Estadística I Tema 5: Introducción a la inferencia estadística
|
|
- Jesús Fidalgo Vázquez
- hace 5 años
- Vistas:
Transcripción
1 Estadística I Tema 5: Introducción a la inferencia estadística
2 Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución de la media muestral. Intervalo de confianza para la media.
3 Inferencia estadística Objetivo: Estudiar las características de interés de una población a través de la información contenida en una muestra. Identificamos el concepto de población estadística con el concepto de población sobre la que se define la variable aleatoria X, que es objeto de estudio. La ley o distribución de la población es la distribución de los valores de la variable aleatoria de interés, X. Por ejemplo, X puede tener una distribución normal de parámetros µ y σ, X N (µ, σ). El objetivo fundamental de la inferencia estadística es inferir los valores de los parámetros poblacionales o de determinadas características de una variable aleatoria, como la media poblacional, que sean desconocidos, basandonos en la información proporcionada por una muestra.
4 Muestreo Una muestra es un subconjunto finito de una población. El número de individuos que forman la muestra se denomina tamaño muestral. En la práctica no suele ser habitual estudiar todos los elementos de una población ya que: los elementos pueden existir conceptualmente, pero no en la realidad (población de piezas defectuosas que producirá una máquina en su vida útil). puede ser inviable económicamente estudiar a toda la población. el estudio llevaría tanto tiempo que sería impracticable e incluso las propiedades de la población podrían variar con el tiempo (encuestas electorales). el estudio puede implicar la destrucción del elemento (estudio de la vida media de una partida de bombillas, estudio de la tensión de rotura de unos cables,... ).
5 Muestreo aleatorio simple Un muestreo aleatorio simple consiste en seleccionar aleatoriamente miembros de una población de tal manera que: cada elemento de la población tenga la misma probabilidad de ser escogido, asegurando, de esta manera, la representatividad de la muestra de cara a la población; y las selecciones se realizan con reposición, de tal manera que la población es identica en todas las extracciones. Notar que si el tamaño de la población (N) es grande con respecto al tamaño muestral (n) es indiferente hacer el muestreo con o sin reposición.
6 Muestra aleatoria simple Sea X la variable aleatoria estudiada con distribución F. Una muestra aleatoria simple de tamaño n es un conjunto de n v.a. X 1,..., X n tal que: X1,..., X n tienen todas la distribución F (X i F, i). X1,..., X n son independientes entre si. Cada valor concreto x 1,..., x n de dicha m.a.s. se denomina muestra particular. Un estadístico es una función real de la m.a.s. X 1,..., X n. Por tanto, un estadístico es una variable aleatoria (a diferencia de un parámetro que es un número fijo, inherente a la población).
7 Uso de la muestra aleatoria simple Supongamos una v.a. para la que desconocemos el valor de E [X ]. Para estimar el valor de E [X ], es habitual utilizar una m.a.s. para obtener el estadístico media muestral: n X = 1 n i=1 X i Notar que X es una variable aleatoria. Ahora, para una muestra particular x 1,..., x n, obtenemos el valor numérico particular x = 1 n n i=1 x i. OBS: X x. Veremos más adelante porqué X es un buen estimador de E [X ], pero antes veamos un ejemplo.
8 Ejemplo de muestreo e inferencia Tenemos una población compuesta de N = 24 individuos (población finita) donde la variable de interés es X = Tiempo para completar una consulta médica. Los valores poblacionales (en minutos) son: 5,1 1 0,9 3,8 10,2 2,1 9,5 4,5 1 2,2 1,5 4,8 1,6 8,8 4, ,1 0,2 2,3 0,8 7,8 7,7 1,5 Por lo tanto, la media poblacional es E [X ] = 4. 15,00 DATOS POBLACIÓN 11,25 7,50 3,75 Muestreo 0! Parámetros población,! 10,0 9,5 DATOS MUESTRA 7,5 5,0 2,5 0 3,8 4,5 1,6 0,2 0,8 1,5! Inferencia Parámetros muestra, l
9 Ejemplo de muestreo e inferencia Seleccionamos una m.a.s. de tamaño 7 dada por: 3,8 9,5 4,8 1,6 0,2 0,8 1,5 La media muestral de estos valores es x = 3,171. Por lo tanto, el error (sesgo) relativo es (4 3,171) /4 = 0,207. Si a la m.a.s. anterior le añadimos nuevos elementos, la media muestral cambia. De hecho, vemos que el aumento reiterado de elementos hace que la media muestral converja a la media poblacional. 6,0 CAMBIO EN EL PROMEDIO CON EL TAMAÑO MUESTRAL 4,5 3,0 3,1 3,3 3,9 3,6 4,0 4,1 4,6 4,6 4,4 4,2 4,1 4,4 4,4 4,3 4,3 4,0 4,2 4,0 1, Tamaño muestral
10 Ejemplo de muestreo e inferencia Por otro lado, si seleccionamos otra m.a.s. de tamaño 7 obtenemos: 5,1 1 0,9 3,8 10,2 2,1 9,5 que tiene media muestal x = 4,65. Un histograma con todos los posibles valores de la media muestral para muestras de tamaño 7 es el siguiente: DISTRIBUCION DE MEDIAS MUESTRALES TAMAÑO
11 Ejemplo de muestreo e inferencia A continuación, comparamos los histogramas con todos los posibles valores de la media muestral para muestras de tamaño 7 y 17: DISTRIBUCION DE MEDIAS MUESTRALES TAMAÑO DISTRIBUCION DE MEDIAS MUESTRALES TAMAÑO
12 Muestreo aleatorio simple Conclusiones Una muestra aleatoria simple de tamaño n de una v.a. X es un conjunto de v.a. independientes, todas con la misma distribución que X : {X i } n i=1 i.i.d. La media muestral, X, es una variable aleatoria. En general, los estadísticos son variables aleatorias que dependen de la selección aleatoria de los individuos de la muestra.
