ESTADÍSTICA TEÓRICA: ESTIMADORES
|
|
- Juan Manuel de la Cruz Correa
- hace 6 años
- Vistas:
Transcripción
1 Gestó Aeroáutca: Estadístca Teórca Facultad Cecas Ecoómcas y Empresarales Departameto de Ecoomía Aplcada Profesor: Satago de la Fuete Ferádez ESTADÍSTICA TEÓRICA: ESTIMADORES Estadístca Teórca: Estmadores
2 Estadístca Teórca: Estmadores
3 Gestó Aeroáutca: Estadístca Teórca Facultad Cecas Ecoómcas y Empresarales Departameto de Ecoomía Aplcada Profesor: Satago de la Fuete Ferádez ESTIMADORES U estmador es u estadístco (ua fucó de la muestra) utlzado para estmar u parámetro descoocdo de la poblacó. Por ejemplo, s se desea coocer el preco medo poblacoal de u artículo (parámetro descoocdo) se recoge observacoes del preco de dcho artículo e dversos establecmetos (muestra) pudedo utlzarse la meda artmétca de las observacoes para estmar el preco medo poblacoal. Para cada parámetro puede estr varos estmadores dferetes. E geeral, se elge el estmador que posea mejores propedades que los restates, como sesgadez, efceca, covergeca y robustez (cossteca). El valor de u estmador proporcoa ua estmacó putual del valor del parámetro e estudo. E geeral, se realza la estmacó medate u tervalo, es decr, se obtee u tervalo estadístco muestral error estmacó detro del cual se espera se ecuetre el valor poblacoal detro de u certo vel de cofaza. El vel de cofaza es la probabldad de que a pror el valor poblacoal se ecuetre cotedo e el tervalo. PROPIEDADES DE LA ESPERANZA Y VARIANZA a) EaX bxeax EbX aex bex b) VaraX bx VaraX VarbX a VarX b VarX Estadístca Teórca: Estmadores 3
4 SESGO Se deoma sesgo de u estmador a la dfereca etre la esperaza (valor esperado) del estmador y el verdadero valor del parámetro a estmar. Es deseable que u estmador sea sesgado o cetrado, esto es, que el sesgo sea ulo para que la esperaza del estmador sea gual al valor del parámetro que se desea estmar. Por ejemplo, s se desea estmar la meda de ua poblacó, la meda artmétca de la muestra es u estmador sesgado de la msma, ya que la esperaza (valor esperado) es gual a la meda poblacoal. S ua muestra X (,,, ) procede de ua poblacó de meda : E para (,,,) La meda artmétca muestral es u estmador sesgado de la meda poblacoal: E E E E E E E La varaza de ua muestra aleatora smple es u estmador sesgado de la varaza poblacoal, sedo su esperaza: La varaza muestral ( ). Para calcular su esperaza matemátca se realza prevamete alguos cálculos sumado y restado la esperaza de la varable aleatora poblacoal. ( ) ( ) ( ) ( ) Desarrollado el cuadrado: Estadístca Teórca: Estmadores 4
5 ( ) ( ) ( )( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) Calculado la esperaza matemátca de la varaza muestral varazapoblacoal : E E ( ) ( ) E ( ) E ( ) E el segudo membro aparece dos esperazas, la prmera varaza meda muestral E( ) cocde co la varaza poblacoal al tratarse de ua muestra aleatora smple, la seguda esperaza E( ) es la varaza de la meda muestral Por tato, E La cuasvaraza de ua muestra aleatora smple es u estmador sesgado de la varaza poblacoal: s ( ) Estadístca Teórca: Estmadores 5
6 Relacó etre varaza y cuasvaraza: ()s s La esperaza de la cuasvaraza s es la varaza poblacoal E s E.E.. U estmador es sesgado (cetrado) cuado E( ) : U estmador es sesgado sí E( ) b( ) b( ) E( ) sesgo U estmador es astótcamete sesgado s su posble sesgo tede a cero al aumetar el tamaño muestral que se calcula: lm b( ) 0 Sea el estmador E( ) E E E( ) ( ) b( ) E( ) 0 sesgado astótcamete Estadístca Teórca: Estmadores 6
7 ERROR CUADRÁTICO MEDIO DE LOS ESTIMADORES (ECM) La utlzacó de la estmacó putual como s fuera el verdadero valor del parámetro coduce a que se pueda cometer u error más o meos grade. El Error Cuadrátco Medo (ECM) de u estmador vee defdo: ECM( ) E( ) V( ) E( ) sesgo b( ) E( ) sesgo Cuado el estmador es cetrado, el sesgo b( ) 0 ECM( ) V( ) U error cuadrátco medo pequeño dcará que e meda el estmador o se ecuetra lejos del parámetro. CONSISTENCIA S o es posble emplear estmadores de míma varaza, el requsto mímo deseable para u estmador es que a medda que el tamaño de la muestra crece, el valor del estmador teda a ser el valor del parámetro poblacoal, propedad que se deoma cossteca. U estmador cosstete es u estmador astótcamete sesgado cuya varaza tede a cero al aumetar el tamaño muestral. El estmador es cosstete cuado lm E( ) y lm V( ) 0 EFICIENCIA U estmador es más efcete o más precso que otro estmador, s la varaza del prmero es meor que la del segudo. Sea y dos estmadores sesgados, se dce que es más efcete que s se verfca que Var( ) Var( ) La efceca relatva se mde por la rato: Var( ) Var( ) Estadístca Teórca: Estmadores 7
8 La efceca de los estmadores está lmtada por las característcas de la dstrbucó de probabldad de la muestra de la que procede. U estmador es efcete cuado verfca: Es sesgado Posee varaza míma La cuestó de teer varaza míma queda resuelta medate la Cota de Cramér Rao. La varaza de u estmador verfca sempre la Cota de Cramér Rao: V( ) CCR. U estmador será efcete cuado V( ) CCR y la cota resulta b( ) V( ) CCR l L(, ) E S el estmador es sesgado b( ) 0: V( ) CCR l L(, ) E E muestras aleatoras smples: b( ) V( ) CCR l L(, ) E Es precso destacar que la Cota de Cramér Rao (CCR) o tee por qué tomar sempre u valor muy pequeño (cercao a cero). U estmador es astótcamete efcete sí: lm V( ) CCR El deomador de la Cota de Cramér Rao es la catdad de formacó de Fsher e ua muestra: l L(X, ) I( ) E o be l L(, ) ( ) E dode I( ).( ) A la fucó l L(X, ) se llama soporte o Log verosmltud. Estadístca Teórca: Estmadores 8
9 La catdad de formacó de Fsher I( ) puede smplfcarse e ua muestra aleatora smple (m.a.s.), segú sea el caso dscreto o cotuo, obteedo la epresó: l P(,,, ; ) l P( ; ) Dscreto: E.E l f(,,, ; ) l f( ; ) Cotuo: E.E MÉTODO DE MÁXIMA VEROSIMILITUD (EMV) La estmacó por máma verosmltud es u método de optmzacó que supoe que la dstrbucó de probabldad de las observacoes es coocda. Sea (,, ) ua muestra aleatora (o ecesaramete smple) de ua poblacó X co fucó de masa P (o fucó de desdad f ) dode (,, ). El estmador de máma verosmltud (probabldad cojuta) de es el formado por los valores (,, ) que mamza la fucó de verosmltud de la muestra (,, ) obteda: P(, ) P(, ) caso dscreto L( ) L(X; ) L(,, ; ) f() f()casocotuo E muchas ocasoes, es más práctco ecotrar el estmador de máma verosmltud es cosderar la fucó soporte o Log verosmltud l L(X, ), e lugar de la fucó de verosmltud L( ), ya que es más fácl de maejar y preseta los msmos mámos y mímos. Estadístca Teórca: Estmadores 9
