Repaso de conceptos estadís-cos. Apéndice A
|
|
- Luz Carrasco Mora
- hace 5 años
- Vistas:
Transcripción
1 Repaso de conceptos estadís-cos Apéndice A
2 Revisión de conceptos estadís2cos El conjunto de todos los resultados posibles de un experimento aleatorio se denomina población o espacio muestral, E Un suceso es cualquier subconjunto de E La probabilidad de un suceso A, P(A), es la proporción de veces que ocurre A en ensayos repe-dos del experimento En un experimento llamamos frecuencia rela-va de A, al cociente entre el nº de casos favorables (sucede A) y el número de casos posibles
3 Revisión de conceptos estadís2cos Si el tamaño muestral n es grande, la frecuencia rela-va aproxima bastante bien la probabilidad Propiedades de la probabilidad 0 P(A) 1 Si A, B, C, es un conjunto exhaus-vo de sucesos, P(A+B +C+ ) = 1 Si A, B, C, es un conjunto excluyente de sucesos, P(A +B+C+ ) = P(A)+P(B)+P(C)+ Una variable es aleatoria si su valor está determinado por el resultado de un experimento aleatorio
4 Revisión de conceptos estadís2cos Las variables aleatorias pueden ser, Discretas, si solo toman un número finito o numerable de valores (el resultado del lanzamiento de un dado) Con2nuas, si pueden tomar cualquier valor dentro de un intervalo (la estatura o el peso de un individuo, por ejemplo)
5 Función de densidad de probabilidad Si una v.a. discreta X, toma los valores x 1,, x n, entonces su función de densidad de probabilidad (FDP) viene dada por, f(x) = P(X = x i ), para i = 1, 2,, n f(x) = 0, para x x i Si X es la v.a. suma obtenida en el lanzamiento de dos dados,
6 Función de densidad de probabilidad Si la v.a. es con-nua, su FDP viene dada por, Gráficamente, f ( x) 0 y f ( x) dx = 1 b a ( ) f ( x) dx = Pr a x b
7 Función de densidad de probabilidad Si X, Y son dos v.a. discretas, entonces su FDP conjunta viene dada por ( ) f( x, y) = Pr X = x, Y = y f( x, y) = 0, si X x ey y En relación con f(x,y), f(x) y f(y) son las funciones de desnsidad individuales o marginales y se ob-enen, FDP marginal de f ( x) = f ( x, y) FDP marginal de f (y) = f ( x, y) x y
8 Función de densidad de probabilidad Si X, Y son v.a., la FDP condicional de X viene dada ( ) f( x/ y) = Pr X = x/ Y = y Mide la probabilidad de X tome el valor x cuando Y ha tomado el valor y. Análogamente la FDP condicional de Y será, ( ) f( y/ x) = Pr Y = y/ X = x Las FDP condicionales se ob-enen, f( x, y) f( x, y) f( x/ y) = y f( y/ x) = f(y) f(x)
9 Función de densidad de probabilidad Dos variables aleatorias X e Y son independientes si y solo si, f( x, y) = f( x) f( y)
10 Caracterís2cas de las distribuciones A menudo una distribución de probabilidad se resume en función de algunas de sus caracterís-cas (momentos) Valor esperado E(X), EX ( ) = xf( x), si Xes discreta x EX ( ) = xf( xdx ), si Xcontinua
11 Caracterís2cas de las distribuciones Propiedades de E(X): Si b=cte, E(b) = b Si a y b son ctes E(aX+b) = ae(x) +b Si X e Y son independientes, E(XY) = E(X)E(Y) Sin embargo, E(X/Y) E(X)/E(Y) Para cualquier función de X, g(x) ( ) E g( X) = g( X) f( x), si X es discreta ( ) x E g( X) = g( X) f( x) dx, si X continua
12 Caracterís2cas de las distribuciones Varianza de X, var(x). La varianza de una v.a. X con E(X) = u, se define como var( ) X Mide la dispersión de los valores en torno a su media. Su raíz cuadrada es la desviación estándar La varianza se calcula como, ( ) 2 2 X = σ = E X u ( ) 2 var( X) = X u f( x), X discreta x 2 var(x) = ( X u) f( x) dx, X continua