13 Media muestral Calculemos la esperanza y la varianza de la v.a. X para mostrar las razones que hacen a X ser un buen estimador de E [X ]. Para ello, utilizamos dos propiedades de la esperanza y la varianza de sumas de variables alteatorias. Sea X 1,..., X n una m.a.s. de una v.a. X con esperanza E [X ] y varianza V [X ]. Entonces: y E [a 1 X a n X n ] = a 1 E [X 1 ] + + a n E [X n ] V [a 1 X a n X n ] = a 2 1V [X 1 ] + + a 2 nv [X n ], para cualesquiera números reales a 1,..., a n.
14 Media muestral Aplicando las propiedades anteriores, obtenemos: E [ X ] [ ] 1 n = E X i = 1 n E [X i ] = 1 n E [X ] = E [X ] n n n y V [ X ] = V [ 1 n i=1 i=1 ] n X i = 1 n n 2 V [X i ] = 1 n 2 i=1 i=1 i=1 n i=1 V [X ] = V [X ] n Por lo tanto, el valor esperado de X es E [X ]. Decimos que X es insesgado para estimar E [X ]. Además, como V [ X ] = V [X ] /n, cuanto mayor sea n, más cerca se espera que esté X de E [X ]. Estas propiedades justifican el uso de X como estimador de E [X ].
15 Distribución de Bernoulli Los resultados anteriores permiten obtener estadísticos que podemos utilizar para estimar los parámetros de las distribuciones consideradas en el Tema 4 conocidos los valores de una m.a.s. En primer lugar, sea X una variable aleatoria con una distribución Bernoulli de parámetro p, X Ber (p). Por lo tanto, { 1 con probabilidad p X = 0 con probabilidad 1 p p es la probabilidad de éxito, también llamada proporción de éxitos. Notar que E [X ] = p y que V [X ] = p (1 p).
16 Distribución de Bernoulli Supongamos que tenemos una m.a.s. de tamaño n de la v.a. X. El objetivo es estimar el valor del parámetro p basado en la m.a.s. X 1,..., X n. Puesto que p, la probabilidad de éxito, es el valor esperado de X, podemos estimar p como sigue: p = X Además, por los resultados anteriores, tenemos que: E [ p] = p y V [ p] = p (1 p) n por lo que si el tamaño muestral es muy grande p debe estar muy cerca de p.
17 Ejemplo En un pueblo, Pablo se quiere presentar a alcalde. Como quiere conocer las posibilidades que tiene, Pablo decide hacer una pequeña encuesta para estimar la proporción de personas que le votarían. Suponemos la v.a. X = Votar a Pablo que toma dos valores, 1, si la persona seleccionada pretende votar a Pablo, y 0, si no. Tomamos una muestra de tamaño 10 obteniendo los valores: Por lo tanto, la proporción estimada de presuntos votantes de Pablo es p = 0,5.
18 Distribución Binomial A continuación, sea Y una variable aleatoria con una distribución Binomial de parámetros m y p, Y B (m, p). Por lo tanto, ( ) m P (Y = y) = p y (1 p) m y y para y = 0, 1,..., m. Recordamos que la binomial Y B (m, p) es la suma de m v.a. Bernoulli independientes de parámetro p, es decir, una m.a.s. X 1,..., X m, por lo que Y = X X m. Por lo tanto, E [Y ] = mp y que V [Y ] = mp (1 p). Veamos como estimar la proporción p en dos situaciones que nos podemos encontrar.
19 Distribución Binomial En primer lugar, si únicamente tenemos una muestra de Y, digamos Y 1, entonces podemos estimar p como sigue: p = Y 1 m = X X m m que coincide con la media muestral de la m.a.s. X 1,..., X m de la variable Bernoulli X. Por ello, la estimación verifica las mismas propiedades que en el caso de la Bernoulli, es decir: E [ p] = p y V [ p] = p (1 p) m por lo que si el número de repeticiones del experimento Bernoulli, m, es muy grande, p debe estar muy cerca de p.
20 Ejemplo En el ejemplo anterior, si definimos la variable Y = Número de votantes de Pablo en una muestra de tamaño 10, para la muestra obtenida obtendremos Y 1 = 5. En este caso, claro está, la proporción estimada es la misma que en el ejemplo anterior, p = 0,5.
