Tema 3: Estimación estadística de modelos probabilistas. (segunda parte)
|
|
- Víctor Maldonado Aguirre
- hace 6 años
- Vistas:
Transcripción
1 Tema 3: Estimación estadística de modelos probabilistas. (segunda parte) Estructura de este tema: 1 Técnicas de muestreo y estimación puntual Contrastes de hipótesis.
2 Planteamiento del problema Sea X 1,..., X n una m.a. de una población X con función de distribución F θ, siendo θ un parámetro desconocido: X F θ. La estimación puntual nos proporciona un valor concreto como aproximación de un parámetro desconocido: ˆθ. Sin embargo, en general no se precisa la incertidumbre existente en dicha estimación. La estimación por intervalos de confianza nos proporciona un intervalo de valores donde el parámetro θ se puede encontrar, especificando además el grado de fiabilidad de la estimación. Observación: Cuando decimos que el estimador de µ es, p.e., 7.15, lo que estamos diciendo en realidad es que es, aproximadamente, 7, 15. Para cuantificar este aproximadamente lo hacemos con los Intervalos de Confianza.
3 Intervalos de confianza: Definiciones Un intervalo de confianza, IC, para el parámetro θ es un intervalo, calculado a partir de la muestra, que contiene a θ con un alto grado de fiabilidad. La fórmula general de los intervalos que vamos a estudiar es: IC(θ) = (ˆθ Margen de error) El margen de error (o error máximo) depende de la precisión del estimador utilizado, del grado de fiabilidad con el que queremos que el intervalo contenga al parámetro. El grado de fiabilidad de que el verdadero valor del parámetro se encuentre en el IC construido, se denomina nivel de confianza y se denota por 1 α, donde α es un valor entre 0 y 1 fijado previamente.
4 El nivel de confianza 1 α es la probabilidad de que θ se encuentre en el intervalo construido (IC): 1 α = P{θ IC(θ)} = P{θ (ˆθ Margen de error)} El nivel de significancia α es la probabilidad de equivocarnos al afirmar que el parámetro se encuentra en el IC obtenido: α = P{θ / IC(θ)} = P{θ / (ˆθ Margen de error)} Obs: Habitualmente se trabaja con niveles de confianza del 90% (α = 0.1), del 95% (α = 0.05) y del 99% (α = 0.01).
5 Cómo construir Intervalos de Confianza? Ejemplo ilustrativo : IC para la media de una población normal (con varianza σ 2 conocida) La resistencia de ciertos componentes eléctricos fabricados en un proceso es una v.a. que sigue una distribución Normal con media desconocida (en ohmios) y desviación típica conocida σ = 0.25 ohmios 2 : X N(µ, 0.25). Queremos estimar la concentración media, µ, con un nivel de confianza del 95%. Primer paso: De una muestra de 12 observaciones obtenemos que la concentración media es x = Esto significa que µ Obs: Por supuesto, µ Si tomáramos otras 12 piezas distintas nos habría resultado una estimación de µ diferente. Un IC es una forma de precisar qué significa µ Segundo paso: Queremos construir un IC de la forma ( x C) que contenga al verdadero valor µ. Cómo será C?...
6 ) σ Teniendo en cuenta que si X N(µ, σ), entonces X N (µ, n, buscamos un número C tal que: P{ X C < µ < X + C} = 1 α P{µ C < X < µ + C} = 1 α Z= X µ σ/ n N(0,1) P{ C σ/ n < Z < C σ/ n } = 1 α P{Z C σ/ } = α n 2 }{{} = σ C = z α/2 n z α/2 Por tanto σ σ ) ( σ ) IC 1 α (µ) = ( x z α/2 n, x + z α/2 n = x z α/2 n }{{} error máximo
7 Si particularizamos a un nivel de confianza del 95% y tamaño muestral 12, se cumple: IC 95% (µ) = ( x ) es decir: x < µ < x Podemos afirmar que, aproximadamente para el 95% de las muestras de tamaño 12, se cumple que µ ( X ). Decimos que ( ) es un IC para µ a un nivel de confianza del 95%. Cuestiones: Con los mismos datos del ejemplo anterior calcula los IC cuyos nivel de confianza sean 90% y 99%. Si x = pero la muestra era de 36 observaciones en lugar de 12. Calcula un IC de nivel 95%. Si x = con una muestra de 36 observaciones pero σ = 1 en lugar de σ = Calcula un IC de nivel 95%.
