E.U.I.T.I. Bilbao. Asignatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA
|
|
- Rosario Alarcón Vargas
- hace 7 años
- Vistas:
Transcripción
1 E.U.I.T.I. Bilbao Asigatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA
2 E.U.I.T.I. Bilbao Asigatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA PARTE : ESTADÍSTICA INFERENCIAL
3 0. RECORDATORIO Estadística iferecial. Rama de la Estadística que estudia procedimietos para hacer iferecias, ésto es, para deducir propiedades de ua població a partir de la iformació obteida de ua muestra Objetivos básicos. A partir de la iformació proporcioada por ua muestra: estimació: estimar (evaluar) u parámetro descoocido de la població cotraste de hipótesis: realizació de ua prueba estadística cuyo objeto es estudiar si ua determiada afirmació sobre ua població se cofirma o se rechaza
4 El matrimoio es la pricipal causa de divorcio Groucho Marx Julius Hery Marx
5 E.U.I.T.I. Bilbao Asigatura: MÉTODOS ESTADÍSTICOS DE LA INGENIERÍA TEMA 5: DISTRIBUCIONES MUESTRALES
6 La estadística e comic L. Gockig, W. Smith (00)
7 Pocas observacioes y mucho razoamieto coduce al error; muchas observacioes y poco razoamieto, a la verdad. Alexis Carrel Premio Nobel e Medicia (9)
8 . RESUMEN Se llama la ateció acerca de que los estadísticos muestrales so, e realidad, variables aleatorias. Así, se aaliza la distribució de probabilidad de la media muestral y de la variaza muestral e diversas situacioes. Palabras clave: distribucioes e el muestreo t de Studet F de Sedecor chi cuadrado
9 . ÍNDICE DEL TEMA 5.. Itroducció 5.. Muestreo 5.3. Muestreo aleatorio: tipos simple estratificado por coglomerado sistemático 5.4. Distribucioes e el muestreo 5.5. Media muestral 5.6. Teorema cetral del límite
10 . ÍNDICE DEL TEMA 5.7. Distribucioes asociadas a la ormal chi-cuadrado t de Studet F de Sedecor
11 3. INTRODUCCIÓN població: cojuto de todos los elemetos objeto de u estudio muestra: subcojuto de ua població letras griegas parámetro: es ua magitud umérica obteida de ua població (es ua catidad fija, geeralmete descoocida) letras latias estadístico: es ua magitud umérica cuyo valor viee determiado por la muestra (media muestral y variaza muestral, por ejemplo); se utiliza para estimar los parámetros de ua població
12 Muestra Muestra INTRODUCCIÓN o so iguales Variable aleatoria icertidumbre Muestra hipótesis: los datos de las muestras so v.a. co ua distribució comú Distribució teórica de probabilidad Elecció de parámetros modelo adecuado para calcular probabilidades asociadas a todas las muestras elecció adecuada (e la aalogía de la compra del traje se trata de elegir la talla) Muestreo
13 3. INTRODUCCIÓN Diferetes ámbitos de la vida real Estadística Experiecia Muestras de ua variable correcta sigificativa fiables represetativas Apredizaje Apredizaje e iferecia
14 3. INTRODUCCIÓN la mayor parte de las veces, la distribució de la població o es coocida completamete se usará ua muestra para realizar iferecias sobre ella Ejemplo. Se fabrica u uevo tipo de baterías para coches eléctricos durará u úmero aleatorio de kilómetros siguiedo ua distribució de probabilidad descoocida para averiguar cuál es esa distribució de probabilidad se puede fabricar u cierto úmero de baterías y probarlas e carretera los datos resultates (úmero de kms. recorridos co cada batería) costituye ua muestra extraída de la distribució
15 4. MUESTREO Muestreo : cojuto de técicas empleadas para la selecció de ua muestra a partir de ua població al seleccioar ua muestra, se espera que sus propiedades se pueda extrapolar a la població este proceso permite ahorrar recursos, obteiédose resultados parecidos a los que se tedría e el caso de realizar u estudio de toda la població tipos muestreo o aleatorio o de juicio: se emplea el coocimieto y la opiió persoal para idetificar aquellos elemetos de la població que debe icluirse e la muestra muestreo aleatorio o de probabilidad: todos los elemetos de la població tiee la oportuidad de ser escogidos
16 5. MUESTREO ALEATORIO: TIPOS Muestra aleatoria simple: recopilació de datos de ua v.a. X de ua determiada població mediate la repetició del experimeto al que está asociada. Dos codicioes básicas: todos los elemetos de la població debe teer la misma probabilidad de estar e la muestra las distitas observacioes de la muestra debe ser idepedietes etre sí vetajas secillo y de fácil compresió, cálculo rápido de media y variaza, existe paquetes iformáticos para su aálisis desvetajas debe coocerse de atemao el listado de toda la població, muestras pequeñas puede o ser represetativas
17 5. MUESTREO ALEATORIO: TIPOS Muestreo estratificado: la població se divide e grupos homogéeos (estratos) y después se toma ua muestra aleatoria simple de cada estrato cuyo tamaño depede de u úmero o cuota asigado. Criterios para la elecció de la cuota: proporcioal al tamaño relativo del estrato e la població proporcioal a la variabilidad del estrato, de forma que los más variables está más represetados vetajas tiede a asegurar que la muestra represete a la població de forma adecuada, estimacioes más precisas desvetajas debe coocerse la distribució e la població de las variables usadas para la estratificació
