En el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo:

Tamaño: px
Comenzar la demostración a partir de la página:

Download "En el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo:"

Transcripción

1 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, o bie puede costar mucho tiempo, o mucho diero, el aalizar cada uidad poblacioal. E estos casos, la úica salida es hacer uso de la iferecia estadística, basádoos e la iformació coteida e u muestreo aleatorio simple. Así, si supoemos ua població defiida por ua variable aleatoria X, co fució de desidad f(x,), siedo u parámetro poblacioal descoocido, el objeto de la teoría de la estimació cosiste e tratar de determiar el parámetro poblacioal descoocido, a partir de ua muestra aleatoria simple de tamaño. 6.1 Al fializar el tema el alumo debe coocer... Importacia de la estimació putual. Coceptos fudametales de la iferecia estadística como: Població, muestra, parámetro poblacioal, estadístico muestral, estimació. Las características fudametales de los dos métodos que vamos a utilizar e la iferecia estadística para obteer el valor del parámetro poblacioal: estimació y cotrastació de hipótesis. Objetivo y características fudametales de la estimació putual. Propiedades de los estimadores putuales. La utilizació de los métodos de obteció de estimadores. El método de los mometos. El método de la máxima verosimilitud. 6. Importacia de la estimació putual. E el tema aterior se estudió que muchas decisioes se toma a partir de resultados muestrales. Por ejemplo: - Para estimar el gasto medio mesual de las familias de la Comuidad de Madrid co u ivel de reta fijado se extrae ua muestra aleatoria. - U Ayutamieto seleccioa a ua muestra de vecios para comprobar el - 1 -

2 grado medio de aceptació de u determiado programa de bieestar. - Ua caja de ahorros española, para estimar la proporció de empleados que se ivolucraría a la hora de desarrollar sistemas tecológicos e sus oficias, seleccioa ua muestra aleatoria. Cualquier iferecia que se haga sobre la població tedrá que basarse e estadísticos muestrales, la elecció de estos estadísticos depederá del parámetro a estudiar de la població. El verdadero parámetro será descoocido, y muestro objetivo será estimar su valor basádoos e la iformació coteida e ua muestra aleatoria seleccioada de esa població. Así, se puede proceder mediate estas dos alterativas: 1. Estimació. Los tipos fudametales de estimació so: Estimació putual Estimació por itervalo. Verificació de hipótesis. Mediate ambos, el objetivo fial es llegar a ua coclusió o iferecia sobre el parámetro poblacioal que es descoocido. De lo expuesto hasta ahora, se deduce que e la práctica o es ecesario calcular todas las posibles uestras de tamaño de ua població, sio que se utiliza directamete lo que la Teoría Estadística ha demostrado. Se extrae ua muestra aleatoria simple de la població y se observa e sus elemetos el valor de la variable de iterés. Vemos por tato que existe diferecia etre estimador y estimació. Utilizamos el térmio estimador cuado os referimos a ua variable aleatoria que depede de la iformació de la muestra y cuyas realizacioes proporcioa ua aproximació al valor descoocido del parámetro poblacioal. Los valores que toma la fució estimador, para las diferetes realizacioes o muestras cocretas, será las estimacioes. Se llama estimació a u valor específico del estimador. - -

3 6.3 Las características fudametales de los dos métodos que vamos a utilizar e la iferecia estadística para obteer el valor del parámetro poblacioal: estimació y cotrastació de hipótesis Estimació putual. E ua estimació putual se utiliza u solo úmero o valor para determiar ua estimació del parámetro poblacioal descoocido. E la estimació putual se asume que el estadístico es u bue estimador del parámetro descoocido. Obviamete cualquier estadístico o sirve, es ecesario que satisfaga ciertas propiedades: Estimació por itervalos de cofiaza. E u itervalo de cofiaza se idica u rago o recorrido, detro del cual se podría ecotrar el parámetro poblacioal descoocido, y el ivel de cofiaza de que el itervalo cotega este parámetro poblacioal. Cotrastació de hipótesis. Ua hipótesis estadística es ua cojetura relativa a algua característica de la població, que puede ser cierta o o. Las hipótesis estadísticas se puede cotrastar co la iformació extraída de las muestras, y tato si se acepta como si se rechaza se puede cometer u error. La hipótesis formulada co iteció de rechazarla se llama hipótesis ula y se represeta por H 0. Rechazar H 0 implica aceptar ua hipótesis alterativa (H 1 ). E este caso los pasos a seguir so los siguietes, platear las hipótesis, escoger u estadístico cocreto, coocer la distribució de este estadístico y decidir, co los datos de la muestra, si estamos caracterizado a la població. 6.4 Objetivo y características fudametales de la estimació putual. E ua estimació putual se utiliza u solo úmero o valor para determiar ua estimació del parámetro poblacioal descoocido. E la estimació putual se asume que el estadístico es u bue estimador del parámetro. Obviamete cualquier estadístico o sirve, es ecesario que satisfaga ciertas propiedades, que se aalizará e el próximo apartado