10 Se despeja (,, ) de la ecuacó: obtee el estmador de máma verosmltud l L( ) E.M.V( ) 0 y se SUFICIENCIA U estmador es sufcete cuado o da lugar a ua pérdda de formacó. Es decr, cuado la formacó basada e es ta buea como la que hcera uso de toda la muestra. Para detfcar estadístcos sufcetes se utlza el crtero de factorzacó de Fsher Neyma, que dce que dada ua muestra aleatora (,, ) de ua poblacó X co fucó de masa P (o fucó de desdad f ) u estadístco es sufcete para s y sólo sí: P θ (,, ) gθ(,, ), θ.h(,, ) f θ (,, ) gθ(,, ), θ.h(,, ) caso dscreto caso cotuo Para ecotrar u estadístco sufcete hay que factorzar la fucó de verosmltud de la forma: L( ) g (θ, θ).h(,, ) Estadístca Teórca: Estmadores 0
11 MÉTODO DE LOS MOMENTOS El procedmeto cosste e gualar mometos poblacoales respecto al orge r a los correspodetes mometos muestrales respecto al orge a r, formado así tatas ecuacoes como parámetros poblacoales se pretede estmar: E(X) a E(X ) a r r E(X ) r ar r Estadístca Teórca: Estmadores
12 EJERCICIOS DE ESTIMADORES La varable aleatora poblacoal "reta de las famlas" del mucpo de Madrd se dstrbuye sguedo u modelo N(, ). Se etrae muestras aleatoras smples de tamaño 4. Como estmadores del parámetro, se propoe los sguetes: Se pde: a) Comprobar s los estmadores so sesgados b) Cuál es el más efcete? c) S tuvera que escoger etre ellos, cuál escogería?. Razoe su respuesta a partr del Error Cuadrátco Medo. Solucó: a) U estmador es sesgado (o cetrado) cuado se verfca E( ) 33 E( ) E E E( ) E( ) 3E( 3) E( ) E E 4 E( ) 4E( ) E( 3) E E E( ) E( ) E( 3) E( 4) Estadístca Teórca: Estmadores
13 Los tres estmadores so sesgados o cetrados. b) El estmador más efcete es el que tega meor varaza. 33 V V V V( ) 4V( ) 9V( 3) 4 0, V V V 4 V( ) 6V( ) , V 3 V V V( ) V( ) V( ) V( ) 4 0, El estmador 3 es el más efcete. c) ECM( ) E( ) V( ) b( ) sesgo b( ) E( ) Al ser los tres estmadores sesgados b( ) 0 ECM( ) V( ) El error cuadrátco medo cocde co la varaza, por tato, se elge el estmador 3 por presetar meor varaza. Estadístca Teórca: Estmadores 3
14 La varable aleatora X represeta los gastos mesuales de ua empresa, cuya fucó de desdad es f(,) co 0 y 0. Se realza ua m.a.s. de tamaño 3, y se propoe tres estmadores: a) Calcule los sesgos b) S la muestra que se obtee es (0,7; 0,; 0,3), calcule las estmacoes putuales c) Cuáles so las fucoes estmadas para las estmacoes aterores? Solucó: a) 3 E( ) E E 3 (3 ) dode f(, ) d f(, ) d d d 0 Sesgo: E( ) b( ) E( ) 3 3 E( ) E E( ) E( ) 3E( ) (6 ) E( ) f(, ) d f(, ) d d d 0 0 Estadístca Teórca: Estmadores 4
15 3 3 E( ) E E( ) E( ) 3E( 3) 6 6 Sesgo: b( ) E 3 4 E( 3) E E 3 4 (3 ) f(, ) d f(, ) d d d 0 Sesgo: b( 3) E( 3) ( ) b) Las estmacoes putuales de la muestra (0,7 ; 0, ; 0,3): 0,7 0, 0,3 0, ,7.0, 3.0,3 0,3 6 0,3.0,7 4.0, 3 0,7 o puede ser, puesto que 0 6 c) Las fucoes estmadas para las estmacoes de la muestra: f(0,367, ) 0,367 0,367 0,367 0,633 f(0,3, ) 0,3 0,367 0,3 0,87 Estadístca Teórca: Estmadores 5
16 Sea ua poblacó co meda de la que se etrae m.a.s. de tamaño. Cosdere los sguetes estmadores de la meda: a) Estudar la sesgadez, la efceca relatva y la cossteca de ambos estmadores b) Elegr uo de los dos e térmo del error cuadrátco medo Solucó: a) Isesgadez: E( ) E() E E E( ) ( ) Sesgo: b( ) E( ) 0 E( ) E E E( ) ( ) 0 cuado b( ) E( ) Efceca: sesgado astotcamete Sea dos estmadores sesgados y de u parámetro descoocdo. Se dce es más efcete que s se verfca: Var ( ) Var( ) Var( ). La efceca relatva se mde por la rato Var ( ) V( ) V() V( ) V( ) ( ) Estadístca Teórca: Estmadores 6
17 V( ) V V( ) ( ) ( ) ( ) ( ) Efcecarelatva: Var( ) ( ) Var( ) Var( ) Var( ) ( ) El estmador tee meor varaza, por lo que es más efcete que Cossteca: U estmador es cosstete cuado lm E( ) y lm V( ) 0 lm E( ) lm E() es cosstete lm V( ) lm 0 lm E( ) lm ( ) lm V( ) lm 0 es cosstete b) ECM( ) E( ) V( ) b( ) sesgo b( ) E( ) ECM( ) V( ) b( ) 0 ECM( ) V( ) b( ) ( ) ( ) El estmador será elegdo sí ECM( ) ECM( ) ( ) ( ) ( ) ( ) ( ) ( ) Estadístca Teórca: Estmadores 7
18 () () () () () ( ) ( ) () () S se elge ates que S se elge ates que Sea (,,, ) ua muestra aleatora smple de ua varable aleatora X co E(X) y Var(X) Calcular el error cuadrátco medo para los sguetes estmadores de : Solucó: Isesgadez E( ) E( ) b( ) E( ) E 3E( ) E( ) E( 3) b( ) E( ) sesgo 3 3 Respecto al sesgo es mejor el prmer estmador que es sesgado o cetrado. Varaza Var( ) Estadístca Teórca: Estmadores 8
19 3 3 Var( ) Var Var Var( ) 4Var( ) Var( 3) 9 4 Respecto a la varaza es mejor el segudo estmador por ser 7 8 El mejor estmador será el que presete meor Error Cuadrátco Medo ECM( ) V( ) b( ) ECM( ) V( ) b( ) El prmer estmador será mejor sí Estadístca Teórca: Estmadores 9
20 La dstrbucó del peso de las mazaas de ua determada cosecha sgue ua dstrbucó ormal, cuyo peso medo es descoocdo y cuya desvacó típca es 7 gramos. Se pde: a) Aalzar cuál de los estmadores, del peso medo es mejor respecto del sesgo y de la efceca, para ua muestra aleatora smple de tamaño cco. 5 b) S y , obteer los pesos 5 medos estmados a partr de la muestra (5, 35, 30, 37, 4). Solucó: a) El peso de las mazaas sgue ua dstrbucó N(, 7) Se calcula las esperazas para aalzar el sesgo de los estmadores E( ) E /5 E E (5 ) E( ) E( 3 4 ) E( ) E( ) 3E( ) 4E( ) E( ) 34 Los estmadores, so sesgados (cetrados). b) Para aalzar la efceca de los estmadores se obtee las varazas: V( ) V /5 V V (5.49) V( ) V( ) V( ) 4V( ) 9V( 3) 6V( 4) V( 5) (49) 4 (49) 9 (49) 6 (49) (49) 3 (49) 59 Como los dos estmadores so sesgados y V( ) V( ) se elge como mejor el estmador, el peso medo de la muestra de las cco mazaas. Estadístca Teórca: Estmadores 0
21 Sea (,, 3, 4, 5) ua muestra aleatora smple de ua varable aleatora X co dstrbucó ormal co meda ( 5) y varaza. Se propoe los sguetes estmadores: Determar cuál es el mejor estmador para. Justfcar la respuesta. Solucó: Isesgadez 5 E( ) E E ( 5) 5 5 E( ) E 8 3 8E( ) 3E( ) 8( 5) 3( 5) 5( 5) Ambos estmadores so sesgados, co détco sesgo: b( ) b( ) 5( 5) 45 Varaza 5 Var( ) Var 5Var() 5 Var( ) Var Var( ) 3 Var( ) Dado que los dos estmadores tee el msmo sesgo y el prmer estmador tee meor varaza, será el estmador óptmo. Puede observarse que preseta el meor Error Cuadrátco Medo: ECM( ) V( ) b( ) 5 45 ECM( ) V( ) b( ) Estadístca Teórca: Estmadores
22 El peso e klos de los jamoes veddos por ua empresa sgue ua dstrbucó ormal co varaza 4 y peso medo descoocdo. Se cooce que el peso medo de los jamoes veddos es superor a 5 kg, y se toma m.a.s. de tamaño 4 para estmar. Cuál de los dos estmadores sería el mejor respodedo a la sesgadez y efceca? Solucó: La v.a varaza X 4 3 'peso ekg delos jamoes' sgue ua dstrbucó ormal de 4 Para estudar la sesgadez de los estmadores se calcula sus esperazas: 3 3 E( ) E E( ) E( ) E( 3) El sesgo del estmador será: b( ) E( ) 4 4 E( ) E E( ) E( ) El estmador es sesgado, b( ) 0 Atededo al sesgo se elge Para aalzar la efceca relatva de los dos estmadores se calcula las respectvas varazas 3 V( ) V V( 3) Observacoes depedetes 3 V( ) V( ) V(X ) 6 V( ) V( ) V V( ) V( ) V( ) Estadístca Teórca: Estmadores
