTIMACIÓN POR INTERVALOS La estimació putual cosiste e la asigació de u úico úmero real, obteido a partir de las observacioes muestrales, como proóstico del valor de u parámetro poblacioal descoocido. Si embargo y, a pesar de que los estimadores se ha tomado de maera que los posibles valores que proporcioa para el valor del parámetro está cetrados alrededor del propio parámetro, sería extraño que la estimació coicida exactamete co el valor real del parámetro para ua realizació determiada de la muestra. Por esta razó, resulta más realista buscar u itervalo umérico I e el cual se ecuetre el valor del parámetro co ua probabilidad prefijada, suficietemete alta como para proporcioar ua seguridad razoable de que el valor del parámetro se ecuetra etre el límite iferior y el superior de dicho itervalo. Supogamos que se pretede estimar u parámetro poblacioal θ, para lo cual se toma ua muestra aleatoria X 1, X 2,..., X. Lo que ahora se pretede es buscar ua pareja de estadísticos L i, límite iferior, y L s, límite superior (ambos obteidos a partir de los elemetos que forma la muestra) de forma que P (L i θ L s ) = 1 α siedo 1 α u úmero real prefijado al que se deomia ivel de cofiaza. El itervalo [L i, L s ] recibe el ombre de itervalo de cofiaza para el parámetro θ al ivel de cofiaza 1 α. Obsérvese que los valores de los estadísticos L i y L s variará segú las realizacioes de la muestra tomada. Es frecuete que el ivel de cofiaza, se exprese e porcetajes, de maera que si, por ejemplo, el ivel de cofiaza es del 95%, ésto sigifica que si tuviéramos k muestras diferetes y para cada ua de ellas calculáramos el correspodiete itervalo de cofiaza, sucedería que aproximadamete el 95% de los itervalos calculados cotedría el valor autético del parámetro poblacioal descoocido. Los problemas más frecuetes e la práctica, e cuato a la estimació de parámetros poblacioales por medio de itervalos, so la determiació de itervalos de cofiaza para: la media de ua distribució ormal la variaza de ua distribució ormal Imaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 5
6 diferecia de medias de dos poblacioes ormales cociete de variazas de dos poblacioes ormales probabilidad de éxito e ua prueba de Beroulli, es decir, parámetro p de ua biomial B(1, p) diferecia etre las probabilidades de éxito e dos pruebas de Beroulli idepedietes media de ua distribució de Poisso. Para determiar el itervalo de cofiaza que debe usarse e cada uo de estos casos, fijado el ivel de cofiaza requerido, debe emplearse las distribucioes e el muestreo de los estimadores putuales de cada uo de dichos parámetros. Si embargo, o etraremos e tato detalle e este curso, sio que emplearemos ua tabla - resume que refleja los itervalos de cofiaza que debe utilizarse e cada caso práctico. Para poder utilizar dichas tablas, es ecesario emplear tambié los valores tabulados de tres variables aleatorias cotiuas muy relacioadas co la distribució ormal: 1. distribució Ji cuadrado 2. distribució T de Studet 3. distribució F de Fisher - Sedecor A cotiuació, detallamos e cada caso la defiició de dichas distribucioes y el maejo de sus tablas. BREVES INSTRUCCIONES PARA EL USO DE LAS TABLAS Distribució Ji cuadrado χ 2 Ua distribució Ji cuadrado co grados de libertad χ 2 se geera mediate la suma de los cuadrados de variables aleatorias ormales estadar idepedietes, por tato es ua variable que sólo toma valores positivos. Su media y variaza so µ = y σ 2 = 2. Los valores uméricos asociados a esta distribució que se ecuetra tabulados NO so probabilidades (obsérvese que muchos de ellos so úmeros mayores que 1), sio el valor del úmero real χ 2 α, positivo que verifica P (χ 2 χ 2 α,) = α Para buscar el valor de χ 2 α,, hay que buscar el valor de e la primera columa de la tabla y el valor de α e la primera fila. Como sólo está tabulados los valores para distribucioes co grados de libertad etre 1 y 30, cuado 30 se utilizará las tablas de la distribució ormal tipificada, teiedo e cueta lo siguiete: Si X χ 2 etoces 2X N( 2 1, 1) Por ejemplo, para calcular χ ,40: Imaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 6
7 0.05 = P (χ 2 40 χ ,40) = P Obteiédose que de χ ,40 = ( ) 2 2 ( ) ( 2χ χ ,40 = P N( ) , 1) 2χ ,40 = P Z 2χ , = χ , = z 0.05 = 1.645, de dode se puede despejar el valor Distribució T de Studet Ua distribució T de Studet co grados de libertad se defie como t = Z χ 2 dode Z represeta ua distribució ormal tipificada. Su media y variaza so µ = 0 y σ 2 = 2. La gráfica de la fució de desidad es muy parecida a la de la distribució ormal estadar, de hecho para 30, prácticamete coicide. Cocretamete, u hecho a teer e cueta es que tambié es simétrica respecto al eje de ordeadas. Igual que e el caso de la distribució Ji cuadrado, lo que se ecuetra tabulado so los úmeros reales t α, para los que se verifica P (t t α, ) = α Los grados de libertad se busca e la primera columa de la tabla correspodiete y el valor de la probabilidad α, e la primera fila. Distribució F de Fisher - Sedecor Ua distribució F de Sedecor co 1 y 2 grados de libertad se obtiee mediate el cociete de dos ji cuadrado: Su media y variaza so µ = F 1, 2 = χ χ y σ 2 = 22 2( ) 1 ( 2 4)( 2 2) 2 Como esta variable depede de dos parámetros, (los grados de libertad) se dispoe de cuatro tablas, determiadas por diferetes valores de la probabilidad α. Como e los dos casos ateriores, Imaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 7