8 Fórmula general: Un IC con nivel de confianza 1 α para la media de una población normal con σ conocida viene dado por: ) σ IC 1 α (µ) = ( x z α/2 n Aparecen tres cantidades variables: la confianza, 1 α; el tamaño muestral, n; el error máximo, z α/2 σ n. A mayor tamaño muestral, n, se reduce el intervalo de confianza (se reduce el error). A mayor confianza exigida, 1 α, aumenta el intervalo de confianza (aumenta el error). Cualesquiera dos de estas tres cantidades permiten determinar la otra tercera. Fijado un nivel de confianza, podemos encontrar el tamaño de la muestra necesario para que el error de la estimación sea tan pequeño como queramos. Esto ocurre en el resto de los intervalos de confianza que veremos.
9 Interpretación del nivel de confianza Si para estimar un parámetro hemos recogido muchas muestras, con cada muestra obtendremos distintos intervalos de confianza. Entre éstos algunos contendrán el verdadero valor del parámetro y otros no. Al tomar muchos intervalos, la proporción de ellos que contiene al parámetro será aproximadamente el (1 α)100%. Ejemplo: Se extraen 100 muestras de tamaño n = 20 de una población normal con media µ = 0 y σ = 1. Para cada muestra se calcula x y el intervalo de confianza para µ de nivel 95% (suponemos varianza poblacional conocida) es: σ ) IC 95% (µ) = ( x z n = ( x ).
10 x (1) 1,..., x (1) 20 IC (1) 95% ( x (µ) = (1) 1.96/ ) 20. x (2) 1,..., x (2) 20 IC (2) 95% ( x (µ) = (2) 1.96/ ) 20.. x (100) 1,..., x (100) 20 IC (100) 95% ( x (µ) = (100) 1.96/ ) 20. Se representa un histograma de las 100 medias obtenidas, así como los 100 intervalos (en verde si contienen el valor 0 y en rojo si no). Medias Intervalos Frecuencias
11 Ejemplo 3.4: Con el fin de determinar las imprecisiones en la velocidad de transmisión en un servidor de la universidad, se descarga un fichero de 2Mb de él y se anota el tiempo necesario para la descarga. Suponemos que la variable Tiempo de descarga de ficheros de 2 Mg sigue una distribución Normal con desviación típica de 0, 12 seg 2. En el día de hoy se extrae una muestra aleatoria de 60 cuyo tiempo medio es de 4, 07 seg. (a) Hallar un IC del 99% para el tiempo medio de descarga del servidor el día de hoy. (b) Sin realizar los cálculos, determinar si un IC del 95% para la media poblacional tendría mayor, menor o la misma longitud que el de (a). (c) Se decide que mañana se tomará una muestra de 20. Sin realizar los cálculos, determinar si un IC del 99% para el tiempo medio de descarga mañana tendría mayor, menor o la misma longitud que el de (a). (d) Se sabe que la desviación típica poblacional para la descarga de hoy es de 0,15 seg 2. Sin realizar los cálculos, determinar si un IC del 99% para el tiempo medio de descarga hoy tendría mayor, menor o la misma longitud que el de (a).
12 Siguiente objetivo: Acabamos de ver cómo se deduce el IC para el parámetro µ de una v.a. X N(µ, σ), con σ un dato conocido: σ σ ) σ ) IC(µ) = ( x z α/2 n, x + z α/2 n = ( x z α/2 n La idea es ver cómo son los IC de los distintos parámetros asociados a las distribuciones que hemos estudiado en clase: IC(µ) si X N(µ, σ), con σ un dato desconocido, IC(σ) si X N(µ, σ), con µ un dato conocido o desconocido, IC(µ) e IC(σ) si X N(µ, σ) con ambos parámetros desconocidos. IC(p) si X Bernoulli(p) IC(λ) si X Poisson(λ) Todas estos intervalos se basan en el intervalo anterior, pero necesitamos estudiar unas variantes de la distribución normal.