21 Distribución Binomial En segundo lugar, si tenemos una m.a.s. de tamaño n de la v.a. Y, digamos Y 1,..., Y n (Notar que n es el tamaño de la muestra y m es el número de repeticiones del experimento Bernoulli), entonces podemos estimar p como sigue: p = Y m = Y Y n n m Además, por las propiedades de la media muestral, tenemos que: E [ p] = E [ ] Y = mp m m = p y V [ p] = V [ ] Y = 1 m m 2 V [ Y ] p (1 p) = n m por lo que si el número de repeticiones del experimento, m, y/o el número de muestral binomiales, n, es muy grande, p debe estar muy cerca de p.
22 Ejemplo Supongamos a continuación que Pablo realiza un segundo muestreo obteniendo los siguientes valores de la variable X = Votar a Pablo : En este caso, la proporción de votantes estimada es 0.2. El valor obtenido de la variable Y = Número de votantes en una muestra de tamaño 10 es, entonces, Y 2 = 2. Si buscamos un estimador de la proporción que tenga en cuenta los valores, Y 1 = 5 e Y 2 = 2, obtenemos: p = = 7 20 = 0,35
23 Distribución normal Por último, sea X una variable aleatoria con una distribución normal o Gaussiana de parámetros µ y σ, X N (µ, σ). Por lo tanto, f (x) = 1 { exp 1 } (x µ)2, para < x < 2πσ 2σ2 Recordamos que E [X ] = µ y que V [X ] = σ 2. Ahora, si tenemos una m.a.s. de tamaño n de la v.a. X, digamos X 1,..., X n, entonces podemos estimar p como sigue: µ = X y σ = 1 n ( Xi X ) 2 n i=1
24 Distribución normal Por las propiedades de la media muestral, se verifica que: E [ µ] = E [ X ] = µ y V [ µ] = V [ X ] = σ2 n por lo que si n, es muy grande, µ debe estar muy cerca de µ. El análisis de la desviación típica es más complejo, pero se puede demostrar que: E [ σ 2] = n 1 n σ2 es decir, E [ σ 2] no es σ 2, si bien E [ σ 2] tiende a σ 2 si n tiende a. Por esta razón, a veces se suele utilizar el estimador llamado quasi-desviación típica dado por: s = 1 n ( Xi X ) 2 n 1 i=1 Para este estimador, tenemos que E [ s 2] = σ 2.
25 Ejemplo Se supone que el rendimiento mensual de un cierto activo financiero sigue una distribución normal. Se desea conocer los parámetros de dicha distribución. Se disponen de n = 46 valores de los rendimientos mensuales de dicho activo (en porcentajes). La media muestral, x = 1,03, es un estimador de la media poblacional µ. Por otro lado, la desviación típica muestral, σ = 4,16, es un estimador de la desviación típica poblacional, σ. Un estimador alternativo es la quasi-desviación típica, s = 4,25.
26 Bondad de ajuste Como hemos visto en los ejemplos anteriores, a veces es necesario suponer que los datos proceden de una cierta distribución. Esta suposición debe ser debidamente justificada. Existen diferentes métodos útiles para realizar dicha justificación que reciben el nombre de métodos para la bondad del ajuste. Aquí únicamente vamos a considerar dos procedimientos gráficos muy habituales para la bondad de ajuste.
27 Histograma con función de densidad El primero consiste en comparar un histograma de los datos con la función de densidad obtenida con los parámetros estimados. Si la hipótesis de partida es cierta, entonces la función de densidad debe ser parecida al histograma. Por ejemplo, el siguiente gráfico muestra los datos correspondientes a 200 rendimientos de un activo financiero. El gráfico compara el histograma con la función de densidad normal obtenida con los parámetros estimados ( µ = 0,83 y σ = 4,12).
28 QQ-plot El segundo de los métodos es un gráfico llamado QQ-plot. El QQ-plot muestra los cuantiles estimados de los datos frente a los cuantiles equivalentes de la distribución con los parámetros estimados de la muestra. Si los datos han sido realmente generados por la distribución considerada, entonces los puntos del gráfico deben disponerse alrededor de una ĺınea recta. Si la función de distribución correspondiente es continua y creciente, el cuantil p-ésimo (0 < p < 1), denotado por q p se obtiene invirtiendo la función de distribución. Es decir, si buscamos el valor de q p tal que F (q p ) = p, entonces, q p = F 1 (p). Si la distribución es discreta o constante a trozos, q p = min {x : F (x) p}. El cuantil muestral p-ésimo, Q p, se obtienen mediante el siguiente proceso: (1) ordenamos los datos de menor a mayor, obteniendo la secuencia x (1),..., x (n) ; (2) entonces, Q p viene dado por Q p = x ([np]).
29 QQ-plot Por ejemplo, el siguiente gráfico muestra el QQ-plot de los 200 rendimientos de un cierto activo financiero, donde se muestran los cuantiles estimados de los datos frente a los cuantiles equivalentes de la distribución normal de parámetros µ = 0,83 y σ = 4,12. Como se puede comprobar el ajuste parece bastante bueno.