23 Respecto a la varaza se elge el estmador por ser el de meor varaza. Aparece decsoes cotrapuestas, de modo que el estmador se elge e base al error cuadrátco medo: ECM Varaza (sesgo) 3 ECM( ) ECM( ) Se aalza cuado es mayor el ECM el prmer estmador : 6 ECM( ) ECM( ) 0 0 4,47 S es e valor absoluto mayor que 4,47, el error cuadrátco medo de es mayor, co lo que se elge el estmador. Se cooce que el peso medo de los jamoes es superor a 5 kg, o queda duda que el estmador a elegr (co meor error cuadrátco medo) es Supogamos que la dstrbucó de gresos de ua certa poblacó es ua varable aleatora co meda descoocda y varaza també descoocda. S queremos estmar el greso medo de la poblacó medate ua m.a.s. de tamaño, respecto de la sesgadez y de la efceca. Cuál de los dos estmadores elegríamos?. So cosstetes? Solucó: La v.a N(, ) 'gresos de certa poblacó' sgue ua dstrbucó ormal Para aalzar el sesgo de los estmadores, se calcula la esperaza: Estadístca Teórca: Estmadores 3
24 E( ) E E E( ) () ( ) El sesgo del estmador será: b( ) E( ) E( ) E E E( ) ( ) El estmador, que es la meda muestral, es sesgado (cetrado) y el estmador que se elge. La efceca de los estmadores se aalza a través de su varaza: V( ) V V V( ) ( ) ( ) ( ) ( ) ( ) V( ) V V V( ) ( ) El estmador más efcete será el de meor varaza. Comparado las varazas de los estmadores: V( ) V( ) puestoque () ( ) El estmador, que es la meda muestral, es el mejor tato al sesgo como a la efceca. Los dos estmadores so cosstetes: Estadístca Teórca: Estmadores 4
25 lm E( ) y lm V( ) lm 0 ( ) lm E( ) y lm V( ) lm 0 Nota: El estmador de máma verosmltud (probabldad cojuta) de es el formado por los valores (,, ) que mamza la fucó de verosmltud de la muestra (,, ) obteda: L( ) L(X; ) L(,, ; ) P(, ) P(, ) caso dscreto E muchas ocasoes, es más práctco ecotrar el estmador de máma verosmltud al cosderar la fucó Soporte o Log verosmltud l L(X, ), e lugar de la fucó de verosmltud L( ), ya que es más fácl de maejar y preseta los msmos mámos y mímos. Se despeja l L( ) (,, ) de la ecuacó: 0 y se obtee el estmador de máma verosmltud E.M.V( ) U atleta olímpco de salto de altura se efreta a u lstó de,3 metros. Su etreador desea estudar el comportameto del saltador. Sabe que el úmero de saltos falldos por hora es ua varable aleatora dstrbuda como ua Posso de parámetro. a) Calcular el estmador mámo verosíml del parámetro. b) Aalzar sus propedades. Solucó: a) Sea la v.a. X = 'úmero de saltos falldos por hora' E la dstrbucó de Posso: E() P(X ) e! V() La fucó de verosmltud L(X, ) e ua muestra aleatora smple de tamaño : Estadístca Teórca: Estmadores 5
26 L( ) L(X, ) P(, ) e e e!!!!! L(X, ) e ll(x, ) l e l ( ) l (!) l(e ) l l(!) l L(X, ) l l(!) Para obteer el estmador de máma verosmltud EMV( ), se derva la epresó ateror respecto del parámetro para obteer, susttuyedo por ll(x, ) 0 0 El estmador de máma verosmltud (estmador que ofrece mayor credbldad) vee dado por la meda muestral EMV( ) b) Propedades de Isesgadez, Cossteca y Efceca Isesgadez El estmador es sesgado (cetrado) sí E( ) E( ) E E( ) E( ) ( ) Estadístca Teórca: Estmadores 6
27 V( ) V() V V( ) ( ) Cossteca Cuado o es posble emplear estmadores de máma verosmltud, el requsto mímo deseable para u estmador es que sea cosstete. El estmador es cosstete cuado lm E( ) y lm V( ) 0 lm E( ) lm y lm V( ) lm 0 El estmador es cosstete Para que u estmador sea efcete tee que ser cetrado y de varaza míma. La varaza míma se aalza e vrtud de la acotacó de Cramer Rao: b( ) V( ) CCR l P(,,, ; ) E La catdad de formacó de Fsher I( ) puede smplfcarse e ua muestra aleatora smple (m.a.s.), obteedo la epresó: l P(,,, ; ) l P( ; ) I( ) E.E b( b( ) ) 0 V( ) CCR V( ) CCR l P( ; ) l P( ; ).E.E El estmador es efcete cuado V( ) CCR Efceca Sedo, P(X ) e! Estadístca Teórca: Estmadores 7
28 lp(, ) l e l l(!)! lp(, ) lp(, ) E E E( ) E() V() E cosecueca, V( ) El meor valor de la varaza del estmador será Se sabe que V( ) V(), lo que muestra V( ) CCR, el estmador empleado es efcete. Sea la dstrbucó N(,, ) co la meda y varaza descoocdas. Calcular los estmadores mámo verosímles de y Solucó: Fucó de verosmltud: L(X;, ) ( ) ( ) ( ) e e e ( ) ( ) e ( ) Fucó soporte o Log verosmltud: Estadístca Teórca: Estmadores 8
29 ( ) l L(X;, ) l e ( ) ( ) ( ) l( ) l( ) l L(X;, ) l( ) l( ) ( ) Para obteer los estmadores de máma verosmltud de y se derva la epresó ateror respecto de los parámetros, susttuyedo por e por, e gualado a cero: l L(X;, ) ( ) 0 ( ) ( ) l L(X;, ) 0 3 E coclusó, y ( ) La codcó de mámo se verfca, pues: l L(X; ) 0 Los estmadores mámo verosímles de y muestrales. so la meda y la varaza Estadístca Teórca: Estmadores 9
30 E ua dstrbucó N(,, ) se estma la meda poblacoal medate la meda de ua muestra aleatora smple (,,, ). El estmador es sesgado y su varaza V(). Demostrar que la meda muestral es u estmador efcete. Solucó: La varaza de u estmador verfca sempre la Cota de Cramer Rao: V( ) CCR. U estmador es efcete cuado V( ) CCR Para obteer la cota de Cramer Rao se parte de la fucó de desdad poblacoal: CCR lf(, ) E Fucó de desdad poblacoal: f(, ) Tomado logartmos eperaos, se tee: e ( ) ( ) ( ) lf(, ) l e l l Dervado respecto a : lf(, ) lf(, ) ( ) ( ) 4 La esperaza matemátca: lf(, ) ( ) E E 4 4 Susttuyedo el valor de la esperaza matemátca e la epresó de la cota para estmadores sesgados: Estadístca Teórca: Estmadores 30
31 CCR lf(, ) E La varaza del estmador cocde co la cota de Cramer Rao, V() CCR, cocluyedo que la meda muestral es u estmador efcete de la meda poblacoal e la dstrbucó ormal. Calcular el estmador mámo verosíml del parámetro 'a' de las fucoes: a a) f(,a) a e sedo 0 e muestras aleatoras smples de tamaño b) f(,a) ae a para 0, a 0 e muestras aleatoras smples de tamaño Solucó: a) f(,a) a a e f(,a) a a e dode 0 e m.a.s. de tamaño Fucó de verosmltud: a a a L(X,a) L(,,, ;a) (a e ).(a e ) (a e ) a e Fucó soporte o Log verosmltud: a l L(X, a) l (a e ) la a Para obteer el estmador de máma verosmltud EMV(a), se derva la epresó ateror respecto del parámetro para obteer, susttuyedo a por â e gualado a cero: l L(X, a) 0 a a a a a a a a a b) Sea f(,a) ae a para 0, a 0 e m.a.s. de tamaño Fucó de verosmltud: Estadístca Teórca: Estmadores 3
