Notas de clase 3 Estimación de parámetros.
|
|
- María del Rosario Robles Ponce
- hace 5 años
- Vistas:
Transcripción
1 Notas de clase 3 Estimació de parámetros. Willie Heradez 05-I E este capítulo se obtedrá relacioes etre la teoría y la realidad observable. Se buscará coclusioes que se puede obteer acerca de ua poblacióa partir de ua muestra dada, y se estudiará qué ta cerca so esas coclusioes. E estos métodos teemos que usar muestras. Hasta aquí ha sido suficiete saber que ua muestra de ua població es ua selecció tomada de esta, pero ahora es ecesario formular uestro cocepto e forma precisa. Se supoe que las muestras da iformació acerca de la població a la cual correspode, ya que por lo geeral es demasiado costoso, requiere demasiado tiempo, o es imposible observar o medir todos los objetos perteecietes a la població. Isumo: Cuado hablamos de la estadística, estamos hablado de datos. Siempre, el pricipal supuesto que debemos hacer es que cada uo de los datos viee de ua distribució e particular. Ejemplo. Si os da los siguietes datos, Día # Clietes Lues 3 Martes Miércoles 6 Jueves 5 Vieres 86 Sabemos que el úmero de clietes e u día e particular y e u establecimieto e particular, correspode a la teoría de colas, lo cual os lleva a pesar que cada ua de esas 5 variables se distribuye Poisso. Más aú, como correspode al mismo lugar de vetas, podemos afirmar que tiee la misma distribució.
2 Ejemplo. Si teemos los siguietes datos, Estudiate Adrea Adrés Fabiá Willie Alex Pasó el parcial? Sí Sí No Sí No Nos damos cueta que la variable Pasó el parcial? puede teer dos valores (Sí, No), y el experimeto solo se repite ua vez; por tato, podríamos afirmar que cada ua de estas 5 variables se distribuye Beroulli; además, como los 5 perteece al mismo saló se puede afirmar que tiee la misma fució de distribució. Idepedecia Ua codició ecesaria para los 3 métodos que se eseñará será la codició de idepedecia. E otras palabras, es ecesario que las ejecucioes del experimeto aleatorio co el que obteemos valores de la muestra sea idepedietes, esto es, que el resultado de ua ejecució o debe ifluir e las otras ejecucioes. Esto equivale a decir que la probabilidd de que cualquier miembro de la població aparezca e ua muestra, o depede de la aparició o o aparició de los otros miembros de la població de la muestra. Ejemplo. Mi població es el saló de clases y para mi muestra seleccioo las persoas co u dado de 50 caras. Esta es ua muestra idepediete? Ejemplo. Mi població es uevamete mi saló de clases. Para seleccioar la muestra utilizo el criterio de escoger todas las persoas co cabello de color castaño. Es esta ua muestra idepediete? Problema, Cuál es? Cuado osotros estudiábamos los problemas de probabilidad que teía que ver co variables aleatorias, osotros asumíamos que sabíamos todos los parámetros, es decir, si teíamos u problema co Poisso osotros coocíamos (λ), si teíamos u problema co ua hipergeométrica osotros coocíamos (,N,R); pero, quié os da esto e la vida real?
3 Problema: Cómo calculamos los parámetros? Qué requerimos? Método de mometos Todas las variables del problema debe teer ua fució de distribució coocida. Todas las variables debe teer la misma fució de distribució de probabilidad co los mismos parámetros (mismos parámetros pero descoocidos). La muestra debe ser idepediete. Procedimieto: Usar la siguiete fórmula y despejar los parámetros: X j i = E [ X j] Ejemplo : Si os da los siguietes datos que correspode al úmero de clietes de ua tieda apple, se obtiee: Día # Clietes Lues X = 3 Martes X = Miércoles X 3 = 6 Jueves X = 5 Vieres X 5 = 86 Nosotros sabemos que X i, i =,..., 5 correspode a ua fució de distribució Poisso, como los días lues, martes,..., vieres so separados podemos asumir que es ua variable idepediete. Además, como los datos proviee de la misma tieda se puede afirmar que tiee el mismo (λ), descoocido pero el mismo. Por tato, el procedimieto para ecotrar el lambda es el siguiete: Para la fórmula del método de mometos Reemplazado valores, E [X i ] = λ ; i X i = E[X] = λ = λ
4 Luego, Co este lambda, ya se puede respoder, Lo cual es muy útil para la teoría de colas. ˆλ MM = 5, P (X 3) =? Ejemplo : Se dice que las otas del parcial de probabilidad de Willie sigue ua fució de distribució uiforme cotíua co parámetros (a, b). Teiedo los siguietes datos, determie (a, b) por el método de mometos: Solució: Estudiate Nota Adrea X =,6 Adrés X = 3, Fabiá X 3 =,6 Lia X =,0 Alex X 5 = 3,9. Asumimos que la muestra es idepediete.. Todos tiee la misma distribució porque las codicioes para presetar el parcial so homogéeas para todos. 3. Todos comparte los mismos parámetros (a, b) descoocidos. Se sabe, Etoces, E[X j ] = a + b j (b a) V ar[x j ] = j E[X ] = V ar[x] + E[X] = = (b a) + (a + b) (b a) + = b ab + a + a + ab + b (a + b) = [b ab + a ] + [a + ab + b ] = 3b + 3a ab