4 Parámetros poblacioales Estadísticos putual muestrales-estimació Media Variaza i 1 i1 x i x i x S i 1 i1 x i 1 x x i Proporció p úmero de éxitos e pruebas pˆ x úmero de éxitos e pruebas 6.5 Propiedades de los estimadores putuales. 1. Estimador isesgado o cetrado y de variaza míima. Cota de Cramer-Rao. Se dice que u estimador es isesgado o cetrado si la media de la distribució muestral del estadístico muestral coicide co el parámetro a estimar. Es decir, si repetimos el proceso de muestreo muchas vedes e promedio el valor que se obtiee de u estimador isesgado será igual al parámetro poblacioal. U estimador es isesgado cuado o existe sesgo etre la esperaza del estimador y el parámetro poblacioal, o sea, la esperaza del estimador es el propio parámetro. E( ˆ ) Sesgo ˆ E ˆ 0 Para obteer u estimador isesgado de variaza míima, hay que determiar las variazas de todos los estimadores isesgados de θ y seleccioar el que posea la variaza más pequeña. La cota de Cramer Rao permite obteer ua cota iferior de la variaza. C. C. R 1 Lf ( x, ) E Siedo f(x,θ) la fució de verosimilitud. La media, la variaza y las proporcioes muestrales so estimadores isesgados de los - 4 -

5 correspodietes parámetros poblacioales. Parámetro Poblacioal Estimador isesgado X p S pˆ X o debemos olvidar que la variaza muestral la hemos defiido S i1 X i 1 X, para que podamos obteer u estimador isesgado. -Defiició de Error Cuadrático Medio. Para realizar comparacioes de eficiecia de u estimador respecto a u parámetro poblacioal lo hacemos a través del Error Cuadrático Medio (E.C.M): E. C. M ˆ E ˆ Si desarrollamos el cuadrado obteemos: ˆ ˆ ˆ E. C. M Var sesgo Por lo que vemos que está compuesto de dos catidades o egativas. El E.C.M. ivolucra las dos propiedades más importates de u estimador, la variaza debe ser los más pequeña posible y la distribució del muestreo debe cocetrarse alrededor del parámetro. Estimador eficiete. U estimador es eficiete si se cumple que: E ˆ Es isesgado Posee variaza míima. Para calcular si el valor adquirido por la variaza es míimo, usamos la cota de Cramer-Rao. Si se tiee dos estimadores isesgados, que sigue las mismas distribucioes, para u - 5 -

6 mismo tamaño muestral, se dice que uo es más eficiete que el otro cuado su variaza es meor. estimador 1 Var estimador Var El estimador 1 será más eficiete que el estimador. Al ser estimadores isesgados ambas distribucioes muestrales tiee la misma media, luego será más homogéea la distribució que posee meor variaza. 3. Estimador cosistete. La cosistecia de u estimador está relacioada co el comportamieto del estimador cuado el tamaño de la muestra aumeta. Es decir, a medida que el tamaño de la muestra aumeta la iformació que os proporcioa sobre la població será mayor. Se dice que u estimador es cosistete cuado al aumetar el tamaño de la muestra, el valor medio de la distribució muestral del estadístico muestral tiede al parámetro a estimar. lim E estadístico parámetro a estimar Así cuado el tamaño de la muestra aumeta la iformació es más completa y la variaza del estimador suele ser meor, por tato la distribució muestral de ese estimador tederá a ecotrarse más cocetrada alrededor del parámetro que pretedemos estimar. 4. Estimador suficiete. Este cocepto de suficiecia fue itroducido por Fisher e 19, y puede decirse que: Diremos que u estadístico suficiete para u parámetro poblacioal descoocido cuado recoge toda la iformació que la muestra cotiee sobre el parámetro. Dicho de otra forma: Ua vez que sabemos el valor que ha tomado el estadístico, la muestra x x,, ya o puede proporcioaros mas iformació sobre dicho parámetro. Esto 1-6 -

7 equivale a decir que, si el estadístico es suficiete, la distribució de probabilidad de la muestra codicioada a que coocemos el valor del estadístico, ha de ser idepediete del parámetro. 6.6 Estimador ivariate. U estimador es ivariate si se verifica que el estimador de ua fució del parámetro es igual a la fució del estimador del parámetro. fˆ f ˆ Por ejemplo si la variaza muestral es estimador de la variaza poblacioal, si el método de estimació es ivariate, la desviació típica muestral será estimador de la desviació típica poblacioal. Existe estimadores ivariates a cambios de orige, cambios de escala, o cambios de orige y escala. Estimadores C. orige C. escala x o ivariate o ivariate s Ivariate o ivariate s Ivariate o ivariate correlació Coeficiete Ivariate Ivariate 6.7 Estimador robusto. U estimador es robusto cuado pequeños cambios e las hipótesis de partida del procedimieto de estimació cosiderado, o produce variacioes sigificativas e los resultados obteidos. Para estimacioes de la media poblacioal, o coociedo la desviació típica muestral, utilizamos el estadística T- Studet co ( 1) grados de libertad, y co u tamaño de muestra relativamete grade: - 7 -

