Part VII. Estadística I. Mario Francisco. Introducción a la inferencia. Estimación puntual. Propiedades deseables de los estimadores
|
|
- Soledad Agüero Velázquez
- hace 5 años
- Vistas:
Transcripción
1 Part VII
2 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 se ha observado serie de datos. La inferencia comprende las fases de recogida y depuración de datos, estimación, contrastes de simplificación, diagnosis y validación del modelo. Según el objeto de estudio, la inferencia se clasifica en inferencia paramétrica y no paramétrica.
3 La inferencia paramétrica se ocupa de aquel casos en que la distribución de probabilidad de la población objeto de estudio se supone conocida salvo valores que toman ciertos coeficientes, llamados parámetros. El objetivo es estimar, dar interva de confianza o contrastar hipótesis sobre dichos parámetros La inferencia no paramétrica trata problemas similares cuando se tiene distribución poblacional totalmente desconocida, sobre la cual tan sólo se realizan suposiciones muy generales (como, por ejemplo, que es distribución continua, que tiene única moda, etc.).
4 El enfoque clásico trata parámetros poblacionales desconocidos como valores fijos o constantes. El enfoque bayesiano considera que parámetros desconocidos del modelo son variables aleatorias, s cuales debe fijarse distribución inicial, llamada distribución a priori. Utilizando la información muestral junto con la mencionada distribución a priori, métodos bayesianos hacen uso de la regla de Bayes para ofrecer distribución a posteriori sobre parámetros.
5 Conceptos generales Se denomina población a un conjunto homogéneo de individuos sobre que se estudian o varias características que son, de alg forma, observables. Una muestra es un subconjunto de la población. El tamaño muestral es el número de elementos de la muestra. Un método de muestreo no es más que el procedimiento empleado obtención de la muestra. Un parámetro es cualquier característica medible (normalmente numérica) de la población.
6 Muestreo en poblaciones finitas Muestreo aleatorio simple: Cada muestra posible tiene la misma probabilidad de ser elegida. Muestreo sistemático: Se usa muy frecuentemente cuando individuos de la población están ordenados en listas. Muestreo estratificado: Si somos capaces de dividir la población en estratos, se actua dentro de cada estrato según un muestreo aleatorio simple. Muestreo por conglomerados: Si la población puede dividirse en conglomerados, que son homogéneos entre sí, se eligen aleatoriamente algunos conglomerados y, en cada uno de el, muestra representativa. Muestreo polietápico: Utilizar distintos tipos de muestreo en sucesivas etapas.
7 Matemáticamente, podemos pensar que estamos interesados en el estudio de variable aleatoria X, cuya distribución, F, es en mayor o menor grado desconocida. Supondremos que la familia F de distribuciones a la que pertence F es de la forma: F = {F θ θ Θ}, siendo Θ R k. Para tratar de disminuir el desconocimiento de la distribución teórica F de la variable aleatoria X en estudio, tomamos muestra.
8 Muestra aleatoria simple Una muestra aleatoria simple, de tamaño n, de variable aleatoria X, con distribución teórica F, son n variables aleatorias, X 1, X 2,..., X n, independientes e igualmente distribuidas, con distribución común F. Una realización de la muestra son valores particulares, x 1, x 2,..., x n, observados s variables X 1, X 2,..., X n. Como consecuencia, la función de distribución conjunta de X 1, X 2,..., X n es: F (x 1, x 2,..., x n ) = F (x 1 ) F (x 2 ) F (x n )
9 Otros conceptos Llamaremos espacio muestral al conjunto de muestras posibles, de tamaño determinado, que pueden obtenerse al seleccionar muestra aleatoria de. Llamaremos estadístico a cualquier función T de la muestra. Un estadístico T (X 1, X 2,..., X n ), como función de variables aleatorias, es también variable aleatoria. Tiene, por tanto, distribución de probabilidad, llamada distribución en el muestreo de T. Los estadísticos independientes del parámetro (que son función únicamente de la muestra) se denominan ( θ = T (X 1, X 2,..., X n )).
10 Ejemp de estadísticos T (X 1, X 2,..., X n ) = 1 n T (X 1, X 2,..., X n ) = 1 n n X i. i=1 n ( Xi X ) 2. i=1 T (X 1, X 2,..., X n ) = 1 n 1 n ( Xi X ) 2. i=1 T (X 1, X 2,..., X n ) = min (X 1, X 2,..., X n ). T (X 1, X 2,..., X n ) = max (X 1, X 2,..., X n ).
