Consideraciones Previas
|
|
- César Núñez Peña
- hace 6 años
- Vistas:
Transcripción
1 Uversdad Técca Federco Sata María Capítulo 7 Estmacó de arámetros Estadístca Computacoal II Semestre 005 rof. Héctor Allede ága : e-mal : hallede@f.utfsm.cl Cosderacoes revas Coceptos Báscos Dstrbucoes usadas e Ifereca Teoremas relevates Estmacó utual Métodos de Evaluacó de Estmadores utuales Estmacó por Itervalos H. Allede, R. Salas Dstrbucoes usadas e Ifereca.- J-Cuadrado co grados de lbertad. Sea,,..., v.a. cotuas depedetes tal que ~ N (0,,, (..d. f ~ χ ( y y e ( y I ( y R Γ + 3 α y dode Γ α + y e dy OBS:. E [ ] ( [ ]. Var 3. χ ( Γ ; 4. ϕ ( t ( t 0 ( y f es la fucó gamma además, Γ ( α + α α, α > 0 E [ ] TABLA [ ] Var 4 y Dstrbucoes usadas e Ifereca OBS:.- t-studet Sea v.a.c. tal que ~ N (0, v.a.c. tal que ~ χ ( Sea T ~ t Studet( + + t Γ + ft ( t I R ( t πγ 5.. Var T 3. E[ T ] 0 [ ] ϕt ( t o exste f T (y t 6 rofesor: Hector Allede
2 Uversdad Técca Federco Sata María Dstrbucoes usadas e Ifereca 3.- F-de Fsher Sea v.a.c. tal que ~ χ ( v.a.c. tal que ~ χ (m depedetes Sea Z ~ F(, m m K z f Z ( z I ( z + m + R + z m 7 + m Γ dode la costate K m m Γ Γ OBS:. E[ Z], m > m. [ ] m ( + m V Z, > 4 m ( m 4 m 3. ϕ t o exste f Z (z Z ( E[ Z ] m 8 z Teoremas Límtes Covergeca e Dstrbucó (CD: Ua sucesó de v.a.,,, coverge e dstrbucó a ua v.a. s Notacó: lm F ( x F ( x D x dode (x F es cotua. Note que la covergeca se efectúa sobre las cdfs y o e las varables aleatoras, las cuales o requere ser..d., como e ua muestra. 9 Teoremas Límtes A partr de la CD ace uo de los teoremas más mportates e estadístca: Teorema Cetral de Límte (TCL: Sea,,, ua secueca de v.a...d., co E [ ] µ y V [ ] ftas. Sea (/. Sea Etoces, y R : D µ N (0, Es decr: y t lm F ( y e dt π 0 Teoremas Límtes El TCL es útl cualquera sea el modelo de probabldad a partr del cual se geeraro las v.a.. No obstate, s este modelo es semejate a la dstrbucó Normal, la aproxmacó será buea au para pequeñas muestras; metras que s el modelo de la poblacó es poco parecdo a ua Normal, la aproxmacó resultará adecuada sólo para muestras grades, es decr, > 30. La v.a. se emplea para hacer fereca sobre, µ cuado se cooce el valor de la varaza poblacoal. Como desvetaja, o exste forma de evaluar la caldad de la aproxmacó. Teoremas Límtes Ejemplo : Supoga que,,, es ua secueca de v.a...d. de ua dstrbucó Bomal Negatva(r,p. Etoces, Sabemos que y E[ ] r( p / p V [ ] r( p / p. El TCL declara que: ( r( p / p D N (0, r( p / p Se pde calcular (. Es mucho más fácl computar esta probabldad medate el TCL co N(0, que utlzar drectamete la fucó de probabldad de la dstrbucó Bomal Negatva. rofesor: Hector Allede
3 Uversdad Técca Federco Sata María Teoremas Límtes Cosdere r 0, p / y 30. Cálculo drecto: 30 ( x x 0 x.896 Usado el TCL: 30( 0 ( 0 ( x 30( 0 0 Obs: es ua BN(r,p 3 Teoremas Límtes Ejemplo : Se tee ua muestra de 64 datos de certa v.a., se sabe que la desvacó estádar es gual a 6. Calcule la probabldad de que la meda muestral se ecuetre a o más de 4 udades del verdadero valor. ( µ 4 4 µ / / 4 µ 4 / / / ( > 30 F ( F (.9544 ~ N(0,. 4 Teoremas Límtes Covergeca e robabldad (C: Ua sucesó de v.a.,,, coverge e probabldad a ua v.a. s, ε > 0, Notacó: lm ( ε 0 ó lm < ε ( Note que las v.a. o requere ser..d. Además, D 5 Teoremas Límtes A partr de la C ace otro mportate resultado: Ley Débl de los Grades Números (LDGN: Sea,,, ua secueca de v.a...d., co E [ ] µ y V [ ] ftas. Sea (/. Etoces, ε > 0 : es decr: lm ( µ < ε µ 6 Teoremas Límtes ara demostrar el resultado ateror, debemos recurrr a otro teorema muy utlzado e estadístca: Desgualdad de Chebyshev (Tchebysheff: Sea ua v.a. co u fucó (desdad de probabldad f (x tal que E [ ] µ y V [ ] so ftas. Etoces ε > 0 : equvaletemete, s ε k : ( µ ε ε ( µ k k Etrega ua cota de la probabldad de que ua v.a. se aleje a lo más k desvacoes estádar de su meda. 7 Teoremas Límtes Demo LDGN: Se quere demostrar que: lm ( µ < ε a que es ua v.a. tal que y V / del Teo. Chebyshev se tee que ( µ ε ε como tee valor fto, tomado límte e esta expresó coforme, se tee que ó E [ ] µ [ ] lm ( µ ε 0 lm ( µ < ε 8 rofesor: Hector Allede 3