13 Caracterís2cas de las distribuciones Propiedades de la varianza. La varianza de una constante es nula Puede obtenerse alterna-vamente E X u Si a y b son constantes = E( X ) u 2 var( ax + b) = a var( X ) Si X e Y son independientes var( X + Y) = var( X) + var( Y) var(x Y) = var( X) + var( Y) ( ) 2 2 2
14 Caracterís2cas de las distribuciones Covarianza. Si X e Y -enen medias u X y u y se define la covarianza entre ambas como, La covarianza se calcula [ ] cov( XY, ) = E( X u )( Y u) cov( XY, ) = ( X u)( Y u) f( xy, ), Xdiscreta x y x cov( XY, ) = ( X u)( Y u) f( xydxdy, ), Xcontinua x y X y Y
15 Caracterís2cas de las distribuciones Propiedades de la covarianza. Si X e Y son independientes, su covarianza es nula Si a, b, c y d son constantes, [ ] cov( XY, ) = E( a+ bxc, + dy) = bdcov( XY, ) Coeficiente de correlación. Se define como ρ XY cov( XY, ) cov( XY, ) = = var( X) var( Y) σ σ Cuando X e Y están correlacionadas, var( X + Y) = var( X) + var( Y) + 2cov( X, Y) var(x Y) = var( X) + var( Y) 2 cov(x, Y) X Y
16 Caracterís2cas de las distribuciones Esperanza condicionada Si f(x,y) es la FDP conjunta, se define la esperanza condicional de X dado Y=y, EX ( / Y= y) = xf( xy / = y), Xdiscreta EX ( / Y= y) = xf( xy / = ydx ), Xcontinua Varianza condicionada. Se define como x ( ) 2 var( X / Y = y) = E X E( X / Y = y) / Y = y = x ( ) 2 X E X / Y = y f( x/ Y = y), X discreta ( ) 2 X E X / Y = y f( x/ Y = y) dx, X continua
17 Caracterís2cas de las distribuciones Propiedades de los momentos condicionados E[f(X)/X]=f(X) Si f(x) y g(x) son funciones de X, [ ] E f( X) Y+ g( X)/ X = f( X) E( Y / X) + g( X) Si X e Y son independientes, E(Y/X)=E(Y) Ley de las esperanzas iteradas: EX E( Y / X) = E( Y) Si X e Y son independientes var(y/x)=var(y) [ ] [ ] var( Y) = E var( Y / X) + var E( Y / X)
18 Caracterís2cas de las distribuciones Momentos de orden superior El momento de orden r respecto a la media es, ( u) r E X Los momentos de orden 3 y 4 sirven para estudiar la asimetría y el apuntamiento (curtosis), S = EX ( u) 3 σ 3 (simetría) K EX ( u) = 2 2 ( u) E X 4 (curtosis)
19 Algunas distribuciones importantes Distribución normal 1 1 f( x) = exp σ 2π 2 ( x u) 2 siendo u y σ 2 la media y la varianza de la distribución 2 σ
20 Algunas distribuciones importantes Distribución ji cuadrada Sean Z 1,, Z k variables normales estandarizadas independientes. Entonces, i= 1 se distribuye como una χ 2 con k g.l. Z k = Z 2 i
21 Algunas distribuciones importantes Distribución t- Student. Si Z 1 es una variable N(0,1) y Z 2 es una ji cuadrada con k g.l., entonces, t = se distribuye como t- Student con k g.l.: Z Z 1 2 / k
22 Algunas distribuciones importantes Distribución F- Snedecor. Si Z 1 y Z 2 son v.a. χ 2 con k 1 y k 2 g.l., entonces, Z / k F = Z / k se distribuye como F- Snedecor con k 1 y k 2 g.l.:
23 Inferencia estadís2ca: es2mación Cuando no se conocen los parámetros poblacionales de una distribución de probabilidad podemos es-marlos a par-r de los datos de una muestra Por ejemplo, sea la v.a. X con FDP f(x, θ) donde desconocemos el parámetro θ. Para es-marlo extraemos una muestra de tamaño n y empleamos una función de los valores muestrales para calcular una es-mación θ del verdadero parámetro θ. El es-mador es una v.a. puesto que su valor depende de la muestra empleada para obtenerlo
24 Inferencia estadís2ca: es2mación El procedimiento descrito antes es una es2mación puntual, pero es posible también llevar a cabo es2maciones por intervalos. En la es-mación por intervalos se ob-enen dos valores θ 1 y θ 2 afirmándose con un determinado grado de confianza, que el verdadero parámetro θ se encuentra entre ambos En general θ 1 y θ 2 son funciones de los valores muestrales de forma que, Pr( ˆ θ θ ˆ θ ) = 1 α 1 2 siendo α el nivel de significancia