8 los valores que aparece e la tabla, F α;1, 2, represeta aquellos úmeros reales para los que se verifica P (F 1, 2 F α;1, 2 ) = α Para valores de α que sea próximos a 1, se utilizará la siguiete propiedad de reciprocidad: F α;1, 2 = 1 F 1 α;1, 2 Iterpolació Cuado e algua de las tablas o se ecuetre exactamete el valor buscado, se tomará los dos valores de la tabla etre los que se ecuetre compredido y se realizará ua iterpolació lieal. Por ejemplo: Para calcular t 0.25,30, se toma los valores de α tabulados etre los que se ecuetra E este caso so 0.3 y 0.2. Se cosidera t 0.3,30 = 0.53 y t 0.2,30 = 0.854, co sus respectivas probabilidades, como putos del plao y la ecuació de la recta que pasa por ellos: dados (0.3, 0.53) y (0.2, 0.854), la ecuació de la recta que pasa por ambos putos será: y 0.53 = (x 0.3) = 3.24(x 0.3) A cotiuació se cosidera x = 0.25, se sustituye e la ecuació de la recta y se obtiee el valor de y: y = ( 0.05) = = t 0.25,30 CONTRASTE DE HIPÓTESIS ESTADÍSTICAS Ua hipótesis estadística es cualquier afirmació que se hace, verdadera o falsa, sobre algua característica descoocida de la població. El cotraste de hipótesis es la técica estadística usada cuado se pretede estudiar si ua afirmació realizada sobre ua característica poblacioal se puede cosiderar cierta o o. Si la hipótesis formulada se refiere al valor de u parámetro descoocido de la població, hablaremos de cotraste paramétrico y si se refiere a la forma que tiee la fució de probabilidad de la població hablaremos de cotraste o paramétrico. E este curso úicamete va a tratarse cotrastes paramétricos. Desde luego, lo más fiable para comprobar la veracidad de ua hipótesis estadística, sería hacer u ceso e la població, es decir, tomar todos los elemetos de la misma y observar la característica objeto de estudio e cada uo de ellos. Si embargo, por cuestioes de tiempo, diero, la propia aturaleza de la població, etc, lo habitual es tomar ua muestra y observar si la iformació deducida a partir de ella, cofirma o, por el cotrario, ivalida la hipótesis realizada. Para que se permita la comercializació de u medicameto uevo, la proporció de pacietes que mejore tras la admiistració del mismo debe ser al meos del 90%. Para ello, se podría tomar ua muestra de pacietes, que aceptara volutariamete participar e el esayo clíico, y observar la proporció de pacietes de la muestra que mejoraro co el medicameto, al que llamaremos ˆp. El problema cosiste e decidir si dicha proporció puede cosiderarse sigificativamete iferior a 0.90 o, por el cotrario, mejoraro suficietes pacietes como para seguir afirmado que el medicameto resulta eficaz. Tégase e cueta que el valor de ˆp, va a depeder de la realizació de la muestra, es decir, que si se tomara cuatro grupos de pacietes distitos, seguramete esta proporció sería diferete de uos grupos a otros: por ejemplo, 90.32%, %, 98.32% y Imaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 8
9 89.456%. Por tato, para dejar de pesar que el medicameto es eficaz, o basta co cosiderar los resultados obteidos de ua muestra tomada y si la proporció de pacietes mejorados sale iferior al 90%, aceptar que el medicameto o es útil. Se deberá marcar u límite a partir del cual se rechaza su eficacia. Por ejemplo, si e la realizació de la úica muestra tomada se obtiee ua proporció de pacietes que mejoraro, iferior al 86.34%, se cuestioa la eficacia. Se deomia hipótesis ula, H 0 del cotraste a aquélla que se está cuestioado y es, por tato, la que se acepta o se rechaza como cosecuecia del cotraste. La hipótesis alterativa H a, es la que os sitúa frete a la ula, e el setido de que os hace dudar de la veracidad de la hipótesis ula. La filosofía de u cotraste o es exactamete decidir cuál de las dos hipótesis es cierta, si la ula o la alterativa, sio que si se acepta H 0 es porque la realizació de la muestra tomada o da idicios para pesar que es falsa y si se rechaza H 0 es porque sí hay idicios para o aceptarla, lo cual o implica, e geeral, que H a sea cierta. Podemos comparar lo que aquí sucede co u proceso judicial: el acusado es iocete, salvo que se aporte pruebas suficietes que haga dudar de su iocecia. Si embargo, éso o quiere decir que, co seguridad, el acusado sea culpable, podemos equivocaros. El carácter que desempeña e u cotraste las hipótesis ula y alterativa o es, por tato, simétrico, lo que hace primordial eteder el papel que hace cada ua, para saber platear el cotraste correctamete. Ésto va a estar determiado por la importacia que se le dé a los dos tipos de errores que se puede cometer e ua prueba de hipótesis: 1. rechazar H 0, siedo cierta: error de tipo 1 2. aceptar H 0, siedo falsa: error de tipo 2 Por ejemplo, e la situació descrita ateriormete, si se platea el cotraste tomado como hipótesis ula p = 0.90 (o p 0.90) frete a la hipótesis alterativa p < 0.90 (se supoe que el medicameto es eficaz), se tiee error de tipo 1: o se laza al mercado u medicameto eficaz error de tipo 2: se laza al mercado u medicameto que o es eficaz E cambio, si se toma p 0.90 como hipótesis ula, frete a la alterativa p > 0.90 (se supoe que el medicameto o es eficaz) los dos tipos de errores se itercambia: lazar al mercado u medicameto o eficaz es ahora el error de tipo 1 y o comercializar uo eficaz, es el de tipo 2. Las probabilidades de cometer estos dos tipos de errores represeta ua medida del riesgo de tomar decisioes icorrectas al efectuar ua prueba de hipótesis. Para u tamaño muestral determiado o es posible que sea míimos simultáeamete ambos riesgos de error. Por ello, se adopta el criterio de fijar el error de tipo 1 y se deomia ivel de sigificació a la probabilidad de cometerlo, es decir, el ivel de sigificació es la probabilidad de rechazar la hipótesis ula, supoiedo que es cierta. Esta catidad, que debe ser u úmero próximo a cero, ha de ser fijado de atemao, puesto que viee a medir el riesgo que estamos dispuestos a correr al rechazar la hipótesis ula siedo cierta. Ésto os va a idicar, e geeral, cuál se debe tomar como hipótesis ula y cuál como alterativa: Imaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 9