30 La distribución de la media muestral En previas transparencias hemos visto como realizar estimación de los parámetros de algunas distribuciones basándonos en las propiedades de la media muestral. A continuación, buscamos conocer cual es la distribución de la media muestral. Esta distribución nos será de gran utilidad para definir intervalos de confianza.
31 La distribución de la media muestral Si X tiene una distribución normal N (µ, σ) y X 1,..., X n es una m.a.s. de X, se verifica que: X N ( ) σ µ, = X µ N (0, 1) n σ n Si X tiene esperanza E [X ] y varianza V [X ] y no tiene una distribución normal, entonces el Teorema Central del Límite (TCL) afirma que, si X 1,..., X n es una m.a.s. de X, donde n es suficientemente grande (n 30, aproximadamente), se verifica que: X N ( E [X ], ) V [X ] n = X E [X ] V [X ] n N (0, 1)
32 Ejemplo Si X 1,..., X n es una m.a.s. de X que tiene una distribución Ber (p), para n grande tenemos que: ( ) p (1 p) X N p, = X p N (0, 1) n p(1 p) n
33 Ejemplo Sea X la v.a. discreta con función de probabilidad: { 1/4 si x = 1, 2, 3, 4 P (X = x) = 0 si no Se toma una m.a.s. de tamaño n = 125 de X. Cuál es la probabilidad de que la media muestral se encuentre entre 2,4 y 2,6? Tenemos que: E [X ] = = 2,5 V [X ] = E [ X 2] E [X ] 2 = = ,5 2 = 1,25
34 Ejemplo Por lo tanto, X N ( 2,5, ) 1,25 = N (2,5, 0,1) 125 De esta distribución obtenemos que, aproximadamente: P ( 2,4 < X < 2,6 ) ( 2,4 2,5 = P < X 2,5 < 0,1 0,1 = P ( 1 < Z < 1) = P (Z < 1) P (Z < 1) = = P (Z < 1) (1 P (Z < 1)) = = 2 P (Z < 1) 1 = 2 0, = 0,6826. ) 2,6 2,5 = 0,1
35 Intervalos de confianza En lugar de un estimador puntual, parece ser más informativo producir un intervalo de valores posibles para el verdadero valor del parámetro desconocido. Por ejemplo, dada una muestra nos gustaría conocer un intervalo de valores que con toda seguridad incluya al verdadero valor de la media poblacional, µ. Por desgracia, esto no es posible. En su lugar, consideramos un procedimiento de construcción de intervalos de tal manera que el (1 α) % de los intervalos que se pueden construir con diferentes m.a.s. contega el verdadero valor de la media poblacional, µ. Aquí, α es el nivel de confianza y el intervalo obtenido se llamará intervalo de confianza.
36 Intervalos de confianza Supongamos X 1,..., X n una m.a.s. de una v.a. X con distribución N (µ, σ), siendo σ conocida. ) σ Sabemos que X N (µ, n, o lo que es lo mismo, que X µ σ n de donde: N (0, 1). Entonces: P ( ) z α/2 < X µ < z α/2 σ n = 1 α ) σ σ P (X z α/2 n < µ < X + z α/2 n = 1 α Por lo tanto, para una muestra particular x 1,..., x n, un intervalo de confianza para µ al nivel 1 α está dado por: (x z α/2 σ n, x + z α/2 σ n )
37 Intervalos de confianza Se han generado 100 muestras de tamaño 50 de una distribución N ( 2, 1). Se han construido los intervalos de confianza al 90 % para µ. Aproximadamente, el 90 % de los intervalos así construidos incluye Interpretación el valor real frecuentista µ = 2. del intervalo de confianza
38 Ejemplo Supongamos que los rendimientos de las acciones de la empresa SEGURA S.L. siguen una distribución normal de media µ euros y varianza σ 2 = 1. Se toma una m.a.s. de n = 20 rendimientos, obteniendo los valores: 5,29 3,66 5,71 6,62 4,30 5,85 6,25 3,40 3,55 5,57 4,60 5,69 5,81 5,71 6,29 5,66 6,19 3,79 4,98 4,84 La media muestral para estos 20 datos es x = 5,188. Por lo tanto, el intervalo de confianza al 90 % para el rendimiento medio de esta empresa es: ( 5,188 1,645 1, 5, ,645 1 ) = (4,6678, 5,7082) 20 20
39 Intervalo de confianza Que ocurre si la desviación típica no es conocida o la población no es normal? Cuando el tamaño muestral, n, es grande, el TCL nos dice que la distribución de X es aproximadamente normal independientemente de la distribución de los datos. Por lo tanto, si los datos no son normales, para muestras grandes, podemos utilizar el intervalo de confianza siguiente para la media poblacional: (x z α/2 σ n, x + z α/2 σ n ) siendo σ la desviación típica estimada de los datos.