8 x t s 1 Ate pequeñas variacioes e la distribució sustaciales e los procedimietos basados e este estadístico. (, ), o se produce cambios Si realizamos pequeñas variacioes e la distribució, sí se produce cambios sustaciales para procedimietos que se realice sobre la variaza poblacioal, basados e el estadístico Métodos de obteció de estimadores. Los pricipales métodos de estimació de parámetros de u modelo probabilístico o de coeficietes de u modelos matemático so los siguietes Método de los mometos Método de máxima verosimilitud Míimos cuadrados Para la estimació de parámetros de distribucioes de probabilidad, los métodos empleados so los dos primeros, mietras que el segudo se usa pricipalmete e los estudios de regresió Método de los mometos. Es el método más secillo y atiguo. Se suele utilizar para obteer ua primera aproximació de los estimadores. Se iguala tatos mometos muestrales, como parámetros se tega que estimar. Propiedades de los estimadores obteidos por el método de los mometos: - Si los parámetros descoocidos so mometos poblacioales, etoces los estimadores obteidos será isesgados y asitóticamete ormales - Bajo codicioes bastates geerales, los estimadores obteidos será cosistetes

9 6.8..Método de la máxima verosimilitud. E esecia el método cosiste e seleccioar como estimador del parámetro, de u modelo probabilístico, a aquél valor que tiee la propiedad de maximizar el valor de la probabilidad de la muestra observada. Es decir, ecotrar el valor del parámetro que maximiza la fució de verosimilitud. Propiedades de los estimadores obteidos por el método de máxima verosimilitud: - Los estimadores de máxima verosimilitud so cosistetes. - E geeral o so isesgados, pero si o so isesgados so asitóticamete isesgados (el estimador ˆ coverge al parámetro θ, y e el límite coicide co su valor medio, que es el parámetro θ). - Todo estimador de máxima verosimilitud o es eficiete, pero sí so asitóticamete eficietes. - So asitóticamete ormales. - So suficietes

Distribuciones en el muestreo, EMV

Distribuciones 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 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

) 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 detalles

Estimación de Parámetros

Estimación 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 detalles

Estimación de Parámetros. Estimación de Parámetros

Estimación de Parámetros. Estimación de Parámetros Uiversidad Técica Federico Sata María Capítulo 7 Estimació de Parámetros Estadística Computacioal II Semestre 007 Prof. Carlos Valle Págia : www.if.utfsm.cl/~cvalle e-mail : cvalle@if.utfsm.cl C.Valle

Más detalles

INFERENCIA ESTADÍSTICA

INFERENCIA ESTADÍSTICA FACULTAD DE INGENIERÍA INFERENCIA ESTADÍSTICA Iree Patricia Valdez y Alfaro Estimació de parámetros ireev@servidor.uam.mx Ua clasificació de estadística Descriptiva Calculo de medidas descriptivas Costrucció

Más detalles

INTRODUCCION Teoría de la Estimación

INTRODUCCION 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 detalles

Estimadores Puntuales: Propiedades de estimadores Sebastián Court

Estimadores Puntuales: Propiedades de estimadores Sebastián Court Estadística Estimadores Putuales: Propiedades de estimadores Sebastiá Court 1.Motivació Cosideremos ua variable aleatoria X co ciertas características, como por ejemplo, u parámetro θ, y ua muestra aleatoria

Más detalles

Introducción a la Inferencia Estadística. Material Preparado por Olga Susana Filippini y Hugo Delfino

Introducción 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 detalles

INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS

INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS Població E el cotexto de la estadística, ua població es el cojuto de todos los valores que puede tomar ua característica medible e particular, de u cojuto correspodiete

Más detalles

Tema 4. Estimación de parámetros

Tema 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 detalles

Universidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA. Ingenierías RH-Amb-Ag TEORÍA

Universidad 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 detalles

Estimación por intervalos

Estimación por intervalos Estimació por itervalos Estimació por itervalos para la media poblacioal co (variaza poblacioal) coocida P( x z/ x z/ ) 1 co (variaza poblacioal) descoocida Si 30 se reemplaza por S y usamos el itervalo

Más detalles

INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO

INTRODUCCIÓN 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 detalles

Práctica 7 CONTRASTES DE HIPÓTESIS

Práctica 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 detalles

IntroducciónalaInferencia Estadística

IntroducciónalaInferencia 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 detalles