18 5. MUESTREO ALEATORIO: TIPOS Muestreo por coglomerado: la població se divide e coglomerados (clusters) de elemetos y, luego, se seleccioa ua muestra aleatoria de estos clusters. la variabilidad detro de cada grupo es grade y etre los grupos es pequeña es como si cada grupo fuese u pequeña represetació de la població e si misma vetajas eficiete cuado la població es grade y dispersa, reduce costes, o es ecesario el listado completo de la població desvetajas el error estádar es mayor que e el muestreo estratificado ó e el aleatorio y, además, su cálculo es complejo
19 5. MUESTREO ALEATORIO: TIPOS Coglomerado vs. estratificació muestreo por coglomerado e la muestra sólo está represetado u subcojuto de todos los coglomerados variabilidad grade e cada grupo y pequeña etre los grupos fucioa si hay pocas diferecias etre los clusters y so muy heterogéeos muestreo estratificado e la muestra está represetados todos los estratos variabilidad pequeña e cada estrato y grade etre ellos fucioa tato mejor cuato mayor sea las diferecias etre los estratos y más homogéeos sea iteramete
20 5. MUESTREO ALEATORIO: TIPOS Muestreo sistemático: los elemetos de la muestra se seleccioa de la població de ua forma uiforme medida respecto al tiempo, al orde, al espacio, procedimieto: listado de los N elemetos de la població determiar el tamaño,, de la muestra defiir u itervalo de salto, k tal que: arraque aleatorio, r: r k k N dode hasta completar la muestra, se toma los elemetos: r+k, r+k, r+3k, k Z
21 5. MUESTREO ALEATORIO: TIPOS Muestreo sistemático: los elemetos de la muestra se seleccioa de la població de ua forma uiforme medida respecto al tiempo, al orde, al espacio, vetajas fácil de aplicar, o siempre es ecesario teer u listado de toda la població, cuado la població está ordeada segú ua tedecia coocida se asegura ua cobertura de elemetos de todos los tipos desvetajas sesible a las posibles periodicidades e el listado de los elemetos de la població co lo que puede obteerse ua muestra que o sea represetativa de la població
22 5.DISTRIBUCIONES MUESTRALES para obteer iformació sobre u parámetro de la població: se seleccioa ua muestra represetativa de la població se obtiee el estadístico adecuado de la muestra co ese estadístico se estima el parámetro de la població los valores que toma el estadístico e cada ua de las muestras de tamaño (x, x,, x) so, a su vez, v.a. idepedietes que sigue la misma distribució de probabilidad (distribució poblacioal) la muestra se usará para iferir sobre esa distribució y, al meos, aproximar su forma
23 5.DISTRIBUCIONES MUESTRALES para valorar el grado de validez de las iferecias es ecesario coocer la distribució de probabilidad del estadístico cosiderado esa distribució de probabilidad se deomia distribució muestral la distribució muestral depede de: la distribució de la població el estadístico utilizado el tamaño muestral
24 5.DISTRIBUCIONES MUESTRALES se observa ua v.a. X muestra aleatoria simple : { x, x,, x } media : x desviació típica : s muestra aleatoria simple : { x, x,, x } media : x desviació típica : s muestra aleatoria simple : { x, x,, x } media : x desviació típica : s
25 5.DISTRIBUCIONES MUESTRALES los valores resultates e cada muestra so resultado del azar; etoces, geeralmete, o coicide para cada muestra se obtiee diferetes medias y desviacioes típicas por tato, la media muestral y la variaza muestral (e geeral, cualquier estadístico de ua muestra aleatoria simple) so, e realidad variables aleatorias y, como tales, tiee su distribució, su media, su variaza, { x, x,, } x { s, s,, } s muestras de dichas variables
26 5.DISTRIBUCIONES MUESTRALES Recordatorio Estadístico muestral: valor referido a ua muestra de ua variable aleatoria (media, variaza, ) Parámetro poblacioal: valor referido a la distribu- ció poblacioal de ua variable aleatoria (media, variaza, ) Asociados a estos dos coceptos se tiee: Distribució muestral de u estadístico muestral es su distribució de probabilidad Error estádar de u estadístico muestral es la desviació típica de su distribució muestral
27 5.DISTRIBUCIONES MUESTRALES Problema bastate difícil coocer la distribució e el muestreo de los estadísticos muestrales Solució si la variable que se observa sigue ua distribució ormal se cooce de forma exacta las distribucioes e el muestreo de los dos parámetro más importates: la media y la variaza (es el caso más secillo y, a su vez, el más importate) si la variable observada o sigue ua distribució ormal: el teorema cetral del límite idica que si ua variable es suma de otras variables su distribució es aproximadamete ormal co lo que, todavía, se puede cofiar e que lo que hagamos para variables ormales pueda ser válido
28 6.MEDIA MUESTRAL sea ua muestra de tamaño (x, x,, x) de ua població de tamaño N media poblacioal: µ variaza poblacioal: σ media muestral: X x X : tambié es ua v.a.; se demuestra que: E X esperaza: [ ] µ variaza: Var [ X ] σ desviació típica: SD [ X ] + x + σ X + σ x La dispersió dismiuye a medida que aumeta el tamaño muestral, Ross, M.S.; Itroducció a la Estadística; Ed. Reverté S.A. (005)
29 6.MEDIA MUESTRAL Ejemplo de comprobació. Sea ua població formada por los úmeros: { x, x 4, x 6, x 8 } 3 4 N4 i 4 µ N i x i N σ i 44 xi x 5 i. 36 se cosidera todas las muestras posibles de tamaño
30 6.MEDIA MUESTRAL Ejemplo de comprobació. la media de las medias muestrales es: i X x X µ i i 6 la desviació típica de las medias muestrales es: i 6 X xi x. 5 N σ i. 58 σ σ. 36 X. 58