5 Por el método de mometos, se sabe E[X] = E[X ] = = X i Xi =,6 + 3, +,6 +,0 + 3,9 5 = 3,6 =,6 + 3, +,6 +,0 + 3,9 5,6 +,96 + 6,76 + +,96 5 =,656 Fialmete solo os quedaría depejar, E[X ] = 3b + 3a ab E[X] = a + b = 3,6 =,656 Tarea: Ecotrar (a, b). Dos ecuacioes, dos icógitas. Ejercicio. Los siguietes datos correspode al úmero de itetos que se requiere para capturar (3 raas doradas), este método de captura es ciego, es decir, se captura todo lo que parezca raa y solo e el laboratorio se sabe que efectivamete es la raa deseada. Se tiee los siguietes datos. Por el método de mometos, halle la probabili- Expedició # Itetos U Nacioal 8 U Ades U Javeriaa 6 dad de ecotrar la raa deseada e cada uo de los itetos. Nota: No se le olvide mecioar los supuestos ecesarios. Argumete si so o o plausibles. Ejercicio. Sea X,..., X variables aleatorias idepedietes e idéticamete distribuidas hipergeométrica (, N, R) co = 5 y N = 0. Halle ua fórmula para ecotrar R, haciedo uso del método de mometos. 5
6 Método de máxima verosimilitud El método de máxima verosimilitud es ua de las geialidades de la estadística del siglo XX. Qué requerimos? La fució de distribució debe ser coocida para todas las variables. La muestra debe ser idepediete. Procedimieto. Teemos las siguietes variables aleatorias que toma ciertos valores detro de los reales. (X, X, X 3,..., X ) = (X, X,..., X ) Dode X i es el valor que toma cada X i e la muestra obteida. La probabilidad cojuta de que las variables aleatorias tome el valor que está tomado es L(θ; X) = P (X = X, X = X,..., X = X ) 3. Como ua es idepediete de la otra, L(θ; X) = P (X = X)P (X = X)... P (X = X) L(θ; X) = P (X i = Xi ). Como osotros coocemos la fució de desidad (masa) de probabilidad. L(θ; X) = f Xi (Xi θ) 5. Adicioalmete, osotros sabemos que las f Xi ( ) depede de los parámetros que osotros deseamos ecotrar θ = (λ, µ, σ,, N, R). Por lo tato, maximizamos la fució L(θ; X) co respecto a θ. L(θ; X) θ = 0 6. Verificamos seguda derivada, para cumplir la codició de suficiecia de u máximo L(θ; X) θ > 0 6
7 Ituició: Se desea ecotrar el vector de parámetros que maximice la probabilidad de que efectivamete mis variables aleatorias haya tomado los valores que tomará gracias a la muestra. Ejemplo. Si os da los siguietes datos que correspode uevamete al úmero de clietes e ua tieda Apple, se obtiee Día # Clietes Lues X = 3 Martes X = Miércoles X 3 = 6 Jueves X = 5 Vieres X 5 = 86 Halle el estimador de máxima verosimilitud X i P (λ) ; i L(θ; X) = P (X = 3, X =, X 3 = 6, X = 5, X 5 = 86) = P (X = 3) P (X = ) P (X 3 = 6) P (X = 5) P (X 5 = 86) (Por Idepedecia) λ λ3 λ λ6 λ5 λ86 = e e λ e λ e λ e λ 3!! 6! 5! 86! (Distribució Poisso coocida) Como es muy mamó, maximizar ua multiplicació, la volveremos ua sumatoria haciedo uso de la fució logarítmica. ll(θ; X) = λ + 3l(λ) l(3!) +... λ + 86l(λ) l(86!) ( ) = 5λ + l(λ) X i l X i! ll(θ; X) λ = 5 + X i λ = 5 X ; X :=Promedio simple λ ˆλ MV = X Luego ˆθ = X es u cadidato para ser EMV. Para verificarlo se toma la seguda derivada co respecto a θ y se evalúa e ˆθ MV = X l (L(θ; X)) θ Estimador de máxima verosimilitud. = 5X θ = 5X X = 5 X (Fució cócava) 7
8 Por lo tato, ˆθ MV = X es u máximo. Ejemplo. Sea X,..., X variables aleatorias e idéticamete distribuídas N(θ, σ ) co θ y σ descoocidos. Halle uas fórmulas que le permita hallar θ y σ por el método de máxima verosimilitud e fució de X,..., X. L(θ, σ, X) = Derivo co respecto a θ = (πσ ) (πσ ) { exp } σ (X i θ) exp { σ } (X i θ) ll(θ, σ, X) = log(π) log(σ ) σ l(l( )) θ Derivo co respecto a σ = σ ( ) ˆθ MV = X l(l( )) σ = + σ (X i θ) = σ ( (X i θ) X i θ ) = 0 (X i θ) ; reemplazo θ por ˆθ MV = X ˆσ MV = (X i X) Para verificar que esta solució es u método global, primero se calcula las segudas derivadas parciales y se evalúa ˆθ MV = X y ˆσ MV = (X i X) l (L( )) = θ (X i X) = (X i X) < 0 l (L( )) (σ) = σ σ = (X i θ) ( ( Xi X ) ) < 0 ( (Xi X) ) (Xi θ) ( (Xi ) 3 X) 8
9 Como es u problema de optimizació multivariado, se debe verificar adicioalmete que el jacobiao tiee determiate positivo f(θ, σ ) f(θ, σ ) θ σ θ J = f(θ, σ ) f(θ, σ ) Es ecesario calcular l(l( )) θ σ θ σ (σ ) σ ( ) l(l( )) = θ (σ ) (X θ) (X X) = 0 (Xi X) ṋ 0 σ J = 0 (ˆσ ) ( σ ˆ (Xi ˆθ) = ṋ 0 σ 0 ) 3 J = (X i X) (ˆσ ) (σ ) 3 > 0 Por lo tato, ˆθ MV = X y ˆσ = so estimadores de máxima verosimilitud que cumple las codicioes ecesarias y suficietes del pricipio de optimizació. Ejercicios Ejercicio. Deducir el EMV del parámetro θ para la siguiete distribució: f(x; θ) = θx (+ θ) ; x > 0, θ > 0 Ejercicio. Hallar el EMV y del método de mometos de la variable aleatoria X, defiida por la siguiete fució de desidad f(x) = θ 6 x3 e θx ; x > 0, θ > 0 Ejercicio 3. La resistecia a compresió de muestras viguetas de hormigó e kgms/cm es ua v.a. que se distribuye co la siguiete fució de desidad. f(x) = x α e x α ; x > 0 a. Ecuetre el estimador del método por mometos b. Ecuetre el EMV 9