13 Distribuciones asociadas a la normal Las siguientes distribuciones de probabilidad aparecen de modo natural a partir de muestras de distribuciones normales. La distribución χ 2 de Pearson Sean X 1,..., X n v.a. independientes idénticamente distribuidas (i.i.d.) con distribución N(0, 1). La variable aleatoria n i=1 X i 2 sigue una distribución χ 2 de Pearson con n grados de libertad: Densidad de la χ 2 n n i=1 X 2 i χ 2 n;α n χ 2 n;α z α N(0, 1) χ 2 1 χ 2 2 χ 2 3 χ 2 4 χ
14 La distribución t de Student Sean Y, X 1,..., X n v.a.i.i.d. con distribución N(0, 1). La variable Y aleatoria sigue una distribución t de Student con n n i=1 X i 2 1 n grados de libertad: 1 n Y n i=1 X i 2 t n;α n t n;α z α N(0, 1) Densidad de la t N(0,1) t 5 t
15
16 La distribución F de Fisher Sean X 1,..., X m, Y 1,..., Y n v.a.i.i.d. con distribución N(0, 1). La v.a. 1 m i=1 X i 2 n j=1 Y j 2 m 1 n sigue una distribución F de Fisher con m y n grados de libertad: 1 m 1 n m i=1 X 2 n j=1 Y 2 j i F m,n;α m, n F m,n;α z α N(0, 1) Densidad de la F F 5,3 F 4,
17 Puntos de Porcentaje de la distribución F Tablas de la distribución F n1,n 2 Normal (α = 0.05) y negrita (α = 0.01). n 1 grados de libertad: primer subíndice. n 2 : grados de libertad: segundo subíndice. Ejemplo: Para n1 = 9, n2 = 12 grados de libertad: P[ F > 2.80 ] = 0.05 P [ F > 4.39 ] = 0.01 n2 5 % (normal) y 1 % (negritas) puntos para la distribución de F n1 grados delibertad (para el mayor cuadrado medio) n
18 Intervalos de confianza en poblaciones normales: X N(µ, σ) Propiedad: Sea X 1,..., X n una muestra aleatoria de una v.a. X, tal que X N(µ, σ). Entonces, los estimadores insesgados ˆµ = X y ˆσ 2 = S 2 x son v.a. independientes que verifican: X N ( ) σ µ, n X µ σ n N(0, 1) X µ S x n t n 1 (n 1) S 2 x σ 2 χ 2 n 1
19 Intervalos de confianza en poblaciones normales: X N(µ, σ) Intervalos de confianza para la media µ al nivel de confianza 1 α: Si σ es conocido: recordemos que ˆµ = X y usamos z α/2 ) ) σ σ σ IC 1 α (µ) = ( x z α/2 n, x + z α/2 n = ( x z α/2 n. Si σ es desconocido: recordemos además que ˆσ = S x y en lugar de buscar z α/2 en las tablas buscamos t n 1,α/2 ( ) s IC 1 α (µ) = x t n 1;α/2 si n 30 n ( ) s IC 1 α (µ) = x z α/2 si n > 30 n
20 Ejemplo 3.5: En el estudio de la temperatura máxima que puede alcanzar una resistencia, consideremos la v.a. tiempo que tarda en alcanzarla. Se obtiene la siguiente muestra: (en segundos) Asumiendo normalidad en los datos: (a) Estima el tiempo medio µ para toda la población de resistencias. La estimación de µ es la media muestral: µ ˆµ = x x = = (b) Halla el error típico de la estimación anterior: E.T.( x)= s x n sx 2 = ( )2 + ( ) 2 + ( ) 2 + ( ) 2 3 Por tanto s x = y E.T.( x)= s x = 0.13 = n 2 = 0.017
21 (c) Calcula un intervalo de confianza para µ al 90%. Como t 3;0.05 = IC 90% (µ) = ( ) = (1.597, 1.903). Podemos afirmar que < µ < con un nivel de confianza del 90%. (d) Calcula otro intervalo, pero ahora con un nivel del 95%. Como t 3;0.025 = 3.182, un I.C. con nivel de confianza 1 α = 0.95 es IC 95% (µ) = ( ) = (1.543, 1.957). Podemos afirmar que < µ < con un nivel de confianza del 95%.
22 Intervalos de confianza en poblaciones normales: X N(µ, σ) IC para la varianza σ 2 al nivel de confianza 1 α: Recordemos que n 1 S 2 σ 2 x χ 2 n 1 y P σ 2 P σ 2 { χ 2 n 1;1 α/2 < (n 1)S 2 x { (n 1)S 2 x χ 2 n 1;α/2 σ 2 < σ 2 < (n 1)S 2 x χ 2 n 1;1 α/2 } < χ 2 n 1;α/2 = 1 α } = 1 α Por tanto, IC 1 α (σ 2 ) = ( (n 1)sx 2 χ 2, n 1;α/2 (n 1)s 2 x χ 2 n 1;1 α/2 )
23 Ejemplo 3.2 (cont.): Se contabiliza el tiempo (en milisegundos) de acceso a un registro de una base de datos. Debido a imprecisiones en los aparatos, las medidas tienen distribución normal. Se toma una muestra aleatoria de siete tiempos 1, 5 2, 1 1, 9 2, 3 2, 5 3, 2 3, 0 (ms) Utilizando estos datos (asumiendo normalidad) construye un IC al 90% para la desviación típica.