31 6.MEDIA MUESTRAL Ejemplo de comprobació. fució de masa de probabilidad de la distribució muestral de la media muestral: x i ( x ) P ( X x ) p i x i x i ( x ) P ( X ) i x i p
32 6.MEDIA MUESTRAL Ejemplo de comprobació. represetació gráfica de la fució de masa de probabilidad de la distribució muestral de la media muestral:
33 6.MEDIA MUESTRAL e la afirmació: SD [ X ] σ σ X se asume que: la població es ifiita (suficietemete grade), ó el muestreo se realiza co reemplazamieto e caso cotrario, se debe utilizar u factor de correcció para poblacioes fiitas: SD [ X ] σ X σ N N N: tamaño de la població : tamaño de la muestra
34 7.TEOREMA CENTRAL DEL LÍMITE sea X, X,, X ua muestra aleatoria procedete de ua població de media µ y desviació típica σ si tiede a ifiito (para valores suficietemete grades de ) la suma: Y i i X i sigue aproximadamete ua distribució ormal Y N ( µ ; σ )
35 7.TEOREMA CENTRAL DEL LÍMITE Ejemplo. Ua compañía aseguradora de automóviles tiee 0000 asegurados. Si el gasto aual que u asegurado ocasioa a la compañía tiee por media 60 euros co ua desviació típica de 800 euros, aproximar la probabilidad de que el gasto total que la compañía debe afrotar e u año sobrepase los,8 milloes de euros Solució Xi : gasto ocasioado por el asegurado i (i,,, 0000) por el teorema cetral del límite µ. 6 0 σ i i X i Y N 6 4 (. 6 0 ; 8 0 )
36 7.TEOREMA CENTRAL DEL LÍMITE Ejemplo. Ua compañía aseguradora de automóviles tiee 0000 asegurados. Si el gasto aual que u asegurado ocasioa a la compañía tiee por media 60 euros co ua desviació típica de 800 euros, aproximar la probabilidad de que el gasto total que la compañía debe afrotar e u año sobrepase los,8 milloes de euros Solució etoces: P ( Y >. 8 0 ) P Z > P Z > tipificació ( Z >. 5) P ( Z. 5) P tablas Excel: -DISTR.NORM(800000;600000;80000;)
37 7.TEOREMA CENTRAL DEL LÍMITE geeralizació se puede demostrar que, auque las v.a. X, X,, X siga distribucioes distitas, la variable Y sigue aproximadamete ua distribució ormal siedo, como ates: i Y i X i es más, si todas las variables aleatorias tiede a ser, más ó meos, de la misma magitud, de forma que igua de ellas domie el valor de la suma, se puede demostrar que la suma de u gra úmero de variables aleatorias idepedietes sigue, aproximadamete, ua distribució ormal
38 7.TEOREMA CENTRAL DEL LÍMITE Distribució de la media muestral sea X, X,, X ua muestra aleatoria procedete de ua població de media µ y desviació típica σ sea la media muestral: X i i X i Y el producto de ua ormal, Y, por ua costate,, sigue siedo ormal: X N ( µ ; σ ) k X N ( k µ ; k σ ) etoces, si el tamaño muestral es grade, por el teorema cetral del límite se tiee: X N µ ; σ
39 7.TEOREMA CENTRAL DEL LÍMITE Distribució de la media muestral tipificació ; N X σ µ ( ) 0; N Z X σ µ además: σ ( ) a Z P a X P a X P σ σ σ µ µ µ
40 7.TEOREMA CENTRAL DEL LÍMITE Distribució de la media muestral Ejemplo. El ivel de colesterol e la sagre de ua població de trabajadores tiee media 0 mg/dl y desviació típica 4. a. si se seleccioa ua muestra de 36 trabajadores, aproximar la probabilidad de que la media muestral de sus iveles de colesterol esté compredida etre 98 y 06 mg/dl b. repetir el apartado aterior para u tamaño muestral de 64 Solució a. del teorema cetral del límite se deduce, como 36: N 7 0; 3 X 0 X Z N ( 0; ) 7 3
41 7.TEOREMA CENTRAL DEL LÍMITE Ejemplo. Solució Distribució de la media muestral tipificació 98 0 X a. P ( 98 X 06 ) P (. 74 Z. 74) Φ (. 74) Φ (. ) P 74 (. 74) [ Φ (. 74) ] (. 74) Φ Φ b. procediedo de forma aáloga para 64: P ( 98 X 06 ) tablas Nota. Al aumetar el tamaño muestral tambié aumeta la probabilidad de que la media muestral difiera de la poblacioal e meos de 4 uidades
42 7.TEOREMA CENTRAL DEL LÍMITE Distribució de la media muestral Ejemplo. Solució. Si tipificar, usado Excel a. P ( 98 X 06 ) 0, DISTR.NORM(06;0;7/3;)-DISTR.NORM(98;0;7/3;) b. P ( 98 X 06 ) 0, DISTR.NORM(06;0;7/4;)-DISTR.NORM(98;0;7/4;)
43 7.TEOREMA CENTRAL DEL LÍMITE Tamaño de la muestra el teorema cetral del límite deja abierta la cuestió de cuá grade debe ser el tamaño,, de la muestra para que la aproximació ormal sea válida respuesta: depede de la distribució de la població que subyace a los datos muestrales si la distribució subyacete es ormal, la media muestral es siempre ormal idepedietemete del tamaño de la muestra regla empírica: puede usarse la aproximació ormal siempre que el tamaño muestral sea, como míimo, 30 ( ) 30 e la mayoría de los casos la aproximació ormal es válida para tamaños muestrales mucho más reducidos
44 8.RESUMEN
45 8.RESUMEN
46 8.RESUMEN Població co distribució ormal ( ) Població co distribució o ormal ( ) 30 Distribució muestral de medias ormal NO Muestreo co sustitució NO Població ifiita SD [ X ] σ X σ N N SI SI SD [ X ] σ X σ
47 8.RESUMEN Ejemplo. E u muicipio, el cosumo medio por vivieda de eergía eléctrica es de 5Kwh co ua desviació típica de 6kwh. Se toma ua muestra de 50 viviedas: a. obteer la distribució muestral de las medias de cosumo de la muestra e Kwh b. calcular la probabilidad de que el cosumo medio del grupo de viviedas sea superior a 6Kwh Solució a. del teorema cetral del límite se deduce, como 50: µ5 σ X N 5 ; N. 50 ( 5 ; 0 849)