4 Uversdad Técca Federco Sata María Teoremas Límtes La LDGN es útl para estmar el tamaño ecesaro de ua muestra para asegurar co determar probabldad que la meda o se alejará más allá de ua catdad específca de la meda poblacoal. Ejemplo: Cosdere u proceso aleatoro de varaza coocda 0 y meda µ descoocda. Cuál debe ser el tamaño de la muestra para que la meda se ecuetre detro de u tervalo gual a dos udades respecto de la meda poblacoal, co probabldad de al meos 0.9? 9 Teoremas Límtes Ejemplo : or Chebyshev teemos que ( µ ε ε 0 ( 0. 9 µ 0 4* Teoremas Límtes Covergeca Cas Segura (CCS: També coocda como covergeca co probabldad. Es el tpo de covergeca más dura. Ua sucesó de v.a.,,, coverge cas seguramete a ua v.a. s, ε > 0, Notacó: ( lm ε 0 CS ó ( lm < ε Note que las v.a. o requere ser..d. Además, CS Teoremas Límtes A partr de la CCS ace otro mportate resultado: Ley Fuerte de los Grades Números (LFGN: Sea,,, ua secueca de v.a...d., co E [ ] µ y V [ ] ftas. Sea (/. Etoces, : > 0 es decr: ε ( lm µ < ε CS µ Estmacó de arámetros El objetvo de la estmacó de parámetros es proveer de métodos que permta determar co certa precsó, el vector de parámetros descoocdos ϑ, de u modelo estadístco f(x ; ϑ a partr de ua muestra aleatora de ua poblacó bajo estudo.. Método de estmacó utual. Método de estmacó por Itervalos 3 Estmacó de arámetros. Método de estmacó utual: Se busca u estmador ϑ que, co base e los datos muestrales, dé orge a ua estmacó uvaluada del valor del parámetro.. Método de estmacó por Itervalos: Se determa u tervalo aleatoro I(ϑ, dode co certa probabldad, se ecuetra el valor del parámetro ϑ. 4 rofesor: Hector Allede 4
5 Uversdad Técca Federco Sata María Estmacó utual La dea detrás de la estmacó putual es bastate smple. Cuado muestreamos desde ua poblacó descrta por su fucó de desdad o cuatía, f ( x θ coocer θ sgfca coocer la poblacó etera. or lo tato, es atural cotar co métodos para ecotrar bueos estmadores del parámetro θ. 5 Defcó de Estmador U estmador es ua regla que os dca cómo obteer u parámetro de u modelo, basádose e la formacó coteda e ua muestra ( M{ f ( x θ : θ Θ} modelo T : χ τ Θ x T (x T (,,..., T (x : Estmador de θ, varable aleatora, fucó de la muestra, que o depede del parámetro θ. (T (x es ua estadístca basada e la Iformacó χ χ{x : x es ua muestra aleatora} Espaco de Iformacó E lo que sgue T (,,..., estmador de θ. θˆ 6 Métodos de Estmacó utual Método de Mometos Método de Máxma Verosmltud Método de Estmacó de Bayes Método de Mometos Quzá este sea el método de estmacó putual más atguo (Karl earso, 800 s. Sea,,,, ua muestra desde ua poblacó co pdf o pmf f ( x θ, θ,..., θk. Los estmadores de los k parámetros se ecuetra gualado los prmeros k mometos muestrales co los correspodetes k mometos poblacoales. Resolvedo el sstema de ecuacoes ecotramos el vector de estmacó: θ ˆ ( θˆ, θˆ,..., θˆ k 7 8 Método de Mometos Mometos Observados m m m m k / / / mr µ r, r,..., k m k,,, Mometos Observados (cetrados e cero µ E[ ] µ E[ µ E[ y resolvemos el sstema de ecuacoes: k m k ] ] 9 Método de Mometos Ejemplo: Se tee ua muestra,,, d que se supoe sgue ua dstrbucó N( µ,. Ecuetre los parámetros de la Gaussaa. Solucó: Segú la otacó ateror, los parámetros de la dstrbucó so θ µ y θ. Teemos que m y m µ t+ t / La fgm de ua v.a. Gaussaa es φ ( t e, etoces µ µ y µ µ + 30 rofesor: Hector Allede 5