10 fijado u ivel de sigificació, la teoría que queremos detectar si es verdadera se toma como hipótesis alterativa porque la forma de tomar decisioes e el cotraste va a estar determiado por la ecesidad de hacer lo más pequeño posible el error de tipo 1. E el ejemplo, se cosidera más grave lazar u medicameto al mercado o eficaz, por tato, éste debe ser el error de tipo 1. Como cosecuecia, la hipótesis alterativa debe ser H a : p > 0.9 y la hipótesis ula H 0 : p = 0.9 (o, si se prefiere, p 0.9). La toma de decisió de aceptar H 0 o dudar de ella, se basa e la evidecia aportada por ua muestra, utilizada a través del valor que tome u estadístico T (al que se llama estadístico de cotraste), cuya distribució e el muestreo es coocida si se supoe cierta la hipótesis ula. Para cotrastes paramétricos, es decir, aquéllos e los que las hipótesis a cotrastar hace referecia a u parámetro poblacioal descoocido, estos estadísticos so los mismos estimadores putuales que se utiliza para los itervalos de cofiaza (media muestral, cuasivariaza muestral, proporció muestral). El test de hipótesis, esto es, la regla de decisió, basada e u estadístico T cosiste e rechazar H 0 si el estadístico T toma determiados valores, T C aceptar H 0 si el estadístico T toma valores e el complemetario de C, es decir T / C dode C es u subcojuto de los posibles valores de T, al que se deomia regió crítica o de rechazo. Al complemetario de C, se le deomia regió de aceptació. La determiació de la regió de rechazo depede de la hipótesis alterativa y del ivel de sigificació. Supogamos que se quiere cotrastar si el uevo medicameto es o o eficaz a u ivel de sigificació α. Plateamos el cotraste segú hemos ya cometado: H 0 : p = 0.9 H a : p > 0.9 Se rechazará la hipótesis ula si el valor del estimador putual correspodiete, e este caso, la proporció muestral ˆp, toma u valor suficietemete mayor que p 0 = 0.9, es decir ˆp > p 0 + ε para ua catidad positiva ε que depederá del ivel de sigificació, del tamaño muestral y de la distribució e el muestreo del estadístico ˆp, cuado se supoe cierta la hipótesis ula. E este caso cocreto, co u ivel de sigificació α, se puede comprobar que p0 (1 p 0 ) ε = z α dode represeta el tamaño de la muestra. El test de hipótesis aterior se expresa del siguiete modo: p0 (1 p 0 ) Se rechaza H 0 si ˆp > p 0 + z α p0 (1 p 0 ) Se acepta H 0 si ˆp p 0 + z α Segú como sea la regió de rechazo, se habla de cotrastes uilaterales o bilaterales. Uilateral o de u extremo: la regió de rechazo es ua semirrecta de los úmeros reales, es decir, itervalos de la forma (, b) o (a, ). Se obtiee co hipótesis alterativas H a : θ < θ 0 y H a : θ > θ 0, respectivamete. Imaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 10
11 Bilateral o de dos extremos: la regió de rechazo es la uió de dos semirrectas (, b) (a, ). Se obtiee cuado la hipótesis alterativa es de la forma H a : θ θ 0 dode, e ambos casos, θ represeta el parámetro poblacioal sobre el que se está realizado el cotraste. De la misma forma que para los itervalos de cofiaza, utilizaremos ua tabla - resume e la que está reflejados los pricipales cotrastes de hipótesis co sus correspodietes regioes de rechazo. Los casos cosiderados so los mismos que e los itervalos de cofiaza, a saber, se establece los tests de hipótesis para cotrastes sobre: la media de ua distribució ormal la variaza de ua distribució ormal diferecia de medias de dos poblacioes ormales cociete de variazas de dos poblacioes ormales probabilidad de éxito e ua prueba de Beroulli, es decir, parámetro p de ua biomial B(1, p) diferecia etre las probabilidades de éxito e dos pruebas de Beroulli idepedietes media de ua distribució de Poisso. Para fializar, u breve apute para establecer la relació etre itervalos de cofiaza y cotraste bilaterales: los itervalos de cofiaza está diseñados para ser bidireccioales, así que sirve para tomar decisioes e cotrastes bilaterales. Cocretamete, la regió de aceptació de u cotraste bilateral sobre u parámetro θ a u ivel de sigificació α, es precisamete el correspodiete itervalo de cofiaza para dicho parámetro a u ivel de cofiaza 1 α. Dicho de otro modo, se aceptará la hipótesis ula θ = θ 0, si el valor θ 0 perteece al itervalo de cofiaza correspodiete. Imaculada de las Peñas Cabrera. Dpto de Matemática Aplicada 11
T ema 8 ESTIMACIÓN. Conceptos previos. Población y muestra:
T ema 8 ESTIMACIÓN Coceptos previos Població y muestra: Població se refiere al cojuto total de elemetos que se quiere estudiar ua o más características. Debe estar bie defiida. Llamaremos N al úmero total
Más detallesIntervalo de confianza para µ
Itervalo de cofiaza para p y ˆp1 ˆp ˆp1 ˆp ˆp z 1 α/ ; ˆp + z 1 α/, 7.6 ˆp + z 1 α/ ± z 1 α/ 1 + z 1 α/ ˆp1 ˆp + z 1 α/ 4 7.7 siedo ˆp = x/ y z 1 α/ el cuatil 1 α/ de la distribució ormal estádar. El itervalo
Más detallesTEMA 7. ESTIMACIÓN. 7.2. Estimación puntual. Propiedades deseables de los estimadores 7.2.1. Introducción y definiciones 7.2.2. Estimadores Insegados
TEMA 7. ETIMACIÓN 7.1. Itroducció y defiicioes 7.. Estimació putual. Propiedades deseables de los estimadores 7..1. Itroducció y defiicioes 7... Estimadores Isegados 7.3. Estimació por itervalos de cofiaza
Más detallesEL CONTRASTE DE HIPOTESIS: Esquemas y ejemplos
EL CONTRASTE DE HIPOTESIS: Esquemas y ejemplos Ua vez expuesta la lógica de u Cotraste de Hipótesis y tras haber defiido los térmios y coceptos ivolucrados, hay que decir que esa lógica geeral se cocreta
Más detallesTema 6: Distribuciones Muestrales
Tema 6: Distribucioes Muestrales El objetivo es efectuar ua geeralizació de los resultados de la muestra a la població. Iferir o adiviar el comportamieto de la població a partir del coocimieto de ua muestra.