48 8.RESUMEN Ejemplo. E u muicipio, el cosumo medio, por vivieda, de eergía eléctrica es de 5Kwh co ua desviació típica de 6kwh. Se toma ua muestra de 50 viviedas: a. obteer la distribució muestral de las medias de cosumo de la muestra e Kwh b. calcular la probabilidad de que el cosumo medio del grupo de viviedas sea superior a 6Kwh Solució b. del teorema cetral del límite se deduce, como 50: P X ( X > 6 ) P > P ( Z >. 78) ( Z. 78) P. Excel: -DISTR.NORM(6;5;6/RAIZ(50);)~ 0,9964
49 8.RESUMEN Ejemplo. El peso del azúcar evasado e paquetes es ua variable aleatoria ormal de media 400gr. y desviació típica 30gr. Se toma ua muestra aleatoria simple de 5 paquetes. Calcular la probabilidad de que el promedio quede fuera del itervalo (390,40). Solució del teorema cetral del límite se deduce, como 5: 30 X N σ µ ; N 400 ; N ; 5 media poblacioal: µ400 desviació típica de la població: σ30 tamaño de la muestra: 5 ( )
50 8.RESUMEN Ejemplo. El peso del azúcar evasado e paquetes es ua variable aleatoria ormal de media 400gr. y desviació típica 30gr. Se toma ua muestra aleatoria simple de 5 paquetes. Calcular la probabilidad de que el promedio quede fuera del itervalo (390,40). Solució ( ) se pide calcular: P X ( 390, 40 ) P ( X ( 390, 40 )) P X ( 390, 40 ) ( ) ( 390 < X < 40 ) P < < P Z 6 ( < Z < ) P. 6
51 8.RESUMEN Ejemplo. El peso del azúcar evasado e paquetes es ua variable aleatoria ormal de media 400gr. y desviació típica 30gr. Se toma ua muestra aleatoria simple de 5 paquetes. Calcular la probabilidad de que el promedio quede fuera del itervalo (390,40). Solució ( ) se pide calcular: P X ( 390, 40 ) P ( X (, 40 )) P X ( 390, 40 ) ( ) 0, Excel: -(DISTR.NORM(40;400;6;)-DISTR.NORM(390;400;6;))
52 8.RESUMEN Ejemplo. El peso del azúcar evasado e paquetes es ua variable aleatoria ormal de media 400gr. y desviació típica 30gr. Se toma ua muestra aleatoria simple de 5 paquetes. Calcular la probabilidad de que el promedio quede fuera del itervalo (390,40). Solució ( ) se pide calcular: P X ( 390, 40 ) P ( X ( 390, 40 )) P ( X < 390 ) 0, Excel: *DISTR.NORM(390;400;6;)
53 9. DISTRIBUCIONES ASOCIADAS A LA NORMAL cuado se va a hacer iferecia estadística se ha visto que la distribució ormal aparece de forma casi ievitable. depediedo del problema, se puede ecotrar otras (asociadas): ji-cuadrado t de Studet F de Fisher-Sedecor Sus fucioes de desidad so muy poco tratables por lo que los cálculos se realiza co ordeador (tambié, muchos valores de sus fucioes de distribució está tabulados) resulta directamete de operar co distribucioes ormales típicamete aparece como distribucioes de ciertos estadísticos
54 0.DISTRIBUCIÓN JI-CUADRADO Si Z,Z,,Zk so variables aleatorias ormales estádar e idepedietes etoces se dice que la variable i k i i X Z Z + Z + + Z es ua variable aleatoria ji-cuadrado (ó chi-cuadrado) co k grados de libertad k otació: χ k i k i i Z Z + Z + + Z k ó X χ k parámetro: k (úmero de grados de libertad) es ua de las distribucioes más utilizadas e estadística iferecial (describe la distribució muestral de la variaza muestral)
55 0.DISTRIBUCIÓN JI-CUADRADO qué so los grados de libertad? se puede defiir como el úmero de valores que se puede elegir libremete ejemplo: sea ua muestra de tamaño, los valores de la muestra so x e y, y se sabe que tiee ua media de 0 x + y 0 x + y 0 x 0 y 0 x y 9 x 0 y 0 si x 5 y 5 y o es libre de tomar cualquier valor este ejemplo se puede geeralizar para cualquier e dode dada la media de los valores sólo queda (-) elemetos que puede defiirse libremete y uo es fució de la media y el resto de los elemetos
56 0.DISTRIBUCIÓN JI-CUADRADO fució de desidad f ( x ) x k k e Γ k ( ) x ( x 0 ) fució gamma: Γ ( x ) 0 t x t e dt fució asimétrica positiva, sólo tiee desidad los valores positivos (suma de cuadrados) se hace más simétrica, icluso casi gaussiaa, al aumetar el úmero de grados de libertad. ormalmete se cosidera aómalos aquellos valores de la variable de la cola de la derecha
57 0.DISTRIBUCIÓN JI-CUADRADO fució de desidad
58 0.DISTRIBUCIÓN JI-CUADRADO fució de desidad k k k k simulació
59 0.DISTRIBUCIÓN JI-CUADRADO fució de distribució acumulada
60 0.DISTRIBUCIÓN JI-CUADRADO esperaza matemática (media): [ ] χ k E k variaza: [ ] χ k Var k desviació típica: [ ] χ k SD k
61 0.DISTRIBUCIÓN JI-CUADRADO propiedades: la suma de dos v.a. idepedietes y cotiuas ji-cuadrado es tambié ua v.a. cotiua ji-cuadrado cuyo úmero de grados de libertad es la suma de los grados de libertad de las dos variables: χ k + χ χ k + por el teorema cetral del límite, cuado k>30: χ k N ( k ; )
62 0.DISTRIBUCIÓN JI-CUADRADO ejemplo ( P χ ) ( P χ > )
63 0.DISTRIBUCIÓN JI-CUADRADO ejemplo. Calcular: tablas P ( χ 0 ) ( χ ) P. ( χ ) P. el valor pedido o se ecuetra e las tablas, por tato, debe realizarse ua iterpolació lieal Excel: -DISTR.CHI(0;)0,939404
64 0.DISTRIBUCIÓN JI-CUADRADO ejemplo. Calcular: P ( χ 0 ) iterpolació lieal: parte de dos putos coocidos de ua fució y determia los valores itermedios co la recta que ue estos dos putos f ( b ) f ( a ( ) x ) ( x a ) + f ( a ) ( a < x b ) f < b a e este caso: ( a, f ( a )) ( , ) ( b, f ( b )) (. 0606, ) x operado: 0 f(b) f(x) f(a) ( 0 ) f ( x ) P χ a x b
65 0.DISTRIBUCIÓN JI-CUADRADO ejemplo. Calcular: tablas χ χ ( χ χ ) tal que P 0 0. ( χ χ ) tal que P 3 0. χ 0 χ tablas ;. ( χ χ ) P( χ > χ ) 0 05 P χ 0 χ ;.