25 Métodos de es2mación Los métodos principales son, Mínimos Cuadrados Ordinarios Máxima Verosimilitud Método de Momentos Método Generalizado de Momentos En este curso se empleará casi con exclusividad el método MCO. Bajo los supuestos en los que hemos construido el modelo ninguno de los otros métodos proporciona es-madores diferentes
26 Propiedades de los es2madores Esperamos que el método de es-mación empleado proporcione es-madores con buenas propiedades estadís-cas. Se dis-ngue entre propiedades en muestras pequeñas (o exactas, es decir independientes del tamaño muestral) y propiedades asintó-cas o en muestras grandes.
27 Propiedades exactas Insesgadez. Decimos que un es-mador b del parámetro poblacional β es insesgado si E(b)=β o E(b)-β = 0 En otro caso, es decir si esa diferencia no es nula, el es-mador es sesgado y el tamaño del sesgo es, Sesgo = E(b)-β La insesgadez es una propiedad del muestreo repe-do, no de una muestra dada: para n fijo, si tomamos dis-ntas muestras y para cada una calculamos el es-mador, esperamos que su media coincida con el parámetro
28 Propiedades exactas En la siguiente figura se ilustra el concepto de insesgadez, El es-mador θ 1 es insesgado mientras que θ 2 es sesgado
29 Propiedades exactas Varianza. Además de ser insesgado, es deseable que el es-mador tenga la menor varianza posible Diremos que un es-mador es de varianza mínima, si -ene menos varianza que cualquier otro es-mador Pero no es habitual que, independientemente de otras caracterís-cas, haya un es-mador de varianza mínima De dos es-madores insesgados siempre será preferible el de menor varianza Pero si uno es sesgado y el otro no, no está claro cuál de los dos es preferible
30 Propiedades exactas Ilustramos todo ello en la figura siguiente, θ 1 y θ 2 son ambos insegados y por tanto θ 1 es mejor, dado que -ene menos varianza. Pero entre θ 2 y θ 3 (sesgado), no está claro cuál elegir
31 Propiedades exactas Para decidir en situaciones como la anterior, suele emplearse el criterio de minimizar el ECM, definido, Puede demostrarse que, ( ˆ ) 2 ECM ( ˆ θ) = E θ θ ˆ ˆ 2 ˆ ECM ( θ) = var( θ) + sesgo ( θ) Tenemos ahora un criterio de decisión: entre dos es-madores preferiremos el de menor ECM Si dos es-madores son insesgados, será más eficiente el de menor varianza
32 Propiedades asintó2cas A veces, aunque un es-mador no tenga alguna propiedad en muestras pequeñas, se aproxima cada vez más a su cumplimiento a medida que n crece Un es-mador es asintó2camente insesgado si, lim E( ˆ θ ) = θ n n Un es-mador es consistente si a medida que crece n cada vez se aproxima más al verdadero parámetro poblacional, p lim ˆ θ n = θ n
33 Propiedades asintó2cas La siguiente figura ilustra el concepto de consistencia
34 Inferencia: pruebas de hipótesis El problema que pretende resolver el contraste de hipótesis, es si el es-mador θ obtenido a par-r de una muestra, es compa-ble con algún valor hipoté-co del parámetro poblacional (desconocido) La afirmación anterior es la denominada hipótesis nula o H 0 y se presume cierta a menos que podamos aportar evidencia suficiente en contra. H 0 se contrasta contra otra hipótesis, denominada hipótesis alterna-va, H 1. Por ejemplo, H 0 : θ = h H 1 : θ h
35 Inferencia: pruebas de hipótesis Para ver cómo funciona el contraste de hipótesis, emplearemos el ejemplo 24 (p.824). Sabemos que la media muestral X se distribuye como una normal N(µ, σ 2 /n), donde µ y σ 2 son la media y varianza poblacionales y n es el tamaño muestral. Con una muestra de tamaño n=100, se ob-ene una estatura media de cm y se sabe que σ = Es posible que la media de la población sea 175 cm?