11 Insesgadez Se denomina sesgo del estimador θ como estimador de θ a ) ) Sesgo ( θ = E ( θ θ ) Si E ( θ = θ, para cada θ Θ, el estimador θ se dice centrado o insesgado para θ. Pueden existir muchos centrados para un parámetro. Por ejemplo, para estimar la media µ de distribución cualquiera, todos del tipo µ = a 1 X 1 + a 2 X a n X n con n i=1 a i = 1 son centrados.
12 Insesgadez asintótica Un estimador, θ n, se dice asintóticamente insesgado para θ si: ) lim ( θn E = θ, para cada θ Θ n
13 Error cuadrático medio Se define el error cuadrático medio de un estimador θ de un parámetro θ como el número ) [ ( ECM ( θ θ) ] 2 = E θ De la definición anterior, se deduce fácilmente que ) [ ( θ)] 2 ) ECM ( θ = Sesgo + Var ( θ
14 Eficiencia Llamaremos precisión o eficiencia de θ, como estimador de θ, al inverso de su error cuadrático medio: ) 1 efic ( θ = ) ECM ( θ Diremos que θ 2 es más eficaz o más preciso que θ 1 si para cualquier tamaño muestral: ( ) ( ) efic θ2 efic θ1 ( ) Es decir, si ECM θ2 ECM ( θ1 ).
15 Eficiencia relativa Llamaremos eficiencia relativa de θ 2 respecto a θ 1 al cociente entre sus eficiencias: ) ( ) ) efic ( θ2 ECM θ1 ER ( θ2 / θ 1 = ) = ( ) efic ( θ1 ECM θ2 Si θ es centrado, su error cuadrático medio coincide con su varianza, por lo que entre insesgados, en términos de eficiencia, es preferible el que tenga menor varianza.
16 Consistencia Un estimador θ n se dice consistente en media cuadrática para estimar un parámetro θ si ) lim ( θn ECM = 0 n En adelante, cuando hablemos de consistencia de un estimador nos referiremos a la consistencia en media cuadrática. Una condición necesaria y suficiente para que θ n sea consistente es que ) sea asintóticamente insesgado y que lim n Var ( θn = 0.
17 Media muestral Sea X 1, X 2,..., X n muestra aleatoria simple de variable aleatoria X con E (X ) = µ y Var (X ) = σ 2. Un estimador razonable del parámetro µ es la media muestral. X = X 1 + X X n n Es un estimador insesgado de µ. E ( X ) ( ) 1 n = E X i = 1 n E (X i ) = 1 n n n i=1 i=1 n µ = µ i=1
18 Media muestral Es un estimador consistente de µ. Sólo hay que probar que su varianza tiende a cero. Var ( X ) = Var ( 1 n ) n X i = 1 n n 2 Var (X i ) = σ2 n i=1 i=1 La distribución exacta de X depende de la distribución ( de σ la población. Si X N(µ, σ), entonces X N µ, ). n Por el TCL, para n grande ((n 30), la distribución de X σ puede aproximarse por N µ, ). n
19 Varianza muestral Sea X 1, X 2,..., X n muestra aleatoria simple de variable aleatoria X con E (X ) = µ y Var (X ) = σ 2. Se define la varianza muestral como: S 2 = 1 n n ( Xi X ) 2 i=1
20 Varianza muestral Es un estimador asintóticamente insesgado de σ 2. Teniendo en cuenta que n (X i µ) 2 = i=1 obtenemos que y, por tanto, n ( Xi X ) 2 ( ) 2 + n µ X i=1 E ( S 2) = σ 2 σ2 n = n 1 σ2 n lim E ( S 2) = σ 2 n
21 Varianza muestral La varianza de S 2 puede calcularse también, pero es bastante complicada (depende de coeficientes de asimetría y de curtosis de la población). Es un estimador consistente de σ 2. La distribución de S 2 es, en general, asimétrica y su forma depende del tamaño muestral y de la población base. Usando el TCL, puede aproximarse la distribución de S 2 por la distribución normal, pero la aproximación es muy lenta y sólo se manifiesta en tamaños muestrales muy grandes.