66 0.DISTRIBUCIÓN JI-CUADRADO ejemplo. Calcular: P ( χ ) 4 > 3 aproximació co la ormal (k4) P( χ Excel: χ ( ) ( 4) ; N ( 9 ) 4 N ; > 3) P χ 4 > ( ) ( Z > ) P DISTR.CHI(3;4)~0,
67 .DISTRIBUCIÓN t DE STUDENT Si Y,Z,Z,,Z so + variables aleatorias ormales estádar e idepedietes etoces se dice que la v.a. X Y i i Z i ( Z + Z + + Z ) sigue ua distribució t de Studet co grados de libertad Y otació: X t parámetro: (úmero de grados de libertad) es ua distribució que surge al estimar la media de ua població co u tamaño muestral pequeño
68 .DISTRIBUCIÓN t DE STUDENT es ua distribució que surge al estimar la media de ua població co u tamaño muestral pequeño además, ormalmete se descooce la desviació típica σ William Gosset Studet defie ua ueva variable aleatoria, la t, utilizada e estos supuestos X µ σ e la variable: Z N ( 0; ) estima (y sustituye) σ utilizado la desviació típica muestral t X s µ
69 .DISTRIBUCIÓN t DE STUDENT fució de desidad f ( x ) Γ π + ( ) Γ ( ) + x + x fució gamma: Γ ( x ) t e 0 simétrica co respecto al cero gráfica parecida a la de la ormal estádar pero preseta mayor dispersió co lo que es más aplaada a medida que aumeta los grados de libertad, su gráfica más se acerca a la de la ormal estádar N(0,); para 30 la distribució t tiede a N(0,) se cosidera valores aómalos los que se aleja de cero (positivos o egativos) t dt
70 .DISTRIBUCIÓN t DE STUDENT fució de desidad N ( 0, ) simulació
71 .DISTRIBUCIÓN t DE STUDENT esperaza matemática (media): E [ t ] 0 variaza: Var [ t ]
72 .DISTRIBUCIÓN F DE SNEDECOR Si Y, Y,, Y, Z,Z,, Zm so +m v.a. ormales estádar e idepedietes etoces se dice que la v.a. ( ) ( ) m m i i i i i i Z Z Z m Y Y Y Z m Y X otació: sigue ua distribució F de Sedecor (ó F de Fisher ó F de Fisher-Sedecorco grados de libertad e el umerador y m grados de libertad e el deomiador parámetros:, m (grados de libertad) es ua distribució que surge al estimar el cociete de variazas de dos poblacioes ormales X F ;m i m m
73 .DISTRIBUCIÓN F DE SNEDECOR fució de desidad f ( x ) m x x x ( m Β, ) x + m x + m fució gamma: Β π x ( x, y ) cos θ y se θ d θ 0 sólo toma valores positivos es asimétrica ormalmete, se cosidera valores aómalos los de la cola de la derecha relació co ji-cuadrado: F ; χ
74 .DISTRIBUCIÓN F DE SNEDECOR fució de desidad 0.7 F 8 ; F 8 ;4 0.5 F 4 ;
75 .DISTRIBUCIÓN F DE SNEDECOR esperaza matemática (media): E [ ] m F ( m > ) ; m m variaza: Var m [ ] ( + m ) F ; m m ( m ) ( m 4) ( > 4 ) propiedades: relació co la distribució ji-cuadrado: relació co la distribució t de Studet: F ; χ F ; m t m si F;m;-α es el valor que deja a su derecha ua probabilidad α: ; m; α F F P ( F F ) α ; m; α ; m > ; m; α
76 3. DISTRIBUCIONES ASOCIADAS A LA NORMAL propiedad reproductiva de la distribució ormal: si X, X,, X so variables aleatorias ormales idepedietes, co E[Xi]µi y Var[Xi]σi, etoces: i i i i a ; a N Y X a X a X a σ µ i i i i i i a ; a N Y X a X a X a σ µ
77 3. DISTRIBUCIONES ASOCIADAS A LA NORMAL sea X, X,, X ua muestra aleatoria simple de ua població ormal co media µ y variaza σ y sea la cuasivariaza muestral: ( ) i i X X S s s i la variable aleatoria ( ) ( ) σ σ S s sigue ua distribució ji-cuadrado co - grados de libertad ( ) ( ) S s χ σ σ
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 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 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 detallesPráctica 2 VARIABLES ALEATORIAS CONTINUAS
Práctica. Objetivos: a) Apreder a calcular probabilidades de las distribucioes Normal y Chi-cuadrado. b) Estudio de la fució de desidad de la distribució Normal ~ N(µ;σ) c) Cálculo de la fució de distribució
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 detallesSESION 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 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 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 detallesIntroducción a la Inferencia Estadística. Muestreo en poblaciones normales
Ídice 5 Itroducció a la Iferecia Estadística Muestreo e poblacioes ormales 51 51 Itroducció 51 52 Estadísticos y mometos muestrales 53 521 Media muestral Propiedades 54 522 Variaza muestral Propiedades
Más detallesQué es la estadística?
Qué es la estadística? La estadística tiee que ver co la recopilació, presetació, aálisis y uso de datos para tomar decisioes y resolver problemas. Qué es la estadística? U agete recibe iformació e forma
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 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 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 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 detallesEstadística 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 detallesCLAVES 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 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 detalles1. Teorema del Límite Central. Como se dijo varias clases atras si tenemos n variables aleatorias, cada una de. X i = X. n = 1 n.
1. Teorema del Límite Cetral Teorema: ea Y 1, Y,..., Y variables aleatorias idepedietes idéticamete distribuidas co EY i = µ y V Y i =
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 detallesDISTRIBUCIÓN 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 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 detallesEjercicios 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 detallesEjercicios de intervalos de confianza en las PAAU
Ejercicios de itervalos de cofiaza e las PAAU 2008 1 1.-El úmero de días de permaecia de los efermos e u hospital sigue ua ley Normal de media µ días y desviació típica 3 días. a)determiar u itervalo de
Más detallesFÍSICA GENERAL 2º CUATRIMESTRE 2014 TT.PP. LABORATORIOS- TEORIA DE ERRORES. (Algunos conceptos importantes)
FÍSICA GENERAL 2º CUATRIMESTRE 2014 TT.PP. LABORATORIOS- TEORIA DE ERRORES (Alguos coceptos importates) 1. Error de apreciació. Lo primero que u experimetador debe coocer es la apreciació del istrumeto
Más detallesImportancia de las medidas de tendencia central.
UNIDAD 5: UTILICEMOS MEDIDAS DE TENDENCIA CENTRAL. Importacia de las medidas de tedecia cetral. Cuado recopilamos ua serie de datos podemos resumirlos utilizado ua tabla de clases y frecuecias. La iformació
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 detallesCAPÍTULO 6 DISTRIBUCIONES MUESTRALES
CAPÍTULO 6 DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es coocer acerca del comportamieto de parámetros poblacioales tales como: la media ( μ ), la variaza ( ) o la proporció ( p ).