36 Inferencia: pruebas de hipótesis En este caso H 0 : θ = 175. Como estamos interesados en cualquier desviación (por encima o por debajo) del supuesto planteado en H 0, la hipótesis alterna-va será H 1 : θ 175. Sabemos que el es-mador empleado se distribuye como una normal, con media µ y varianza σ 2 /n. Por tanto, X µ Z = N(0,1) σ / n El contraste de hipótesis consiste en calcular el valor de Z bajo la hipótesis nula (µ = 175) y ver cuál es la probabilidad de encontrar ese valor en una N(0,1)
37 Inferencia: pruebas de hipótesis Intui-vamente, rechazaremos la hipótesis nula si obtenemos para Z un valor poco probable en una distribución N(0,1) Lo que entendemos por poco es lo que va a definir el nivel de significancia α. Este nivel es el que determina las regiones de aceptación y rechazo. Si elegimos α = 0.05 dichas regiones quedan definidas como se muestra en al figura,
38 Inferencia: pruebas de hipótesis Aceptamos como raros valores menores que o mayores que 1.96 porque son poco probables en una N(0, 1): el 95% de los valores de la distribución están en el intervalo (- 1.96, 1.96). Por tanto si Z cae fuera de dicho intervalo (zona de rechazo) concluimos que H 0 es poco probable: se rechaza a ese α (arbitrario) Zona de rechazo Zona de aceptación Zona de rechazo
39 Inferencia: pruebas de hipótesis Con los datos anteriores, X µ Z = = = 7.59 σ / n 6.35/10 Este valor cae claramente en la región de rechazo: es muy poco probable que la media de la población sea 175 cm, de manera que rechazamos esa hipótesis al nivel de significancia elegido (5%)
40 Inferencia: pruebas de hipótesis El anterior es un ejemplo de contraste bilateral o a dos colas: las zonas de rechazo están en las dos colas de la distribución A veces la zona de rechazo está en una de las colas y no en las dos. Sucede esto cuando podemos excluir la posibilidad de que el parámetro sea posi-vo (nega-vo) En este caso la zona de rechazo estaría en una sola de las colas: para un nivel de significancia del 5%, el valor que delimita las zonas de aceptación o rechazo en una N(0, 1) será 1.69 (- 1.69).