32 L(X, a) L(, ; a) (ae ).(ae ) a e Fucó soporte o Log verosmltud: a a a( ) a( l L(X, a) l a e ) laa( ) Dervado respecto de a, gualado a cero y susttuyedo a por â: l L(X, a) ( ) 0 a a a a a a a E ua dstrbucó N(, ) se estma la meda poblacoal e ua muestra aleatora smple de tamaño (,,, ) por medo de la fucó muestral: Estúdese la efceca del estmador. Solucó: U estmador es efcete cuado V( ) CCR Para hallar la cota de Cramer Rao se ecesta saber e prmer lugar s el estmador es sesgado o o, se calcula para ello la esperaza matemátca: E( ) E E( ) E( ) E( ) E( ) 3E( 3) E( ) 3 ) 3 Estadístca Teórca: Estmadores 3
33 ( ) ( ) E( ) b( ) sesgo b( ) E( ) Varaza del estmador: V( ) V V( ) V( ) V( ) V( ) 3 V( 3 ) V( ) 3 3 ( )( ) ( )( ) V( ) 6 6 Cota de Cramer Rao CCR b( ) ll(, ) E () b( ) 4 La Iformacó de Fsher I( ) I 0( ) de la muestra: ll(x, ) ll(, ) I() 0 E E se obtee a partr de la fucó de desdad poblacoal f(, ) e ( ) Tomado logartmos eperaos, se tee: Estadístca Teórca: Estmadores 33
34 ( ) lf(, ) l e l l Dervado respecto a : ( ) lf(, ) lf(, ) ( ) ( ) 4 La esperaza matemátca: lf(, ) ( ) E E 4 4 Atededo a la adtvdad de esta medda: I( ) I 0( ) ( ) b( ) 4 ( ) ( )( ) CCR V( ) ll(, ) 4 6 E Al ser la varaza del estmador mayor que la cota de Cramer Rao: ( )( ) ( ) V( ) CCR 6 4 El estmador o es efcete, sempre que Para : V( ) CCR el estmador es efcete. Estadístca Teórca: Estmadores 34
35 Para que u estmador sea efcete tee que ser cetrado y de varaza míma. La varaza míma se aalza e vrtud de la acotacó de Cramer Rao (coocda també como desgualdad de la formacó). E el caso cotuo: V( ) CCR I( ) l L( ; ) l f( ; ) E E La formacó de Fsher I( ) es ua cota feror para la varaza de u estmador sesgado del parámetro. U estmador es efcete cuado V( ) CCR I( ) Cuado se etede la codcó de regulardad a la seguda dervada e u parámetro bdmesoal, (, ) se puede utlzar ua forma alteratva de la formacó de Fsher para obteer ua ueva desgualdad de Cramer Rao: V( ) CCR I( ) l L( ; ) l f() E U estmador es efcete cuado E V(, ) CCR I(, ) La matrz de formacó de Fsher I(, ), matrz de segudas dervadas (Jacobao), vee dada por la epresó: ll(, ) ll(, ) I(, ) E ll(, ) ll(, ) Estadístca Teórca: Estmadores 35
36 A partr de ua muestra aleatora smple X de tamaño, determar la matrz de formacó de Fsher de ua poblacó co dstrbucó N(,, ) respecto a los dos parámetros y. Solucó: Fucó de desdad poblacoal: Fucó de verosmltud: f() e ( ) L(, ) L(X;, ) ( ) ( ) ( ) e e e ( ) e ( ) Fucó soporte o Log verosmltud: ( ) l L(, ) l e l l ( ) ( ) Para determar la formacó de Fsher se derva la epresó ateror respecto de los parámetros y : l L(, ) l l ( ) l L(, ) ( ) ( ) l L(, ) 3 Estadístca Teórca: Estmadores 36
37 Cálculo de las segudas dervadas, ( ) l L(X;, ) ( ) (, ) (, ) (, ) ll(x;, ) ll(x;, ) ( ) ( ) 3 (, ) (, ) (, ) (, ) 0 ( ) l L(X;, ) 3 (, ) (, ) 3 ( ) 3 ( ) 6 4 (, ) 3 4 (, ) Matrz de Iformacó de Fsher I(, ): l L(, ) l L(, ) I(, ) E l L(, ) l L(, ) Estadístca Teórca: Estmadores 37
38 Al ser u elemeto de ua muestra aleatora smple de ua poblacó ormal N(,, ) se tee que E( ) 0 y E( ) Se puede obteer la dstrbucó de (, ) f() e ( ) Fucó soporte: ( ) ( ) l f() l e l l e ( ) ( ) l l ( ) l l Para determar la formacó de Fsher se derva la epresó ateror respecto de los parámetros y : l f() l l ( ) l f() ( ) ( ) ( ) l f() 4 3 Cálculo de las segudas dervadas: f() ( ) f() f() ( ) 4 3 Estadístca Teórca: Estmadores 38
39 3 3( ) 6 4 f() ( ) Matrz de Iformacó de Fsher I(, ): f() I(, ) E f() 0 f() f() ( ) ( ) 3 3 E E ( ) 3( ) ( ) 3( ) Como u elemeto de ua muestra aleatora smple de ua poblacó ormal N(,, ) se tee que E( ) 0 y E( ) La matrz de formacó de Fsher: I( 0, ) Atededo a la adtvdad de esta medda: I(, ) I 0(, ) 0 0 Estadístca Teórca: Estmadores 39
40 I( 4 0, ) Por el Teorema Cetral del Límte la dstrbucó astótca de N 0, I 0 (, ) N, (, ) t es: Ua aplcacó drecta se ecuetra e el Valor e Resgo o Value at Rsk (VaR), medda amplamete utlzada e ua cartera de versoes de actvos faceros. E ua cartera de versoes, asumedo mercados ormales y que o se produce egocacó e la cartera, el VaR se defe como u valor límte tal que la probabldad de que ua pérdda a precos de mercados e la cartera sobre u horzote temporal dado eceda ese valor sea el vel de probabldad dado. Parámetros comues para el VaR so probabldades de % y 5% y horzotes temporales de u día y de dos semaas, auque també se utlza otras combacoes. PRÁCTICA: Ua empresa que cotza e Bolsa cosdera como pérddas todos los redmetos ferores a 3 euros por accó, es decr, los beefcos sgue ua dstrbucó N 3,. Las pérddas mámas esperadas para u vel de sgfcacó so VaR 3z. La dstrbucó del estmador VaR 3 z VaR 3 z z 3 t La dstrbucó astótca de (, ) : VaRVaR N0, z Estadístca Teórca: Estmadores 40
41 MÉTODO DE LOS MOMENTOS: Procedmeto cosstete e gualar mometos poblacoales respecto al orge a los correspodetes mometos muestrales respecto al orge a r, formado así tatas ecuacoes como parámetros poblacoales se pretede estmar: E(X) a E(X ) a E(X ) a r r r r r r Sea ua poblacó defda por: P(X ), P(X 0), P(X ), dode 0, 0. Estmar los parámetros y por el método de los mometos, estudado s so sesgados. Solucó: Puesto que hay que estmar dos parámetros y hay que calcular los dos prmeros mometos. mometos poblacoales E(X) P(X ) ( ) (0) () E(X ) P(X ) ( ) (0) () Estadístca Teórca: Estmadores 4
42 mometos muestrales a a a a a a a a a Isesgadez E( ) E(a ) E(a ) E() E( ) E(a ) E(a ) E() Los estmadores y so sesgados. Estadístca Teórca: Estmadores 4
43 U estmador es sufcete cuado o da lugar a ua pérdda de formacó. Es decr, cuado la formacó basada e es ta buea como la que hcera uso de toda la muestra. Para detfcar estadístcos sufcetes se utlza el Teorema de Factorzacó, que establece que dada ua muestra aleatora (,, ) de ua poblacó X co fucó de desdad f (caso cotuo) u estadístco es sufcete para sí y sólo sí: f (,, ) g (,, ),.h(,, ) Para ecotrar u estadístco sufcete hay que factorzar la fucó de verosmltud de la forma: L( ) g(, ).h(,, ) Ua muestra aleatora (,, ) de la poblacó tee como fucó s (0,) de desdad f() > 0 0 e el resto a) Hallar u estadístco sufcete b) Estmador de máma verosmltud de c) Estmador de por el método de los mometos Solucó: a) Para ecotrar u estadístco sufcete hay que factorzar la fucó de verosmltud de la forma: L( ) g(, ).h(,, ) Fucó de verosmltud: L( ) f ( ) f ( ) f ( ) ( ) ( ) ( ) ( ) Por tato,,, es u estadístco sufcete. b) L( ) (,, ) Fucó soporte o Log verosmltud: Estadístca Teórca: Estmadores 43
44 l L( ) l (,, ) l l l l( ) ll( ) ll( ) l l( ) l( ) 0 l( ) c) Se platea la ecuacó EX E(X) f ()d d d 0 ( ) Ua muestra aleatora (,, ) de la poblacó tee como fucó de desdad f() e s 0 0 e el resto a) Hallar u estmador por el método de los mometos de b) Estudar s el estmador ecotrado e el apartado ateror es sesgado para estmar el parámetro Solucó: a) Se platea la ecuacó: EX tegracó por partes EX f ()d e d e d ( e ) e d e e u dv u v v du Estadístca Teórca: Estmadores 44
