Fundamentos para la inferencia. Estadísca Prof. Tamara Burdisso
|
|
- Natividad Aranda Nieto
- hace 5 años
- Vistas:
Transcripción
1 Fundamentos para la inferencia
2 Nota periodística Perfil 22/3/2015 Scioli y Macri, con ventaja en la pelea por el ballottage
3 Nota periodística Perfil 22/3/2015 Cuando apenas faltan tres meses para la presentación de listas y fórmulas presidenciales, los sondeos de opinión de la consultora González y Valladares que publica en exclusiva PERFIL muestran por primera vez un vuelco en el orden en el que se posicionan los tres principales candidatos. El gobernador bonaerense saltó al primer lugar (31%), el jefe de Gobierno porteño lo secunda (27,6%), y el diputado del Frente Renovador perdió el lugar de privilegio y ahora mira a sus contrincantes desde atrás (25%). En el cuarto lugar logra posicionarse Margarita Stolbizer, la última en lanzarse al ruedo luego de las bajas de Hermes Binner y Julio Cobos. En alianza con el Socialismo y Libres del Sur, la diputada del GEN alcanza 8% de intención de voto. Ficha técnica: Encuesta telefónica /1200 casos. Nivel de error: ±2.89% con nivel de confianza del 95%. Fecha del 17 al 20 de marzo de Consultora González y Valladares.
4 Nota periodística Perfil 22/3/2015 Cómo debe leerse esta información periodística que involucra porcentajes de opinión y márgenes de error estadístico? 31% ± 2.89% : Estamos un 95% seguros que al 22/3/15, entre el 28.11% a 33.89% de los ciudadanos votarían en promedio por el gobernardor Scioli como candidato a presidente. 27.6% ± 2.89% : Estamos un 95% seguros que al 22/3/15, entre el 24.71% a 30.49% de los ciudadanos votarían en promedio por el actual jefe de gobierno porteño como candidato a presidente. 25% ± 2.69% : Estamos un 95% seguros que al 22/3/15, entre el 22.11% a 27.89% de los ciudadanos votarían en promedio por el diputado del Frente Renovador como candidato a presidente.
5 Nota periodística Perfil 22/3/2015 Se tomo una muestra que arrojó el 31%, el 27.6% y el 25% El interés radica en los parámetros poblacionales que son desconocidos Inferencia A través de un estimador puntual ( en la nota periodística el estimador es una proporción) Muestra 1 Muestra 2 Muestra 3 Estadísca Estadísca Cátedra Prof. Prof. Tamara Tamara Burdisso Burdisso
6 Objetivos de los métodos estadísticos Ya vimos que uno de los objetivos de la estadística consiste en aprender de las distribuciones poblacionales a partir de muestras de esa población. Mediante métodos estadísticos se puede hacer inferencia acerca de la distribución poblacional. Tres tipos de métodos estadísticos utilizaremos a lo largo del curso: estimación, test de hipótesis e intervalos de confianza. La estimación consiste en computar el mejor predictor numérico de una característica de una distribución. Mediante la evidencia muestral, se intenta testear cierta hipótesis acerca de la población para ver si es cierta o no. Un intervalo de confianza permite establecer en base a datos muestrales un rango de valores para una característica desconocida de la población.