10 Ejercicio. (Dificultad alta) Admítase que la duració de vida, expresada e uidades de tiempo coveietemete elegida, de cierto tipo de material está expresada por ua variable aleatoria que sigue la distribució a. Determie el EMV de θ, a y c. f(x) = c θ (x a)c e (x a)c θ b. Determie el estimador por el método de mometos de θ, a, c. Ejercicio 5. (Dificultad media) El tiempo de realizació e miutos de ua determiada tarea detro de u proceso idustrial es ua variable aleatoria co fució de desidad: f(x) = x θ e x θ si x > 0 a. Calcule el estimador de máxima verosimilitud para θ. b. Calcule el estimador por el método de mometos para θ. c. Mediate u muestreo aleatorio simple se ha recogido los siguietes datos de la realizació de la tarea: 5,56,3 0,58,37 0,,98, Ecuetre ˆθ MM y ˆθ MV 0
Estimación de Parámetros
Igacio Cascos Ferádez Departameto de Estadística Uiversidad Carlos III de Madrid Estimació de Parámetros Estadística I curso 008 009 Veremos cómo costruir valores aproximados de los parámetros de los modelos
Más detalles1. Propiedades de los estimadores
. Propiedades de los estimadores.. Eficiecia relativa. Defiició: Dados dos estimadores isesgados, ˆ y ˆ, de u parámetro, co variazas V ( ˆ ) y V ( ˆ ), etoces la eficiecia (eff) de ˆ respecto a ˆ, se defie
Más detallesTema 14: Inferencia estadística
Tema 14: Iferecia estadística La iferecia estadística es el proceso de sacar coclusioes de la població basados e la iformació de ua muestra de esa població. 1. Estimació de parámetros Cuado descoocemos
Más detallesCAPÍTULO I. Conceptos Básicos de Estadística
CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia
Más detallesDistribuciones en el muestreo, EMV
Distribucioes e el muestreo, E Tema 6 Descripció breve del tema. Itroducció y coceptos básicos. Propiedades de los estimadores Sesgo, Variaza, Error Cuadrático Medio y Cosistecia 3. Distribució de u estimador
Más detallesConvergencia de variables aleatorias
Capítulo Covergecia de variables aleatorias El objetivo del presete capítulo es estudiar alguos tipos de covergecia de variables aleatorias. Iiciaremos co la defiició de los distitos modos de covergecia...
Más detalles2 Algunos conceptos de convergencia de sucesiones de variables aleatorias
INTRODUCCIÓN A LA CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIAS Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció Se puede utilizar diferetes coceptos de covergecia para las sucesioes
Más detallesINFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS
INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS Població E el cotexto de la estadística, ua població es el cojuto de todos los valores que puede tomar ua característica medible e particular, de u cojuto correspodiete
Más detalles) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1
ESTIMACIÓN PUNTUAL. ESTIMACIÓN POR INTERVALOS DE CONFIANZA. 1. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA El objetivo básico de la iferecia estadística es hacer iferecias o sacar coclusioes sobre la població
Más detallesTema 4. Estimación de parámetros
Estadística y metodología de la ivestigació Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 4. Estimació de parámetros 1. Estimació putual 1 1.1. Estimació de la proporció e la distribució Bi(m, p).......................
Más detallesIntroducciónalaInferencia Estadística
Capítulo 6 ItroduccióalaIferecia Estadística 6.1. Itroducció El pricipal objetivo de la Estadística es iferir o estimar características de ua població que o es completamete observable (o o iteresa observarla
Más detallesObjetivos. 1. Inferencia Estadística. INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo. M. Iniesta Universidad de Murcia
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo Objetivos Tratar co muestras aleatorias y su distribució muestral e ejemplos de tamaño reducido. Tratar co la distribució de la
Más detallesTécnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20
Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra
Más detallesIntervalos de Confianza basados en una muestra. Instituto de Cálculo
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky Hay dos razoes por las cuales el itervalo (6.63,.37) tiee mayor logitud que el obteido ateriormete (7.69, 0.3). la variaza
Más detallesNúmero de personas que se forman en una fila en 1 hora Número de águilas que se obtienen al lanzar una moneda 5 veces.