45 ( ) e e e e d e e b) U estmador es sesgado o cetrado cuado su valor probable cocde co el valor del parámetro a estmar. Es decr, E E E( ) E() ( ) Ua muestra aleatora (,, ) de la poblacó tee como fucó θ θ e s 0 de desdad f() θ 0 e el resto Hallar el estmador de máma verosmltud de Solucó: La fucó de verosmltud L( ) θ θ θ L(θ) f θ ( ) f θ ( ) f θ ( ) θ e θ e θ e ( ) ( ) e ( ) e L( ) ( )e ll( ) l ( )e l L( ) () l l ll( ) () l l ll( ) 0 Estadístca Teórca: Estmadores 45
46 El coseo X del águlo co el que se emte los electroes e u proceso radoactvo es ua varable aleatora co fucó de desdad (), f() 0 e el resto Se cosdera ua muestra aleatora (X,,X ) de la varable aleatora a) Obteer el estmador por el método de los mometos b) Calcular la varaza de este estmador y demostrar que es cosstete Solucó: a) Se platea la ecuacó EX 3 EX d b) V(X) 9 V( ) V(3) 9V() 9 V(X) 3 V(X) E(X ) E(X) d de dode, V( ) V(X) 9 Cossteca o robustez del estmador lme( ) lme(3) lm3e() 3E(X) lm V( ) lm V(3) lm 0 Queda probado que el estmador es cosstete Estadístca Teórca: Estmadores 46
47 E u estacoameto el úmero de veces que se abre la barrera e u tervalo de 0 mutos, para que pase vehículos e u sector de segurdad, se cosdera ua varable aleatora co dstrbucó de Posso de parámetro descoocdo. a) E ua muestra aleatora de 8 tervalos de 0 mutos cada uo, elegdos de forma depedete, se regstra para cada tervalo el valor que toma la varable e estudo Ecotrar la estmacó mámo verosíml de b) Sea (,, ) ua muestra aleatora de tamaño que sgue ua dstrbucó de Posso. S, 3 so estmadores. 4 Determar el mejor estmador del parámetro Solucó: a) X = "úmero de veces que se abre la barrera e u tervalo de 0 mutos", X P( ) e 0,,,... P(X, )! 0 otro caso Fucó de verosmltud: L( ) L(X, ) P(, ) e e e!!! ll(x, ) l e l( ) l! l(e )! l l(!) Estadístca Teórca: Estmadores 47
48 ll(x, ) l l(!) Para obteer el estmador de máma verosmltud EMV( ), se derva la epresó ateror respecto del parámetro para obteer, susttuyedo por ll(x, ) 0 0 El estmador de máma verosmltud vee dado por la meda muestral EMV( ) Utlzado la muestra aleatora de ocho tervalos de 0 mutos, se obtee el estmador mámo verosíml: E cosecueca, e ua muestra aleatora de ocho tervalos de 0 mutos cada uo, elegdos de forma depedete, la estmacó máma verosíml correspode a que la barrera se abre 5 veces. b) Se aalza s los estmadores so o o sesgados, esto es, s la esperaza del estmador cocde co el parámetro a estmar. E( ) E E( ) 3 3 E( ) E E( ) 3E( ) Ambos estmadores so sesgados. Varaza de cada estmador: V( ) V V( ) Estadístca Teórca: Estmadores 48
49 V( ) V V( ) 9V( ) La efectvdad de los estmadores depede del tamaño de la muestra: S la muestra es gual a ( ) el estmador más efcete es S la muestra es mayor que ( ) el estmador más efcete es Sea (,, ) ua muestra aleatora de tamaño, dstrbuda segú f(, ) co descoocdo, dode X represeta el tempo mámo ecesaro para determar u proceso e segudos: ( ) 0; f(x, ) 0 otro caso a) Determar el estmador mámo verosíml de b) Determar la estmacó mámo verosíml de e ua muestra aleatora smple costtuda por los datos: 0,7 0,9 0,6 0,8 0,9 0,7 0,9 0,8 Estmar la probabldad del tempo mámo ecesaro para termar u proceso, que o eceda de 0,5 segudos supere los 0,75 segudos. c) Determar el estmador mámo verosíml de: (a) (b) Solucó: L( ) L(X, ) f(, ) 0 0 a) Fucó de verosmltud L(,,, ; ) ( ) ( ) ( ) ( ) Fucó soporte o Log verosmltud: 0 0 ll(,,, ; ) l ( ) l( ) l ll(,,, ; ) l( ) l 0 Estadístca Teórca: Estmadores 49
50 Para obteer el estmador de máma verosmltud EMV( ), se derva la epresó ateror respecto del parámetro para obteer, susttuyedo por ll(,,, ; ) l 0 l EMV( ) l b) El estmador mámo verosíml de co los datos de la muestra: 8 l0,7l0,9l0,6 l0,8 l0,9l0,7l0,9l0,8 4,07 3,07 El estmador mámo verosíml De otra parte, EMV( ) 3,07 0,75 0,75 P(0,5 X 0,75) f(x, )d ( ) d ( ) 0,5 0,5 ( ) 0,75 4,07 4,047 0,5 0,75 0,5 0,3 La probabldad del tempo mámo ecesaro para termar el proceso (etre 0,5 y 0,75 segudos) es 0,3 c) Estmador mámo verosíml de y EMVEMV 3,07 4,07 EMV 3,07 EMV,493 EMV 3,07 0,75 0,5 Estadístca Teórca: Estmadores 50
51 E la dstrbucó B(m,p) se cosdera como estmador del parámetro p el estadístco p, sedo la meda muestral e m muestras aleatoras smples de tamaño. Hallar la efceca del estmador. Solucó: U estmador es efcete cuado su varaza cocde co la Cota de Cramer RaoV(p) CCR l P( ; p) CCR I( ).E Iformacó de Fsher l P( ; p).e Isesgadez: mp E(p) E p m m El estmador es sesgado o cetrado Para determar la CCR se cosdera la fucó de cuatía de la m m dstrbucó bomal: P(, p) p ( p) Fucó soporte o Log verosmltud: m lp(, p) l lp (m )l( p) lp(, p) (m ) ( p) p(m ) mp p p p p(p) p(p) lp(, p) mp E( mp) E E p p( p) p (p) E ua dstrbucó bomal: E(X) mp, co lo que, V(X) E(X mp) mp(p) Estadístca Teórca: Estmadores 5
52 lp(, p) mp E( mp) mp E E p p( p) p (p) p p( p) CCR l P( ; p) m m.e p( p) De otra parte, la varaza del estmador: mp( p) p( p) V(p) V V() m m m m ( p) ( p) m p( p) Como la varaza del estmador cocde co la cota de Cramer Rao el estadístco p es efcete. m Ua ura cotee bolas blacas y egras. Sea p la probabldad de etraer ua bola blaca cuado se realza ua etraccó al azar. Asocado a este epermeto aleatoro se ecuetra la varable aleatora X que puede tomar los valores: X = s la bola etraída es blaca X = 0 s la bola etraída es egra Se seleccoa ua muestra aleatora co reemplazameto de tamaño 3 (,, 3), sedo la varable aleatora a la etraccó ésma, y se supoe que ha resultado la sguete relacó (B, N, B). Como el parámetro p es descoocdo se pretede saber, etre los valores, p 0,65 y p 0,73 qué valor hace más probable la aparcó de dcha etraccó. Solucó: La dstrbucó de probabldad será ua B(; p): P(X ) p ( p) S la muestra (B, N, B) es depedete, sedo P(B) p P(N) p P(B, N, B) P(B NB) P(B).P(N).P(B) p.( p).p p. ( p) Estadístca Teórca: Estmadores 5
53 etoces p 0,65: P(B,N,B) 0,65.0,35 0,479 p 0,73: P(B,N,B) 0,73.0,7 0,439 Resulta más probable (p = 0,65), sedo más verosíml. Se cosdera la m.a.s. (,, 3), sedo las varables aleatoras depedetes, tomado los valores 0,, co dstrbucó B(, p), la dstrbucó de probabldad asocada será: P(,p) P(X ) p (p) P(,p) P(X ) p ( p) P(, p) P(X ) p ( p), 0 seabola blaca o egra Fucó de verosmltud 3 L(p) P(,p) p ( p).p ( p).p ( p) ( ) p (p) 3 3 E la muestra (B, N, B) el valor que toma la fucó de verosmltud será: 0 3 (0) L(p) p (p) p.(p) Estadístca Teórca: Estmadores 53
54 Estadístca Teórca: Estmadores 54
División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)
Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó
Más detallesVARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN
VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode
Más detalles6. ESTIMACIÓN PUNTUAL
Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua
Más detallesModelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión
Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la
Más detallesREGRESIÓN LINEAL SIMPLE
RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó
Más detallesV II Muestreo por Conglomerados
V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos
Más detallesTEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx
TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la
Más detallesESTADÍSTICA poblaciones
ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:
Más detalles10 MUESTREO. n 1 9/ / σ σ 1
10 MUESTREO 1 Cómo varará la desvacó típca muestral s se multplca por cuatro el tamaño de la muestra? Y s se aumeta el tamaño de la muestra de 16 a 144? S µ y so la meda y la desvacó típca poblacoales,
Más detallesMEDIDAS DE CENTRALIZACIÓN
Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca
Más detallesEstadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo
Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos
Más detallesDada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ
TEOREMA DE BERNOULLI GENERALIZADO > 0 Dada ua sucesó x1, x, x3,... x dos a dos depedetes, co ua msma dstrbucó de probabldad y co esperaza µ y varaza lím Se verfca que P x µ = 1 ó lím P x µ > = 0 El límte,
Más detallesMUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún:
A. Morllas - p. - MUESTREO E POBLACIOES FIITAS () Dos aspectos báscos de la fereca estadístca, o vstos aú: Proceso de seleccó de la muestra Métodos de muestreo Tamaño adecuado e poblacoes ftas Fabldad
Más detallesEn esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )
Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo
Más detalles1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL
Estadístca y probabldad 1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL 1.1 DISTRIBUCIONES ESTADÍSTICAS Se usa dagramas de barras, dode la altura de éstas represeta la recueca de cada
Más detallesAproximación a la distribución normal: el Teorema del Límite Central
Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda
Más detallesCurso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple
1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular
Más detallesPARÁMETROS ESTADÍSTICOS ... N
el blog de mate de ada: ESTADÍSTICA pág. 6 PARÁMETROS ESTADÍSTICOS MEDIDAS DE CENTRALIZACIÓN Las tablas estadístcas y las represetacoes grácas da ua dea del comportameto de ua dstrbucó, pero ese cojuto
Más detallesMEDIDAS DE TENDENCIA CENTRAL
Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes
Más detallesRENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1
RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC
Más detallesTEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS
Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE
Más detallesANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES
ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION
Más detallesAplicación de Boostrapping en Regresión I
Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores
Más detallesEstadística Espacial. José Antonio Rivera Colmenero
Estadístca Espacal José Atoo Rvera Colmeero 1 Descrptores del patró putual Tedeca cetral 1. Meda cetral (Meda espacal). Meda cetral poderada 3. Medaa cetral (medaa espacal) o se utlza amplamete por su
Más detallesVARIABLES ESTADÍSTICAS UNIDIMENSIONALES.
CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.
Más detallesMETODO DE MAXIMA VEROSIMILITUD. Supongamos una muestra aleatoria de 10 observaciones de una distribución Poisson:
Aputes Teoría Ecoométrca I. Profesor: Vvaa Ferádez METODO DE MAIMA VEOSIMILITUD Supogamos ua muestra aleatora de observacoes de ua dstrbucó Posso: 5,,,,, 3,, 3,,. La desdad de probabldad para cada observacó
Más detallesEstadística Descriptiva
Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u
Más detalles7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.
7 ELEMETOS DE MUESTREO COTEIDOS: OBJETIVOS: 7.. Muestreo aleatoro smple. 7. Muestreo aleatoro estratfcado. 7.3 Muestreo aleatoro de coglomerados. 7.4 Estmacó del tamaño poblacoal. Determar el dseño de
Más detalles4º MEDIO: MEDIDAS DE POSICIÓN
4º MEDIO: MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co
Más detallesMODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU
MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar
Más detallesPráctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:
PRÁCTICA SUMAS DE RIEMAN Práctcas Matlab Práctca Objetvos Calcular tegrales defdas de forma aproxmada, utlzado sumas de Rema. Profudzar e la compresó del cocepto de tegracó. Comados de Matlab t Calcula
Más detallesCÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:
CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro
Más detallesTema 16: Modelos de distribución de probabilidad: Variables Continuas
Aálss de Datos I Esquema del Tema 6 Tema 6: Modelos de dstrbucó de robabldad: Varables Cotuas. EL MODELO RECTANGULAR. EL MODELO NORMAL, N(μ, σ) 3. MODELO CHI-CUADRADO DE PEARSON, χ k 4. MODELO t DE STUDENT,
Más detallesIntensificación en Estadística
GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro
Más detallesTema 2: Distribuciones bidimensionales
Tema : Dstrbucoes bdmesoales Varable Bdmesoal (X,Y) Sobre ua poblacó se observa smultáeamete dos varables X e Y. La dstrbucó de frecuecas bdmesoal de (X,Y) es el cojuto de valores {(x, y j ); j } 1,, p;
Más detallesMEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.
MEDIDAS DE POSICIÓN També llamadas de cetralzacó o de tedeca cetral. Srve para estudar las característcas de los valores cetrales de la dstrbucó atededo a dsttos crteros. Veamos su sgfcado co u ejemplo:
Más detallesMATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades
MATEMÁTICA MÓDULO 4 Eje temátco: Estadístca y Probabldades Empezaremos este breve estudo de estadístca correspodete al cuarto año de Eseñaza Meda revsado los dferetes tpos de gráfcos.. GRÁFICOS ESTADÍSTICOS
Más detalles4 METODOLOGIA ADAPTADA AL PROBLEMA
4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor
Más detallesFUNCIÓN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA
VARIABLE ALEATORIA Se llama varable aleatora a toda fucó defda e el espaco muestral de u epermeto aleatoro que asoca a cada elemeto del espaco u úmero real X : E R El cocepto de varable aleatora surge
Más detallesTEMA 4: VALORACIÓN DE RENTAS
TEMA 4: ALORACIÓN DE RENTAS 1. Cocepto y valor facero de ua reta 2. Clasfcacó de las retas. 3. aloracó de Retas dscretas. Temporales. 4. aloracó de Retas dscretas. Perpetuas. 5. Ejerccos tema 4. 1. Cocepto
Más detallesINSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD.