Más detalles) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1
ESTIMACIÓN PUNTUAL. ESTIMACIÓN POR INTERVALOS DE CONFIANZA. 1. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA El objetivo básico de la iferecia estadística es hacer iferecias o sacar coclusioes sobre la població
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA.
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA. Població: El cojuto de todos los elemetos o idividuos que posee ua determiada característica o cualidad de iterés. Existe situacioes e las que o es posible aalizar
Más detallesEstimador Es la regla o procedimiento, expresado en general por medio de una fórmula, que se utiliza para deducir la estimación.
Teoría de la Estimació Estadística Teoría de la Estimació Estadística Razó para estimar Los admiistradores utiliza las estimacioes porque se debe tomar decisioes racioales, si que tega la iformació pertiete
Más detallesLicenciatura en Matemáticas Febrero 2011. x(1 x) θ 1 I [0,1] (x). (1)
Estadística I Exame Liceciatura e Matemáticas Febrero 2011 1. Sea X 1,..., X ua muestra aleatoria de ua variable X co distribució Beta de parámetros 2 y θ > 0. Esto último sigifica que la fució de desidad
Más detallesTEMA 6. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
TEMA 6. INTRODUCCIÓN A LA INFERENCIA ETADÍTICA 6.. Itroducció 6.. Coceptos básicos 6.3. Muestreo aleatorio simple 6.4. Distribucioes asociadas al muestreo 6.4.. Distribució Chi-Cuadrado 6.4.. Distribució
Más detalles4 Contrastes del Chi 2 de bondad del ajuste
4 Cotrastes del Chi de bodad del ajuste U cotraste de bodad del ajuste es de la forma o H 0 : P = P 0 frete a H 1 : P P 0 H 0 : P {P θ } θ Θ frete a H 1 : P / {P θ } θ Θ 4.1 Cotraste del χ para modelos
Más detallesEstimación por intervalos
Estimació por itervalos Estimació por itervalos para la media poblacioal co (variaza poblacioal) coocida P( x z/ x z/ ) 1 co (variaza poblacioal) descoocida Si 30 se reemplaza por S y usamos el itervalo
Más detalles8. INTERVALOS DE CONFIANZA
8. INTERVALOS DE CONFIANZA Al estimar el valor de u parámetro de la distribució teórica, o se provee iformació sobre la icertidumbre e el resultado. Esa icertidumbre es producida por la dispersió de la
Más detallesTema 7: Estimación por intervalos de confianza.
Estadística 69 Tema 7: Estimació por itervalos de cofiaza. 7. Itroducció. Cuado tratamos la estimació putual, uo de los problemas que se platearo es que el valor de la estimació es sólo uo de los valores
Más detalles1 x 1 0,1666. sabiendo que 506, 508, 499, 503, 504, 510, 497, 512, 514, 505, 493, 496, 506, 502, 509, 496.
GRADO GESTIÓN AERONÁUTICA: EXAMEN ESTADÍSTICA TEÓRICA 9 de Eero de 015. E-7. Aula 104 1.- La fució de desidad de ua variable aleatoria es: a b 0 f() 0 e el resto sabiedo que 1 P 1 0,1666. Determiar a y
Más detallesTest de Kolmogorov Smirnov Patricia Kisbye El test chi-cuadrado en el caso continuo
Test de Kolmogorov Smirov Técicas de validació estadística Bodad de auste Kolmogorov-Smirov Patricia Kisbye FaMAF 29 de mayo, 2008 Icoveiete: No es secillo costruir los itervalos a partir de las probabilidades.
Más detallesTema 4. Estimación de parámetros
Estadística y metodología de la ivestigació Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 4. Estimació de parámetros 1. Estimació putual 1 1.1. Estimació de la proporció e la distribució Bi(m, p).......................