6 Uversdad Técca Federco Sata María Método de Mometos Método de Máxma Verosmltud...Ejemplo: resolvedo el sstema de ecuacoes: µ µ + Ecotramos que el estmador del verdadero valor ˆ ( ˆ, ˆ de θ ( θ, θ ( µ, es θ θ θ ( ˆ, µ ˆ tal que: µˆ ˆ ( 3 El método de MV es la técca más popular para dervar estmadores. Sea,,,, ua muestra desde ua poblacó co pdf o pmf f x θ, θ,..., θ. ( k La fucó de verosmltud se defe como: L( x θ L( x, x,..., x θ, θ,..., θk ara cada puto de la muestra, f ( x θ, θ,..., θk θ es el estmador de los parámetros e el cual L( x θ alcaza su valor máxmo como fucó del verdadero valor θ. 3 Método de Máxma Verosmltud S la fucó de verosmltud es dferecable (e, el estmador de máxma verosmltud (EMV θ θ del verdadero valor θ es aquel que resuelve: L( x θ 0,,..., k θ No obstate, habría que chequear que se cumple: L x θ θ ( θ θˆ, < 0,..., k 33 Método de Máxma Verosmltud Depededo de la pdf o pmf, puede resultar muy complcada la fucó de verosmltud, es por ello que es más fácl trabajar co la fucó de logverosmltud, defda como: ( x θ l L( x θ l f ( x θ, θ,..., θk Equvaletemete, el EMV θˆ es el valor de θ para el cual se cumple: ( x θ 0,,..., k θ 34 Método de Máxma Verosmltud Ejemplo: Se tee ua muestra,,, d que se supoe sgue ua dstrbucó N( µ,. Ecuetre los parámetros de la Gaussaa. Solucó: Segú la otacó ateror, los parámetros de la dstrbucó so: θ ( θ, θ ( µ,. ( x x θ µ ( l exp π l π l ( x µ 35 Método de Máxma Verosmltud...Ejemplo: resolvedo el sstema de ecuacoes: Ecotramos que el estmador del verdadero valor de es ˆ ˆ ˆ θ ( θ, θ ( µ, θ ( θ, θ ( ˆ, µ ˆ tal que: ( x θ 0 µ ( x θ 0 µˆ ˆ ( 36 rofesor: Hector Allede 6
7 Uversdad Técca Federco Sata María Método de Estmacó de Bayes Método de Estmacó de Bayes E los efoques prevos cosderamos al parámetro θ es cosderado como ua catdad descoocda, pero fja. Trabajábamos co ua muestra aleatora (m.a. proveete de ua poblacó caracterzada por θ y, basádoos e los valores observados de la muestra, obteíamos coocmeto sobre el valor de, es decr, computábamos ua catdad aproxmada θ θ. E el efoque bayesao θ es cosderado ua catdad cuya varacó puede ser descrta por ua dstrbucó de probabldad, llamada robabldad a ror. 37 La dstrbucó a pror es subjetva, basada sobre la opó del aalsta, y es formulada ates de que los datos sea vstos (de ahí su ombre. Etoces, se toma ua muestra desde ua poblacó caracterzada por θ, y la probabldad a pror es actualzada co la formacó muestral. La probabldad a pror actualzada se deoma robabldad a osteror, cuya actualzacó se realza a través de la regla de Bayes. Es la probabldad a posteror la que se utlza para hacer fereca sobre θ. 38 Método de Estmacó de Bayes S deotamos la dstrbucó a pror por π (θ y la dstrbucó de muestreo por f ( x θ, etoces la dstrbucó a posteror, que es la dstrbucó codcoal de θ dada la muestra x, está dada por: f ( x θ π ( θ π ( θ x ( f ( x θ π ( θ f ( x, θ m( x dode m(x es la dstrbucó margal de x, esto es: m ( x f ( x θ π ( θ dθ Método de Estmacó de Bayes Note que la dstrbucó a posteror es ua dstrbucó codcoal, codcoada sobre las observacoes de la muestra. Esta dstrbucó será utlzada para hacer fereca sobre θ, la cual se cosdera como ua catdad aleatora. or ejemplo, la meda de la dstrbucó a posteror puede ser usada como estmador putual de θ Método de Estmacó de Bayes Ejemplo: Cosdere la muestra,,, d Beroull(p. Etoces es ua Bomal(,p. Asumremos que la dstrbucó a pror de p es Beta( α, β Ecuetre la dstrbucó a posteror de p. La dstrbucó cojuta de y p es: f ( y, p f ( y p π ( p codcoal x margal 4 Método de Estmacó de Bayes...Ejemplo: y y α + β α f ( y, p p ( p p ( p y α β α + β y+ α y+ β p ( p y α β y la margal de es: β α + β y + α y + β f ( y f ( y, p dp y α β + α + 0 β 4 rofesor: Hector Allede 7
8 Uversdad Técca Federco Sata María Método de Estmacó de Bayes...Ejemplo: La margal de calculada prevamete se cooce co el ombre de Beta-Bomal. Luego, la dstrbucó a posteror de p dado y es: f ( y, p + α + β f ( p y p f ( y y + α y + β y+ α ( p y+ β que es ua dstrbucó Beta( y + α, y + β. Recuerde que p es la varable, metras que y es tratada como fja e la actualzacó. Método de Estmacó de Bayes...Ejemplo: Ua estmacó atural para el parámetro p es la meda de la dstrbucó codcoal, la cual os etregaría e estmador de Bayes de p: y + α pˆ B α + β + Esta catdad comba formacó proveete de la dstrbucó a pror, así como també de la muestra Método de Estmacó de Bayes...Ejemplo: E efecto, el estmador de Bayes pˆ B obtedo puede reescrbrse como combacó leal de la meda a pror y la meda muestral, co coefcetes determados por α, β y. pˆ B y α + β α + α + β + α + β + α + β meda muestral meda a pror 45 Métodos de Evaluacó de E.utual Los métodos dscutdos prevamete provee herrametas para ecotrar estmadores putuales de parámetros. Ua dfcultad se preseta, o obstate, cuado podemos aplcar varas de estas téccas a ua stuacó partcular, y os ecotramos co la tarea de escoger etre dversos estmadores. Es probable que dferetes téccas etregue el msmo resultado, pero frecuetemete esto o ocurre. A cotuacó examaremos alguos crteros que faclte la tarea de seleccoar u determado estmador. 