Estimación de parámetros. Biometría

Estimación de parámetros. Biometría Estimació de parámetros Biometría Estimació Las poblacioes so descriptas mediate sus parámetros Para variables cuatitativas, las poblacioes so descriptas mediate y Para variables cualitativas, las poblacioes

Más detalles

1.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA

1.1 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 detalles

Tema 14: Inferencia estadística

Tema 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 detalles

Objetivos. 1. Inferencia Estadística. INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo. M. Iniesta Universidad de Murcia

Objetivos. 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 detalles

TEMA 3: INFERENCIA ESTADISTICA

TEMA 3: INFERENCIA ESTADISTICA ESTADÍSTICA, CURSO 008 009 TEMA 3: INFERENCIA ESTADISTICA INTRODUCCION oblació. Muestra, muestreo. Objetivos de la iferecia estadística. Métodos paramétricos y o paramétricos. TEORIA ELEMENTAL DEL MUESTREO.

Más detalles

Intervalos de Confianza basados en una sola muestra. Denotaremos al parámetro de interés con la letra θ y con θ un estimador para θ.

Intervalos 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 detalles

TEORÍA DE LA ESTIMACIÓN

TEORÍA DE LA ESTIMACIÓN TEORÍA DE LA ESTIMACIÓN Objetivo: El objetivo de la estimació putual es usar ua muestra para obteer úmeros (estimacioes putuales) que sea la mejor represetació de los verdaderos parámetros de la població.

Más detalles

Otro fallo a la hora de elegir una muestra es que una variable condicione a otra, ya que las variables deben ser independientes y no condicionadas.

Otro fallo a la hora de elegir una muestra es que una variable condicione a otra, ya que las variables deben ser independientes y no condicionadas. 1. Itroducció.. Tipos de Muestreo. 3. Estimació. 3.1. Propiedades de u Bue Estimador. 3.1.1. Estimadores Cetrados. 3.1.. Cosistecia. 3.1.3. Eficiecia. 3.1.4. Suficiecia. 3.. Métodos de Estimació Putual.

Más detalles

1. Distribución Normal.

1. Distribución Normal. DEPARTAMENTO DE MATEMÁTICAS UNIDAD 5. Estadística IES Galileo Galilei RESUMEN 1. Distribució Normal. 1.1. Cálculo de probabilidades a) Para ua distribució estádar N(0,1) usamos directamete la tabla: Ejemplos:

Más detalles

θˆ = h(x 1,X 2,...,X n ) θˆ es un estimador puntual de θ

θˆ = 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 detalles

TEMA 6.- INTERVALOS DE CONFIANZA

TEMA 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 detalles

Resumen Tema 2: Muestreo aleatorio simple. Muestreo con probabilidades desiguales.

Resumen 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 detalles

Tema 8. Sesiones 15 y 16 Guía de clase 8. CONTRASTE DE HIPOTESIS

Tema 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 detalles

ESTADISTICA EMPRESARIAL - Segundo Curso Curso Convocatoria de Febrero INSTRUCCIONES

ESTADISTICA 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 detalles

Capítulo 3. El modelo de regresión múltiple. Jorge Feregrino Feregrino. Econometría Aplicada Utilizando R

Capítulo 3. El modelo de regresión múltiple. Jorge Feregrino Feregrino. Econometría Aplicada Utilizando R Capítulo 3. El modelo de regresió múltiple. Jorge Feregrio Feregrio Idetificació del modelo La idetificació del objeto de ivestigació permitirá realizar ua búsqueda exhaustiva de los datos para llevar

Más detalles

T5. Contrastes para los parámetros de una población Normal

T5. 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 detalles

Problemas de Estimación de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Problemas 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 detalles

INFERENCIA ESTADÍSTICA Y ESTIMACIÓN

INFERENCIA 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 detalles

Prueba A = , = [ 7.853, 8.147]

Prueba A = , = [ 7.853, 8.147] PRUEBAS DE ACCESO A LA UNIVERSIDAD CURSO 5-6 - CONVOCATORIA: Septiembre MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de ella, sólo debe

Más detalles

8.1 Al finalizar el tema el alumno debe conocer Características de la estimación utilizando los contrastes o test de hipótesis.