Más detallesTema 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD. X- μ. f(x) = e para - < x < Z 2. . e para - < z <
Tema 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD La distribució ormal: La distribució ormal, campaa de Gauss o, curva ormal, tambié defiida por De Moivre. Características y propiedades: La siguiete fórmula
Más detallesESTIMACIÓN. TEMA 5: Estimación puntual I. Propiedades de los estimadores. TEMA 6: Estimación puntual II. Métodos de estimación puntual
ESTIMACIÓN TEMA 5: Estimació putual I. Propiedades de los estimadores TEMA 6: Estimació putual II. Métodos de estimació putual TEMA 7: Estimació por itervalos CONTRASTES DE HIPÓTESIS TEMA 8: Cotrastes
Más detallesUniversidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA. Ingenierías RH-Amb-Ag TEORÍA
Uiversidad Nacioal del Litoral Facultad de Igeiería Ciecias Hídricas ESTADÍSTICA Igeierías RH-Amb-Ag TEORÍA Mg. Susaa Valesberg Profesor Titular INFERENCIA ESTADÍSTICA TEST DE HIPÓTESIS INTRODUCCIÓN Geeralmete
Más detallesUNIDAD 3.- INFERENCIA ESTADÍSTICA I
UNIDAD 3.- INFERENCIA ESTADÍSTICA I 1. ESTADÍSTICA INFERENCIAL. MUESTREO La Estadística es la ciecia que se preocupa de la recogida de datos, su orgaizació y aálisis, así como de las prediccioes que, a
Más detallesEstimación de Parámetros
Igacio Cascos Ferádez Departameto de Estadística Uiversidad Carlos III de Madrid Estimació de Parámetros Estadística I curso 008 009 Veremos cómo costruir valores aproximados de los parámetros de los modelos
Más detallesINTRODUCCION Teoría de la Estimación
INTRODUCCION La Teoría de la Estimació es la parte de la Iferecia Estadística que sirve para coocer o acercarse al valor de los parámetros, características poblacioales, geeralmete descoocidos e puede
Más detallesInferencia Estadística
Iferecia Estadística Tema 1 - Elemetos de la teoría del muestreo 1.1. Coceptos básicos: muestra aleatoria y estadístico. 1.2. Otros tipos de muestreo. a explicació que aquí iiciamos tiee como objetivo
Más detallesDistribuciones en el muestreo, EMV
Distribucioes e el muestreo, E Tema 6 Descripció breve del tema. Itroducció y coceptos básicos. Propiedades de los estimadores Sesgo, Variaza, Error Cuadrático Medio y Cosistecia 3. Distribució de u estimador
Más detallesPráctica 7 CONTRASTES DE HIPÓTESIS
Práctica 7. Cotrastes de hipótesis Práctica 7 CONTRATE DE IPÓTEI Objetivos Utilizar los cotrastes de hipótesis para decidir si u parámetro de la distribució de uos datos objeto de estudio cumple o o ua
Más detallesDISTRIBUCIONES DE PROBABILIDAD. DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL.
DISTRIBUCIONES DE PROBABILIDAD. DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL. E estadística, la distribució biomial es ua distribució de probabilidad discreta que mide el úmero de éxitos e ua secuecia de esayos
Más detallesEn el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo:
TEMA 6. Estimació putual. E muchos casos o será posible determiar el valor de u parámetro poblacioal descoocido, aalizado todos los valores poblacioales, pues el proceso a seguir puede ser destructivo,
Más detallesMuestreo y estimación
Muestreo y estimació BENITO J. GONZÁLEZ RODRÍGUEZ bjglez@ull.es DOMINGO HERNÁNDEZ ABREU dhabreu@ull.es MATEO M. JIMÉNEZ PAIZ mjimeez@ull.es M. ISABEL MARRERO RODRÍGUEZ imarrero@ull.es ALEJANDRO SANABRIA
Más detallesTEST DE HIPÓTESIS. 5.1. Introducción. 5.2. Hipótesis estadísticas
Capítulo 5 TEST DE HIPÓTESIS 5.1. Itroducció E este tema trataremos el importate aspecto de la toma de decisioes, referida a decidir si u valor obteido a partir de la muestra es probable que perteezca
Más detallesMuestreo. Mucho de las acciones y decisiones que se toman están basados en la información de una muestra.
1 Muestreo Muco de las accioes y decisioes que se toma está basados e la iformació de ua muestra. La preguta que siempre se ace, es: qué tamaño de muestra es suficiete para obteer ua buea aproximació de
Más detallesMuestreo estratificado
Capítulo 1 Muestreo estratificado El objetivo del diseño de ecuestas por muestreo es maximizar la catidad de iformació para u coste dado. El muestreo aleatorio simple suele sumiistrar bueas estimacioes
Más detallesEstadístico. Parámetro
La iferecia estadística comprede el establecer ciertos juicios co respecto a algo después de examiar solamete ua parte o muestra de ello. Así, se ofrece ua muestra gratis de u uevo producto alimeticio
Más detallesOPCIÓN A EJERCICIO 1 (A) -5 0
IES Fco Ayala de Graada Sobrates 014 (Modelo 1 ) Solucioes Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 014 MODELO 1 OPCIÓN A EJERCICIO 1 (A) -5 0-1 -8-1 Sea las matrices B =
Más detalles14. Técnicas de simulación mediante el método de Montecarlo
4. Técicas de simulació mediate el método de Motecarlo 4. Técicas de simulació mediate el método de Motecarlo Qué es la simulació? Proceso de simulació Simulació de evetos discretos Números aleatorios
Más detallesBloque 3 Tema 12 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS
Bloque 3 Tema 1 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS Hay ocasioes e las que teemos que tomar decisioes relativas a ua població sobre la base de los coocimietos que
Más detallesPRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA
PRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA Pruebas de hipótesis es ua parte de la ESTADISTICA INFERENCIAL y tiee su aalogía co los pasos que se realiza e u JUICIO. Objetivo: Aquí o se busca Estimar
Más detalles9.3. Contrastes de una proporción
9.3. CONTRASTES DE UNA PROPORCIÓN 219 y el criterio que sumiistra el cotraste es si a teo χ 2 exp b teo = o rechazamos H 0 ; si χ 2 exp < a teo ó χ 2 exp > b teo = rechazamos H 0 y aceptamos H 1. Cotrastes
Más detallesIntervalos de confianza para la media
Itervalos de cofiaza para la media Ejercicio º 1.- Las vetas diarias, e euros, e u determiado comercio sigue ua distribució N(950, 200). Calcula la probabilidad de que las vetas diarias e ese comercio:
Más detalles11 I N F E R E N C I A E S T A D Í S T I C A I (INTERVALOS DE CONFIANZA)