NSTTUTO TECNOLÓGCO DE ZCO Estadístca OLDD XOMS Y TEOEMS DE L OLDD. DEFNCONES DE L OLDD. La palabra probabldad se utlza para cuatfcar uestra creeca de que ocurra u acotecmeto determado. Exste tres formas
Más detallesEl valor en el que se estabilizan las proporciones se le conceptualiza como la probabilidad
Regulardad estadístca. E vrtud de la gra varabldad de muchos procesos, se recurre al estudo del comportameto e grades cojutos de elemetos. Se busca captar los aspectos sstemátcos o los aleatoros. Se pretede
Más detalles3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna
arte robabldad codcoal rof. María. tarell - robabldad codcoal.- Defcó Supogamos el expermeto aleatoro de extraer al azar s reemplazo dos bolllas de ua ura que cotee 7 bolllas rojas y blacas. summos que
Más detallesDISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL
Smposo de Metrología 4 al 7 de Octubre DISTRIBUCIÓ DE LA MEDIA Y EL TEOREMA DEL LÍMITE CETRAL Wolfgag A. Schmd Cetro acoal de Metrología Tel.: (44) 4, e-mal: wschmd@ceam.mx Resume: De acuerdo al Teorema
Más detallesV Muestreo Estratificado
V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,
Más detallesI. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS
Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores
Más detallesTema 2. Muestreo Aleatorio Simple Contenido
Tema. Muestreo Aleatoro Smple Cotedo 1) Defcó, seleccó otacó ) Estmadores de la meda el total. Propedades. Varazas error de estmacó. Límtes de cofaza. 3) Muestreo smple co resttucó 4) Estmadores de la
Más detallesSoluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II
Solucoes de los ejerccos de Selectvdad sobre Ifereca Estadístca de Matemátcas Aplcadas a las Cecas Socales II Atoo Fracsco Roldá López de Herro * Covocatora de 006 Las sguetes págas cotee las solucoes
Más detallesAPROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS
APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS Sugerecas para que mparte el curso Ha llegado el mometo e que es coveete resolver ejerccos aplcado
Más detallesINTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA
INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}
Más detallesLÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS
LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del
Más detallesEstadística Contenidos NM 4
Cetro Educacoal Sa Carlos de Aragó. Sector: Matemátca. Prof.: Xmea Gallegos H. 1 Estadístca Cotedos NM 4 Udad: Estadístca y Probabldades. Apredzajes Esperados: * Recooce dferetes formas de orgazar formacó:
Más detallesObjetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética
Objetvos Itroduccó a las meddas de poscó (tedeca cetral o tpsmo): Moda y Medaa Meda artmétca tca Cuartles,, decles y percetles Meddas de poscó Defcó: : refereca a u lugar específco de ua dstrbucó, epresado
Más detallesNOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD
NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD 1. CONCEPTO DE ESTADÍSTICA : Es la ceca que estuda la terpretacó de datos umércos. a) Proceso estadístco : Es aquél que a partr de uos datos umércos, obteemos
Más detallesCurso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases
Curso de Estadístca Udad de Meddas Descrptvas Leccó 3: Meddas de Tedeca Cetral para Datos Agrupados por Clases Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor Objetvos 1. Der el cocepto
Más detalles-Métodos Estadísticos en Ciencias de la Vida
-Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable
Más detallesEstadística Descriptiva
Estadístca Descrptva Poblacó: Es u cojuto de elemetos co ua determada característca. Muestra: Es u subcojuto de la poblacó. Muestreo: Es el proceso para elegr ua muestra que sea represetatva de la poblacó.
Más detallesTEMA 9. Contrastes no paramétricos y bondad de ajuste
TEMA 9. Cotrastes o paramétrcos y bodad de ajuste 9. Al falzar el tema el alumo debe coocer... fereca etre u cotraste parámetrco y uo o paramétrco Característcas de la estmacó utlzado los cotrastes o test
Más detalles( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad.
Propedades Estadístcas de los estmadores MICO Lealdad ) y Y Y Y Y = = = β Y Dado que la = 0 etoces β =.) S defmos el poderador k =, co las propedades sguetes: a) No estocástco b) k = 0 c) k = k d) = kx
Más detallesEnsayos de control de calidad
Esayos de cotrol de caldad Fecha: 0170619 1. lcace. Este procedmeto es aplcable e la evaluacó del desempeño del persoal que ejecuta pruebas e la Dvsó de Laboratoros de Ifraestructura de la Coordacó de
Más detallesANÁLISIS DE REGRESIÓN. Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez
ANÁLISIS DE REGRESIÓN Feradez Departameto de Matemátcas Uversdad de Puerto Rco Recto Uverstaro de Mayagüez REGRESIÓN LINEAL SIMPLE Regresó: cojuto de téccas que so usadas para establecer ua relacó etre
Más detallesCAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en
CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo
Más detallesGENERACION DE VARIABLES ALEATORIAS
GENERACION DE VARIABLES ALEATORIAS Hay ua varedad de métodos para geerar varables aleatoras. Cada método se aplca solo a u subcojuto de dstrbucoes y para ua dstrbucó e partcular u método puede ser más
Más detallesMétodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09
Métodos Estadístcos Aplcados a la Igeería Exame Temas -4 Igeería Idustral (E.I.I.) 3/4/09 Apelldos y ombre: Calfcacó: Cuestó..- Se ha calculado el percetl 8 sobre las estadístcas de sestraldad e el sector
Más detallesEJERCICIOS RESUELTOS TEMA 3.
INTRODUCCIÓN AL ANÁLII DE DATO EJERCICIO REUELTO TEMA 3. 3.1. La ampltud total de la dstrbucó de frecuecas de la tabla 1. es: A) 11; B) 1; C). Tabla 1. Estatura e cetímetros de ños de 1 meses de edad.