41 Inferencia: intervalos de confianza Alterna-vamente podemos construir un intervalo de confianza de 100(1- α) y ver si dicho intervalo incluye el valor µ*, en cuyo caso no se puede rechazar H 0 (se rechazaría si µ* no estuviera en el intervalo) En el ejemplo anterior, X µ Pr( 1.96 Z 1.96) = Pr = 0.95 σ / n Sus-tuyendo obtenemos µ µ Como µ*=175 no está en el intervalo, rechazamos H 0
42 Errores 2po I y 2po II En las decisiones de esta clase, pueden cometerse dos -pos de errores Decisión H 0 es verdadera H 0 es falsa Rechazar Error -po I No hay error No rechazar No hay error Error -po II Lo ideal sería minimizar ambos errores, pero no es posible En la prác-ca se fija en un nivel bajo la probabilidad de cometer error -po I (α) y luego se reduce al máximo la probabilidad de cometer un error -po II
43 Errores 2po I y 2po II La probabilidad de error -po I es el nivel de significancia α y la probabilidad de cometer un error -po II se representa por β Llamamos potencia de un contraste a la probabilidad de no cometer un error -po II Cuando el verdadero valor del parámetro poblacional difiera mucho del valor postulado por H 0, la probabilidad de rechazar la hipótesis será alta y viceversa. Ello puede ilustrarse mediante la curva de potencia
44 Errores 2po I y 2po II La figura muestra la probabilidad de rechazar H 0 : µ = 50 en función del verdadero valor µ (n = 25, σ=10 y α=0.05) El denominado valor p mide el nivel de significancia exacto del valor obtenido por el estadís-co de prueba. Es por tanto el nivel de significancia más bajo al que puede rechazarse una H 0
Estadística 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 detallesRequisitos Matemáticos. Clase 01. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial
Universidad Austral de Chile Escuela de Ingeniería Comercial ICPM050, Econometría Clase 01 Requisitos Matemáticos Profesor: Carlos R. Pitta Econometría, Prof. Carlos R. Pitta, Universidad Austral de Chile.
Más detallesTema 4: Variables aleatorias multidimensionales
Tema 4: Variables aleatorias multidimensionales Los contenidos a desarrollar en este tema son los siguientes: Distribución conjunta de probabilidad Probabilidad/densidad marginales y condicionadas Independencia
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 detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesEstadística. Tema 3. Esperanzas Esperanza. Propiedades Varianza y covarianza. Correlación
Estadística Tema 3 Esperanzas 31 Esperanza Propiedades 32 Varianza y covarianza Correlación 33 Esperanza y varianza condicional Predicción Objetivos 1 Medidas características distribución de VA 2 Media
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 detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más detallesVariables aleatorias
Variables aleatorias Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Estadística I curso 2008 2009 Una variable aleatoria es un valor numérico que se corresponde con
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 detallesResumen de Probabilidad
Definiciones básicas * Probabilidad Resumen de Probabilidad Para calcular la probabilidad de un evento A: P (A) = N o decasosfavorables N o decasosposibles * Espacio muestral (Ω) Es el conjunto de TODOS
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 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 detallesREVISION DE CONCEPTOS BÁSICOS
REVISION DE CONCEPTOS BÁSICOS Objetivos Introducir, de manera muy general, algunos de los conceptos matemáticos y estadísticos que se utilizan en el análisis de regresión. La revisión no es rigurosa y
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 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 detallesTema 4: Variables aleatorias multidimensionales
1 Tema 4: Variables aleatorias multidimensionales En este tema: Distribución conjunta de probabilidad Probabilidad/densidad marginal Probabilidad/densidad condicionada Esperanza, varianza, desviación típica
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 detalles3. Variables aleatorias
3. Variables aleatorias Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33 Contenidos 1 Variables aleatorias y su distribución
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 detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesTema 6. 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 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 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 detallesVectores Aleatorios. Vectores Aleatorios. Vectores Discretos. Vectores Aleatorios Continuos
Definición Dado un espacio muestral S, diremos que X =(X 1, X 2,, X k ) es un vector aleatorio de dimension k si cada una de sus componentes es una variable aleatoria X i : S R, para i = 1, k. Notemos
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más 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 detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detallesVariables aleatorias. Descripción breve del tema. Objetivos. Descripción breve del tema. Tema 4