40 Intervalo de confianza Sea X 1,..., X n una m.a.s. de una v.a. X que sigue una distribución Ber(p). Entonces, X es una v.a. que estima la proporción de éxitos en n experimentos Bernoulli, p. Por el TCL sabemos que: X N ( p, ) p (1 p) El intervalo de confianza para la proporción p queda entonces como sigue: ( ) p (1 p) p (1 p) p z α/2, p + z α/2 n n donde p = x. n
41 Ejemplo En el ejemplo de la estimación del parámetro p de la Bernoulli, Pablo finalmente realiza n = 100 entrevistas y obtiene la estimación p = 0,4. El intervalo de confianza al 95 % de la proporción p es: ( ) 0,4 (1 0,4) 0,4 (1 0,4) 0,4 1,96, 0,4 + 1,96 = = (0,3039, 0,4960)
Tema 6: Introducción a la inferencia estadística Parte 1
Tema 6: Introducción a la inferencia estadística Parte 1 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos Lecturas recomendadas:
Más detallesEstimación. Introducción. Sea X la variable aleatoria poblacional con distribución de probabilidad f θ donde. es el parámetro poblacional desconocido
Tema : Introducción a la Teoría de la Estimación Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f θ (x), donde θ Θ es el parámetro poblacional desconocido Objetivo:
Más detallesNotas de clase Estadística R. Urbán R.
Inferencia estadística Sabemos que una población puede ser caracterizada por los valores de algunos parámetros poblacionales, por ello es lógico que en muchos problemas estadísticos se centre la atención
Más detallesUniversidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
Universidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA Ateneo Ruperto P. Bonet Chaple UTB-Julio 2016 OBJETIVO Aplicar las técnicas de Muestreo e Inferencia Estadística Determinar el tamaño
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesInferencia Estadística
Inferencia Estadística 2do C. 2018 Mg. Stella Figueroa Clase Nº10 Población y Muestra- Parámetro y Estimación puntual Población: Es el conjunto de todos los elementos o unidades elementales con características
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesEstadística Clase 4. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 Clase 4 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 4 1. Pasos en un proceso estadístico. Inferencia Estadística 3. Estimación Puntual
Más detallesEstadística Clase 3. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase 3 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri 1. Pasos en un proceso estadístico 1. Plantear una hipótesis sobre una población.. Diseñar
Más detallesVariables aleatorias. Utilizando el resultado anterior, vemos que
Variables aleatorias Utilizando el resultado anterior, vemos que Variables aleatorias Otro tipo de función generadora (generatriz) es la función generadora de momentos Para una variable aleatoria X y un
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 11 Estimadores puntuales y de intervalo Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Describir los conceptos de los estimadores puntuales y de intervalo.
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesINFERENCIA ESTADISTICA. Proferora: Lic. Gladis Mazza
INFERENCIA ESTADISTICA Proferora: Lic. Gladis Mazza INFERENCIA ESTADISTICA Por este proceso es posible utilizar estadísticos calculados a partir de muestras para estimar los valores de los parámetros de
Más detallesMATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
MATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con sucesos. Leyes de De Morgan.
Más detallesEstadística. Generalmente se considera que las variables son obtenidas independientemente de la misma población. De esta forma: con
Hasta ahora hemos supuesto que conocemos o podemos calcular la función/densidad de probabilidad (distribución) de las variables aleatorias. En general, esto no es así. Más bien se tiene una muestra experimental
Más detallesProbabilidad Condicional
Probabilidad Condicional Ejemplo: Se tiene que dos bolas son seleccionadas aleatoriamente (sin reemplazo) de un caja que contiene r bolas rojas y b bolas azules. Cuál es la probabilidad de que la primera
Más detallesVariables aleatorias
Variables aleatorias Un poco más general: si ahora S n está dada por la suma de variables independientes de la forma: S n =c 1 X 1 +... +c n X n, entonces la función generatriz viene dada por: Variables
Más detallesBLOQUE III: INFERENCIA ESTADISTICA. X, variable aleatoria de interés sobre una determinada población
BLOQUE III: INFERENCIA ESTADISTICA TEMA 8. MUESTREO Y DISTRIBUCIONES DE MUESTREO 1. Introducción a la Inferencia Estadística X, variable aleatoria de interés sobre una determinada población Observar el
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesTécnicas de Muestreo Métodos
Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad
Más detallesEstimación de Parámetros
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: p Estimación de Parámetros Prueba de Hipótesis Estimación
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesCurso Inferencia. Miguel Ángel Chong R. 3 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 3 de septiembre del 013 Definamos más formalmente que entenderémos por una muestra. Definción Sea X la v.a. correspondiente a una población
Más detallesMuestreo e intervalos de confianza
Muestreo e intervalos de confianza Intervalo de confianza para la media (varianza desconocida) Intervalo de confinza para la varianza Grados en Biología y Biología sanitaria M. Marvá. Departamento de Física
Más detallesCuál es el campo de estudio de la prueba de hipótesis?