24 Intervalos de confianza en poblaciones normales IC para la diferencia de medias de dos poblaciones normales independientes, X N(µ 1, σ) e Y N(µ 2, σ), al nivel de confianza 1 α: Si σ es desconocido: Recordemos que ˆσ = S x y X µ S x / n t n 1. Por lo tanto ( ) donde IC 1 α (µ 1 µ 2 ) = x ȳ t m+n 2;α/2 s p 1 m + 1 n s 2 p = (m 1)s2 1 + (n 1)s2 2 m + n 2 es una media ponderada de las cuasivarianzas muestrales s 2 1 = 1 m 1 m i=1 (x i x) 2 y s 2 2 = 1 n 1, n (y i ȳ) 2. i=1
25 Ejemplo 3.6: La resistencia de ciertos componentes eléctricos fabricados en un proceso es una v.a. que sigue una distribución Normal. Un sistema acopla 2 componentes en serie, A y B, y se realizó un experimento para comparar la resistencia promedio para cada componente (X e Y respectivamente). Se realizaron 24 observaciones del proceso (doce de ellas para el A y las otras doce para el B) y se obtuvieron los siguientes datos: Para A: x = 26.8 ohmios, s 2 x = ohmios 2 ; Para B: ȳ = 32.6 ohmios, s 2 y = ohmios 2. Queremos saber si estos datos muestrales proporcionan evidencia de que B realmente tiene mayor resistencia o es fruto del azar. Para ello contesta a los siguientes apartados: (a) Calcular un intervalo de confianza del 95% para la diferencia. (Suponer varianzas iguales). (b) Teniendo en cuenta el resultado anterior cuál de los dos componentes tiene mayor resistencia?
26 Intervalos de confianza en poblaciones normales IC para la diferencia de medias de dos poblaciones normales independientes, X N(µ 1, σ 1 ) e Y N(µ 2, σ 2 ), al nivel de confianza 1 α: Si σ 1 y σ 2 son conocidas IC 1 α (µ 1 µ 2 ) = ( Si σ 1 y σ 2 son desconocidas ( IC 1 α (µ 1 µ 2 ) = σ 2 x ȳ z 1 α/2 m + σ2 2 n x ȳ t f ;α/2 s 2 1 m + s2 2 n ). ) ( s 2 1m + s2 2n ) 2 donde f es el entero más próximo a. (s 1 2/m)2 m 1 + (s2 2 /n)2 n 1
27 Intervalos de confianza en poblaciones normales IC para el cociente de las varianzas de dos poblaciones normales independientes, X N(µ 1, σ 1 ) e Y N(µ 2, σ 2 ), al nivel de confianza 1 α: ( ) ( σ 2 IC 1 s1 2 1 α σ2 2 = /s2 2, F m 1;n 1;α/2 1 s 2 1 /s2 2 F m 1;n 1;1 α/2 Observación: F n1 ;n 2 ;1 C = F n2 ;n 1 ;C Ejemplo 3.4 (cont.): En el estudio sobre la velocidad de transmisión en los servidores de la universidad, se quieren comparar dos de ellos: Servidor I y Servidor II; para lo que se estudia el Tiempo de descarga de ficheros de 2 Mg en cada uno (asumimos normalidad en los datos). Se realizan 56 observaciones: 31 con el Servidor I y 25 con el Servidor II; y se obtienen unas cuasivarianzas de 50 y 35 respectivamente. Podemos afirmar, al nivel 90%, que el Servidor I tiene mayor varianza? ).
28 Datos emparejados: Sea (X 1, Y 1 ),..., (X n, Y n ) una muestra aleatoria de (X, Y ) donde X e Y no son independientes, pero los pares (X i, Y i ) son independientes entre sí. Denotemos E(X ) = µ 1 y E(Y ) = µ 2 y supongamos que D = X Y N(µ = µ 1 µ 2, σ). Entonces D 1 = X 1 Y 1,..., D n = X n Y n es una muestra aleatoria de D. Podemos construir intervalos de confianza para µ = µ 1 µ 2 y para σ como mostramos en las transparencias correspondientes a una v.a con distribución: D N(µ, σ).