Statistics Review Variable Aleatoria o Ua variable aleatoria es ua variable cuyo valor está sujeto a variacioes que depede de la aleatoriedad. o Debe tomar valores uméricos, que depede del resultado del
Más detallesEl método de Monte Carlo
El método de Mote Carlo El método de Mote Carlo es u procedimieto geeral para seleccioar muestras aleatorias de ua població utilizado úmeros aleatorios. La deomiació Mote Carlo fue popularizado por los
Más detallesPregunta Nº1 (60%) Solemne Nº1
Curso: ICI3020 - Simulació. Profesores: Felipe Gozález, Pablo Rey Ayudates: Gustavo Heríquez, Ricardo Ramírez Semestre: II-200 Soleme Nº :30 miutos. Si cosultas Preguta Nº (60%) Se desea modelar la operació
Más detalles1.1 INTERVALOS DEL 95% DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL VARIANZA CONOCIDA
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky 106 1. INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN NORMAL upogamos que X1,...,X es ua muestra aleatoria de ua
Más detallesEstimación de Parámetros. Estimación de Parámetros
Uiversidad Técica Federico Sata María Capítulo 7 Estimació de Parámetros Estadística Computacioal II Semestre 007 Prof. Carlos Valle Págia : www.if.utfsm.cl/~cvalle e-mail : cvalle@if.utfsm.cl C.Valle
Más detallesProbabilidad y Estadística 2003 Intervalos de Confianza y Test de Hipótesis paramétricos
Probabilidad y Estadística 3 Itervalos de Cofiaza y Test de Hipótesis paramétricos Itervalos de Cofiaza Defiició Dada ua muestra aleatoria simple es decir, u vector de variables aleatorias X co compoetes
Más detallesTema 7: Estimación puntual.
Estadística 68 Tema 7: Estimació putual. 7.1 Itroducció a la Iferecia Estadística. E los temas ateriores se ha hecho éfasis e la teoría de la probabilidad y e determiados modelos probabilísticos. E este
Más detallesEn el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo:
TEMA 6. Estimació putual. E muchos casos o será posible determiar el valor de u parámetro poblacioal descoocido, aalizado todos los valores poblacioales, pues el proceso a seguir puede ser destructivo,
Más detallesTEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Introducción a la Inferencia Estadística Método de los momentos
TEMA 5.-ESTIMACIÓN PUNTUAL.- (16/17) 5.1. Itroducció a la Iferecia Estadística. Método Estadístico. Defiicioes previas. 5.2. Estimació putual 5.3. Métodos de obteció de estimadores: 5.3.1. Método de los
Más detallesINTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO
INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO Objetivos geerales del tema E este tema se itroducirá el cocepto de estadístico como medio para extraer iformació acerca de la ley de
Más detallesINFERENCIA ESTADÍSTICA
FACULTAD DE INGENIERÍA INFERENCIA ESTADÍSTICA Iree Patricia Valdez y Alfaro Estimació de parámetros ireev@servidor.uam.mx Ua clasificació de estadística Descriptiva Calculo de medidas descriptivas Costrucció
Más detallesUniversidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA. Ingenierías RH-Amb-Ag TEORÍA
Uiversidad Nacioal del Litoral Facultad de Igeiería Ciecias Hídricas ESTADÍSTICA Igeierías RH-Amb-Ag TEORÍA Mg. Susaa Valesberg Profesor Titular INFERENCIA ESTADÍSTICA TEST DE HIPÓTESIS INTRODUCCIÓN Geeralmete
Más detallesPropiedades de la funcion de distribucion empirica. Propiedades de la Función de distribución Empírica:
Propiedades de la fucio de distribucio empirica Propiedades de la Fució de distribució Empírica: a. Fˆ es creciete de 0 hasta 1. b. Fˆ es ua fució escaloada co saltos e los distitos valores de X 1, X,...,
Más detallesEstadística y sus aplicaciones en Ciencias Sociales Práctico 4 - Solución Curso ) Como se trata de muestreo sin reposición, se tiene C 5 3
Estadística y sus aplicacioes e Ciecias Sociales Práctico 4 - Solució Curso 016 Ejercicio 1 5! 1) Como se trata de muestreo si reposició, se tiee C 5 3 3!! muestras de tamaño =3. ) Distribució muestral
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribucioes de probabilidad discretas Departameto de Ciecias del Mar y Biología Aplicada Itroducció Iferecia estadística: Parte de la estadística que estudia grades colectivos a partir
Más detallesTema 8. Sesiones 15 y 16 Guía de clase 8. CONTRASTE DE HIPOTESIS
UNIVERSIDAD DE LOS ANDES NUCLEO UNIVERSITARIO RAFAEL RANGEL DEPTO DE CIENCIAS ECONOMOMICAS Y ADMIMISTRATIVAS AREA DE ESTADÍSTICA ESTADÍSTICA BASICA CONTADURÍA PÚBLICA Tema 8. Sesioes 5 y 6 Guía de clase
Más detallesPRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E
PRUEBAS DE ACCESO A LA UNIVERSIDAD L.O.G.S.E CURSO 1999-.000 - CONVOCATORIA: SEPTIEMBRE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES - Cada alumo debe elegir sólo ua de las pruebas (A o B) y, detro de
Más detallesINTRODUCCION Teoría de la Estimación
INTRODUCCION La Teoría de la Estimació es la parte de la Iferecia Estadística que sirve para coocer o acercarse al valor de los parámetros, características poblacioales, geeralmete descoocidos e puede
Más detallesANDALUCÍA / JUNIO 04. LOGSE / MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES / EXAMEN COMPLETO OPCIÓN A
EXAMEN COMPLETO Istruccioes: a) Duració: 1 hora y 30 miutos. b) Elija ua de las dos opcioes propuestas y coteste los ejercicios de la opció elegida. c) E cada ejercicio, parte o apartado se idica la putuació
Más detallesIntervalos de Confianza basados en una sola muestra. Denotaremos al parámetro de interés con la letra θ y con θ un estimador para θ.