46 Métodos de Evaluacó de E.utual Error Cuadrátco Medo (ECM: El ECM de u estmador T θˆ del parámetro θ es la fucó de θ defda por E[ T θ ]. El ECM mde el promedo de las dferecas cuadradas etre el estmador y el verdadero valor del parámetro, ua medda razoable del desempeño de u estmador putual. Ua medda alteratva podría ser E[ T θ ]. No obstate, la medda cuadrátca que utlza ECM tee dos vetajas sobre otras meddas de dstaca: prmero que es bastate tratable aalítcamete, y segudo que tee la sguete terpretacó: 47 Métodos de Evaluacó de E.utual Error Cuadrátco Medo (ECM: ECM( T E[ T θ ] E[ T Tθ + θ ] E[ T ] θe[ T ] + θ V[ T ] + ( E[ T ] θe[ T ] + θ V[ T ] + ( E[ T ] θ V[ T ] + ( Sesgo( T Dode se defe el Sesgo (Bas de u estmador putual como: Sesgo( T E[ T ] θ 48 rofesor: Hector Allede 8
9 Uversdad Técca Federco Sata María Métodos de Evaluacó de E.utual Error Cuadrátco Medo (ECM: El ECM corpora dos compoetes, ua que mde la varabldad del estmador (precsó y la otra que mde su sesgo (cercaía al verdadero valor. U estmador co bueas propedades de ECM tee varaza y sesgo pequeños. arece razoable etoces escoger como el mejor estmador de θ, la estadístca que tega el ECM más pequeño posble de etre todos los estmadores factbles de θ 49 Métodos de Evaluacó de E.utual Error Cuadrátco Medo (ECM: No obstate, o exste gú estmador que mmce el ECM para todos los posbles valores de θ. Es decr, u estmador puede teer u ECM mímo para alguos valores de θ, metras que otro estmador tedrá la msma propedad, pero para otros valores de θ. Ejemplo: Cosdere la m.a.,,, de algua dstrbucó tal que E [ ] µ y V [ ]. Cosdere las estadístcas (estmadores: T y T + como posbles estmadores de µ. 50 Métodos de Evaluacó de E.utual Error Cuadrátco Medo (ECM: Ejemplo: Obteer los ECM de T y T y demostrar que ECM(T < ECM(T para alguos valores de µ, metras que la proposcó versa es certa para otros valores de µ. Solucó: ara T : El sesgo de T es cero, dado que [ T ] E[ ] µ ECM ( T V [ T ] E 5 Métodos de Evaluacó de E.utual Error Cuadrátco Medo (ECM: Solucó: ara T : + [ ] E E[ ] E T V + + µ + [ T ] V [ ] V µ ECM ( T + ( µ + + ( + + µ ( + ( + 5 Métodos de Evaluacó de E.utual Error Cuadrátco Medo (ECM: Solucó: S 0 y 00, etoces µ ECM ( T 0 y ECM ( T Al gualar ambas expresoes y resolvedo para µ, se tee que: ECM(T < ECM(T para µ < 0 ECM(T < ECM(T para µ > 0 E base a esto podemos afrmar que se debe examar certos crteros adcoales para la seleccó de los estmadores. 53 Métodos de Evaluacó de E.utual Estmadores Isesgados: Recordemos que e el ECM de u estmador se defó el Sesgo o Bas. Se dce que la estadístca T T(,,..., es u estmador sesgado de θ, s E[T ] θ para todos los valores posbles de θ. E otras palabras, es deseable que la meda del estmador sea gual al parámetro que se está estmado. De esta forma, para cualquer estmador sesgado de θ, la dstrbucó de muestreo de T se ecuetra cetrada alrededor de θ y ECM ( T V[ T ]. 54 rofesor: Hector Allede 9