ESTIMACIÓN Establecer generalizaciones acerca de una población a partir de una muestra es el campo de estudio de la inferencia estadística. La inferencia estadística se divide en estimación y prueba de
Más detallesEstadística. Para el caso de dos variables aleatorias X e Y, se puede mostrar que. Pero y son desconocidos. Entonces. covarianza muestral
Para el caso de dos variables aleatorias X e Y, se puede mostrar que Pero y son desconocidos. Entonces donde covarianza muestral Estimación de intervalos de confianza Cuál es el intervalo (de confianza)
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Mag. María del Carmen Romero 2014 romero@econ.unicen.edu.ar Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 8) TEMA Nº 8 ESTIMACIÓN
OBJETIVOS DE APRENDIZAJE: TEMA Nº 8 ESTIMACIÓN Conocer las relaciones entre muestra, análisis estadístico descriptivo y análisis estadístico inferencial. Conocer los conceptos de muestra aleatoria y muestra
Más detalles1. Ejercicios. 2 a parte
1. Ejercicios. 2 a parte Ejercicio 1 Calcule 1. P (χ 2 9 3 33) 2. P (χ 2 15 7 26). 3. P (15 51 χ 2 8 22). 4. P (χ 2 70 82). Ejercicio 2 Si X χ 2 26, obtenga un intervalo [a, b] que contenga un 95 % de
Más detallesBioestadística: Inferencia Estadística. Análisis de Una Muestra
Bioestadística: Inferencia Estadística. Análisis de Una Muestra M. González Departamento de Matemáticas. Universidad de Extremadura Estimación Puntual e Intervalos de Confianza Planteamiento del Problema
Más detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más detallesTema 1: Distribuciones en el muestreo
Tema 1: Distribuciones en el muestreo 1 (transparencias de A. Jach http://www.est.uc3m.es/ajach/) Muestras aleatorias Estadísticos Concepto de distribución muestral Media muestral Distribución muestral
Más detallesCurso Inferencia. Miguel Ángel Chong R. 10 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 10 de septiembre del 013 Distribución de la diferencia de medias muestrales cuando se conoce la varianza poblacional. En muchas situaciones
Más detallesProblemas de Estimación de una y dos muestras
Problemas de Estimación de una y dos muestras Walpole Myers Myers Facultad de Estudios Superiores Acatlán Licenciatura en Economía 13 de marzo 2017 José A. Huitrón Mendoza Introducción En los ejercicios
Más detallesTema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:
Tema 4: Variables aleatorias Tema 4: Variables Aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno
Más detallesTema 4: Estimación por intervalo (Intervalos de Confianza)
Tema 4: Estimación por intervalo (Intervalos de Confianza (a partir del material de A. Jach (http://www.est.uc3m.es/ajach/ y A. Alonso (http://www.est.uc3m.es/amalonso/ 1 Planteamiento del problema: IC
Más detallesIntroducción a la inferencia estadística
M. Wiper Estadística 1 / 15 Introducción a la inferencia estadística Michael Wiper Departamento de Estadística Universidad Carlos III de Madrid M. Wiper Estadística 2 / 15 Objetivo Introducir la distribución
Más detallesFundamentos para la inferencia. Estadística Prof. Tamara Burdisso
Fundamentos para la inferencia Estadística 018 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesRESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
RESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con
Más detallesTema 6: Introducción a la inferencia estadística
Tema 6: Introducción a la inferencia estadística Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 6: Introducción a la inferencia estadística
Más detallesJuan Carlos Colonia INFERENCIA ESTADÍSTICA
Juan Carlos Colonia INFERENCIA ESTADÍSTICA PARÁMETROS Y ESTADÍSTICAS Es fundamental entender la diferencia entre parámetros y estadísticos. Los parámetros se refieren a la distribución de la población
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesPráctica 6: Fundamentos de la Inferencia. Teorema Central del Límite.
: Fundamentos de la Inferencia. Teorema Central del Límite. 1. Dada una población de media µ = 400 y varianza σ 2 = 1.600. Se obtiene una muestra aleatoria de tamaño 35. Detallar bajo qué condiciones se
Más detallesPROBLEMAS DE ESTIMACIÓN PUNTUAL Y POR INTERVALOS
Estadística 1 PROBLEMAS DE ESTIMACIÓN PUNTUAL Y POR INTERVALOS 1. Obtener un estimador insesgado para p en una m.a.s. de tamaño n de una distribución binomial B(m,p) con m conocido y calcular su error
Más detallesEstadística I Tema 7: Estimación por intervalos
Estadística I Tema 7: Estimación por intervalos Tema 7: Estimación por intervalos Ideas a transmitir Definición e interpretación frecuentista. Intervalos de confianza para medias y varianzas en poblaciones
Más detallesMuestreo de variables aleatorias
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 Distribución de la muestra 3 4 5 Distribuciones de la media y la varianza en poblaciones normales Introducción Tiene como
Más detalles1 CÁLCULO DE PROBABILIDADES
1 CÁLCULO DE PROBABILIDADES 1.1 EXPERIENCIAS ALEATORIAS. SUCESOS 1.1.1 Definiciones Experiencia aleatoria: experiencia o experimento cuyo resultado depende del azar. Suceso aleatorio: acontecimiento que
Más detallesEstadística I Guión de la Práctica 2 Probabilidad y modelos probabilísticos; Introducción a la inferencia estadística
Estadística I Guión de la Práctica Probabilidad y modelos probabilísticos; Introducción a la inferencia estadística 1. Simulación de las variables aleatorias En Excel podemos simular valores de variables
Más detallesINGENIERÍA EN INFORMÁTICA DE GESTIÓN ESTADÍSTICA junio, 98
INGENIERÍA EN INFORMÁTICA DE GESTIÓN ESTADÍSTICA junio, 98 TEORÍA (1.5 puntos) Cuestión 1. Sean A y B dos sucesos tales que P (A) = 1/3, P (B) = 1/5 y P (A B) + P (B A) = 2/3. Calcular P (A B). Cuestión
Más detallesTema 2: Introducción a la Inferencia Estadística
Tema 2: Introducción a la Inferencia Estadística 1.- En m.a.s. el estadístico varianza muestral es: a) Un estimador insesgado de la varianza poblacional. b) Un estimador insesgado de la media poblacional.