Itervalos de Cofiaza basados e ua sola muestra Ua estimació putual sólo os proporcioa u valor umérico, pero NO proporcioa iformació sobre la precisió y cofiabilidad de la estimació del parámetro. Etoces
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL Revisió, Cambios y Ampliació: Ig. José Alejadro Marí Fuete Primaria: Ig. César Augusto Zapata Urquijo 1. M U E S T R E O S I S T E M
Más detallesDISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS ESPACIO MUESTRAL. El cojuto de todos los resultados posibles de u eperimeto estadístico deotado por S o Ω VARIABLE. Se deomia variable a la
Más detallesTEORÍA DE LA ESTIMACIÓN
TEORÍA DE LA ESTIMACIÓN Objetivo: El objetivo de la estimació putual es usar ua muestra para obteer úmeros (estimacioes putuales) que sea la mejor represetació de los verdaderos parámetros de la població.
Más detallesMATEMÁTICAS 2ºBACHILLERATO CCSSII
La trata del recueto, ordeació y clasificació de los datos obteidos por las observacioes, para poder hacer comparacioes y sacar coclusioes. U estudio estadístico costa de las siguietes fases: Recogida
Más detallesESTADISTICA EMPRESARIAL - Segundo Curso Curso Convocatoria de Febrero INSTRUCCIONES
ESTADISTICA EMPRESARIAL - Segudo Curso Curso.006-07 Covocatoria de Febrero. 6-1-07 INSTRUCCIONES 1. El exame costa de cuestioes, que se respode sobre la hoja de codificació proporcioada, y problemas, que
Más detalles( ) ( ) ( ) ( ) ( ) ( ) ( ( )) ( )
I E S CARDENAL CISNEROS -- DEPARTAMENTO DE MATEMÁTICAS INFERENCIA ESTADÍSTICA El coeficiete itelectual de los alumos de u cetro se distribuye N(110,15). Escogemos 5 alumos al azar. Cuál es la probabilidad
Más detallesDesigualdad de Tchebyshev
Desigualdad de Tchebyshev Si la Esperaza y la variaza de la variable X so fiitas, para cualquier úmero positivo k, la probabilidad de que la variable aleatoria X esté e el itervalo La probabilidad de que
Más detallesDISTRIBUCIÓN DE LA MEDIA MUESTRAL. (a) Las muestras de tamaño n obtenidas en una población de media y desviación típica,
1 MAJ04 DISTRIBUCIÓN DE LA MEDIA MUESTRAL 1. E u servicio de ateció al cliete, el tiempo de espera hasta recibir ateció es ua variable ormal de media 10 miutos y desviació típica 2 miutos. Se toma muestras
Más detallesEjercicios de intervalos de confianza en las PAAU
Ejercicios de itervalos de cofiaza e las PAAU 2008 1 1.-El úmero de días de permaecia de los efermos e u hospital sigue ua ley Normal de media µ días y desviació típica 3 días. a)determiar u itervalo de
Más detallesTEMA 6.- INTERVALOS DE CONFIANZA
TEMA 6.- INTERVALOS DE CONFIANZA 6.1. Distribucioes asociadas a la Normal 6.1.1. Distribució Chi cuadrado de Pearso o Gi dos 6.1.. Distribució t de Studet 6.. Itroducció a itervalos de cofiaza 6.3. Método
Más detallesINFERENCIA ESTADÍSTICA
X INFERENCIA ESTADÍSTICA Sea ua característica o variable aleatoria de la població objeto de estudio y sea ( X, X, X,..., X ) ua muestra aleatoria de dicha població. 1 3 U parámetro poblacioal es ua caracterizació
Más detallesEstadística para la Evaluación de Riesgo Microbiano
Estadística para la Evaluació de Riesgo Microbiao Mii-Curso de Riesgo Microbiao 25 29 de agosto, 204 Uiversidad Mayor de Sa Simó Cochabamba, Bolivia Matthew E. Verbyla Estadística para la Evaluació de
Más detallesIntervalos de Confianza
Itervalos de Cofiaza 1.- Se quiere estudiar la vida útil de uas uevas pilas que se va a lazar al mercado. Para ello se examia la duració de 40 de ellas, resultado ua media de 63 horas. Supoiedo que el
Más detallesEjercicios de preparación para olimpiadas. Funciones
Ejercicios de preparació para olimpiadas. Fucioes 5 de diciembre de 04. Fucioes covexas Comezamos estas otas hablado de fucioes covexas. Auque la covexidad de ua fució se puede estudiar por técicas de
Más detallesEstimadores Puntuales: Propiedades de estimadores Sebastián Court
Estadística Estimadores Putuales: Propiedades de estimadores Sebastiá Court 1.Motivació Cosideremos ua variable aleatoria X co ciertas características, como por ejemplo, u parámetro θ, y ua muestra aleatoria
Más detalles1 x 1 0,1666. sabiendo que 506, 508, 499, 503, 504, 510, 497, 512, 514, 505, 493, 496, 506, 502, 509, 496.