10 Uversdad Técca Federco Sata María Métodos de Evaluacó de E.utual Estmadores Isesgados: Ejemplo: Sea,, 3 y 4 ua m.a. de tamaño 4 proveete de ua poblacó expoecal de parámetro θ. Demuestre que T ( + / 6 + ( / 3 y T ( /5 so estmadores sesgado y sesgado, respectvamete, del parámetro θ. Solucó: Sabemos que E[ ] θ (expoecal E [ T ] ( E[ ] + E[ ] / 6 + ( E[ 3] + E[ 4] / 3 θ / 6 + θ / 3 θ sesgado E [ T ] ( E[ ] + E[ ] + 3E[ 3] + 4E[ 4] / 5 0 θ /5 θ sesgado 55 Métodos de Evaluacó de E.utual Estmadores Cosstetes: Es razoable esperar que u bue estmador de u parámetro θ sea cada vez mejor coforme crece el tamaño de la muestra. Esto es, coforme la formacó de ua v.a. se vuelve más completa, la dstrbucó de muestreo de u bue estmador se ecuetra cada vez más cetrada alrededor del parámetro θ. 56 Métodos de Evaluacó de E.utual Estmadores Cosstetes: Sea T el estmador del parámetro θ, y sea T, T,..., T ua secueca de estmadores que represeta a T co base e muestras de tamaño,,,, respectvamete. Se dce que T es u estmador cosstete para θ s lm T para todo valor de θ y ε > 0. ( θ ε Obs.: Esta defcó provee del cocepto de Covergeca e robabldad. Como ejemplo, aterormete demostramos que la meda muestral es u estmador cosstete de la meda poblacoal µ. 57 Métodos de Evaluacó de E.utual Estmadores Isesgados de Varaza Míma: Como ya vmos, es dfícl determar u estmador co mímo ECM para todo valor de θ. S embargo, podemos efectuar esta búsqueda detro de la clase de estmadores sesgados. S u estmador T se ecuetra detro de esta clase, se tee que: E[T ] θ y ECM ( T V[ T ] Etoces, detro de la clase de estmadores sesgados, podemos comparar éstos segú su varaza. 58 Métodos de Evaluacó de E.utual Estmadores Isesgados de Varaza Míma: Sea,,, ua m.a. de ua dstrbucó cuya desdad tee la forma f ( x θ. Sea T T(,,..., u estmador de θ tal que E[T ] θ y V[T ] es meor que la varaza de cualquer otro estmador sesgado de θ para todos los valores posbles de θ. Se dce etoces que T es u estmador sesgado de varaza míma de θ. Cómo ecotrar, s exste, u estmador de varaza míma? Sería luso calcular todos los estmadores posbles para certo parámetro θ y escoger aquel de varaza más pequeña. ara evtar dcha operatora, recurrmos a u resultado que recbe el ombre de cota feror de Cramér-Rao. 59 Métodos de Evaluacó de E.utual Estmadores Isesgados de Varaza Míma: Sea,,, ua m.a. de ua dstrbucó cuya desdad tee la forma f ( x θ. S T es u estmador sesgado de θ, etoces la varaza de T debe satsfacer la sguete desgualdad: l f ( θ V[ T ] E θ Esta desgualdad establece u límte feror para la varaza de u estmador de θ (cota feror de Cramér-Rao. 60 rofesor: Hector Allede 0
11 Uversdad Técca Federco Sata María Métodos de Evaluacó de E.utual Estmadores Efcetes: S T es cualquer estmador sesgado del parámetro θ, se dce que T es u estmador efcete s se cumple que: l f ( θ V[ T ] E θ or lo tato, el estmador efcete de θ es el estmador de míma varaza, cuyo valor correspode a la cota feror de Cramér-Rao. El estmador efcete de θ, s se puede ecotrar, es el mejor estmador sesgado de θ e el cotexto de la fereca estadístca. 6 Métodos de Evaluacó de E.utual Estmadores Efcetes: Ejemplo: Sea,,, ua m.a. de ua dstrbucó osso de parámetro λ. Ecuetre el estmador efcete de λ. Solucó: Sabemos que la pmf de ua dstrbucó osso λ x está dada por p( x λ e λ / x!, y su esperaza y varaza está dadas por E[ ] µ λ y V[ ] λ. Luego: l p( x λ x l( λ λ l( x! l p( x λ x x λ λ λ λ 6 Métodos de Evaluacó de E.utual Estmadores Efcetes:...Ejemplo: Etoces: l p( x λ x λ E E λ λ V[ ] E[ x λ] λ λ por la defcó de efceca, el estmador efcete T de λ debe ser tal que se cumpla: λ V[ T ] / λ De aquí fermos que el estmador efcete de λ es la meda muestral: T. 63 λ Métodos de Evaluacó de E.utual Efceca Relatva: Se defe la efceca relatva del estmador T respecto del estmador T como: ECM ( T ef ( T, T ECM ( T La varaza de u estmador sesgado es la catdad más mportate para decdr qué ta bueo es. S T y T so dos cualesquera estmadores sesgados de θ : V[ T ] ef ( T, T V[ T ] Se dce que T es más efcete que T s V T ] V[ ]. [ T 64 Métodos de Evaluacó de E.utual Estmadores Sufcetes: Ua estadístca sufcete para u parámetro θ es aquella que utlza toda la formacó coteda e la muestra aleatora co respecto a θ. or ejemplo, supoga que la m.a.,,, 50 de 50 observacoes provee de ua fucó de desdad caracterzada por el parámetro θ. Co ua estadístca sufcete para θ, lo que se tee es ua maera de resumr todas las medcoes de los datos de la muestra e u valor e el que toda la formacó de la muestra co respecto a θ se ecuetre coteda e este valor. Métodos de Evaluacó de E.utual Estmadores Sufcetes: or ejemplo, el estmador T ( /5 cotee toda la formacó pertete co respecto a θ? A pesar que el estmador proporcoa u solo valor, o es posble que éste cotega toda la formacó muestral co respecto a θ, dado que se ha excludo la mtad de los datos. Qué se puede decr acerca de la meda muestral? Que cotee todos los datos, pero sgfca esto que toda formacó muestral co respecto a θ se extrae cosderado rofesor: Hector Allede