I N F R N C I A S T A D Í S T I C A I (INTRVALOS D CONFIANZA) Sea Ω ua població y sobre ella ua variable aleatoria X que sigue ua ley ormal N(µ; ), co media µ descoocida y desviació típica coocida. Co
Más detallesIntroducción a la Inferencia Estadística. Material Preparado por Olga Susana Filippini y Hugo Delfino
Itroducció a la Iferecia Estadística Temario Diseño Muestral Teorema Cetral del Límite Iferecia estadística Estimació putual y por itervalos Test de hipótesis. DISEÑO MUESTRAL Porque utilizar muestras
Más detallesProblemas de Estimación de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Problemas de Estimació de Ua y Dos Muestras UCR ECCI CI-35 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviaa Ramírez Beavides Iferecia Estadística La teoría de la iferecia estadística cosiste e aquellos
Más detallesTécnicas experimentales de Física General 1/11
La distribució de Itroducció. Ejemplo. Defiició geeral de. Grados de libertad. reducido. La distribució de. Probabilidades de. Ejemplos: 1. Distribució de Poisso.. Bodad de u ajuste. Técicas eperimetales
Más detallesIntroducciónalaInferencia Estadística
Capítulo 6 ItroduccióalaIferecia Estadística 6.1. Itroducció El pricipal objetivo de la Estadística es iferir o estimar características de ua població que o es completamete observable (o o iteresa observarla
Más detallesProbabilidad y Estadística 2003 Intervalos de Confianza y Test de Hipótesis paramétricos
Probabilidad y Estadística 3 Itervalos de Cofiaza y Test de Hipótesis paramétricos Itervalos de Cofiaza Defiició Dada ua muestra aleatoria simple es decir, u vector de variables aleatorias X co compoetes
Más detallesESTIMACIÓN POR INTERVALOS DE CONFIANZA
Estimació por itervalos de cofiaza. I.E.. A uqueira I pag. Coceptos ETIMACIÓN POR INTERVALO DE CONFIANZA E este tema vamos a estudiar como estimar, es decir proosticar, u parámetro de la població, geeralmete
Más detalles1. Intervalos de Conanza
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.: Itervalos de coaza Objetivos Costruir itervalos de coaza para los parámetros más importates. Aplicar coveietemete los IC atediedo a cada situació
Más detallesMuestreo Aleatorio Simple
Capítulo 1 Muestreo Aleatorio Simple Este método de muestreo proporcioa u puto de partida para ua exposició de los métodos de muestreo probabilístico o porque sea uo de los métodos de muestreo más utilizados
Más detallesT5. Contrastes para los parámetros de una población Normal
Estadística :: T5. Cotrastes para los parámetros de ua població Normal Estadística T5. Cotrastes para los parámetros de ua població Normal Departameto de Ciecias del Mar y Biología Aplicada Estadística
Más detallesTécnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20
Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra
Más detallesTeorema del límite central
Teorema del límite cetral Carles Rovira Escofet P03/75057/01008 FUOC P03/75057/01008 Teorema del límite cetral Ídice Sesió 1 La distribució de la media muestral... 5 1. Distribució de la media muestral
Más detallesCONTRASTE DE HIPÓTESIS
Estadística: Cotraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Cotraste de hipótesis sobre la media poblacioal Se parte de ua població supuestamete ormal de media y desviació típica N(, ); se tipifica
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2009 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 009 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Juio, Ejercicio 3, Parte II, Opció A Juio, Ejercicio 3, Parte II, Opció B Reserva
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO Objetivos geerales del tema E este tema se itroducirá el cocepto de estadístico como medio para extraer iformació acerca de la ley de
Más detallesIntervalos de Confianza basados en una sola muestra. Denotaremos al parámetro de interés con la letra θ y con θ un estimador para θ.
Itervalos de Cofiaza basados e ua sola muestra Ua estimació putual sólo os proporcioa u valor umérico, pero NO proporcioa iformació sobre la precisió y cofiabilidad de la estimació del parámetro. Etoces
Más detallesPaso 2: Elegir un estadístico de contraste. Como queremos hacer un contraste de hipótesis para la media, el estadístico de contraste adecuado es:
Hoja 6: Cotraste de hipótesis 1. U laboratorio farmacéutico ha elaborado u fármaco e forma de comprimidos cuyo peso sigue ua distribució Normal co ua desviació típica de 0.12 mg. Se sabe que ua dosis de
Más detallesINFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS
INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS Població E el cotexto de la estadística, ua població es el cojuto de todos los valores que puede tomar ua característica medible e particular, de u cojuto correspodiete
Más detallesMétodo de máxima verosimilitud. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Método de máxima verosimilitud Curso de Estadística TAE,2005 J.J. Gómez Cadeas Muestras Cosiderar ua variable aleatoria x descrita por la pdf f(x). El espacio de muestras está costituido por todos los
Más detallesOPCIÓN A EJERCICIO 1_A x 1 0 1
IES Fco Ayala de Graada Sobrates de 006 (Modelo 3 Juio) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A x 1 0 1 Sea las matrices A = y B =. 1 x+1 (1 puto) Ecuetre el valor o valores de x de forma
Más detallesINFERENCIA ESTADÍSTICA: ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA
. Metodología e Salud Pública INFERENCIA ESTADÍSTICA: ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA Autor: Clara Lagua 5.1 INTRODUCCIÓN La estadística iferecial aporta las técicas ecesarias para extraer
Más detallesSobrantes de 2004 (Junio Modelo 5) Soluciones Germán-Jesús Rubio Luna OPCIÓN A
IES Fco Ayala de Graada Sobrates de 2004 (Juio Modelo 5) Solucioes Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A x+y 6 3x-2y 13 Sea el sistema de iecuacioes. x+3y -3 x 0 (2 putos) Dibuje el recito cuyos
Más detallesIngeniería Industrial. Curso 2009-2010. Departamento de Matemática Aplicada II. Universidad de Sevilla. Lección 5. Series.