Más detallesEstadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo
Estadístca Tema 6: Aálss de Regresó. Estadístca. UNITEC Tema 6: Aálss de Regresó Modelos de Regresó E muchos problemas este ua relacó herete etre dos o mas varables, resulta ecesaro eplorar la aturaleza
Más detallesLOS NÚMEROS COMPLEJOS
LOS NÚMEROS COMPLEJOS por Jorge José Osés Reco Departameto de Matemátcas - Uversdad de los Ades Bogotá Colomba - 00 Cuado se estudó la solucó de la ecuacó de segudo grado ax bx c 0 se aaló el sgo del dscrmate
Más detallesANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral
ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar
Más detallesGráfica de los resultados experimentales: Variable Independiente: Variable Dependiente: Variable asociada:
:: OBJETIVOS [3.] o Apreder a presetar los datos epermetales como grafcas -. o Apreder a usar las hojas de papel logarítmco Semlogarítmco o Determar la relacó matemátca de ua grafca leal de datos epermetales
Más detalles(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es
(Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua
Más detalles1. Introducción 1.1. Análisis de la Relación
. Itroduccó.. Aálss de la Relacó Ejemplos: Relacoes fucoales de terés Redmeto Doss de fertlzate Redmeto hortícola Desdad de platacó Volume de madera a cortar Desdad de platacó Catdad de suplemeto dado
Más detallesGuía práctica para la realización de medidas y el cálculo de errores
Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;
Más detalles3 Metodología de determinación del valor del agua cruda
3 Metodología de determacó del valor del agua cruda Este aexo de la metodología del valor de agua cruda (VAC), cotee el método de detfcacó de la relacó etre reco y caudal, el cálculo de los estadígrafos
Más detallesMEDIDAS DE TENDENCIA CENTRAL
Capítulo 9 MEDIDAS DE TENDENCIA CENTRAL Ua medda de tedeca cetral, es u resume estadístco que muestra el cetro de ua dstrbucó; es decr, por lo geeral, busca el cetro de esa dstrbucó. Exste dferetes tpos
Más detallesDefinición La distribución de probabilidad de un estadístico recibe el nombre de distribución muestral. La distribución muestral de un estadístico
V. Muestreo V.. Dstrbucoes de Muestreo Defcó La dstrbucó de probabldad de u estadístco recbe el ombre de dstrbucó muestral. La dstrbucó muestral de u estadístco depede del tamaño de la poblacó, del tamaño
Más detallesMÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD
UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS
Más detallesFUNCIONES ALEATORIAS
Uversdad de Medoza Ig. Jesús Rubé Azor Motoya FUNCIONES ALEATORIAS Ua varable aleatora se defe como ua fucó que represeta gráfcamete el resultado de u expermeto a los úmeros reales, esto es, X(), dode
Más detallesProbabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3
Probabldad PROBABILIDAD 1. Expermetos aleatoros... 2 2. Espaco muestral asocado a u expermeto aleatoro. 3 3. Sucesos... 3 4. El álgebra de Boole de los sucesos... 4 5. Frecuecas. Propedades... 6 6. Defcó
Más detalles1.- DISTRIBUCIÓN BIDIMENSIONAL
º Bachllerato Matemátcas I Dpto de Matemátcas- I.E.S. Motes Oretales (Izalloz)-Curso 0/0 TEMAS 3, 4 y 5.- DISTRIBUCIONES BIDIMENSIONALES. CÁLCULO DE PROBABILIDADES. DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN
Más detallesAnálisis de la Varianza
Descrpcó breve del tema Aálss de la Varaza Tema. troduccó al dseño de expermetos. El modelo. Estmacó de los parámetros. Propedades de los estmadores 5. Descomposcó de la varabldad 6. Estmacó de la dfereca
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA Epermeto aleatoro.- Se llama epermeto aleatoro a todo feómeo cuyos resultados o se puede predecr de atemao, au cuado cada prueba se repta bajo las msmas codcoes. Ejemplos de
Más detallesContraste de Hipótesis
Cotraste de Hpótess 1. Se quere comprobar s ua muestra de tamaño 0 co meda 10 procede de ua poblacó N(14,3) co el vel de sgfcacó 0,05..- E ua propagada se auca que uas determadas plas proporcoa más horas
Más detallesCONTRASTES NO PARAMÉTRICOS (I) Antonio Morillas
CONTRASTES NO PARAMÉTRICOS (I) Atoo Morllas. Itroduccó. Cotrastes de ajuste. Cotraste χ. Cotraste de Kolmogorov-Smrov 3. Cotrastes específcos de ormaldad 3. Cotraste de ormaldad de Lllefors 3. Cotraste
Más detallesCENTRO DE MASA centro de masas centro de masas
CENTRO DE ASA El cetro de masas de u sstema dscreto o cotuo es el puto geométrco que dámcamete se comporta como s e él estuvera aplcada la resultate de las fuerzas exteras al sstema. De maera aáloga, se
Más detallesUna Propuesta de Presentación del Tema de Correlación Simple
Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:
Más detalles4. SEGUNDO MÓDULO. 4.1 Resumen de Datos
4. SEGUNDO MÓDULO 4. Resume de Datos E estadístca descrptva, a partr de u cojuto de datos, se busca ecotrar resumes secllos, que permta vsualzar las característcas esecales de éstos. E ua expereca, u dato
Más detallesQué es la estadística? presentación, análisis e interpretación de datos numéricos con e fin de realizar una toma de decisión más efectiva.
Estadístca Alguos Coceptos Itroduccó Qué es la estadístca? La estadístca, e geeral, es la ceca que trata de la recoplacó, orgazacó presetacó, aálss e terpretacó de datos umércos co e f de realzar ua toma
Más detallesProbabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3
Probabldad PROBBILIDD. Expermetos aleatoros... 2 2. Espaco muestral asocado a u expermeto aleatoro. 3 3. Sucesos... 3 4. El álgebra de Boole de los sucesos... 4 5. Frecuecas. Propedades... 6 6. Defcó axomátca
Más detallesTema 1: Introducción: Generalización y Extensión del Modelo de Regresión
Tema : Itroduccó: Geeralzacó y Etesó del Modelo de Regresó Tema : Itroduccó: Geeralzacó y Etesó del Modelo de Regresó Itroduccó Especfcacó del Modelo de Regresó Leal 3 Supuestos del Modelo Clásco de Regresó
Más detalles6- SUMA DE VARIABLES ALEATORIAS Y TEOREMA CENTRAL DEL LÍMITE
arte Suma de varables aleatoras y Teorema cetral del límte rof. María B. tarell 3 6- SUMA DE VARIABLES ALEATORIAS TEOREMA CENTRAL DEL LÍMITE 6. Suma de varables aleatoras deedetes Cuado se estudaro las
Más detallesFEM-OF: EDP Elíptica de 2 Orden
9/02/2008 Capítulo 5: FM-OF: D líptca de 2 Orde Idce: 5..- Operador Dferecal líptco 5.2.- roblema Básco 5.3.- Fucoes Óptmas 5.4.- FM-OF Steklov-ocaré 5.5.- FM-OF Trefftz-Herrera 5.6.- FM-OF etrov-galerk
Más detallesPARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva. 7. 1 Introducción
Parte Estadístca Descrptva Prof. María B. Ptarell PARTE - ESTADISTICA 7- Estadístca Descrptva 7. Itroduccó El campo de la estadístca tee que ver co la recoplacó, orgazacó, aálss y uso de datos para tomar
Más detalles5 Distribuciones Muestrales
5 Dstrbucoes Muestrales. Itroduccó Al defr la estadístca se explcó que la probabldad se trabaja desde la poblacó haca la muestra, metras que la fereca estadístca se trabaja e setdo cotraro, es decr, de
Más detallesEstadística Descriptiva
Estadístca Descrptva Parcalmete facado a través del PIE-04 (UMA). Promedos y meddas de poscó. Meddas de dspersó. Meddas de asmetría. Valores atípcos..4 Meddas de desgualdad..5 Valores atípcos: Dagrama
Más detallesESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA 3.5 Ojvas Este tpo de represetacó gráfca se costruye a partr de las frecuecas acumuladas (absolutas o relatvas) para varables cotuas o dscretas, co muchos
Más detallesFACTOR DE COBERTURA EN MEDIDA DE RADIOACTIVIDAD
FACTOR DE COBERTURA EN MEDIDA DE RADIOACTIVIDAD Blázquez J. Dvsó de Fsó Nuclear CIEMAT, Madrd INTRODUCCIÓN Co frecueca, las meddas de recueto radoactvo está sujetas a Garatía de Caldad (). Etre otras cosas,
Más detallesESTADÍSTICA DESCRIPTIVA
Estadístca Estadístca Descrptva. ESTADÍSTICA DESCRIPTIVA. Itroduccó.. Coceptos geerales. 3. Frecuecas y tablas. 4. Grácos estadístcos. 4. Dagrama de barras. 4. Hstograma. 4.3 Polgoal de recuecas. 4.4 Dagrama
Más detallesESTADÍSTICA BAYESIANA
ESTADÍSTICA BAYESIANA Notas Ídce. INTRODUCCIÓN.... ESTADÍSTICA BAYESIANA... 3. QUÉ ES LA INFERENCIA BAYESIANA?...3 4. CONCEPTOS BAYESIANOS BÁSICOS...5 4.. Teorema de Bayes... 5 4.. Naturaleza secuecal
Más detallesTEMARIO DE MATEMÁTICAS [ ] III. TIPOS DE MUESTREO. TAMAÑO DE LA MUESTRA
TEMARIO DE MATEMÁTICAS [07-8] TEMA 58: POBLACIÓ Y MUESTRA. CODICIOES DE REPRESETATIVIDAD DE UA MUESTRA. TIPOS DE MUESTREO. TAMAÑO DE UA MUESTRA. I. POBLACIÓ Y MUESTRA II. REPRESETACIÓ DE UA MUESTRA III.
Más detalles