8.1 Al finalizar el tema el alumno debe conocer Características de la estimación utilizando los contrastes o test de hipótesis. TEMA 8. Cotrastes de hipótesis. E este capítulo se epodrá el cotraste o test de hipótesis estadísticas, que está muy relacioado co la «estimació por itervalos» del capítulo aterior. Va a defiirse importates

Más detalles

Análisis estadístico de datos simulados Estimadores

Análisis estadístico de datos simulados Estimadores Aálisis estadístico de datos simulados Estimadores Patricia Kisbye FaMAF 11 de mayo, 2010 Aálisis estadístico Iferecia estadística: Elegir ua distribució e base a los datos observados. Estimar los parámetros

Más detalles

1. Propiedades de los estimadores

1. Propiedades de los estimadores . Propiedades de los estimadores.. Eficiecia relativa. Defiició: Dados dos estimadores isesgados, ˆ y ˆ, de u parámetro, co variazas V ( ˆ ) y V ( ˆ ), etoces la eficiecia (eff) de ˆ respecto a ˆ, se defie

Más detalles

TEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Introducción a la Inferencia Estadística Método de los momentos

TEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Introducción a la Inferencia Estadística Método de los momentos TEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Itroducció a la Iferecia Estadística. Método Estadístico. Defiicioes previas. 5.2. Estimació putual 5.3. Métodos de obteció de estimadores: 5.3.1. Método de los

Más detalles

PROBABILIDAD y ESTADÍSTICA II

PROBABILIDAD y ESTADÍSTICA II UNIVERSIDAD TECNOLÓGICA NACIONAL Facultad Regioal Sa Nicolás PROBABILIDAD y ESTADÍSTICA II UNIDAD Nº3 Liceciatura e Eseñaza de la Matemática Año 011 Mg. Lucía C. Sacco UNIDAD Nº3 Estimacioes de parámetros.

Más detalles

Ejercicios resueltos de Muestreo

Ejercicios resueltos de Muestreo Tema Ejercicios resueltos de Muestreo Ejercicio Sea ua població ita de 4 elemetos: P = f; 4; ; g : Se cosidera muestras de elemetos que se supoe extraidos y o devueltos a la població y que el muestreo

Más detalles

Intervalos de Confianza basados en una muestra. Instituto de Cálculo

Intervalos 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 detalles

1 x 1 0,1666. sabiendo que 506, 508, 499, 503, 504, 510, 497, 512, 514, 505, 493, 496, 506, 502, 509, 496.

1 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 detalles

ESTADÍSTICA. n i Se pide:

ESTADÍSTICA. n i Se pide: ESTDÍSTIC Tercera Prueba de Evaluació cotiua 1 de diciembre de 16 1.- l calcular cico veces la distacia etre dos putos, obteemos los siguietes valores: 17,13m; 17,1m; 17,m; 17,65m; 17,4 a) Itervalo de

Más detalles

Técnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20

Técnicas 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 detalles

MATEMÁTICAS 2ºBACHILLERATO CCSSII

MATEMÁTICAS 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 detalles

PRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA

PRUEBA 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 detalles

e i y i y i y i 0 1 x 1i 2 x 2i k x ki

e i y i y i y i 0 1 x 1i 2 x 2i k x ki Demostracioes de Rgresió múltiple El modelo que se platea e regresió múltiple es: y i 0 1 x 1i x i k x ki u i dode x 1, x,,x k so las variables idepedietes o explicativas. La variable respuesta depede

Más detalles

Probabilidad y Estadística 2003 Intervalos de Confianza y Test de Hipótesis paramétricos

Probabilidad 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 detalles

13.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA

13.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA Dra. Diaa M. Kelmasky 109 13. INTERVALOS DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL Supogamos que X1,...,X es ua muestra aleatoria de ua població ormal co media μ y variaza. Sabemos que la media

Más detalles

PROBLEMA DEL USO DE FERTILIZANTE EN GRANJAS DE PRODUCCIÓN DE TOMATES.

PROBLEMA DEL USO DE FERTILIZANTE EN GRANJAS DE PRODUCCIÓN DE TOMATES. PROBLEMA DEL USO DE FERTILIZANTE EN GRANJAS DE PRODUCCIÓN DE TOMATES. E el siguiete ejercicio se tratará de expoer, de forma didáctica, el proceso de solució de u problema de regresió simple. Problema:

Más detalles

INFERENCIA ESTADÍSTICA: ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA

INFERENCIA 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 detalles

MUESTREO Y ESTIMACIÓN ESTADÍSTICA

MUESTREO 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 detalles

Universidad MUESTREO de Oviedo. Facultad de Economía y Empresa. Grado en ADE. Métodos Estadísticos para

Universidad MUESTREO de Oviedo. Facultad de Economía y Empresa. Grado en ADE. Métodos Estadísticos para MÉTODOS ESTADÍSTICOS PARA LA EMPRESA TEMA 7: HERRAMIENTAS INFERENCIALES. DISTRIBUCIONES ASOCIADAS AL Uiversidad MUESTREO de Oviedo. Facultad de Ecoomía y Empresa. Grado e ADE. 7.1.- Distribucioes Métodos

Más detalles

ANEXO B. Se define como Regresión al estudio de la fuerza, consistencia o grado de asociación de la

ANEXO 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 detalles

UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL

UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL Revisió, Cambios y Ampliació: Ig. José Alejadro Marí Fuete Primaria: Ig. César Augusto Zapata Urquijo 1. M U E S T R E O S I S T E M

Más detalles

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)

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) 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 detalles

INFERENCIA ESTADÍSTICA

INFERENCIA 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 detalles

Número de personas que se forman en una fila en 1 hora Número de águilas que se obtienen al lanzar una moneda 5 veces.