12 Uversdad Técca Federco Sata María Métodos de Evaluacó de E.utual Estmadores Sufcetes: Se dce que u estmador T T(,,, es sufcete para u parámetro θ s la dstrbucó cojuta de,,, dado T, se ecuetra lbre de θ ; es decr, s se afrma T, etoces,,, o tee ada más que decr co respecto a θ. La mportaca de este cocepto radca e el hecho de que s exste u estmador efcete de θ, se ecotrará que éste es ua estadístca sufcete. Métodos de Evaluacó de E.utual Estmadores Sufcetes: Sea,,, ua m.a. de ua dstrbucó co desdad de probabldad f ( x θ. Se dce que la estadístca T T(,,, es sufcete para θ sí y sólo s la fucó de verosmltud puede factorzarse de la sguete forma: L( x θ L( x, x,..., x θ h( t θ g( x,..., x para cualquer valor t T(x,x,,x de T (realzacó y e dode g x,..., x o cotee al parámetro θ. ( Métodos de Evaluacó de E.utual Estmadores Sufcetes: Ejemplo: Sea,,, ua m.a. de ua dstrbucó λ x osso co pdf p( x λ e λ /. x! Demostrar que el estmador efcete de λ es a su vez sufcete. Solucó: L x, x,..., x λ p( x λ p( x λ p( x ( λ e λ x λ λ / x! e x e λ / λ / x! e λ x x! λ / x! λ x Métodos de Evaluacó de E.utual Estmadores Sufcetes: Solucó: co ( x λ g( x, x,..., x L( x, x,..., x λ h h x x λ λ e ( λ Etoces x es ua estadístca sufcete para λ. Dado que el estmador efcete es ua fucó uo a uo de esta estadístca, també es sufcete para λ ropedades de los Estmadores Máxmo Verosímles Los estmadores máxmo verosímles so: Astótcamete sesgados Astótcamete ormales Astótcamete efcetes Ivarates bajo trasformacoes buívocas S estmador sufcete, es sufcete θˆmv Estmacó por Itervalos E la práctca, teresa o sólo dar ua estmacó de u parámetro, so que además, u tervalo que permta precsar la certdumbre exstete e la estmacó. Defcó: Sea x m.a. f ( x, θ. Sea θ T (x, θ T (x dos estadístcas de θ : T T x χ ; [θ θ θ ] - α γ Etoces el I [θ ; θ ] se llama tervalo aleatoro de cofaza del 00 γ % para θ ( 0 < α <. 7 7 rofesor: Hector Allede
13 Uversdad Técca Federco Sata María Estmacó por Itervalos Fjado α, el problema de determar θ y θ puede resolverse ecotrado ua varable aleatora Q(x,θ cuya dstrbucó esté totalmete defda, que sea depedete de θ. La varable Q(x,θ se deoma Catdad votal. La costruccó del tervalo de cofaza se efectúa co base e el mejor estmador del parámetro descoocdo θ. 73 Método de la Catdad votal. Ecotrar ua catdad Q.. [q Q q ] - α γ 3. Ivertr [θ θ θ ] γ, obteedo así u tervalo I[θ ; θ ] de cofaza para θ de vel 00 γ %. Observacó: ara muestras grades la v.a. Q sempre exste, ya que s, etoces θ θ MV θˆmv Z tee dstrbucó ormal estádar. ( ˆ θˆ MV [ θˆ ± z ( θˆ ] El tervalo para θ estaría dado por: I MV α dode el cuatl z / puede obteerse de la tabla de la dstrbucó Normal estádar. 74 MV I.Cofaza para µ cuado se muestrea ua dstrbucó ormal co varaza coocda: Cosderado como estmador de la meda poblacoal µ como la meda muestral, deseamos costrur u tervalo de cofaza tal que: dode Estmacó por Itervalos g ( µ g ( µ < < ( µ ] [ g g ( µ f ( x; µ d x α / y f ( x; µ d x α / f ( x; µ es la fucó de desdad de la dstrbucó de muestreo de, y g ( µ y g ( µ so fucoes de µ, las cuales o cotee a gú otro parámetro descoocdo. 75 Estmacó por Itervalos I.Cofaza para µ cuado se muestrea ua dstrbucó ormal co varaza coocda: uesto que ~ N( µ,, la v.a. Z ( µ /( / ~ N (0,, etoces: g( µ µ g( µ µ [ g( µ < < g( µ ] < Z < / / g( µ µ g( µ µ cosderado zα / / y z / /, además de z z se tee: z α / / < µ < + z / / 76 Estmacó por Itervalos I.Cofaza para µ cuado se muestrea ua dstrbucó ormal co varaza coocda: Luego, el tervalo de cofaza del 00( % para la meda poblacoal es: I x z + ± /, x z / x z / dode el cuatl z / puede obteerse de la tabla de la dstrbucó Normal estádar. 