29 Ejemplo ilustrativo : Para comparar la eficiencia de dos compiladores de cierta marca conocida, se consideraron las variables: X = tiempo de ejecución (en seg.) para el Compilador A Y = tiempo de ejecución (en seg.) para el Compilador B. A continuación se seleccionaron al azar 14 programas y se ejecutaron con cada uno de los compiladores. Los resultados aparcen en la siguiente tabla: X Y Se desea estudiar si estos datos muestrales permiten concluir que el Compilador B es más eficiente que el Compilador A. Resolver este apartado suponiendo que la distribución de los tiempos de ejecución son Normales
30 El problema se ha reducido a trabajar con una v.a.: D N(µ, σ); donde µ = µ X µ Y y σ desconocido, por lo tanto hallamos d i = x i y i IC 90% (µ) = ( d tn 1;α/2 s ) ( d s ) d = d t13;0.05 n 14 donde d = i=1 d i = 0.83 t 13;0.05 = i=1 s d = (d i d) 2 =
31 Intervalos de confianza para otras distribuciones Teorema Central del Límite: Sea X 1,..., X n una muestra aleatoria de una v.a. X (discreta o continua) y n grande. Entonces ( Var(X ) ) X N E(X ), n X E(X ) Var(X ) n N(0, 1)
32 Intervalos de confianza para otras distribuciones Intervalo de confianza al 1 α para el parámetro p de una Bernoulli Sea X 1,..., X n una m.a. de X Bernoulli(p). Recordemos que E(X ) = p, V (X ) = p(1 p) y ˆp = X. Entonces ( ) x(1 x) IC 1 α (p) = x z α/2 (para n grande) n Intervalo para diferencia de proporciones de Bernoullis Sean X 1,..., X m e Y 1,..., Y n m.a.i. de X Bernoulli(p 1 ) e Y Bernoulli(p 2 ) respectivamente, tal que ˆp 1 = X y ˆp 2 = Ȳ. Utilizando los intervalos construidos en sección correspondiente obtenemos IC 1 α (p 1 p 2 ) = ( x ȳ z α/2 x(1 x) m + ) ȳ(1 ȳ) n (para m y n grandes)
33 Ejemplo 3.7: Se van a celebrar unas elecciones y el presidente de un cierto partido poĺıtico quiere hacer un sondeo de opinión. Después de extraer una muestra aletoria simple de tamaño 1000, se observó que 550 personas pensaban votarle a él. Podemos afirmar con un confianza del 99% que dicho presidente será reelegido?.
34 Intervalos de confianza para otras distribuciones Intervalo de confianza al 1 α para el parámetro λ de una Poisson Sea X 1,..., X n una muestra de X Pois(λ). Recordemos que E(X ) = V (X ) = λ y ˆλ = X. Entonces ( ) IC 1 α (λ) = x z α/2 x n (para n grande) Intervalo para diferencia de proporciones de Poissones Sean X 1,..., X m e Y 1,..., Y n m.a.i. de X Pois(λ 1 ) e Y Pois(λ 2 ) respectivamente, tal que ˆλ 1 = X y ˆλ 2 = Ȳ. Utilizando los intervalos construidos en sección correspondiente obtenemos ( ) x IC 1 α (λ 1 λ 2 ) = x ȳ z α/2 m + ȳ (para m y n grandes) n
35 Ejemplo 3.8: Admitiendo que el número de erratas por página de cierto libro sigue una distribución de Poisson, determinar un intervalo de confianza al 95% del número medio de erratas por página que contiene dicho libro, teniendo en cuenta que se eligieron al azar y con reemplazamiento 100 páginas en las que se observó una media muestral de 0.04 erratas por página.
36 Mínimo tamaño muestral El error cometido al estimar un parámetro θ mediante un intervalo de confianza IC 1 α (θ) es la semilongitud del intervalo. Observación: Esta definición tiene sentido principalmente en intervalos del tipo IC 1 α (θ) = (ˆθ semilongitud). Objetivo: Determinar el mínimo tamaño muestral n necesario para que el error cometido al estimar θ mediante un intervalo de confianza sea menor que una cierta cantidad. Queremos que la estimación por intervalo de confianza tenga una determinada precisión. El valor de n obtenido debe tomarse como orientativo, especialmente cuando la semilongitud del intervalo dependa de la muestra observada.