Número 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 detalles

Estadística y sus aplicaciones en Ciencias Sociales Práctico 4 - Solución Curso ) Como se trata de muestreo sin reposición, se tiene C 5 3

Estadística y sus aplicaciones en Ciencias Sociales Práctico 4 - Solución Curso ) Como se trata de muestreo sin reposición, se tiene C 5 3 Estadística y sus aplicacioes e Ciecias Sociales Práctico 4 - Solució Curso 016 Ejercicio 1 5! 1) Como se trata de muestreo si reposició, se tiee C 5 3 3!! muestras de tamaño =3. ) Distribució muestral

Más detalles

EJERCICIO 1. , a partir de las frecuencias observadas, nij. , que se dan en la tabla del ejercicio.

EJERCICIO 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 detalles

ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA PROPORCIÓN POBLACIONAL.

ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA PROPORCIÓN POBLACIONAL. ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA PROPORCIÓN POBLACIONAL. U itervalo de cofiaza, para u parámetro poblacioal θ, a u ivel de cofiaza (1 ) 100 %, o es más que u itervalo (L i, L s

Más detalles

1. Intervalos de Conanza

1. 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 detalles

Ejemplo Solución. 2) Datos p 1 =253/300 p 2 =196/300 n 1 =n 2 =300 α= ) Ensayo de hipótesis

Ejemplo Solución. 2) Datos p 1 =253/300 p 2 =196/300 n 1 =n 2 =300 α= ) Ensayo de hipótesis Ejemplo Solució ) Se trata de ua distribució muestral de diferecia de proporcioes. Se evalúa dos tipos diferetes de solucioes para pulir, para su posible uso e ua operació de pulido e la fabricació de

Más detalles

Curso de Estadística Aplicada a las Ciencias Sociales

Curso de Estadística Aplicada a las Ciencias Sociales Curso de Estadística Aplicada a las Ciecias Sociales Tema 11. Estimació de ua media (Cap. 21 del libro) 1 Tema 11. Estimació de ua media Itroducció 1. Distribució de la media e el muestreo 2. La media

Más detalles

Introducción. La forma óptima de realizar el proceso de clasificación consiste en la utilización del clasificador bayesiano: ) > p(x w j

Introducción. La forma óptima de realizar el proceso de clasificación consiste en la utilización del clasificador bayesiano: ) > p(x w j Recordamos: Itroducció La forma óptima de realizar el proceso de clasificació cosiste e la utilizació del clasificador bayesiao: Elegir w i si p(x w i ) P(w i ) > p(x w j ) P(w i ) j i Para utilizarlo,

Más detalles

Curso de Estadística Aplicada a las Ciencias Sociales. Tema 11. Estimación de una media. Introducción. Introducción (2) Introducción

Curso de Estadística Aplicada a las Ciencias Sociales. Tema 11. Estimación de una media. Introducción. Introducción (2) Introducción Curso de Estadística Aplicada a las Ciecias Sociales Tema 11. Estimació de ua (Cap. 1 del libro) Tema 11. Estimació de ua Itroducció 1. Distribució de la e el. La muestral es cetrada 3. El error típico

Más detalles

SESION 15 DISTRIBUCIONES DE MUESTREO

SESION 15 DISTRIBUCIONES DE MUESTREO SESION 15 DISTRIBUCIONES DE MUESTREO I. CONTENIDOS: 1. Distribució de muestreo. 2. Distribucioes de muestreo de la media 3. Media, mediaa y moda, así como su relació co la desviació estádar de las distribucioes

Más detalles

Como se ha podido apreciar en los módulos anteriores, La estadística trata con recolección de datos, su análisis e interpretación.

Como se ha podido apreciar en los módulos anteriores, La estadística trata con recolección de datos, su análisis e interpretación. Uiversidad Técica Federico Sata María Departameto de Matemática Reato Allede Olivares 7. QUINTO MÓDULO 7. Iferecia Estadística Como se ha podido apreciar e los módulos ateriores, La estadística trata co

Más detalles

8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS

8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS 8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS Sea ua variable aleatoria de ley descoocida co 0,00. Si 0,, emplear la desigualdad de TCHEBYCHEFF para acotar iferiormete la probabilidad E( ) [

Más detalles

TAMAÑO DE MUESTRA. 5.1 Coeficiente de homogeneidad al interior de las escuelas

TAMAÑO DE MUESTRA. 5.1 Coeficiente de homogeneidad al interior de las escuelas TAMAÑO DE MUETRA Ua de las etapas del diseño muestral es el cálculo del tamaño de la muestra (Cocra, 977, p. 7-88; Médez, 004, p. 45-47; y aro, 999, p. 39-4), ésta se lleva a cabo cosiderado el objetivo