7 Muestreo aleatorio simple El muestreo aleatorio simple es el más común de los métodos para seleccionar una muestra al azar a partir de una población. Una muestra aleatoria simple se elige mediante un proceso que selecciona n objetos de una población de manera tal que cada uno de los miembros de la población tiene la misma probabilidad de ser seleccionado, la selección de uno de los miembros es independiente de la selección de cualquier otro y toda muestra posible de tamaño n, tiene la misma probabilidad de selección. 7
8 Muestreo aleatorio simple El proceso de selección de la muestra depende de si la población es finita o infinita. Muestreo para poblaciones finitas: Una muestra aleatoria simple de tamaño n, de una población finita de tamaño N, es una muestra seleccionada de manera tal que cada muestra posible de tamaño n tenga la misma probabilidad de ser seleccionada. Muestreo para poblaciones infinitas (o finita pero muy grande): una muestra aleatoria simple de una población infinita es aquella que se selecciona de forma tal que se satisfacen las siguientes condiciones. 1. Cada elemento seleccionado proviene de la misma población. 2. Cada elemento se selecciona en forma independiente. 8
9 Muestreo aleatorio simple Muestreo aleatorio simple con reemplazo y sin reemplazo. Si muestreamos con reemplazo, no hay problemas ya que los n objetos de la muestra son independientes ( no alteramos las frecuencias relativas). Además si la población es muy grande, muestrear con o sin reemplazo, prácticamente no altera las frecuencias relativas. Por lo tanto también tenemos independencia. El problema se origina cuando muestreamos sin reemplazo y la población es pequeña. Hay que introducir correcciones que tengan en cuenta este punto (factor de corrección para muestra finita). 9
10 Muestreo aleatorio simple y vs. as. i.i.d. En una muestrea aleatoria simple, se extraen n objetos de una población y cada objeto tiene la misma probabilidad de salir. Sea X v.a. y X i el i-ésimo objeto extraído aleatoriamente. Como cada objeto tiene igual probabilidad de salir y la distribución de X i es la misma para todo i, las vs. as. X 1,X 2, X n son independientes idénticamente distribuidas (i.i.d.) 10
11 Parámetro, estimador y estimación Parámetro: es una medida numérica descriptiva de una población. Su valor es casi siempre desconocido Estadístico/estimador: un estadístico es cualquier función de una muestra de datos aleatoria proveniente de una población. Estimación: una estimación es el valor numérico del estimador cuando el mismo es evaluado utilizando los datos de una muestra específica. Un estimador es una variable aleatoria, ya que hereda la aleatoriedad de la muestra aleatoria, mientras que una estimación es un número no aleatorio. Ejemplos
12 Parámetro vs. estadístico/estimador Media Parámetro poblacional Estadístico muestral Varianza σ 2 S 2 Desviación estándar σ S Proporción Coeficiente de correlación μ p X pˆ ˆ 12
13 Motivación Vamos a considerar el archivo RUN10 que contiene información sobre la totalidad de los corredores de las 10 millas (~16 km) de Washington de la carrera 2012 Cherry Blossom Run Son corredores para los que se dispone de la edad, género, tiempo en minutos y estado al que representan. Notar que contamos con la población de corredores del año 2012.
14 Motivación Vamos a tratar de estimar dos cualidades de los corredores de esta carrera, usando una muestra 1. Cuanto tiempo le lleva, en promedio, a un corredor completar las 10 millas? 2. Cuál es la edad promedio de los corredores? Estas preguntas podrían ser informativas para organizar futuras carreras. x1, x, x,... x Vamos representar por los tiempos de 100 corredores muestreados y por y1, y2, y3,... y100las edades de los 100 corredores. Queremos estimar las medias poblacionales del tiempo de carrera mediante las medias muestrales.
15 Motivación Muestra de tamaño 100 del archivo RUN10
16 Variación muestral Muestra de tamaño 100 del archivo RUN10 x es una estimación puntual de la media poblacional, i.e. del tiempo medio de todos los corredores que participaron en la carrera del x x x es otra estimación muestral de la media poblacional. Las estimaciones varían de una muestra a otra: variación muestral
17 Otros estimadores Se pueden generar estimaciones muestrales no sólo de la media sino también de otros parámetros poblacionales, como por ejemplo, desvío estándar, la mediana, etc. summary(run10$time) Min. 1st Qu. Median Mean 3rd Qu. Max. NA's Supongan que queremos estimar la diferencia en el tiempo de carrera entre hombres y mujeres. Supongamos xhom bres y x mujeres , cual sería un buen estimador puntual para la diferencia poblacional? Si quisiésemos brindar un estimador puntual del RIC poblacional del tiempo de carrera, como se podría estimar este parámetro en base a la muestra?