37 Ejemplo 3.9: Supongamos que la altura de los individuos de cierta población sigue una distribución N(µ, 7.5). Hallar el mínimo tamaño muestral necesario para estimar la altura media con un margen de error inferior a 2 y con una confianza del 90%. Determinar el error típico.
INTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detallesIntervalos de confianza
Capítulo 5 Intervalos de confianza Como su nombre indica, el objetivo de un estadístico puntual para un parámetro desconocido de una población, es acercarnos al verdadero valor del mismo dando un valor
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesEstructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo
Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesTabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 )
Test de Hipótesis II Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ conocida: Suponga que X, X,, X n, es una m.a.(n) desde N( µ, σ ) Estadística de Prueba X - μ Z 0 = σ / n ~ N(0,)
Más detallesTema 7 Intervalos de confianza Hugo S. Salinas
Intervalos de confianza Hugo S. Salinas 1 Introducción Hemos definido la inferencia estadística como un proceso que usa información proveniente de la muestra para generalizar y tomar decisiones acerca
Más detallesPráctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS
Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza
Más detallesTema 5: Estimación puntual y por intervalos
Tema 5: Estimación puntual y por intervalos Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 5: Estimación puntual y por intervalos Curso
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesTema 5: Introducción a la inferencia estadística
Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas
Más detalles8.2.5. Intervalos para la diferencia de medias de dos poblaciones
8.. INTERVALOS DE CONFIANZA PARA LA DISTRIBUCIÓN NORMAL 89 distribuye de modo gaussiana. Para ello se tomó una muestra de 5 individuos (que podemos considerar piloto), que ofreció los siguientes resultados:
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)
TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesINFERENCIA ESTADÍSTICA
INFERENCIA ESTADÍSTICA 1. DEFINICIÓN DE INFERENCIA ESTADÍSTICA Llamamos Inferencia Estadística al proceso de sacar conclusiones generales para toda una población a partir del estudio de una muestra, así
Más detallesJuan Carlos Colonia INTERVALOS DE CONFIANZA
Juan Carlos Colonia INTERVALOS DE CONFIANZA INTERVALOS DE CONFIANZA PARA LOS PARÁMETROS DE DOS POBLACIONES I.C. PARA EL COCIENTE DE VARIANZAS Sean X y dos muestras aleatorias,..., Xn Y,..., Yn independientes
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detalles= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] =
El peso en kg de los estudiantes universitarios de una gran ciudad se supone aproximado por una distribución normal con media 60kg y desviación típica 8kg. Se toman 100 muestras aleatorias simples de 64
Más detallesTema 8. Muestreo. Indice
Tema 8. Muestreo Indice 1. Población y muestra.... 2 2. Tipos de muestreos.... 3 3. Distribución muestral de las medias.... 4 4. Distribución muestral de las proporciones.... 6 Apuntes realizados por José
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo
Más detallesObjetivos. 1. Variable Aleatoria y Función de Probabilidad. Tema 4: Variables aleatorias discretas Denición de Variable aleatoria
Tema 4: Variables aleatorias discretas Objetivos Dominar el uso de las funciones asociadas a una variable aleatoria discreta para calcular probabilidades. Conocer el signicado y saber calcular la esperanza
Más detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesEJERCICIOS DE SELECTIVIDAD
EJERCICIOS DE SELECTIVIDAD INFERENCIA 1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media μ = 100 meses y desviación típica σ
Más detallesTema 11: Intervalos de confianza.
Tema 11: Intervalos de confianza. Presentación y Objetivos. En este tema se trata la estimación de parámetros por intervalos de confianza. Consiste en aproximar el valor de un parámetro desconocido por
Más detallesVariable Aleatoria Continua. Principales Distribuciones
Variable Aleatoria Continua. Definición de v. a. continua Función de Densidad Función de Distribución Características de las v.a. continuas continuas Ejercicios Definición de v. a. continua Las variables
Más detallesConceptos del contraste de hipótesis
Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de
Más detallesResumen teórico de los principales conceptos estadísticos
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Muestreo aleatorio simple Resumen teórico Resumen teórico de los principales conceptos estadísticos Muestreo aleatorio
Más detallesa. N(19 5, 1 2) P(19 X 21) = P( Z ) = = P = P P = = P P = P = = = El 55 72% no son adecuados.