Más detalles

UNIDAD 3.- INFERENCIA ESTADÍSTICA I

UNIDAD 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 detalles

ESTIMACIÓN. TEMA 5: Estimación puntual I. Propiedades de los estimadores. TEMA 6: Estimación puntual II. Métodos de estimación puntual

ESTIMACIÓN. TEMA 5: Estimación puntual I. Propiedades de los estimadores. TEMA 6: Estimación puntual II. Métodos de estimación puntual ETIMACIÓN TEMA 5: Estimació putual I. Propiedades de los estimadores TEMA 6: Estimació putual II. Métodos de estimació putual TEMA 7: Estimació por itervalos CONTRATE DE HIPÓTEI TEMA 8: Cotrastes paramétricos

Más detalles

a) ( ) ( ) Supóngase que se toma una muestra en una población con distribución N ( ;1. Qué tamaño debe tener esta para que P X µ SOLUCIÓN:

a) ( ) ( ) Supóngase que se toma una muestra en una población con distribución N ( ;1. Qué tamaño debe tener esta para que P X µ SOLUCIÓN: ..- Supógase que se toma ua muestra e ua població co distribució N ( ;. Qué tamaño debe teer esta para que P X µ 0. 0.95? µ ) ( ) 384.3.- Si se toma ua muestra e ua població co distribució B p, para que

Más detalles

04/05/2015. Ángel Serrano Sánchez de León

04/05/2015. Ángel Serrano Sánchez de León 04/05/05 Ágel Serrao Sáchez de Leó 04/05/05 Ídice Itroducció: Població y Muestra Tipos de muestreo Distribucioes muestrales De la media Diferecia de medias De ua proporció Diferecia de proporcioes Iferecia

Más detalles

Maestría en Marketing Métodos y técnicas de análisis cuantitativo y cualitativo. Métodos de Muestreo. Otoño Problemas a tratar

Maestría en Marketing Métodos y técnicas de análisis cuantitativo y cualitativo. Métodos de Muestreo. Otoño Problemas a tratar Maestría e Marketig Métodos y técicas de aálisis cuatitativo y cualitativo Métodos de Muestreo Referecia: PR Cap 11, KT 1-14. Otoño 004 Problemas a tratar Que alterativas hay para cofeccioar ua muestra

Más detalles

Estimación por intervalos

Estimación por intervalos Estimació por itervalos do C. 018 Mg. tella Figueroa Clase Nº 11 Para la media poblacioal Coociedo Partimos de ua població ormal X y de la distribució muestral de la media X ~ N, X ~ N, P( z Z z ) 1 /

Más detalles

Bloque 3 Tema 12 PRUEBAS ESTADÍSTICAS PARA EL CONTRASTE DE HIPÓTESIS: PRUEBAS PARAMÉTRICAS

Bloque 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 detalles

Objetivo. 1. Intervalos y test (una sola muestra) Práctica 7: Intervalos de conanza y contrastes de hipótesis I. M. Iniesta Universidad de Murcia

Objetivo. 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 detalles

EJERCICIOS RESUELTOS TEMA 8

EJERCICIOS 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 detalles

CAPÍTULO I. Conceptos Básicos de Estadística

CAPÍTULO 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 detalles

CONTRASTE DE HIPÓTESIS

CONTRASTE 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 detalles

PROBLEMAS DE LOS TEMAS 5, 6 Y 7 PROPUESTOS EN EXÁMENES DE ESTADÍSTICA EMPRESARIAL (ANTIGUA LICENCIATURA ADE)

PROBLEMAS DE LOS TEMAS 5, 6 Y 7 PROPUESTOS EN EXÁMENES DE ESTADÍSTICA EMPRESARIAL (ANTIGUA LICENCIATURA ADE) TUTORÍA DE ETADÍTICA EMPREARIAL (º A.D.E.) e-mail: imozas@elx.ued.es https://www.iova.ued.es/webpages/ilde/web/idex.htm PROBLEMA DE LO TEMA 5, 6 Y 7 PROPUETO EN EXÁMENE DE ETADÍTICA EMPREARIAL (ANTIGUA

Más detalles

TEMA 2: INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA.