18 El tamaño de la muestra Las estimaciones generalmente no son iguales al parámetro poblacional, pero son mejores a medida que aumenta el tamaño de la muestra. Una corrida de medias es una secuencia de medias, donde cada media usa una observación más que la anterior A medida que más observaciones entran en el cálculo de la media, más se aproxima al verdadero promedio poblacional, 94.49
19 Distribución muestral (de muestreo) de los estadísticos Muestra Estadístico Muestra Estadístico POBLACIÓN Muestra Estadístico Muestra Estadístico Distribución de la muestra Distribución muestral del estadístico
20 Distribución de los tiempos de carrera de la población summary(run10$time) Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
21 Distribución de los tiempos de carrera de diferentes muestras de tamaño n=100 (muestra1<-run10[sample(1:nrow(run10),100,replace=false),]) 21
22 Distribución de los tiempos de carrera de 10 diferentes muestras con n=100 22
23 Distribución de los tiempos de carrera de 5 diferentes muestras aleatorias y la distribución poblacional 23
24 Distribución muestral del estadístico X Vimos que el promedio de n-observaciones muestreadas aleatoriamente es una estimación de la media muestral. También vimos que la media muestral de una segunda muestra difiere de la obtenida anteriormente. Así podrían construirse una sucesión de X 1, X 2,..., X n que servirían para construir la distribución de probabilidades. La distribución de X se denomina distribución muestral de X, porque se trata de la distribución muestral asociada a todos los posibles valores que puede tomar. X X La distribución muestral de representa la distribución de las estimaciones puntuales basadas en muestras de tamaño fijo de una cierta población. 24
25 Distribución muestral del estadístico Histograma de 1000 medias muestrales del tiempo promedio de la carrera, donde el tamaño de cada muestra es n=100 25
26 El error estándar de la media Se observa que las medias muestrales tienden a caer alrededor de la media poblacional. El histograma de la distribución de las medias muestrales muestra cierta variabilidad alrededor de la media poblacional. Una medida de la variabilidad de la media muestral, está dada por la desviación estándar de la distribución de las medias muestrales. La desviación estándar de las medias muestrales nos dice cuan lejos una estimación típica está del verdadero valor medio poblacional. Se trata de la descripción del error típico del estimador muestral y por esta razón este desvío estándar recibe el nombre de error estándar. Por lo tanto, la desviación estándar asociada con un estimador se denomina error estándar
27 Cálculo del error estándar Si se les solicita estimar cierto parámetro, utilizarían una muestra pequeña o una muestra grande? Por qué? Que relación cree que habrá entre el error estándar de las estimaciones del parámetro basados en la muestra pequeña y las estimaciones del parámetro basadas en la muestra grande? Por lo tanto, cuanto mayor es el tamaño de la muestra menor es el error estándar. Cálculo del error estándar: dada una muestra de n observaciones independientes de una población con desviación estándar σ, el error estándar de la media muestral es igual a SE n 27
28 Estadísca Estadísca Cátedra Prof. Prof. Tamara Tamara Burdisso Burdisso 28
29 Teorema del Límite Central 29
30 Teorema del Límite Central 30
31 Teorema del Límite Central 31
32 Teorema del Límite Central 32
33 Teorema del Límite Central 33
34 Teorema del Límite Central 34
35 Teorema del Límite Central 35
36 Teorema del Límite Central Modulo 2 - Parte III Estadísca Estadísca Cátedra Prof. Prof. Tamara Tamara Burdisso Burdisso 36
37 Teorema del Límite Central Modulo Unidad 23 - Parte III I Estadísca Estadísca Cátedra Prof. Prof. Tamara Tamara Burdisso Burdisso 37
38 Teorema del Límite Central Modulo 2 - Parte III Estadísca Estadísca Cátedra Prof. Prof. Tamara Tamara Burdisso Burdisso 38
39 Teorema del Límite Central Estadísca Estadísca Cátedra Prof. Prof. Tamara Tamara Burdisso Burdisso 39
40 Aproximación de muestras grandes a las distribuciones muestrales Las distribuciones muestrales juegan un rol central enla inferencia estadística. Ahí radica la importancia de conocer la distribución muestral de X. Existen 2 enfoques para establecer la distribución muestral de : el enfoque exacto y el enfoque aproximado. X Enfoque exacto: establece la distribución de para cualquier valor de n, siempre y cuando X 1, X sean 2..., X n 2 normales i.i.d. con media x y varianza X.Entonces la distribución exacta de X n es normal con media x y varianza 2. n X Sin embargo, si X no tiene distribución normal, la distribución de X depende de la distribución de X y puede ser difícil establecerla. X n 40
41 Aproximación de muestras grandes a las distribuciones muestrales Afortunadamente si el tamaño de muestra es grande, nos basamos en el enfoque aproximado que descansa en el tamaño de muestras grandes. La aproximación de muestras grandes a distribuciones muestrales es a menudo llamada distribución asintótica, debido a que se vuelven exactas en el límite cuando n. Dos son la herramientas claves utilizadas en la aproximación a distribuciones muestrales: La ley de los grandes números El teorema central del límite 41
42 La ley de los grandes números Establece bajo condiciones generales, que si la son i.i.d. con una distribución común, con esperanza X y varianza finita, entonces la probabilidad de que X n se aleje de X en una fracción muy pequeña a medida que n crece, es tan pequeña como uno lo desee. Matemáticamente podemos escribirlo de la siguiente manera: X k P X n X 0 cuando n ó P( X n X ) 1 cuando n 42