Descripción breve del tema Variables aleatorias Tema 4 Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III 2 Objetivos Descripción breve
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 detallesTema 7. Contrastes de Hipótesis
7.1. Conceptos básicos Tema 7. Contrastes de Hipótesis Uno de los problemas comunes en inferencia consiste en contrastar una hipótesis estadística. Ejemplo: El fabricante de un determinado tipo de piezas
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
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 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 detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO 22/23 FECHA: 9 de Enero de 23 Duración del examen: 3 horas Fecha publicación
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 detallesMomentos de Funciones de Vectores Aleatorios
Capítulo 1 Momentos de Funciones de Vectores Aleatorios 1.1 Esperanza de Funciones de Vectores Aleatorios Definición 1.1 Sea X = (X 1,..., X n ) un vector aleatorio (absolutamente continuo o discreto)
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesEstadística Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 2011 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1 1. Las Definiciones de Probabilidad 2. Variables Aleatorias 3. Función de Densidad
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más detallesRepaso de Estadística
Teoría de la Comunicación I.T.T. Sonido e Imagen 25 de febrero de 2008 Indice Teoría de la probabilidad 1 Teoría de la probabilidad 2 3 4 Espacio de probabilidad: (Ω, B, P) Espacio muestral (Ω) Espacio
Más detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
Más detallesVariables aleatorias bidimensionales discretas
Universidad de San Carlos de Guatemala Facultad de Ingeniería Área de Estadística VARIABLES ALEATORIAS BIDIMENSIONALES Concepto: Sean X e Y variables aleatorias. Una variable aleatoria bidimensional (X,
Más detallesVariables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
Más detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detalles7. Inferencia Estadística. Métodos Estadísticos para la Mejora de la Calidad 1
7. Inferencia Estadística Métodos Estadísticos para la Mejora de la Calidad 1 Tema 7: Inferencia Estadística 1. Intervalos de confianza para μ con muestras grandes 2. Introducción al contraste de hipótesis
Más detallesDistribución conjunta de variables aleatorias
Distribución conjunta de variables aleatorias En muchos problemas prácticos, en el mismo experimento aleatorio, interesa estudiar no sólo una variable aleatoria sino dos o más. Por ejemplo: Ejemplo 1:
Más detallesMatemática Aplicada y Estadística - Farmacia Soluciones del Primer Examen Parcial - Grupo 3
1. Se está haciendo un estudio de medicamentos diferentes que contienen un principio activo común La distribución de frecuencias se indica en la tabla que sigue: Cantidad de sustancia mg [10,20 [20,30
Más detallesCaso particular: Contraste de homocedasticidad
36 Bioestadística: Métodos y Aplicaciones 9.5.5. Caso particular: Contraste de homocedasticidad En la práctica un contraste de gran interés es el de la homocedasticidad o igualdad de varianzas. Decimos
Más detallesDistribuciones multivariadas
Distribuciones multivariadas Si X 1,X 2,...,X p son variables aleatorias discretas, definiremos la función de probabilidad conjunta de X como p(x) =p(x 1,x 2,...,x k )=P (X 1 = x 1,X 2 = x 2,...,X p =
Más detallesEstadística I Tema 5: Modelos probabiĺısticos
Estadística I Tema 5: Modelos probabiĺısticos Tema 5. Modelos probabiĺısticos Contenidos Variables aleatorias: concepto. Variables aleatorias discretas: Función de probabilidad y Función de distribución.
Más detallesEstadística. Contrastes para los parámetros de la Normal
Contrastes para los parámetros de la Normal Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Contrastes para los parámetros de la Normal Contrastes para los parámetros
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 detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesEsquema Matemáticas CCSS
Esquema Matemáticas CCSS 4. Inferencia Conocer el vocabulario básico de la Inferencia Estadística: población, individuos, muestra, tamaño de la población, tamaño de la muestra, muestreo aleatorio. Conocer
Más detallesDISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD
DISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD FUNCIÓN DE DISTRIBUCIÓN ( CONJUNTA ) DE UN VECTOR ALEATORIO FUNCIÓN DE CUANTÍA ( CONJUNTA) DE VECTORES ALETORIOS DISCRETOS FUNCIÓN DE DENSIDAD (CONJUNTA)
Más detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesVECTORES ALEATORIOS Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción VECTORES ALEATORIOS Julián de la Horra Departamento de Matemáticas U.A.M. Desde un punto de vista formal, los vectores aleatorios son la herramienta matemática adecuada para transportar