TEMA 2: INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA. TEMA : INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA...- CONCEPTOS FUNDAMENTALES. Iferecia estadística. Ua iferecia es ua extesió de lo particular a lo geeral. La iferecia iductiva es u proceso co riesgo ya

Más detalles

Análisis de resultados. Independencia de las muestras

Análisis de resultados. Independencia de las muestras Aálisis de resultados Clase ro. 8 Curso 00 Idepedecia de las muestras Los resultados de ua corrida de simulació, so muestras de algua distribució. Esos resultados los llamamos "respuestas". Las respuestas

Más detalles

TEMA 7. ESTIMACIÓN. 7.2. Estimación puntual. Propiedades deseables de los estimadores 7.2.1. Introducción y definiciones 7.2.2. Estimadores Insegados

TEMA 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 detalles

SOLUCIONES DE LA SEGUNDA PRUEBA DE EVALUACION CONTINUA (PEC 2)

SOLUCIONES DE LA SEGUNDA PRUEBA DE EVALUACION CONTINUA (PEC 2) Curso 2012-13 PEC2 Pág. 1 SOLUCIONES DE LA SEGUNDA PRUEBA DE EVALUACION CONTINUA (PEC 2) Gráfico 1: E ua ivestigació se compara la eficacia de tres tipos de tratamieto de las fobias, atediedo a si ha habido

Más detalles

Determinación del tamaño de una muestra (para dos o más muestras)

Determinación del tamaño de una muestra (para dos o más muestras) STATGRAPHICS Rev. 457 Determiació del tamaño de ua muestra (para dos o más muestras) Este procedimieto determia el tamaño de muestra apropiado para estimar o realiar pruebas de hipótesis respecto a alguo

Más detalles

Paso 2: Elegir un estadístico de contraste. Como queremos hacer un contraste de hipótesis para la media, el estadístico de contraste adecuado es:

Paso 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 detalles

DISTRIBUCIÓN DE LA MEDIA MUESTRAL. (a) Las muestras de tamaño n obtenidas en una población de media y desviación típica,

DISTRIBUCIÓN DE LA MEDIA MUESTRAL. (a) Las muestras de tamaño n obtenidas en una población de media y desviación típica, 1 MAJ04 DISTRIBUCIÓN DE LA MEDIA MUESTRAL 1. E u servicio de ateció al cliete, el tiempo de espera hasta recibir ateció es ua variable ormal de media 10 miutos y desviació típica 2 miutos. Se toma muestras

Más detalles

NOTAS SOBRE INFERENCIA ESTADÍSTICA BAYESIANA. José G. Ríos Alejandro. Abril del 2011.

NOTAS SOBRE INFERENCIA ESTADÍSTICA BAYESIANA. José G. Ríos Alejandro. Abril del 2011. NOTAS SOBRE INFERENCIA ESTADÍSTICA BAYESIANA José G. Ríos Alejadro Abril del 11. INTRODUCCIÓN E los cursos de estadística usualmete se estudia la estadística co efoque frecuetista, la cual alguos autores

Más detalles

CONTRASTE DE HIPÓTESIS

CONTRASTE 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 detalles

Intervalo de confianza para µ

Intervalo 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 detalles

CLAVES DE CORRECCIÓN GUÍA DE EJERCITACIÓN FACTORES Y PRODUCTOS PREGUNTA ALTERNATIVA Nivel

CLAVES DE CORRECCIÓN GUÍA DE EJERCITACIÓN FACTORES Y PRODUCTOS PREGUNTA ALTERNATIVA Nivel x Estimado alumo: Aquí ecotrarás las claves de correcció, las habilidades y los procedimietos de resolució asociados a cada preguta, o obstate, para reforzar tu apredizaje es fudametal que asistas a la

Más detalles

E.U.I.T.I. Bilbao. Asignatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA

E.U.I.T.I. Bilbao. Asignatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA E.U.I.T.I. Bilbao Asigatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA E.U.I.T.I. Bilbao Asigatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA TEMA 6: ESTIMACIÓN DE PARÁMETROS DE UNA DISTRIBUCION Datos, datos,

Más detalles

9.3. Contrastes de una proporción

9.3. 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 detalles

Sobre los intervalos de confianza y de predicción

Sobre los intervalos de confianza y de predicción Sobre los itervalos de cofiaza y de predicció Itervalos de cofiaza Javier Satibáñez 28 de febrero de 2018 Se costruye itervalos de cofiaza para parámetros. Sea X = X 1,..., X } ua muestra aleatoria de

Más detalles

Calificación= (0,4 x Aciertos) - (0,2 x Errores) No debe entregar los enunciados. Sexo

Calificación= (0,4 x Aciertos) - (0,2 x Errores) No debe entregar los enunciados. Sexo EAMEN MODELO B ág. 1 INTRODUCCIÓN AL ANÁLII DE DATO FEBRERO 018 Código asigatura: 6011037 EAMEN TIO TET MODELO B DURACION: HORA Material: Addeda (Formulario y Tablas) y calculadora (cualquier modelo) Calificació

Más detalles

T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos:

T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD. x 1. x 2 = 1 = 2. x 3 = 3. x 4. Variable aleatoria: definición y tipos: T ema 6 DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Variable aleatoria: defiició y tipos: Ua variable aleatoria es ua fució que asiga u úmero real, y sólo uo, a cada uo de los resultados de u eperimeto aleatorio.

Más detalles