CÁLCULO Igeiería Idustrial. Curso 2009-200. Departameto de Matemática Aplicada II. Uiversidad de Sevilla. Lecció 5. Series. Resume de la lecció. 5.. Sucesioes y series. Sucesió covergete. Se de e ua sucesió
Más detalles12 I N F E R E N C I A E S T A D Í S T I C A II (CONTRASTE DE HIPÓTESIS)
12 I N F E R E N C I A E S T A D Í S T I C A II (CONTRASTE DE HIPÓTESIS) 1 Supogamos que ua variable aleatoria X sigue ua ley N(µ; =,9). A partir de ua muestra de tamaño = 1, se obtiee ua media muestral
Más detallesUNIDAD 4.- INFERENCIA ESTADÍSTICA II
UNIDAD 4.- INFERENCIA ESTADÍSTICA II. ESTIMACIÓN POR INTERVALOS DE CONFIANZA Cosideraremos ua variable aleatoria X co ua media µ descoocida y ua desviació típica coocida (parámetros poblacioales). Lo que
Más detallesSELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SEPTIEMBRE 2012 (COMÚN MODELO 3) OPCIÓN A
IES Fco Ayala de Graada Sobrates de 01 (Septiembre Modelo ) Solució Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SEPTIEMBRE 01 (COMÚN MODELO 3) OPCIÓN A EJERCICIO 1_A ( 5 putos) U empresario
Más detallesObjetivos. 1. Inferencia Estadística. INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo. M. Iniesta Universidad de Murcia
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo Objetivos Tratar co muestras aleatorias y su distribució muestral e ejemplos de tamaño reducido. Tratar co la distribució de la
Más detallesOPCIÓN A EJERCICIO 1_A
IES Fco Ayala de Graada Sobrates de 2006 (Modelo 6 ) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A (2 putos) Sea las matrices A= y B = (1 1). -5-4 Eplique qué dimesió debe teer la matriz X para
Más detallesEJERCICIO 1. , a partir de las frecuencias observadas, nij. , que se dan en la tabla del ejercicio.
EJERCICIO () Es u problema de idepedecia de criterios y se tedrá que costruir la tabla de cotigecia de frecuecias teóricas (esperadas), t ij, a partir de las frecuecias o observadas, ij, que se da e la
Más detallesINFERENCIA ESTADÍSTICA Y ESTIMACIÓN
INFERENCIA ESTADÍSTICA Y ESTIMACIÓN La estadística iferecial se ocupa de exteder o extrapolar a toda ua població, iformacioes obteidas a partir de ua muestra, así como de tomar de decisioes. El muestreo
Más detallesIntervalos de Confianza basados en una muestra. Instituto de Cálculo
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky Hay dos razoes por las cuales el itervalo (6.63,.37) tiee mayor logitud que el obteido ateriormete (7.69, 0.3). la variaza
Más detallesPRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA. Esquema del procedimiento de Prueba de Hipótesis
PRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA Pruebas de hipótesis es ua parte de la ESTADISTICA INFERENCIAL y tiee su aalogía co los pasos que se realiza e u JUICIO. Objetivo: Aquí o se busca Estimar
Más detallesθˆ = h(x 1,X 2,...,X n ) θˆ es un estimador puntual de θ
Iferecia Estadística 95 Capitulo VIII INFERENCIA ETADITICA Es ua rama de de la Estadística que se ocupa de los procedimietos que os permite aalizar y etraer coclusioes de ua població a partir de los datos
Más detallesTema 8. Sesiones 15 y 16 Guía de clase 8. CONTRASTE DE HIPOTESIS
UNIVERSIDAD DE LOS ANDES NUCLEO UNIVERSITARIO RAFAEL RANGEL DEPTO DE CIENCIAS ECONOMOMICAS Y ADMIMISTRATIVAS AREA DE ESTADÍSTICA ESTADÍSTICA BASICA CONTADURÍA PÚBLICA Tema 8. Sesioes 5 y 6 Guía de clase
Más detallesESTADISTICA EMPRESARIAL - Segundo Curso Curso Convocatoria de Febrero INSTRUCCIONES
ESTADISTICA EMPRESARIAL - Segudo Curso Curso.006-07 Covocatoria de Febrero. 6-1-07 INSTRUCCIONES 1. El exame costa de cuestioes, que se respode sobre la hoja de codificació proporcioada, y problemas, que
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2011 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 7: CONTRASTE DE HIPÓTESIS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 211 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 7: CONTRASTE DE HIPÓTESIS Juio, Ejercicio 4, Oció A Reserva 1, Ejercicio 4, Oció A Reserva 2, Ejercicio
Más detallesINFERENCIA ESTADÍSTICA
X INFERENCIA ESTADÍSTICA Sea ua característica o variable aleatoria de la població objeto de estudio y sea ( X, X, X,..., X ) ua muestra aleatoria de dicha població. 1 3 U parámetro poblacioal es ua caracterizació
Más detallesResumen Tema 2: Muestreo aleatorio simple. Muestreo con probabilidades desiguales.