Más detallesRepública Bolivariana de Venezuela Universidad Nacional Abierta Vicerrectorado Académico Área de Matemática
República Bolivariaa de Veezuela Uiversidad Nacioal Abierta Vicerrectorado Académico Área de Matemática Fórmulas y Tablas Cursos: 738, 745, 746 y 748 Prof. Gilberto Noguera Lista de Formulas N 1) µ = x
Más detallesMedidas de Tendencia Central
1 Medidas de Tedecia Cetral La Media La media (o promedio) de ua muestra x 1, x,, x de tamaño de ua variable o característica x, se defie como la suma de todos los valores observados e la muestra, dividida
Más detallesGuía 1 Matemática: Estadística NM 4
Cetro Educacioal Sa Carlos de Aragó. Sector: Matemática. Prof.: Ximea Gallegos H. 1 Guía 1 Matemática: Estadística NM 4 Nombre: Curso: Fecha. Uidad: Estadística y Probabilidades. Apredizajes Esperados:
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 detallesPreguntas más Frecuentes: Tema 2
Pregutas más Frecuetes: Tema 2 Pulse sobre la preguta para acceder directamete a la respuesta 1. Se puede calcular la media a partir de las frecuecias absolutas acumuladas? 2. Para calcular la media aritmética,
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 detalles1. 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 detallesPrueba 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 detallesUnidad N 2. Medidas de dispersión
Uidad N 2 Medidas de dispersió Ua seguda propiedad importate que describe ua serie de datos uméricos es ua variació. La variació es la catidad de dispersió o propagació e los datos. Dos series de datos
Más detallesEstadística Teórica II
tervalos de cofiaza Estadística Teórica NTERVALOS DE CONFANZA Satiago de la Fuete Ferádez 77 tervalos de cofiaza CÁLCULO DE NTERVALOS DE CONFANZA PARA LA MEDA CON DESVACÓN TÍPCA POBLACONAL CONOCDA Y DESCONOCDA.
Más detallesMEDIDAS DE DISPERSIÓN.
MEDIDA DE DIPERIÓN. Las medidas de tedecia cetral solamete da ua medida de la localizació del cetro de los datos. Co mucha frecuecia, es igualmete importate describir la forma e que las observacioes está
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2013 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 013 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Juio, Ejercicio 4, Opció A Juio, Ejercicio 4, Opció B Reserva 1, Ejercicio 4, Opció
Más detallesTEMA 6 MUESTRAS ALEATORIAS Y DISTRIBUCIONES EN EL MUESTREO
.- Itroducció: TEMA MUESTRAS ALEATORIAS Y DISTRIBUCIONES EN EL MUESTREO Los aálisis estadísticos que se realiza e el mudo real tiee como objetivo estudiar las propiedades características de las poblacioes
Más detallesMuestreo sistemático
Capítulo 1 Muestreo sistemático El muestreo sistemático es u tipo de muestreo que es aplicable cuado los elemetos de la població sobre la que se realiza el muestreo está ordeados Este procedimieto de muestreo
Más detallesHacia dónde tienden los datos? Se agrupan en torno a un valor? o, se dispersan? Su distribución se parece a alguna distribución teórica?
COMPORTAMIENTO DE LAS DISTRIBUCIONES DE FRECUENCIA: Preparadas las TABLAS DE FRECUENCIA de los valores de ua variable resulta iteresate describir su comportamieto. Hacia dóde tiede los datos? Se agrupa
Más detallesTema 9. Introducción a la Inferencia Estadística. Presentación y Objetivos. Esquema Inicial. Probabilidades y Estadística I
Tema 9. Itroducció a la Iferecia Estadística Presetació y Objetivos. La iferecia utiliza el leguaje de la probabilidad para sacar coclusioes de los datos y acompañar esas coclusioes por ua declaració formal
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 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 detallesProbabilidad FENÓMENOS ALEATORIOS
Probabilidad FENÓMENOS ALEATORIOS E el mudo real hay feómeos regidos por leyes de tipo empírico (basadas e la experiecia), lógico o deductivo, e los que el efecto está determiado por ciertas causas. El
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 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 detallesPRUEBAS DE HIPÓTESIS.
PRUEBAS DE HIPÓTESIS. HIPÓTESIS ESTADÍSTICA Paramétrica : No Paramétrica Es ua afirmació sobre los valores de los parámetros poblacioales descoocidos. Es ua afirmació sobre algua característica Simple
Más detallesDepartamento Administrativo Nacional de Estadística
Departameto Admiistrativo acioal de Estadística Direcció de Regulació, Plaeació, Estadarizació y ormalizació -DIRPE- Especificacioes de Coeficiete y Variaza Ecuesta de Cosumo Cultural Julio 008 ESPECIFICACIOES
Más detallesINTERVALOS DE CONFIANZA
Gestió Aeroáutica: Estadística Teórica Facultad Ciecias Ecoómicas y Empresariales Departameto de Ecoomía Aplicada Profesor: Satiago de la Fuete Ferádez NTERVALOS DE CONFANZA Gestió Aeroáutica: Estadística
Más detallesProbabilidad y estadística
Probabilidad y estadística MEDIDAS DE TENDENCIA CENTRAL, MEDIDAS DE DISPERSIÓN, GRÁFICAS, E INTERPRETANDO RESULTADOS Prof. Miguel Hesiquio Garduño. Est. Mirla Beavides Rojas Depto. De Igeiería Química
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 detallesDeterminación 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 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 detallesOPCIÓN A EJERCICIO 1_A
IES Fco Ayala de Graada Sobrates de 2001 (Modelo 4) Euciado Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 0-1 2 1 ( putos) Resuelva la siguiete ecuació matricial: A X - 2 B C, siedo A 1 0 1, B -2, C. 1
Más detallesTrabajo Especial Estadística
Estadística Resolució de u Problema Alumas: Arrosio, Florecia García Fracaro, Sofía Victorel, Mariaela FECHA DE ENTREGA: 12 de Mayo de 2012 Resume Este trabajo es ua ivestigació descriptiva, es decir,
Más detallesSobrantes de 2004 (Septiembre Modelo 3) Soluciones Germán-Jesús Rubio Luna OPCIÓN A
OPCIÓN A EJERCICIO 1_A (3 putos) Ua pastelería elabora dos tipos de trufas, dulces y amargas Cada trufa dulce lleva 20 g de cacao, 20 g de ata y 30 g de azúcar y se vede a 1 euro la uidad Cada trufa amarga
Más detalleses un proceso de conteo si representa el número de eventos ocurridos hasta el tiempo t.