GRADO GESTIÓN AERONÁUTICA: EXAMEN ESTADÍSTICA TEÓRICA 9 de Eero de 015. E-7. Aula 104 1.- La fució de desidad de ua variable aleatoria es: a b 0 f() 0 e el resto sabiedo que 1 P 1 0,1666. Determiar a y
Más detallesUNIDAD 4 MODELOS PROBABILÍSTICOS
Uiversidad Nacioal del Litoral Facultad de Igeiería y Ciecias Hídricas ESTADÍSTICA Igeiería Iformática TEORÍA Mg.Ig. Susaa Valesberg Profesor Titular UNIDAD 4 MODELOS PROBABILÍSTICOS Estadística - Igeiería
Más detallesAnálisis de resultados. Independencia de las muestras
Aálisis de resultados Clase ro. 8 Curso 00 Idepedecia de las muestras Los resultados de ua corrida de simulació, so muestras de algua distribució. Esos resultados los llamamos "respuestas". Las respuestas
Más detalles3. Distribuciones de probabilidad
3. Distribucioes de probabilidad Estudiamos a cotiuació las pricipales distribucioes de probabilidad que se ecuetra e las aplicacioes del cálculo de probabilidades. Clasificaremos las distribucioes atediedo
Más detallesResumen Tema 2: Muestreo aleatorio simple. Muestreo con probabilidades desiguales.
Resume Tema 2: Muestreo aleatorio simple. Muestreo co probabilidades desiguales. M.A.S.: Muestreo aleatorio simple co probabilidades iguales si reemplazo. Hipótesis: Marco perfecto, si omisioes i duplicados
Más detallesDistribución Multinomial
Uiversidad de Chile. Rodrigo Assar Facultad de Ciecias Físicas y Matemáticas M A34B 3 Adrés Iturriaga Departameto de Igeiería Matemática. Víctor Riquelme Distribució Multiomial Resume E el presete artículo
Más detallesPRUEBAS DE HIPÓTESIS.
PRUEBAS DE HIPÓTESIS. HIPÓTESIS ESTADÍSTICA Paramétrica : No Paramétrica Es ua afirmació sobre los valores de los parámetros poblacioales descoocidos. Es ua afirmació sobre algua característica Simple
Más detalleses un proceso de conteo si representa el número de eventos ocurridos hasta el tiempo t.
PROCESOS ROBABILIDADES ESTOCÁSTICOS (ITEL-3005) (80807) Tema 4. Los Procesos Tema. de Fudametos Poisso y otros de Estadística procesos asociados Descriptiva Semaa Distribució 5 Clase 07 de frecuecias Lues
Más detallesSobre los intervalos de confianza y de predicción Javier Santibáñez 7 de abril de 2017
Sobre los itervalos de cofiaza y de predicció Javier Satibáñez 7 de abril de 2017 Itervalos de cofiaza Se costruye itervalos de cofiaza para los parámetros poblacioales. Supogamos que teemos ua muestra
Más detallesProbabilidades y Estadística (M) Práctica 8 1 cuatrimestre 2012 Convergencias - Ley de los Grandes Números
robabilidades y Estadística (M) ráctica 8 cuatrimestre 22 Covergecias - Ley de los Grades Números. Ua máquia produce artículos de 3 clases: A, B y C e proporcioes 25 %, 25 % y 5 % respectivamete. Las logitudes
Más detallesPrácticas de Matemáticas I y Matemáticas II con DERIVE-5 138
Prácticas de Matemáticas I y Matemáticas II co DERIVE-5 8. DIGONLIZCIÓN... PRINCIPLES FUNCIONES DE DERIVE PR L DIGONLIZCION: CLCULO DE UTOVLORES Y UTOVECTORES. tes de iiciar el estudio de los pricipales
Más detallesNotas de clase 2 Distribucion normal y teorema del limite central
Notas de clase Distribucio ormal y teorema del limite cetral Willie Heradez 05-I Motivació: La distribució ormal es, como mucho, la más importate de todas las distribucioes de probabilidad. Es ua distribució
Más detallesElementos de Teoria Asintotica
(wsosa@udesa.edu.ar) Uiversidad de Sa Adres El modelo lieal e otacio observacioal y i = x iβ + u i, i = 1, 2,..., x i = [ Mi Z i ] [, x i x Mi i = Z i ] [ Mi Z i ] = M 2 i Z i M i M i Z i Z 2 i M 2 x i
Más detallesFormulas. Población infinita. Población finita
Formulas X~N(μ, σ 2 ) x = x i x ~N si X~N o si > 30 Població ifiita Població fiita x ~N(μ, σ2 ) N x ~N(μ, N 1 σ2 ) Ejercicio Se sabe que la media poblacioal e u exame de Estadística es de 70 y que la variaza
Más detallesMétodos Estadísticos de la Ingeniería Tema 9: Inferencia Estadística, Estimación de Parámetros Grupo B
Métodos Estadísticos de la Igeiería Tema 9: Iferecia Estadística, Estimació de Parámetros Grupo B Área de Estadística e Ivestigació Operativa Licesio J. Rodríguez-Aragó Abril 200 Coteidos...............................................................