43 Teorema del Límite Central Establece que bajo consideraciones generales, la distribución estandarizada de X está bien aproximada por la distribución normal estándar cuando n es lo suficientemente grande. Recordemos que X n tiene distribución normal exacta si cada X 1, X 2,..., X n tiene distribución normal. El TCL dice que cuando n es lo suficientemente grande, la distribución estandarizada de X n es aproximadamente N(0,1 ), aún si X 1, X 2,..., X n no se distribuyen según una normal. 43
44 Teorema del Límite Central TCL: Supongamos que X 1, X 2,..., X n son i.i.d. con E( X k ) x 2 y Var ( X k ) X donde 0 2 X. Entonces cuando n, la distribución X x x n n se aproxima a una distribución normal estándar. Cuán grande es suficientemente grande? Cuán grande debe ser n para que X se distribuya aproximadamente normal? Depende. La calidad de la aproximación normal depende de la distribución implícita de cada una de las X k que conforman a X. Pero por lo general, a partir de n>30 la aproximación es bastante buena más allá de la distribución de. X k 44
45 Condiciones para el buen funcionamiento del TCL i.i.d. : las observaciones muestrales deben ser independientes Muestreo aleatorio/ asignación aleatoria Si la muestra es sin reemplazo, entonces n 10% de la población. Asimetría/tamaño de la muestra: tanto si la distribución es normal como si la distribución es sesgada, el tamaño de la muestra debe ser grande (regla empírica: n>30). Cómo podemos chequear este supuesto? 45
46 TCL: sesgo y tamaño de la muestra 46
47 TCL: sesgo y tamaño de la muestra 47
48 TCL: sesgo y tamaño de la muestra 48
49 TCL: sesgo y tamaño de la muestra 49
50 Ejemplo del TCL Supongan que mi ipod tiene 3000 canciones. El histograma adjunto muestra la distribución de la longitud de las canciones de mi ipod. También sabemos que la longitud promedio de las canciones de mi ipod es de 3.45 minutos con una desviación estándar de 1.63 minutos. Calcular la probabilidad que una canción seleccionada aleatoriamente dure más de 5 minutos longitud del tema en minutos 50
51 Ejemplo del TCL Supongan ahora que debo realizar un viaje en auto que dura 6 horas. Preparo entonces una playlist de 100 canciones. Cuál es la probabilidad de que la playlist dure al menos todo el viaje? 51
52 Distribución muestral para una proporción La media muestral no es el único estadístico que satisface el TCL. Qué ocurre si nos preguntamos por el porcentaje de ciudadanos que votarían por el candidato A? O el porcentaje de fumadores en la Argentina? p # de fumadores en Argentina población total # de éxitos población total Cada individuo es un ensayo de Bernoulli. Luego tenemos un experimento binomial. X i X i p i X población total i 52
53 Distribución muestral de pˆ Muestra Estadístico Muestra Estadístico POBLACIÓN Muestra Estadístico Muestra Estadístico Variable categórica: fuma o no fuma Distribución muestral del estadístico media ( pˆ) p 53
54 Teorema del Límite Central para proporciones Establece que bajo consideraciones generales, la distribución de pˆ está bien aproximada por la distribución normal cuando n es lo suficientemente grande. El n suficientemente grande nos va a permitir utilizar la aproximación de la binomial a la normal El TCL dice que cuando n es lo suficientemente grande, la distribución de pˆ n es aproximadamente 2 N p, p(1 p) n) Se deben cumplir alguna condiciones. Veámoslas. Error estándar de la proporción 54
55 Condiciones para el buen funcionamiento del TCL i.i.d. : las observaciones muestrales deben ser independientes Muestreo aleatorio/ asignación aleatoria Si la muestra es sin reemplazo, entonces n 10% de la población. Asimetría/tamaño de la muestra: np 10 y n(1-p) 10 Qué ocurre si esta última condición no se cumple? El TCL para proporciones aún puede aplicarse pero 55
56 Y si no se satisfacen la condiciones del TCL Si no se cumple que np 10 ó n(1-p) 10 La media de la distribución muestral de las proporciones aún estará alrededor del verdadero parámetro. La variabilidad de la distribución muestral de las proporciones aún puede ser aproximada usando la misma fórmula del error estándar. Sin embargo la forma de la distribución va a depender de si el verdadero parámetro está cercano a cero o cercano a 1 (ver gráfico siguiente). 56
57 Condiciones para el buen funcionamiento del TCL 57
58 Ejemplo del TCL para proporciones La candidata A confía en que ganará la candidatura a su provincia siempre y cuando obtenga al menos el 55% de los votos en el distrito clave de la provincia. También estima que la intención de voto de los electores provinciales para con ella es del 50%.S i se toma una muestra de 100 electores del distrito clave, cuál es la probabilidad de que la candidata A obtenga por lo menos el 55% de los votos? 58
Fundamentos 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 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 detallesPROBABILIDAD Y ESTADÍSTICA. Sesión 6 (A partir de tema 5.9)
PROBABILIDAD Y ESTADÍSTICA Sesión 6 (A partir de tema 5.9) 5.9 Muestreo: 5.9.1 Introducción al muestreo 5.9.2 Tipos de muestreo 5.10 Teorema del límite central 5.11 Distribución muestral de la media 5.12
Más 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 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 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 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 detallesIntervalos de confianza Muestras grandes. Estadística Cátedra Prof. Tamara Burdisso
Intervalos de confianza Muestras grandes Por qué un intervalo de confianza? En la Unidad 3 revisamos los conceptos de población y muestra. Los parámetros poblacionales son la media μy la varianza σ 2.