PROCESOS ROBABILIDADES ESTOCÁSTICOS (ITEL-3005) (80807) Tema 4. Los Procesos Tema. de Fudametos Poisso y otros de Estadística procesos asociados Descriptiva Semaa Distribució 5 Clase 07 de frecuecias Lues
Más detallesDistribuciones de probabilidad
Distribucioes de probabilidad 1. Variable aleatoria real: Ejemplo: Ua variable aleatoria X es ua fució que asocia a cada elemeto del espacio muestral E u úmero X: E ú Cosideremos el experimeto aleatorio
Más detallesTEMA 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 detallesMuestreo e Intervalos de Confianza
Muestreo e Itervalos de Cofiaza PROBLEMAS DE SELECTIVIDAD RESUELTOS MUESTREO E INTERVALOS DE CONFIANZA 1) E ua població ormal co variaza coocida se ha tomado ua muestra de tamaño 49 y se ha calculado su
Más detalles6. Sucesiones y Series numéricas Sucesiones numéricas DEFINICIONES
6. Sucesioes y Series uméricas 6.. Sucesioes uméricas 6... DEFINICIONES Sucesioes de úmeros reales Se llama sucesió de úmeros reales a cualquier lista ordeada de úmeros reales: a, a 2, a 3,..., a,...,
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA DISTRIBUCIÓN DE FRECUENCIAS, HISTOGRAMA, POLIGONO Y ESTADÍSITICOS DE TENDENCIA CENTRAL, DISPERSIÓN, ASIMETRÍA Y CURTOSIS. Prof.: MSc. Julio R. Vargas I. Las calificacioes fiales
Más detallesMEDIDAS DE TENDENCIA CENTRAL. _ xi
EDIDAS DE TENDENCIA CENTRAL. EDIA ARITÉTICA. Es la medida más coocida y tambié es llamada promedio se obtiee sumado todos los valores de la muestra o població, dividida etre el total de elemetos que cotiee
Más detallesT 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 detallesEstado gaseoso. Mezclas de gases ideales presión parcial de un gas en una mezcla de gases ideales ley de Dalton
Estado gaseoso Ecuació de estado de los gases perfectos o ideales Mezclas de gases ideales presió parcial de u gas e ua mezcla de gases ideales ley de Dalto Feómeos de disolució de gases e líquidos leyes
Más detallesSELECCIÓN DE LOS CASOS (II): Muestra estadística
ELECCIÓ DE L CA (II): El objetivo de esta ficha de actividad es itroducir el problema de la selecció de los casos ua vez que se ha defiido (auque sea) provisoriamete el tipo de diseño que orgaizará la
Más detalles1. QUÉ ES LA ESTADÍSTICA?
1. QUÉ ES LA ESTADÍSTICA? Cuado coloquialmete se habla de estadística, se suele pesar e ua relació de datos uméricos presetada de forma ordeada y sistemática. Esta idea es la cosecuecia del cocepto popular
Más detalles2.- Estudio Poblacional y Muestral Univariante
.- Estudio Poblacioal y Muestral Uivariate Població: Colectivo de persoas o elemetos co ua característica comú, objeto de estudio. Imposibilidad de estudio de esta característica e toda la població - Coste
Más detallesESTADISTICA UNIDIMENSIONAL
ESTADISTICA UIDIMESIOAL La estadística estudia propiedades de ua població si recurrir al sufragio uiversal. El estudio estadístico tiee dos posibilidades (1) Describir lo que ocurre e la muestra mediate
Más detallesComo 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 detallesTema 10 Inferencia, distribuciones muestrales y contraste de hipótesis
Tema 10 Iferecia, distribucioes muestrales y cotraste de hipótesis 10. Iferecia, distribucioes muestrales y cotraste de hipótesis 1 10.1. Técicas de Muestreo........................ 2 10.2. Estimació de
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2012 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 01 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Juio, Ejercicio 4, Opció A Reserva 1, Ejercicio 4, Opció A Reserva, Ejercicio 4, Opció
Más detallesUn sistema de m ecuaciones lineales con n incógnitas es un conjunto de m igualdades del tipo:......
1. Sistemas de m ecuacioes lieales co icógitas U sistema de m ecuacioes lieales co icógitas es u cojuto de m igualdades del tipo: a11x 1 a1 x... a1 x b1 a1x1 ax... ax b (1)... am1x1 amx... amx bm Los úmeros
Más detallesINTERÉS SIMPLE COMO FUNCIÓN LINEAL.
INTERÉS SIMPLE COMO FUNCIÓN LINEAL. EJERCICIOS PROPUESTOS. 1.- Grafica las fucioes Moto e Iterés: a) C = + 0, co C e miles de pesos ; : meses y R. Para graficar estar fucioes, debemos dar valores a, por
Más detallesPara estimar su media poblacional (µ) se toma una muestra de 20 cigarrillos, las medias de la. σ 20
Modelo 04. Problema 5A.- (Calificació máxima: putos) El coteido e alquitrá de ua determiada marca de cigarrillos se puede aproximar por ua variable aleatoria co distribució ormal de media µ descoocida
Más detallesModelos lineales en Biología, 5ª Curso de Ciencias Biológicas Clase 28/10/04. Estimación y estimadores: Distribuciones asociadas al muestreo
Modelos lieales e Biología, 5ª Curso de Ciecias Biológicas Clase 8/10/04 Estimació y estimadores: Distribucioes asociadas al muestreo Referecias: Cualquiera de los textos icluidos e la bibliografía recomedada
Más detallesParte 2. Estadística inferencial
Parte. Estadística iferecial. Distribucioes muestrales Recordemos que el objetivo de la Estadística es hacer iferecias acerca de los parámetros de ua població co base e la iformació coteida e ua muestra.