Más detalles1. Intervalos de Conanza
M. Iiesta Uiversidad de Murcia INFERENCIA ESTADÍSTICA Tema 3.: Itervalos de coaza Objetivos Costruir itervalos de coaza para los parámetros más importates. Aplicar coveietemete los IC atediedo a cada situació
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EXAMEN FINAL RESOLUCIÓN
Más detallesINFERENCIA ESTADÍSTICA Y ESTIMACIÓN
INFERENCIA ESTADÍSTICA Y ESTIMACIÓN La estadística iferecial se ocupa de exteder o extrapolar a toda ua població, iformacioes obteidas a partir de ua muestra, así como de tomar de decisioes. El muestreo
Más detallesSe utilizan los datos puntuales de altura de precipitación o intensidades máximas de lluvia registradas en una estación
.. Tormetas putuales Aspectos geerales Se utiliza los datos putuales de altura de precipitació o itesidades máximas de lluvia registradas e ua estació So válidas para áreas cuya extesió este defiida por
Más detallesInIn Sistemas de Control de Calidad
Desity Desity II 78- Sistemas de Cotrol de Calidad Pla - Repaso de cotrol de calidad Gráficos de Cotrol - Herramieta que moitorea ua o más variables a lo largo del tiempo. (El sistema requiere itervecioes
Más detallesPRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA
PRUEBA DE HIPOTESIS BASADA EN UNA SOLA MUESTRA Pruebas de hipótesis es ua parte de la ESTADISTICA INFERENCIAL y tiee su aalogía co los pasos que se realiza e u JUICIO. Objetivo: Aquí o se busca Estimar
Más detallesReserva Primera de 2017 (Modelo 3) Solución Germán-Jesús Rubio Luna OPCIÓN A
IES Fco Ayala de Graada Reserva Primera de 017 (Modelo 3) Solució Germá-Jesús Rubio Lua OPCIÓN A 17_mod3_EJERCICIO 1 (A) 4-3 0 Sea las matrices A = y B = 1-1 0 1. (1 puto) Calcule A + B 3. (1 5 putos)
Más detallesUn sistema de m ecuaciones lineales con n incógnitas es un conjunto de m igualdades del tipo:......
1. Sistemas de m ecuacioes lieales co icógitas U sistema de m ecuacioes lieales co icógitas es u cojuto de m igualdades del tipo: a11x 1 a1 x... a1 x b1 a1x1 ax... ax b (1)... am1x1 amx... amx bm Los úmeros
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2010 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 010 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Juio, Ejercicio 4, Opció A Reserva 1, Ejercicio 4, Opció A Reserva, Ejercicio 4,
Más detallesPROBLEMAS DE LOS TEMAS 5, 6 Y 7 PROPUESTOS EN EXÁMENES DE ESTADÍSTICA EMPRESARIAL (ANTIGUA LICENCIATURA ADE)
TUTORÍA DE ETADÍTICA EMPREARIAL (º A.D.E.) e-mail: imozas@elx.ued.es https://www.iova.ued.es/webpages/ilde/web/idex.htm PROBLEMA DE LO TEMA 5, 6 Y 7 PROPUETO EN EXÁMENE DE ETADÍTICA EMPREARIAL (ANTIGUA
Más detallesa) ( ) ( ) Supóngase que se toma una muestra en una población con distribución N ( ;1. Qué tamaño debe tener esta para que P X µ SOLUCIÓN:
..- Supógase que se toma ua muestra e ua població co distribució N ( ;. Qué tamaño debe teer esta para que P X µ 0. 0.95? µ ) ( ) 384.3.- Si se toma ua muestra e ua població co distribució B p, para que
Más detallesAnálisis estadístico de datos. Análisis estadístico de datos simulados. Elección de una distribución. Análisis estadístico de datos simulados
Aálisis estadístico de datos Aálisis estadístico de datos simulados Patricia Kisbye FaMAF 29 de abril, 2008 Cada fuete de aleatoriedad debe expresarse de acuerdo a ua distribució de probabilidad. Ua mala
Más detallesPrácticas de Matemáticas I y Matemáticas II con DERIVE 136
Prácticas de Matemáticas I y Matemáticas II co DERIVE 6. DIGONLIZCIÓN... PRINCIPLES FUNCIONES DE DERIVE PR L DIGONLIZCION: CLCULO DE UTOVLORES Y UTOVECTORES. tes de iiciar el estudio de los pricipales
Más detalles1 e. F (x; y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que F (x; y) =
Probabilidades y Estadística (M) Práctica 5 2 o cuatrimestre 2013 Vectores aleatorios 1. a) Demostrar que la fució F (x; y) = 1 e x y si x 0 ; y 0 0 e caso cotrario o es la fució de distribució acumulada
Más detalles8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS
8 DESIGUALDAD DE TCHEBYCHEFF LEY DE LOS GRANDES NÚMEROS Sea ua variable aleatoria de ley descoocida co 0,00. Si 0,, emplear la desigualdad de TCHEBYCHEFF para acotar iferiormete la probabilidad E( ) [
Más detallesTema 11. Soluciones a los ejercicios adicionales
Tema. Solucioes a los ejercicios adicioales. El peso e Tm) de la captura diaria realizada por u barco pesquero, se aproxima a ua distribució ormal. Etre qué valores oscilará el peso medio co ua cofiaza
Más detallesSUMA DE VARIABLES ALEATORIAS
SUMA DE VARIABLES ALEATORIAS do C. 018 Clase Nº 9 Mg. Stella Figueroa Teorema Cetral del Límite El teorema afirma que la distribució de la suma de u gra úmero de variables aleatorias tiee aproximadamete
Más detallesIntroducción a la Inferencia Estadística. Material Preparado por Olga Susana Filippini y Hugo Delfino
Itroducció a la Iferecia Estadística Temario Diseño Muestral Teorema Cetral del Límite Iferecia estadística Estimació putual y por itervalos Test de hipótesis. DISEÑO MUESTRAL Porque utilizar muestras
Más detalles1. Muestreo Aleatorio Simple
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERIA INDUSTRIAL Estadística III-Material 2-2012 Revisió y Cambios y Ampliació: Ig. José Alejadro Marí Fuete Primaria: Ig. César Augusto Zapata Urquijo
Más detallesTEMA 5: Gráficos de Control por Atributos. 1. Gráfico de control para la fracción de unidades defectuosas
TEMA 5: Gráficos de Cotrol por Atributos 1 Gráfico de cotrol para la fracció de uidades defectuosas 2 Gráfico de cotrol para el úmero medio de discoformidades por uidad Selecció del tamaño muestral 3 Clasificació
Más detallesIES Fco Ayala de Granada Sobrantes de 2002 (Modelo 1) Solución Germán-Jesús Rubio Luna
IES Fco Ayala de Graada Sobrates de 2002 (Modelo 1) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A (3 putos) Ua fábrica de muebles dispoe de 600 kg de madera para fabricar librerías de 1 y de 3 estates.