El diámetro de los tubos de cartón para un envase ha de estar entre 19 y 21mm. La maquina prepara tubos cuyos diámetros están distribuidos como una manual de media 19 5mm y desviación típica 1 2mm. Qué
Más detallesINDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso
INDICE Capítulo I: Conceptos Básicos 1.- Introducción 3 2.- Definición de calidad 7 3.- Política de calidad 10 4.- Gestión de la calidad 12 5.- Sistema de calidad 12 6.- Calidad total 13 7.- Aseguramiento
Más detalles1. Estadística Descriptiva 9
Índice 1. Estadística Descriptiva 9 1.1. Introducción............................. 9 1.2. Representaciones gráficas..................... 9 1.2.1. Representaciones de datos de tipo cualitativo...... 10
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesF (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0
Probabilidades y Estadística (M) Práctica 5 1 o cuatrimestre 2014 Vectores aleatorios 1. a) Demostrar que la función F (x, y) = 1 e x y si x 0, y 0 0 en caso contrario no es la función de distribución
Más detallesEjemplos y ejercicios de. Estadística Descriptiva. yanálisis de Datos. 2 Descripción estadística de una variable. Ejemplos y ejercicios.
ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS Ejemplos y ejercicios de Estadística Descriptiva yanálisis de Datos Diplomatura en Estadística Curso 007/08 Descripción estadística de una variable. Ejemplos
Más detallesGrado en Ingeniería Informática Estadística Tema 5: Teoría Elemental del Muestreo e Inferencia Paramétrica Ángel Serrano Sánchez de León
Grado en Ingeniería Informática Estadística Tema 5: Teoría Elemental del Muestreo e Inferencia Paramétrica Ángel Serrano Sánchez de León Distribuciones Muestrales 1. Sea una población de 5 números: 2,
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detallesMatemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis
Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesContrastes de hipótesis estadísticas. Contrastes paramétricos
Índice 7 Contrastes de hipótesis estadísticas. Contrastes paramétricos 7.1 7.1 Introducción.......................................... 7.1 7.2 Conceptos básicos...................................... 7.2
Más detallesContrastes de hipótesis. 1: Ideas generales
Contrastes de hipótesis 1: Ideas generales 1 Inferencia Estadística paramétrica población Muestra de individuos Técnicas de muestreo X 1 X 2 X 3.. X n Inferencia Estadística: métodos y procedimientos que
Más detallesPrueba Integral Lapso /6
Prueba Integral Lapso 2 009-2 76 - /6 Universidad Nacional Abierta Probabilidad y Estadística I (76) Vicerrectorado Académico Cód. Carrera: 06-20 - 508 Fecha: 2-2 - 2 009 MODELO DE RESPUESTAS Objetivos,
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesTeoría de muestras 2º curso de Bachillerato Ciencias Sociales
TEORÍA DE MUESTRAS Índice: 1. Introducción----------------------------------------------------------------------------------------- 2 2. Muestras y población-------------------------------------------------------------------------------
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesESTADÍSTICA. Tema 2 Nociones elementales de inferencia estadística
ESTADÍSTICA Grado en CC. de la Alimentación Tema 2 Nociones elementales de inferencia estadística Estadística (Alimentación). Profesora: Amparo Baíllo Tema 2: Inferencia estadística 1 Estructura de este
Más detallesTema 13: Distribuciones de probabilidad. Estadística
Tema 13: Distribuciones de probabilidad. Estadística 1. Variable aleatoria Una variable aleatoria es una función que asocia a cada elemento del espacio muestral, de un experimento aleatorio, un número
Más detallesTema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
Más detallesEjercicio 1(10 puntos)
ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Segundo Parcial Montevideo, 4 de julio de 2015. Nombre: Horario del grupo: C.I.: Profesor: Ejercicio 1(10 puntos) La tasa de desperdicio en una empresa
Más detallesPLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07
PLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07 TEMAS A ESTUDIAR En esta guía nos dedicaremos a estudiar el tema de Estimación por intervalo y comenzaremos a estudiar las pruebas de hipótesis paramétricas.