Más detallesMatemáticas aplicadas a las Ciencias Sociales II
a la Matemáticas aplicadas a las Ciencias Sociales II a la Manuel Molina Fernández y Jiménez Basado en apuntes del Máster Universitario en Formación del Profesorado en Educación Secundaria CPR Mérida 24
Más detallesPoblación. Conjunto completo de individuos sobre el que estamos interesados en obtener conclusiones.
Análisis de datos y gestión veterinaria Muestreo Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 16 de Noviembre de 011 Población y muestra Predecir los resultados
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 6 Teoremas ĺımite Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST. Tema
Más detallesUnidad Temática 2: Unidad 5 Estadística Inferencial Temas 10 y 11
Unidad Temática 2: Unidad 5 Estadística Inferencial Temas 10 y 11 Distribución de Probabilidad Recordamos conceptos: Variable aleatoria: es aquella que se asocia un número o un dato probabilístico, como
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #9 Tema: Estimación puntual y por Intervalo de confianza Prof.: MSc. Julio Rito Vargas A. Grupos: CCEE y ADMVA /2016 Objetivos:
Más detallesDistribuciones Muestrales e Intervalos de Confianza
Distribuciones Muestrales e Intervalos de Confianza Sesión 5 Dr. Carlos J. Vilalta (DAP) Estadística - Curso propedéutico MAPP 2016 Centro de Investigación y Docencia económicas (CIDE) Contacto: carlos.vilalta@cide.edu
Más detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9)
PROBABILIDAD Y ESTADÍSTICA Sesión 6 (A partir de tema 5.9) 5.9 Muestreo: 5.9.1 Introducción al muestreo 5.9.2 Tipos de muestreo 5.10 Teorema del límite central 5.11 Distribución muestral de la media 5.12
Más detalles1 CÁLCULO DE PROBABILIDADES
1 CÁLCULO DE PROBABILIDADES 1.1 EXPERIENCIAS ALEATORIAS. SUCESOS 1.1.1 Definiciones Experiencia aleatoria: experiencia o experimento cuyo resultado depende del azar. Suceso aleatorio: acontecimiento que
Más detallesDistribución de probabilidad
Los experimentos aleatorios originan resultados y los resultados nos permiten tomar decisiones Por ejemplo, en un partido de fútbol si se lanza una moneda y sale cara parte la visita, de lo contrario parte
Más detallesEXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 2006
EXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 6 Problema ( ptos) Considera un experimento aleatorio con espacio muestral Ω. a) Definir una σ-álgebra A sobre Ω. b) Dar
Más detallesCapítulo 3. Estimación estadística de modelos probabilistas
Capítulo 3. Estimación estadística de modelos probabilistas 3.1. Muestreo aleatorio. 3.2. Estimación puntual. 3.3. Estimación por intervalos de confianza. 3.4. Contrastes de hipótesis. 3. Estimación estadística
Más detallesMatemáticas aplicadas a las Ciencias Sociales II
a la Matemáticas aplicadas a las Ciencias Sociales II a la Manuel Molina Fernández y Jiménez Basado en apuntes del Máster Universitario en Formación del Profesorado en Educación Secundaria CPR Mérida 24
Más detallesTeorema Central del Límite
Teorema Central del Límite TCL: indica que, en condiciones muy generales, la distribución de la suma de v.a. tiende a una distribución normal cuando la cantidad de variables es muy grande. 156 Sea X 1,
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesMuestreo y distribuciones muestrales.
Mathieu Departamento de Matemática Aplicada y Estadística Universidad Politécnica de Cartagena Cartagena, Enero 2010 Guión 1 Introducción 2 La media muestral Esperanza y varianza de la media muestral La
Más detallesEstadística I Curso 2011/2012 Guion de la Práctica 3: Simulación de muestras y bondad de ajuste; Teorema Central del Límite; Intervalos de confianza.