Más detallesCapítulo 4 (Continuación) MÉTODOS ESTADÍSTICOS. Autor: José María García Palanco
Capítulo 4 (Cotiuació MÉTODOS ESTADÍSTICOS Autor: José María García Palaco Técicas Eperimetales Medida de magitudes 4.8 Métodos Estadísticos Ya hemos visto e los apartados ateriores, que u procedimieto
Más detallesR. Urbán Introducción a los métodos cuantitativos. Notas de clase Sucesiones y series.
R. Urbá Itroducció a los métodos cuatitativos. Notas de clase Sucesioes y series. SUCESIONES. Ua sucesió es u cojuto umerable de elemetos, dispuestos e u orde defiido y que guarda ua determiada ley de
Más detallesDeterminación del tamaño de una muestra (para dos o más muestras)
STATGRAPHICS Rev. 457 Determiació del tamaño de ua muestra (para dos o más muestras) Este procedimieto determia el tamaño de muestra apropiado para estimar o realiar pruebas de hipótesis respecto a alguo
Más detallesESTIMACIÓN. TEMA 5: Estimación puntual I. Propiedades de los estimadores. TEMA 6: Estimación puntual II. Métodos de estimación puntual
ETIMACIÓN TEMA 5: Estimació putual I. Propiedades de los estimadores TEMA 6: Estimació putual II. Métodos de estimació putual TEMA 7: Estimació por itervalos CONTRATE DE HIPÓTEI TEMA 8: Cotrastes paramétricos
Más detallesCapítulo 3. El modelo de regresión múltiple. Jorge Feregrino Feregrino. Econometría Aplicada Utilizando R
Capítulo 3. El modelo de regresió múltiple. Jorge Feregrio Feregrio Idetificació del modelo La idetificació del objeto de ivestigació permitirá realizar ua búsqueda exhaustiva de los datos para llevar
Más detallesEjemplo Solución. 2) Datos p 1 =253/300 p 2 =196/300 n 1 =n 2 =300 α= ) Ensayo de hipótesis
Ejemplo Solució ) Se trata de ua distribució muestral de diferecia de proporcioes. Se evalúa dos tipos diferetes de solucioes para pulir, para su posible uso e ua operació de pulido e la fabricació de
Más detallesIntroducción a la Inferencia Estadística. Muestreo en poblaciones normales
Ídice 5 Itroducció a la Iferecia Estadística Muestreo e poblacioes ormales 51 51 Itroducció 51 52 Estadísticos y mometos muestrales 53 521 Media muestral Propiedades 54 522 Variaza muestral Propiedades
Más detallesMatemáticas Discretas Inducción y Recursión
Coordiació de Ciecias Computacioales - INAOE Matemáticas Discretas Iducció y Recursió Cursos Propedéuticos 00 Ciecias Computacioales INAOE Iducció y recursió Geeralidades Iducció de úmeros aturales Iducció
Más detallesEl estimado bootstrap ideal del sesgo se obtiene sustituyendo F por su distribución empírica Fˆ está dado por
Estimació del sesgo por bootstrappig El Sesgo de u estimador θˆ es otra medida de precisió. Sea x=(x,x, X ) ua muestra aleatoria de ua variable aleatoria que tiee distribució F y sea θ=t(f) u parámetro
Más detallesESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA PROPORCIÓN POBLACIONAL.
ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA PROPORCIÓN POBLACIONAL. U itervalo de cofiaza, para u parámetro poblacioal θ, a u ivel de cofiaza (1 ) 100 %, o es más que u itervalo (L i, L s
Más detallesIES Fco Ayala de Granada Sobrantes de 2005 (Modelo 3) Solución Germán-Jesús Rubio Luna OPCIÓN A
IES Fco Ayala de Graada Sobrates de 005 (Modelo 3) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO _A ( putos) Dibuje el recito defiido por las siguietes iecuacioes: + y 6; 0 y; / + y/3 ; 0; ( puto) Calcule
Más detallesCód. Carrera: Área de Matemática Fecha: MODELO DE RESPUESTAS Objetivos 1 al 11.
rueba Itegral Lapso 03-7-76-77 /0 Uiversidad Nacioal Abierta Matemática I (Cód. 7-76-77) icerrectorado Académico Cód. Carrera: 6-36-80-08- -60-6-6-63 Fecha: 0 0-0 MODELO DE RESUESTAS Objetivos al. OBJ
Más detalles