22 Varianza muestral Si X N(µ, σ), se puede probar que ns2 χ 2 σ 2 n 1. Dado que E ( ( ) χ 2 ) ns 2 n = n, se tiene que E = n 1 y, por tanto, E ( S 2) = n 1 n σ2 Como Var ( ( ) χ 2 ) ns 2 n = 2n, se tiene que Var = 2(n 1) y, por tanto, Var ( S 2) = 2(n 1) n 2 σ 4 σ 2 σ 2
23 Varianza muestral corregida o cuasivarianza Con el objeto de corregir el sesgo de la varianza muestral, se define la varianza muestral corregida o cuasivarianza como Ŝ 2 = 1 n 1 n i=1 Es un estimador insesgado de σ 2. Es un estimador consistente de σ 2. ( Xi X ) 2 = n n 1 S 2 Si X N(µ, σ), las variables aleatorias X y Ŝ 2 son (n 1)Ŝ 2 independientes y σ 2 χ 2 n 1 ) ). Entonces E (Ŝ 2 = σ 2 y Var (Ŝ 2 = 2 n 1 σ4.
24 Comentarios Si se conoce la media poblacional, µ, utilizaremos el estimador que resulta de reemplazar X por µ en la expresión de S 2. El estimador resultante es insesgado y tiene menor varianza que S 2 y Ŝ 2. En programas informáticos de suele utilizarse la cuasivarianza muestral, debido a su carácter insesgado.
25 Proporción muestral Se desea estimar la, p, de individuos de población que poseen determinada característica. Tomamos m.a.s. de n elementos anotando un 1 si el individuo elegido posee la característica y un 0 si carece de ella. Un estimador razonable de p es: p = X 1 + X X n n p es la media muestral de n variables i.i.d. B(p). p(1 p) E ( p) = p, Var ( p) = y su distribución en el n ( muestreo, para (n > 30) es aprox. N p, ) (p(1 p))/n.
26 de Método de momentos Se tiene m.a.s X 1, X 2,..., X n de de X, que se caracteriza por k parámetros θ 1, θ 2,..., θ k que deseamos estimar. El método de momentos consiste en igualar primeros momentos poblacionales, que no sean constantes, a correspondientes momentos muestrales y resolver las ecuaciones A j = g j (θ 1, θ 2,..., θ k ), j = 1, 2,..., k, donde E(X j ) = g j (θ 1, θ 2,..., θ k ) y A j = 1 n j = 1, 2,..., k. n i=1 X j i,
27 de Método de máxima verosimilitud La idea de la estimación máximo-verosímil de parámetros θ 1, θ 2,..., θ k que caracterizan variable aleatoria, X, es elegir valores de parámetros que hacen que la muestra observada, x 1, x 2,..., x n, sea la más verosímil. Si en bolsa hay 6 carame de fresa y menta, no todos del mismo sabor, pero se desconoce cuántos hay de cada uno, la de carame de fresa puede ser p = 1 6, 2 6, 3 6, 4 6 o 5 6. Si se extraen dos carame, con reemplazamiento, y se obtiene uno de cada sabor, el valor de p que otorga mayor probabilidad al suceso observado es p = 1/2. En este caso la estimación de máxima verosimilitud para p es p = 1/2.
28 de Método de máxima verosimilitud Sea X 1, X 2,..., X n m.a.s. de cuya distribución depende de un parámetro, θ. En el caso discreto, se denomina función de verosimilitud a l(θ) = P θ (X 1 = x 1,... X n = x n ) = P θ (X = x 1 ) P θ (X = x n ) Si la población es continua la verosimilitud se define por l(θ) = f θ (x 1, x 2,..., x n ) = f θ (x 1 ) f θ (x 2 ) f θ (x n ) donde f θ es la función de densidad de X.
29 de Método de máxima verosimilitud El estimador de máxima verosimilitud de θ es aquel que hace máxima la función de verosimilitud. Si l es diferenciable, condición necesaria es l(θ) θ = 0 Si la distribución de X depende de varios parámetros, θ 1, θ 2,..., θ k, y l es derivable, l(θ 1, θ 2,..., θ k ) θ j = 0, j = 1, 2,..., k En muchos casos será más conveniente trabajar con L = ln l, llamada función soporte.