Resume Tema 2: Muestreo aleatorio simple. Muestreo co probabilidades desiguales. M.A.S.: Muestreo aleatorio simple co probabilidades iguales si reemplazo. Hipótesis: Marco perfecto, si omisioes i duplicados
Más detallesMATEMÁTICAS 2ºBACHILLERATO CCSSII
La trata del recueto, ordeació y clasificació de los datos obteidos por las observacioes, para poder hacer comparacioes y sacar coclusioes. U estudio estadístico costa de las siguietes fases: Recogida
Más detallesCAPÍTULO I. Conceptos Básicos de Estadística
CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia
Más detalles1.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky 106 1. INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL upogamos que X1,...,X es ua muestra aleatoria de ua
Más detallesTema 14: Inferencia estadística
Tema 14: Iferecia estadística La iferecia estadística es el proceso de sacar coclusioes de la població basados e la iformació de ua muestra de esa població. 1. Estimació de parámetros Cuado descoocemos
Más detallesMuestreo en Poblaciones Finitas
Muestreo Aleatorio Simple 1/22 Muestreo e Poblacioes Fiitas Muestreo Aleatorio Simple José A. Mayor Gallego Departameto de Estadística e Ivestigació Operativa Uiversidad de Sevilla Septiembre de 2011 Coteidos
Más detallesIES Fco Ayala de Granada Modelo 6 del 2015 (Soluciones) Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO 6 DEL 2015 OPCIÓN A
SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS MODELO 6 DEL 015 OPCIÓN A EJERCICIO 1 (A) 1 (1 5 putos) Resuelva la ecuació matricial 1 X + 1-1 0 = I. 0 1 a b (1 puto) Dadas las matrices M = y A =, calcule los
Más detallesESTADÍSTICA. Estadística: Es una rama de la matemática que comprende Métodos y Técnicas que se emplean
ESTADÍSTICA Estadística: Es ua rama de la matemática que comprede Métodos y Técicas que se emplea e la recolecció, ordeamieto, resume, aálisis, iterpretació y comuicació de cojutos de datos. Població:
Más detallesTEST DE HIPÓTESIS. a la hipótesis que se formula y que se quiere contrastar o rechazar. Llamamos hipótesis alternativa, H
TEST DE IPÓTESIS INTRODUCCIÓN E el tema aterior vimos cómo, a partir de los datos de ua muestra, podíamos estimar u parámetro de la població (media o proporció) mediate u itervalo E este tema platearemos
Más detallesANEXO B. Se define como Regresión al estudio de la fuerza, consistencia o grado de asociación de la
ANEXO B B.. Regresió Se defie como Regresió al estudio de la fuerza, cosistecia o grado de asociació de la correlació de variables idepedietes [6]. B... Regresió Lieal Simple El objeto de u aálisis de
Más detallesTEMA 6.- INTERVALOS DE CONFIANZA
TEMA 6.- INTERVALOS DE CONFIANZA 6.1. Distribucioes asociadas a la Normal 6.1.1. Distribució Chi cuadrado de Pearso o Gi dos 6.1.. Distribució t de Studet 6.. Itroducció a itervalos de cofiaza 6.3. Método
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS El cotraste de hipótesis es el procedimieto mediate el cual tratamos de cuatificar las diferecias o discrepacias etre ua hipótesis estadística y ua realidad de la que poseemos ua
Más detallesMUESTREO Y ESTIMACIÓN ESTADÍSTICA
1 MUESTREO Y ESTIMACIÓN ESTADÍSTICA Muestreo. Métodos de muestreo Se llama població al cojuto de idividuos que posee cierta característica. Ua muestra es ua parte de esa població. Muestreo es el proceso
Más detallesObjetivo. 1. Intervalos y test (una sola muestra) Práctica 7: Intervalos de conanza y contrastes de hipótesis I. M. Iniesta Universidad de Murcia
Práctica 7: Itervalos de coaza y cotrastes de hipótesis I Objetivo E esta práctica y e la siguiete apredemos a aplicar e iterpretar las técicas de itervalos de coaza y test de hipótesis, seleccioado la
Más detalles3. Distribuciones de probabilidad
3. Distribucioes de probabilidad Estudiamos a cotiuació las pricipales distribucioes de probabilidad que se ecuetra e las aplicacioes del cálculo de probabilidades. Clasificaremos las distribucioes atediedo
Más detallesEJERCICIOS RESUELTOS TEMA 8
EJERCICIOS RESUELTOS TEMA 8 8.. U ivestigador desea coocer la opiió de los madrileños sobre la saidad pública. Para ello, acude a las 8 de la mañaa al hospital público de la capital más cercao a su domicilio
Más detallesTest de Hipótesis. Material Preparado por Hugo Delfino
Test de Hipótesis Material Preparado por Hugo Delfio 8-3 Qué es ua Hipótesis? Hipótesis: Es u suposició acerca del valor de u parámetro de ua població co el propósito de discutir su validez. Ejemplo de
Más detallesCalculamos los vértices del recinto resolviendo las ecuaciones las rectas de dos en dos.
IES Fco Ayala de Graada Sobrates de 006 (Modelo 1 ) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A (3 putos) Ua impreta local edita periódicos y revistas. Para cada periódico ecesita u cartucho de
Más detallesINTRODUCCION A LA INFERENCIA ESTADISTICA: MUESTREO Y ESTIMACION PUNTUAL Y POR INTERVALOS
Estimació Putual - 1 INTRODUCCION A LA INFERENCIA ESTADISTICA: MUESTREO Y ESTIMACION PUNTUAL Y POR INTERVALOS José Luis Vicete Villardó Dpto. de Estadística Uiversidad de Salamaca Estimació Putual - 2
Más detallesTEMA 1. ESTADÍSTICA DESCRIPTIVA
TEMA. ESTADÍSTICA DESCRIPTIVA. Itroducció: coceptos básicos. Tablas estadísticas y represetacioes gráficas. Características de variables estadísticas uidimesioales.. Características de posició.. Características
Más detallesIES Fco Ayala de Granada Sobrantes de 2004 (Modelo 2) Solución Germán-Jesús Rubio Luna OPCIÓN A 0 2-4 (A I 2 ) B = A A A = -
IES Fco Ayala de Graada Sobrates de 004 (Modelo ) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO _A - 0 0 - - - Sea las matrices A=, B= y C= - 0 0 - ( puto) Calcule (A I ) B, siedo I la matriz idetidad
Más detallesNúmero de personas que se forman en una fila en 1 hora Número de águilas que se obtienen al lanzar una moneda 5 veces.
Statistics Review Variable Aleatoria o Ua variable aleatoria es ua variable cuyo valor está sujeto a variacioes que depede de la aleatoriedad. o Debe tomar valores uméricos, que depede del resultado del
Más detallesGUIAS ÚNICAS DE LABORATORIO DE FÍSICA I ASPECTOS PRELIMINARES INTRODUCCIÓN AL CÁLCULO DE INCERTIDUMBRE EN LAS MEDICIONES
GUIAS ÚNICAS DE LABORATORIO DE FÍSICA I ASPECTOS PRELIMINARES INTRODUCCIÓN AL CÁLCULO DE INCERTIDUMBRE EN LAS MEDICIONES SANTIAGO DE CALI UNIVERSIDAD SANTIAGO DE CALI DEPARTAMENTO DE LABORATORIOS INTRODUCCIÓN
Más detalles