Estadística I Curso 2011/2012 Guion de la Práctica 3: Simulación de muestras y bondad de ajuste; Teorema Central del Límite; Intervalos de confianza. En esta práctica veremos una introducción al empleo
Más detalles6. Inferencia con muestras grandes. Informática. Universidad Carlos III de Madrid
6. Inferencia con muestras grandes 1 Tema 6: Inferencia con muestras grandes 1. Intervalos de confianza para μ con muestras grandes 2. Determinación del tamaño muestral 3. Introducción al contraste de
Más detallesEstadís2ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 5. Inferencia estadís2ca
Estadís2ca Tema 5. Inferencia estadís2ca María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica
Más detallesPart VII. Estadística I. Mario Francisco. Introducción a la inferencia. Estimación puntual. Propiedades deseables de los estimadores
Part VII La inferencia puede definirse como el conjunto de métodos mediante cuales podemos extraer información sobre distintas características de interés de cierta distribución de probabilidad de la cual
Más detallesTema 3 - Introducción. Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2.
Tema 3 - Introducción 1 Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2. Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía Novedades en el Plan de Trabajo Desviación típica sesgada
Más detallesTema 7 Intervalos de confianza Hugo S. Salinas
Intervalos de confianza Hugo S. Salinas 1 Introducción Hemos definido la inferencia estadística como un proceso que usa información proveniente de la muestra para generalizar y tomar decisiones acerca
Más detallesTema 4. Intervalos de confianza. Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1
Tema 4. Intervalos de confianza Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1 Definición Sea X una v.a. con distribución de probabilidad dada por un modelo
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesConceptos básicos de inferencia estadística (I): Inferencia estadística (repaso)
Conceptos básicos de inferencia estadística (I): Inferencia estadística (repaso) Tema 1 (I) Estadística 2 Curso 08/09 Tema 1 (I) (Estadística 2) Inferencia estadística Curso 08/09 1 / 24 Inferencia estadística
Más detallesEstadística Aplicada a la Educación
Estadística Aplicada a a la la Educación Estadística Aplicada a la Educación Tutor. UNED Madrid-Sur (A.U. Parla) Miguel Ángel Daza 2014/15 migdaza@madridsur.uned.es 1 2014/15 1 2 4 5 6 7 8 9 10 11 12 La
Más detallesTema 12: Distribuciones de probabilidad
Tema 12: Distribuciones de probabilidad 1. Variable aleatoria Una variable aleatoria X es una función que asocia a cada elemento del espacio muestral E, de un experimento aleatorio, un número real: X:
Más detallesEstadística Aplicada
Estadística Aplicada Universidad Maimónides 2016 Clase 5 Distribución de la Media Muestral Pedro Elosegui 1 2 Métodos y Distribuciones de Muestreo En estadística nos gustaría contar con los parámetros
Más detallesEstadística aplicada al Periodismo
Estadística aplicada al Periodismo Temario de la asignatura Introducción. Análisis de datos univariantes. Análisis de datos bivariantes. Series temporales y números índice. Probabilidad y Modelos probabilísticos.
Más detallesINDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso
INDICE Capítulo I: Conceptos Básicos 1.- Introducción 3 2.- Definición de calidad 7 3.- Política de calidad 10 4.- Gestión de la calidad 12 5.- Sistema de calidad 12 6.- Calidad total 13 7.- Aseguramiento
Más detallesIntervalos de Confianza
Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de
Más detallesTécnicas de Inferencia Estadística II. Tema 5. Estadísticos de orden
Técnicas de Inferencia Estadística II Tema 5. Estadísticos de orden M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 5. Estadísticos de orden Contenidos
Más detallesTEMA 2: EL PROCESO DE MUESTREO
2.5. Determinación del tamaño de la muestra para la estimación en muestreo aleatorio estratificado TEMA 2: EL PROCESO DE MUESTREO 2.1. Concepto y limitaciones 2.2. Etapas en la selección de la muestra
Más detallesEXAMEN DE ESTADÍSTICA Septiembre 2011
EXAMEN DE ESTADÍSTICA Septiembre 2011 Apellidos: Nombre: DNI: GRUPO: 1. De una clase de N alumnos se tiene la siguiente información sobre las calificaciones obtenidas del 1 al 8 en una cierta asignatura
Más detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detallesTema 7: Ejercicios de Inferencia en una población Normal
Tema 7: s de Inferencia en una población Normal Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 83 - INGENIERÍA INFORMÁTICA Otros I3 En una explotación minera las rocas
Más detallesDESCRIPCIÓN DE DATOS POR MEDIO DE GRÁFICAS
ÍNDICE Introducción: Entrene su cerebro para la estadística... 1 La población y la muestra... 3 Estadísticas descriptivas e inferenciales... 4 Alcanzar el objetivo de estadísticas inferenciales: los pasos
Más detallesMuestreo y. Distribuciones Muestrales
Muestreo y Distribuciones Muestrales Muestreo Muestreo POBLACION muestra Inferencia Estadística Conteos rápidos, preferencias electorales, etc. Tipos de Muestreo Muestreo No Probabilístico No aplican las
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesAplicaciones de apoyo al diagnóstico médico. Identificación de objetos amigos y enemigos. Identificación de zonas afectadas por un desastre natural.
Capítulo 5 Evaluación En muchas ocasiones requerimos hacer una evaluación muy precisa de nuestros algoritmos de aprendizaje computacional porque los vamos a utilizar en algún tipo de aplicación que así
Más detalles