30 de Método de máxima verosimilitud. Para distribuciones cuyo rango de valores posibles es conocido a priori y no depende de ningún parámetro: Asintóticamente insesgados. Con distribución asintóticamente normal. Asintóticamente de varianza mínima. Si θ es el estimador de máxima ) verosimilitud de θ y g es función biyectiva, g ( θ es el estimador de máxima verosimilitud de g (θ).
Tema 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 detallesTema 6. Estimación puntual
1 Tema 6. Estimación puntual En este tema: Planteamiento del problema. Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Métodos
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 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 detallesTema 3: Estimación estadística de modelos probabilistas. (primera parte)
Tema 3: Estimación estadística de modelos probabilistas. (primera parte) Estructura de este tema: 1. 2 Estimación por intervalos de confianza. 3 Contrastes de hipótesis. Planteamiento del problema Inconveniente:
Más detallesTema 6. Estimación puntual
Tema 6. Estimación puntual Contenidos Planteamiento del problema Criterios de comparación de estimadores: Insesgadez Estimadores de mínima varianza Error cuadrático medio Consistencia Métodos para obtener
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 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 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 detallesTEMA 2: Estimadores y distribuciones en el muestreo. Alfredo García Hiernaux. Grupos 69 y 73 Estadística I. Curso 2006/07
TEMA 2: Estimadores y distribuciones en el muestreo 1) Introducción 2) Tipos de muestreos 3) Estadísticos INDICE 4) Estimadores y propiedades 5) Distribución muestral 6) Teorema Central del Límite 7) Distribuciones
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 detallesTema 4 - Introducción
Tema 4 - Introducción 1 Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Cómo obtener estimadores? Tema
Más detallesInferencia Estadística. Estimación y Contrastes
y y M Dolores Redondas dolores.redondas@upm.es E.U. Arquitectura Técnica U.P.M. Curso 2009-2010 Introducción Identicación del comportamiento de una variable El reconocimiento del comportamiento de una
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 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 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 detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesProf. Angel Zambrano ENERO 2009 Universidad de Los Andes Escuela de Estadística
Prof. Angel Zambrano ENERO 009 Universidad de Los Andes Escuela de Estadística Muestreo: Es una metodología que apoyándose en la teoría estadística y de acuerdo a las características del estudio, indica
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 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 detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
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 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 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 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 detallesFundamentos para la inferencia. Unidad 3 Parte II Estadísca Prof. Tamara Burdisso
Fundamentos para la inferencia Estadísca 017 - 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 detallesFundamentos para la inferencia. Unidad 3 Parte II Estadísca Prof. Tamara Burdisso
Fundamentos para la inferencia Estadísca 016 - 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 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 detallesAsignatura : INFERENCIA ESTADÍSTICA I Titulación : DIPLOMADO EN ESTADÍSTICA Profesor : ISABEL MOLINA PERALTA Capítulo 5 : INTERVALOS DE CONFIANZA
Asignatura : INFERENCIA ESTADÍSTICA I Titulación : DIPLOMADO EN ESTADÍSTICA Profesor : ISABEL MOLINA PERALTA Capítulo 5 : INTERVALOS DE CONFIANZA Typeset by FoilTEX 5.1 MÉTODO DE LA CANTIDAD PIVOTAL X
Más detallesESTADÍSTICA I Tema 3: Estimación puntual paramétrica
ESTADÍSTICA I Tema 3: Estimación puntual paramétrica Planteamiento del problema Estimadores. Concepto, error cuadrático medio y propiedades deseables Construcción de estimadores: el método de máxima verosimilitud
Más detallesCurso Inferencia. Miguel Ángel Chong R. 1 de octubre del 2012
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 1 de octubre del 2012 Definición Estadístico suficiente Un estadístico es suficiente respecto al parámetro si la distribución de probabilidad
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 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 detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detalles1. Muestreo e Inferencia Estadística
Tema 6: Introducción a la Inferencia Estadística Objetivos Introducir los conceptos elementales en esta parte de la asignatura. Tratar con muestras aleatorias y su distribución muestral en ejemplos de