Más detallesPart I. Momentos de una variable aleatoria. Esperanza y varianza. Modelos de Probabilidad. Mario Francisco. Esperanza de una variable aleatoria
una una típica Part I Momentos. Esperanza y varianza Esperanza una una típica Definición Sea X una discreta que toma los valores x i con probabilidades p i. Supuesto que i x i p i
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 detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 5 Esperanza y momentos Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesTema 4: Variable Aleatoria Bidimensional
Curso 2016-2017 Contenido 1 Definición de Variable Aleatoria Bidimensional 2 Distribución y fdp Conjunta 3 Clasificación de Variables Aleatorias Bidimensionales 4 Distribuciones Condicionales 5 Funciones
Más detallesECONOMETRÍA I. Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación
ECONOMETRÍA I Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Índice: 1. Contraste de hipótesis------------------------------------------------------------------------------. Errores de tipo I y tipo II---------------------------------------------------------------------------
Más detallesUNIDAD 3 Características de variables aleatorias uni y bidimensionales
Universidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA Ingenierías: Recursos Hídricos-Ambiental-Agrimensura TEORÍA Mg. Ing. Susana Vanlesberg Profesor Titular UNIDAD Características
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Recuerdo que Conceptos estadísticos Población y muestra Población es una colección de posibles individuos, especímenes, objetos o medidas de interés sobre
Más detallesC L A S E N 5 I N S E M E S T R E O T O Ñ O,
Unidad 1 a. Probabilidades y Estadística 1 C L A S E N 5 I N 3 4 0 1 S E M E S T R E O T O Ñ O, 2 0 1 2 Características de las v.a 2 Parámetros v.a. La función de densidad o la distribución de probabilidad
Más detallesVectores aleatorios (distribuciones multivariantes)
Vectores aleatorios (distribuciones multivariantes) Tema 9. Distribución conjunta de un vector aleatorio. Distribuciones marginales y condicionadas Ignacio Cascos Depto. Estadística, Universidad Carlos
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 detallesTablas de Probabilidades
Tablas de Probabilidades Ernesto Barrios Zamudio José Ángel García Pérez José Matuk Villazón Departamento Académico de Estadística Instituto Tecnológico Autónomo de México Mayo 2016 Versión 1.00 1 Barrios
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 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 detallesEstadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones
Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida
Más detallesCapítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
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 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 detallesINGENIERO AGRÓNOMO EN PRODUCCIÓN TEMA: ESTIMACION Y PRUEBA DE HIPÓTESIS
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO AGRÓNOMO EN PRODUCCIÓN TEMA: ESTIMACION Y PRUEBA DE HIPÓTESIS ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: ENERO DE
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
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 detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesEstadística II Examen final enero 19/1/17 Curso 2016/17 Soluciones Duración del examen: 2 h y 15 min
Estadística II Examen final enero 19/1/17 Curso 016/17 Soluciones Duración del examen: h y 15 min 1. 3 puntos El Instituto para la Diversificación y Ahorro de la Energía IDAE ha publicado un estudio sobre
Más detallesProcesos estocásticos
Procesos estocásticos Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos del curso 1. Introducción. 2. Procesos a tiempo discreto:
Más detallesEspecialización en Métodos Estadísticos (EME) CURSO PROPEDÉUTICO ESTADÍSTICA BÁSICA
Especialización en Métodos Estadísticos (EME) CURSO PROPEDÉUTICO ESTADÍSTICA BÁSICA Enrique Rosales Ronzón, Patricia Díaz Gaspar, mayo 2015 Estadística??? Ciencia, Técnica, Arte Reunir, Organizar, presentar,
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 detallesVariables aleatorias unidimensionales
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen
Más detallesTEMA Nº 2 CONTRASTE DE HIPÓTESIS EN LOS DISEÑOS DE UNA MUESTRA
TEMA Nº 2 CONTRASTE DE HIPÓTESIS EN LOS DISEÑOS DE UNA MUESTRA TIPOS DE CONTRASTE Contrastes paramétricos: Son aquellos que se relacionan con el estudio de un parámetro poblacional (media, varianza, proporción,
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 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 detallesPLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07
PLAN DE TRABAJO 9 Período 3/09/07 al 28/09/07 TEMAS A ESTUDIAR En esta guía nos dedicaremos a estudiar el tema de Estimación por intervalo y comenzaremos a estudiar las pruebas de hipótesis paramétricas.
Más detalles