77 Estmacó por Itervalos I.Cofaza para µ cuado se muestrea ua dstrbucó ormal co varaza descoocda: Es sabdo que cuado se muestrea ua v.a. ~ N ( µ,, dode tato µ como so descoocdos, la v.a. µ sgue ua dstrbucó t-studet co (- gl., T S / dode S es la desvacó estádar y es el tamaño de la muestra. or lo tato, es posble determar el valor del cuatl t α /, de T, para el cual: [ t < T < t ] /, /, 78 rofesor: Hector Allede 3
14 Uversdad Técca Federco Sata María Estmacó por Itervalos I.Cofaza para µ cuado se muestrea ua dstrbucó ormal co varaza descoocda: Etoces: S S t /, < µ < + t /, Luego, el tervalo de cofaza del 00( % para la meda poblacoal es: s s s I x t + ± /,, x t /, x t /, t α dode el cuatl /, puede obteerse de la tabla de la dstrbucó t-studet co (- grados de lbertad. 79 Estmacó por Itervalos 3 I.Cofaza para la dfereca de medas cuado se muestrea dos dstrbucoes ormales depedetes: Sea,,, x y,,, y dos m.a. de dos dstrbucoes ormales depedetes, co medas y varazas y, respectvamete. Se desea costrur u tervalo de cofaza para la dfereca µ µ, co el supuesto que se cooce las varazas. ( µ µ Es sabdo que la v.a. Z ~ N(0, + µ y µ 80 Estmacó por Itervalos 3 I.Cofaza para la dfereca de medas cuado se muestrea dos dstrbucoes ormales depedetes: or lo tato, es posble determar el valor del cuatl z para el cual [ z < Z < ] / Etoces: / z / z / + < µ µ < + z / + El tervalo está dado por: I x y ± z / + dode el cuatl z / puede obteerse de la tabla de la dstrbucó Normal estádar. 8 Estmacó por Itervalos 3 I.Cofaza para la dfereca de medas cuado se muestrea dos dstrbucoes ormales depedetes: S las varazas se descooce, pero so guales, etoces la v.a. ( µ µ Z ~ t Studet( k k + gl S p + El tervalo está dado por: I x y ± t /, ksp + dode el estmado combado de la varaza comú es: ( s + ( s sp k 8 Estmacó por Itervalos 4 I.Cofaza para cuado se muestrea ua dstrbucó ormal co meda descoocda: Es sabdo que cuado se muestrea ua v.a. ~ N ( µ,, dode tato µ como so descoocdos, la v.a. ( S sgue ua dstrbucó J-cuadrada co (- gl., χ dode S es la desvacó estádar y es el tamaño de la muestra. or lo tato, es posble determar el valor de los cuatles χ α /, y χ /, tales que [ χ α /, < χ < χ /, ] 83 Estmacó por Itervalos 4 I.Cofaza para cuado se muestrea ua dstrbucó ormal co meda descoocda: Luego, el tervalo de cofaza del 00( % para la varaza, co base e los datos de ua muestra de tamaño es: ( s ( s I, χ /, χ α /, χ dode los cuatles α /, y χ /, se obtee de la tabla de la dstrbucó J-Cuadrada co (- gl. 84 rofesor: Hector Allede 4
15 Uversdad Técca Federco Sata María Estmacó por Itervalos 5 I.Cofaza para el cuocete de dos varazas cuado se muestrea dos dstrbucoes ormales depedetes: Sea,,, x y,,, y dos m.a. de dos dstrbucoes ormales depedetes, co medas y varazas y, respectvamete. Se desea costrur u tervalo de cofaza para el cuocete. / Es sabdo que la v.a. F S S / ~ F(, µ y µ 85 Estmacó por Itervalos 5 I.Cofaza para el cuocete de dos varazas cuado se muestrea dos dstrbucoes ormales depedetes: or lo tato, es posble determar los cuatles a y b tales que: [ F < F < ] dode a F b Fa f y F b /,, f /,, El tervalo está dado por: s s I Fa, F b s s dode los cuatles F a y F b puede obteerse de la tabla de la dstrbucó F co ( - y ( - grados de lbertad. 86 rofesor: Hector Allede 5
Modelos 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 detallesDivisión 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 detallesApuntes preparados por el profesor Sr. Rosamel Sáez Espinoza con fines de docencia
Aputes preparados por el profesor Sr. Rosamel Sáez Espoza co fes de doceca La meda Sea u cojuto de observacoes x 1,..., x, o agrupados. Se defe la meda o promedo, medate: x 1 La meda utlza todas las observacoes,
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 detalles2.5. Área de una superficie.