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 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 detallesInferencia. Mauricio Olivares. 19 de junio de 2015 ITAM
Inferencia Mauricio Olivares ITAM 19 de junio de 2015 Recuerda de nuestra clase anterior que m(x) = α + βx. Recuerda de nuestra clase anterior que m(x) = α + βx. Esta es una relación poblacional, no hay
Más detallesTécnicas de Muestreo I
1 / 39 Técnicas de Muestreo I Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM agosto 2018 2 / 39 Temario 1. Introducción. Definición de conceptos elementales 2. Muestreo
Más detallesIntroducción a la Inferencia Estadística
MÁSTER EN ESTADÍSTICA PÚBLICA Experto Universitario: Estadística Aplicada y Técnicas de Encuestación 1 Introducción a la Inferencia Estadística Estimación puntual paramétrica M a Teresa Gómez Departamento
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 detallesCENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO EN COMPUTACIÓN MUESTRAS ALEATORIAS Y DISTRIBUCIONES DE MUESTREO
CENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO EN COMPUTACIÓN MUESTRAS ALEATORIAS Y DISTRIBUCIONES DE MUESTREO ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: AGOSTO DE 2017 UNIDAD DE APRENDIZAJE PROBABILIDAD
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. 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 detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
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 detallesAplicación de la distribución empírica: Tests de bondad de ajuste
Aplicación de la distribución empírica: Tests de bondad de ajuste 4 de marzo de 2009 Test de bondad de ajuste Supongamos que se dispone de una m.a.s de tamaño n de una población X con distribución desconocida
Más detalles3 ESTIMACION. 3.1 Introducción
3 ESTIMACION 3.1 Introducción En un problema estadístico, si los datos fueron generados a partir de una distribución de probabilidad F(x) desconocida, la Inferencia Estadística permite decir algo respecto
Más detallesMUESTREO POR CONGLOMERADOS
MUESTREO POR CONGLOMERADOS UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL Estadística III-Material 2-2012 Revisión, Cambios y Ampliación: Ing. José Alejandro Marín Fuente Primaria:
Más detallesBLOQUE 3 TEMA 11 ESTIMACIÓN DE PARÁMETROS. ERRORES DE ESTIMACIÓN
BLOQUE 3 TEMA 11 ESTIMACIÓN DE PARÁMETROS. ERRORES DE ESTIMACIÓN Aproximación intutitiva a la inferencia estadística La Estadística es la ciencia que se ocupa de la ordenación y análisis de datos procedentes
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 detallesContrastes sobre la media Sea X 1, X 2,..., X n una m.a.s. extraída de una población normal X con media desconocida µ. Se desea contrastar:
sobre la media Sea X 1, X 2,..., X n una m.a.s. extraída de una población normal X con media desconocida µ. Se desea contrastar: H 0 : µ = µ 0 Si H 0 es cierta, X N(µ 0, σ), de donde D 1 = X µ 0 n σ N(0,
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 detallesESTADÍSTICA I Tema 3: Estimación puntual paramétrica
ESTADÍSTICA I Tema 3: Estimación puntual paramétrica Planteamiento del problema Estimadores. Concepto, error cuadrático medio y propiedades deseables Construcción de estimadores: el método de máxima verosimilitud
Más detallesEstimación por intervalos
Capítulo 9 Estimación por intervalos 9.1. Introducción En este capítulo se desarrolla la estimación por intervalos donde el proceso de inferencia se realiza de la forma θ C, donde C = Cx) es un conjunto
Más detallesESTADÍSTICA 1 o CC. Ambientales Tema 3: Estimación puntual y por intervalos
ESTADÍSTICA 1 o CC. Ambientales Tema 3: Estimación puntual y por intervalos Muestra aleatoria. Inferencia estadística paramétrica Estimación puntual Intervalos de confianza Distribuciones asociadas a la
Más detallesCAPITULO 8 MUESTRAS ALEATORIAS Y NUMEROS ALEATORIOS
Teoría elemental de muestreo CAPITULO 8 TEORIA DE MUESTREO La teoría de muestreo es el estudio de las relaciones existentes entre una población y las muestras extraídas de ella. Es de gran utilidad en
Más detalles10.1 Enfoque Bayesiano del problema de la estimación
Chapter 10 Estimadores de Bayes 10.1 Enfoque Bayesiano del problema de la estimación puntual Consideremos nuevamente un problema estadístico de estimación paramétrico. Se observa un vector X = X 1,...,
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 detallesClasificación Supervisada
Clasificación Supervisada Ricardo Fraiman 26 de abril de 2010 Resumen Reglas de Clasificación Resumen Reglas de Clasificación Descripción del problema Muestra de entrenamiento (X 1, Y 1 ),..., (X n, Y
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 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 detallesCONCEPTOS. Capítulo 1: DEFINICIONES Y conceptos Estadística Computacional 1º Semestre 2003