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 detallesTEMA 2: DISTRIBUCIONES DE PROBABILIDAD
ESTADÍSTICA, CURSO 008 009 TEMA : DISTRIBUCIONES DE PROBABILIDAD LEYES DE PROBABILIDAD. SUCESOS ALEATORIOS Experimetos aleatorios, espacio muestral. Sucesos elemetales y compuestos. Suceso imposible Ø,
Más detallesMATEMÁTICAS. TEMA Inferencia Estadística.
MATEMÁTICAS TEMA 11-12 Iferecia Estadística. . ÍNDICE 1. Itroducció. 2. Tabla Normal (0,1). 3. Itervalos de cofiaza. 3.1. Itervalo de cofiaza para la media 3.2. Itervalo de cofiaza para la proporció 4.
Más detallesConceptos generales de inferencia estadística. Estimación de parámetros. Intervalos de confianza.
FCEyN - Estadística para Química do. cuat. 006 - Marta García Be Coceptos geerales de iferecia estadística. Estimació de parámetros. Itervalos de cofiaza. Iferecia estadística: Dijimos e la primera clase
Más detallesMuestreo Estratificado.
Muestreo Estratificado. 1.- Itroducció: Para aplicar este diseño, se precisa que la població esté dividida e subpoblacioes, estratos, que o se solape. Se seleccioa ua muestra probabilística e cada estrato
Más detallesMuestreo. Tipos de muestreo. Inferencia Introducción
Germá Jesús Rubio Lua Catedrático de Matemáticas del IES Fracisco Ayala Muestreo. Tipos de muestreo. Iferecia Itroducció Nota.- Puede decirse que la Estadística es la ciecia que se preocupa de la recogida
Más detallesEstimación puntual y por intervalos de confianza
Ídice 6 Estimació putual y por itervalos de cofiaza 6.1 6.1 Itroducció.......................................... 6.1 6. Estimador........................................... 6. 6.3 Método de costrucció
Más detallesI.T. INDUSTRIAL METODOS ESTADÍSTICOS. FORMULARIO I. ESTADISTICA DESCRIPTIVA Xv.a. Media x = n n i x 2 Varianza poblacional σ 2 i
I.T. INDUSTRIAL METODOS ESTADÍSTICOS FORMULARIO I. ESTADISTICA DESCRIPTIVA Xv.a k modalidades x 1,x,..., x k ; datos i x i Media x = i x Variaza poblacioal σ i = x i (x i x) Variaza muestral S = 1 (x i
Más detallesMirando las gráficas, justifica estas afirmaciones: Cuantos más dados intervienen, más se parece la distribución de sus promedios a la curva normal.
Uidad 1. Iferecia estadística. Estimació de la media Matemáticas aplicadas a las Ciecias Sociales II Resuelve Págia 85 Lazamieto de varios dados Comprueba e la tabla aterior ue: DESV. TÍPICA DESV. TÍPICA
Más detalles6. DISTRIBUCIONES MUESTRALES
6. DISTRIBUCIONES MUESTRALES Dr. Edgar Acua http://math.uprm.edu/~edgar UNIVERSIDAD DE UERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es saber
Más detallesMétodos estadísticos y numéricos Estimación por Intervalos de confianza 1 PROBLEMAS RESUELTOS DE ESTIMACIÓN POR INTERVALOS DE CONFIANZA
Métodos estadísticos y uméricos Estimació por Itervalos de cofiaa PROBLEMA REUELTO DE ETIMACIÓN POR INTERVALO DE CONFIANZA U adador obtiee los siguietes tiempos, e miutos, e 0 pruebas croometradas por
Más detallesLímite y Continuidad de Funciones.
Límite Cotiuidad de Fucioes. Eleazar José García. eleagarcia9@hotmail.com. Límite de ua fució.. Defiició de límite de ua fució.. Ifiitésimo.. Ifiitésimos equivalete.. Límite por la izquierda.. Límite por
Más detallesINECUACIONES. Ejemplo: La desigualdad 2x+l>x+5, es una inecuación por que tiene una incógnita "x" que se verifica para valores mayores que 4.
INECUACIONES DEFINICIÓN: Ua iecuació es ua desigualdad e las que hay ua o más catidades descoocidas (icógita) y que sólo se verifica para determiados valores de la icógita o icógitas. Ejemplo: La desigualdad
Más detallesIES Fco Ayala de Granada Sobrantes de 2002 (Modelo 1) Solución Germán-Jesús Rubio Luna
IES Fco Ayala de Graada Sobrates de 2002 (Modelo 1) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A (3 putos) Ua fábrica de muebles dispoe de 600 kg de madera para fabricar librerías de 1 y de 3 estates.
Más detallesPRUEBAS DE HIPOTESIS
PRUEBAS DE HIPOTESIS Es posible estimar u parámetro a partir de datos muestrales, bie sea ua estimació putual o u itervalo de cofiaza. Pero: Si mi objetivo o es estimar u parámetro, sio determiar el cumplimieto
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 detallesSistemas de Ecuaciones Lineales. M. en I. Gerardo Avilés Rosas
Sistemas de Ecuacioes Lieales M. e I. Gerardo Avilés Rosas Octubre de 206 Tema 5 Sistemas de Ecuacioes Lieales Objetivo: El alumo formulará, como modelo matemático de problemas, sistemas de ecuacioes lieales
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 detallesGLOSARIO ESTADÍSTICO. Fuente: Murray R. Spiegel, Estadística,, McGraw Hill.
GLOSARIO ESTADÍSTICO Fuete: Murray R. Spiegel, Estadística,, McGraw Hill. CONCEPTOS Y DEFINICIONES ESPECIALES Es el estudio cietífico de los La estadística posee tres campos métodos para recoger, orgaizar,
Más detallesCapítulo VARIABLES ALEATORIAS
Capítulo VI VARIALES ALEATORIAS. Itroducció Detro de la estadística se puede cosiderar dos ramas perfectamete difereciadas por sus objetivos y por los métodos que utiliza: Estadística Descriptiva o Deductiva
Más detallesSesión No. 6. Contextualización. Nombre: Funciones exponenciales y logarítmicas y el uso de las MATEMÁTICAS. progresiones aritméticas y geométricas.
Matemáticas Sesió No. 6 Nombre: Fucioes expoeciales y logarítmicas y el uso de las progresioes aritméticas y geométricas. Cotextualizació Las fucioes expoeciales y logarítmicas se les cooce como trascedetes,
Más detalles