.5. Área de ua superfce. Sea g ua fucó co prmeras dervadas parcales cotuas, tal que z g( x y), 0 e toda la regó D del plao xy. Sea S la parte de la gráfca de g cuya proyeccó e el plao xy es como se lustra
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 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 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 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 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 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 detallesSi los cerdos de otro granjero tienen los siguientes pesos: 165, 182, 185, 168, 170, 173, 180, 177. Entonces el diagrama de puntos está dado por:
Aputes de Métodos Estadístcos I Prof. Gudberto J. Leó R. I- 65 Uversdad de los Ades Escuela de Estadístca. Mérda -Veezuela Meddas de Dspersó Además de obteer la formacó que reúe las meddas de tedeca cetral
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 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 detallesCONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN
INTRODUCCIÓN CONTENIDO DEFINICIÓN DE ESTADÍSTICA ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS POBLACIÓN VARIABLE: Cualtatvas o Categórcas y Cuattatvas (Dscretas y Cotuas) MUESTRA TAMAÑO MUESTRAL DATO DISTRIBUCIONES
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 detallesA I A subconjunto de S A es un Evento s A s es elemento de A Ocurre el evento A
Uversdad Técca Federco Sata María Departameto de Iformátca ILI-80 Coceptos áscos Capítulo 5 Modelos de Probabldades Estadístca stca Computacoal II Semestre 005 Profesores: Héctor llede (hallede@f.utfsm.cl
Más detallesIV. GRÁFICOS DE CONTROL POR ATRIBUTOS
IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,
Más detallesIncertidumbre en las mediciones directas e indirectas
Icertdumbre e las medcoes drectas e drectas Comezaremos por dstgur dos dferetes tpos de medcoes: Medcoes drectas: La medda de la cota se obtee e ua úca medcó co u strumeto de lectura drecta. Medcoes drectas:
Más detallesEstadística descriptiva
Estadístca descrptva PARAMETROS Y ESTADISTICOS Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca Meddas de tedeca cetral: Moda, Medaa, Meda
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 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 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 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 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 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 detallesCAPITULO TRES MEDIDAS DE TENDENCIA CENTRAL
CAPITULO TRES MEDIDAS DE TENDENCIA CENTRAL 3. CARACTERISTICAS NUMERICAS DE UNA VARIABLE S tratamos de represetar uestras edades medate u polígoo de frecuecas, y os ubcamos e el tempo: hace 0 años, hoy
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 detallesTransformada Z. Definición y Propiedades Transformada Inversa Función de Transferencia Discreta Análisis de Sistemas
5º Curso-Tratameto Dgtal de Señal Trasformada Z Defcó y Propedades Trasformada Iversa Fucó de Trasfereca Dscreta Aálss de Sstemas 7//99 Capítulo 7: Trasformada Z Defcó y Propedades 5º Curso-Tratameto Dgtal
Más detalles1 ESTADÍSTICA DESCRIPTIVA
1 ESTADÍSTICA DESCRIPTIVA 1.1 OBJETO DE ESTUDIO Y TIPOS DE DATOS La estadístca descrptva es u cojuto de téccas que tee por objeto orgazar y presetar de maera coveete para su aálss, la formacó coteda e
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 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 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 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 detallesINGENIERÍA INDUSTRIAL DISEÑO EXPERIMENTAL LEOPOLDO VIVEROS ROSAS
INGENIERÍA INDUTRIAL A meudo, e la práctca, se requere resolver prolemas que clue cojutos de varales, cuado se sae que este algua relacó herete etre ellas, esa relacó se puede ecotrar a partr de la formacó
Más detalles5.3 Estadísticas de una distribución frecuencial
5.3 Estadístcas de ua dstrbucó frecuecal 5.3. Meddas de tedeca cetral Meddas de tedeca cetral Las meddas de tedeca cetral so descrptores umércos que proporcoa ua dea de los valores de la varable, alrededor
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 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 detallesde los vectores libres del plano. Recordemos que la operación de sumar vectores verificaba las siguientes propiedades: se cumple que u + v = v + u
FUNDAMENTOS DE LOS ESPACIOS VECTORIALES ABSTRACTOS Prmeros ejemplos. Cosderemos el cojuto V de los vectores lbres del plao. Recordemos que la operacó de sumar vectores verfcaba las sguetes propedades:
Más detallesCapítulo I. Introducción: Características de los sistemas macroscópicos, conceptos de probabilidad y estadística de sistemas de partículas.
Capítulo I. Itroduccó: Característcas de los sstemas macroscópcos, coceptos de probabldad y estadístca de sstemas de partículas. Leccó Itroduccó a la descrpcó estadístca de los sstemas de partículas. Fluctuacoes
Más detallesESPACIOS VECTORIALES SUBESPACIOS FINITAMENTE GENERADOS:
SUBESPACIOS FINITAMENTE GENERADOS: Teorema S G={v, v,, v } es u sstema fto de geeradores de u subespaco S V K-EV, etoces G`= {v, v,, v,w} sedo w combacó leal de vectores de G, també geera a S. Demostracó
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 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 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 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 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 detallesSolución del examen de Investigación Operativa de Sistemas de septiembre de 2008
Solucó del exame de Ivestgacó Operatva de Sstemas de septembre de 008 Problema : (3 putos) E Vllafresca uca hace sol dos días segudos. S u día hace sol, hay las msmas probabldades de que el día sguete
Más detalles