Universidad Técnica Federico Santa María Departamento de Informática ILI-280 CONCEPTOS Capítulo 1: DEFINICIONES Y conceptos Estadística Computacional 1º Semestre 2003 Profesor :Héctor Allende Página :
Más detallesCapítulo 1: DEFINICIONES Y conceptos Estadística Computacional 1º Semestre 2003
Universidad Técnica Federico Santa María Departamento de Informática ILI-280 Capítulo 1: DEFINICIONES Y conceptos Estadística Computacional 1º Semestre 2003 Profesor :Héctor Allende Página : www.inf.utfsm.cl/~hallende
Más detallesComportamiento asintótico de estimadores
Comportamiento asintótico de estimadores Seguimos con variable X con función de densidad/masa f (x; θ). Queremos estimar θ. Dada una muestra aleatoria, definimos un estimador T = h(x 1,..., X n ) Esperamos/deseamos
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 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 y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesInferencia Estadística
Inferencia Estadística Inferencia Estadística Estimación puntual Estimación por intervalos Estimación bayesiana Contraste de hipótesis Máster en Big Data y Data Science Estadística 198 Inferencia Estadística:
Más detallesGuía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA
1. Introducción Guía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA Los análisis económicos y empresariales se efectúan sobre la base de la toma de decisiones, las cuales se toman a partir de la información
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 detallesPrograma Oficial de Asignatura. Ficha Técnica. Presentación. Competencias y/o resultados del aprendizaje. Fundamentos de Estadística
Ficha Técnica Titulación: Grado en Ingeniería de Organización Industrial Plan BOE: BOE número 75 de 28 de marzo de 2012 Asignatura: Módulo: Fundamentos de Matemáticas Curso: 2º Créditos ECTS: 6 Tipo de
Más detallesUNIDAD 4. INFERENCIA ESTADÍSTICA. Prof. Eliana Guzmán U. Semestre A-2015
UNIDAD 4. INFERENCIA ESTADÍSTICA Prof. Eliana Guzmán U. Semestre A-05 INFERENCIA ESTADÍSTICA La teoría de la Inferencia Estadística está conformada por aquellos métodos que permiten hacer generalizaciones,
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 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 detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
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 detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Intervalos de confianza Álvaro José Flórez 1 Escuela de Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesEstimación Máxima Verosimilitud
Estimación Máxima Verosimilitud Microeconomía Cuantitativa R. Mora Departmento of Economía Universidad Carlos III de Madrid Outline Motivación 1 Motivación 2 3 4 5 Estrategias generales de estimación Hay
Más detallesANÁLISIS ESTADÍSTICO MUESTREO DE POBLACIONES FINITAS
ANÁLISIS ESTADÍSTICO MUESTREO DE POBLACIONES FINITAS Jorge Fallas jfallas56@gmail.com 2010 1 Temario Porqué muestrear? Para qué muestrear? Estimar parámetros de población Prueba de hipótesis Exploratorio
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 detallesCUESTIONES TEÓRICAS ESTADÍSTICA
Gestión Aeronáutica: Estadística Teórica Facultad Ciencias Económicas y Empresariales Departamento de Economía Aplicada Profesor: Santiago de la Fuente Fernández CUESTIONES TEÓRICAS ESTADÍSTICA Gestión
Más detallesMatemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis
Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José
Más detallesDistribuciones Fundamentales de Muestreo. UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides
Distribuciones Fundamentales de Muestreo UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides Distribuciones Muestrales La distribución de probabilidad de un estadístico
Más detalles2.3. Análisis bayesiano para datos normales
2.3. Análisis bayesiano para datos normales 87 2.3. Análisis bayesiano para datos normales Otra de las situaciones más frecuentes en la práctica estadística es aquella en la que nos encontramos con datos
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 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 detallesEstadística Clase 4. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 2010 Clase 4 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 4 1. Test de Hipótesis 2. Propiedades de los estimadores Problema: Nuevamente
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 detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesTeoría de muestras 2º curso de Bachillerato Ciencias Sociales
TEORÍA DE MUESTRAS Índice: 1. Introducción----------------------------------------------------------------------------------------- 2 2. Muestras y población-------------------------------------------------------------------------------
Más detalles