Más detallesMuestreo y Distribuciones muestrales. 51 SOLUCIONES
Muestreo y Distribuciones muestrales. 51 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería Soluciones de la hoja de problemas 5. Muestreo
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesEstadistica II Tema 1. Inferencia sobre una población. Curso 2009/10
Estadistica II Tema 1. Inferencia sobre una población Curso 2009/10 Tema 1. Inferencia sobre una población Contenidos Introducción a la inferencia Estimadores puntuales Estimación de la media y la varianza
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2011 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 011 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 4, Opción B Reserva 1, Ejercicio 4, Opción B Reserva, Ejercicio
Más detalles2.- Tablas de frecuencias
º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II TEMA 3.- ESTADÍSTICA DESCRIPTIVA PROFESOR: RAFAEL NÚÑEZ -----------------------------------------------------------------------------------------------------------------------------------------------------------------
Más detallesEstadística Descriptiva. SESIÓN 11 Medidas de dispersión
Estadística Descriptiva SESIÓN 11 Medidas de dispersión Contextualización de la sesión 11 En la sesión anterior se explicaron los temas relacionados con la dispersión, una de las medidas de dispersión,
Más detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detallesINFERENCIA DE LA PROPORCIÓN
ESTADISTICA INFERENCIA DE LA PROPORCIÓN DISTRIBUCIÓN MUESTRAL DE PROPORCIONES En una población la proporción de elementos (personas, animales, cosas o entes) que posee una cierta característica es p. En
Más detallesDefinición de probabilidad
Tema 5: LA DISTRIBUCIÓN NORMAL 1. INTRODUCCIÓN A LA PROBABILIDAD: Definición de probabilidad Repaso de propiedades de conjuntos (Leyes de Morgan) Probabilidad condicionada Teorema de la probabilidad total
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesIntroducción al Tema 8. Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones.
Introducción al Tema 8 1 Tema 6. Variables aleatorias unidimensionales Distribución. Características: media, varianza, etc. Transformaciones. V.A. de uso frecuente Tema 7. Modelos probabiĺısticos discretos
Más detallesESTADISTICA GENERAL. INFERENCIA ESTADISTICA Profesor: Celso Celso Gonzales
ESTADISTICA GENERAL INFERENCIA ESTADISTICA Profesor: Celso Celso Gonzales Objetivos Entender los conceptos de estimación puntual y estimación por intervalos. Calcular e interpretar intervalos de confianza
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@unam.mx T E M A S DEL CURSO 1. Análisis Estadístico de datos muestrales. 2. Fundamentos de la Teoría de la
Más detallesTeoría de la decisión Estadística
Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y
Más detallesTema 7: Estadística y probabilidad
Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro
Más detallesPATRONES DE DISTRIBUCIÓN ESPACIAL
PATRONES DE DISTRIBUCIÓN ESPACIAL Tipos de arreglos espaciales Al azar Regular o Uniforme Agrupada Hipótesis Ecológicas Disposición al Azar Todos los puntos en el espacio tienen la misma posibilidad de
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesproporciones y para la Estadística II Equipo Docente: Iris Gallardo Andrés Antivilo Francisco Marro
Sesión 12 Intervalo de confianza para proporciones y para la razón de varianzas. IC para a una proporción poblacional o a Qué proporción de adolescentes presenta problemas de delincuencia en una comunidad
Más detallesTAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN
TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN En este artículo, se trata de explicar una metodología estadística sencilla y sobre todo práctica, para la estimación del tamaño de muestra
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad
Estadística y sus aplicaciones en Ciencias Sociales 2. Modelos de probabilidad Facultad de Ciencias Sociales Universidad de la República Curso 2016 Índice 2.1. Variables aleatorias: funciones de distribución,
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2004 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 004 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Junio, Ejercicio 3, Parte II, Opción A Junio, Ejercicio 3, Parte II, Opción B Reserva
Más detallesAnálisis de la varianza ANOVA
Estadística Básica. Mayo 2004 1 Análisis de la varianza ANOVA Francisco Montes Departament d Estadística i I. O. Universitat de València http://www.uv.es/~montes Estadística Básica. Mayo 2004 2 Comparación
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesTema 3. Comparaciones de dos poblaciones
Tema 3. Comparaciones de dos poblaciones Contenidos Hipótesis para la diferencia entre las medias de dos poblaciones: muestras pareadas Hipótesis para la diferencia entre las medias de dos poblaciones:
Más detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA. Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta de Estadística alperin@fcnym.unlp.edu.ar http://www.fcnym.unlp.edu.ar/catedras/estadistica
Más detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesTema 6. Estadística Descriptiva e Introducción a la Inferencia Estadística
Tema 6. Estadística Descriptiva e Introducción a la Inferencia Estadística Fuente de los comics: La Estadística en Comic. LarryGonicky Woollcatt Smith. Ed. ZendreraZariquiey, 1999 ESTADÍSTICA ESTADÍSTICA
Más detalles