Más detallesINFERENCIA ESTADÍSTICA MUESTRAL TEMA 2: ESTIMACIÓN POR INTERVALO
UNIDAD 2 INFERENCIA ESTADÍSTICA MUESTRAL TEMA 2: ESTIMACIÓN POR INTERVALO 1 2 RECUERDE: un estimador puntual es un estadístico muestral usado para estimar un parámetro poblacional: x (estimación de μ),
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 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 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 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 detalles8.1. Sección. Distribución de la media muestral Pearson Prentice Hall. All rights reserved
Sección 8.1 Distribución de la media muestral 2010 Pearson Prentice Hall. All rights reserved Términos importantes variable aleatoria (v.a.) es un número real cuyo valor se determina al azar y mediante
Más detallesEstadística Inferencial. Resúmen
Ofimega - Estadística inferencial - 1 Estadística Inferencial. Resúmen Métodos y técnicas que permiten inducir el comportamiento de una población. Muestreo o selección de la muestra: 1. Aleatorio simple:
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 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 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 detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel Estadística Inferencial Encuentro #9 Tema: Estimación puntual y por Intervalo de confianza Prof.: MSc. Julio Rito Vargas A. Grupos: CCEE y ADMVA /2016 Objetivos:
Más 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 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 detallesTest de hipótesis. En términos estadísticos una hipótesis es un supuesto acerca de un parámetro poblacional. Ejemplos
Test de hipótesis Test de hipótesis En términos estadísticos una hipótesis es un supuesto acerca de un parámetro poblacional. Ejemplos El porcentaje medio de fumadores en Argentina es 38%. No más del %
Más detallesEstimación. Introducción. Sea X la variable aleatoria poblacional con distribución de probabilidad f θ donde. es el parámetro poblacional desconocido
Tema : Introducción a la Teoría de la Estimación Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f θ (x), donde θ Θ es el parámetro poblacional desconocido Objetivo:
Más detallesMuestreo y. Distribuciones Muestrales
Muestreo y Distribuciones Muestrales Muestreo Muestreo POBLACION muestra Inferencia Estadística Conteos rápidos, preferencias electorales, etc. Tipos de Muestreo Muestreo No Probabilístico No aplican las
Más 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 detallesDistribución de probabilidad
Los experimentos aleatorios originan resultados y los resultados nos permiten tomar decisiones Por ejemplo, en un partido de fútbol si se lanza una moneda y sale cara parte la visita, de lo contrario parte
Más detallesDistribuciones Muestrales INFERENCIA ESTADÍSTICA JTP. JUAN PABLO QUIROGA
Distribuciones Muestrales INFERENCIA ESTADÍSTICA JTP. JUAN PABLO QUIROGA Temario vmuestras Aleatorias vteorema del Limite Central vla distribución muestra de la media muestral vla distribución muestral
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 detallesProbabilidades: Variables aleatorias continuas. Estadística Prof. Tamara Burdisso
Probabilidades: Variables aleatorias continuas Variable aleatoria continua Una v. a. es continua si puede tomar cualquier valor numérico en un intervalo o conjuntos de intervalos de la recta numérica.
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 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 detallesSOLUCIÓN EXAMEN IV Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/2004
Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/004 MÉTODOS ESTADÍSTICOS I EXAMEN IV PARTE I: Encierre con un círculo la respuesta correcta (0,5 puntos c/u): 1. (V F) Los contrastes de hipótesis de dos muestras
Más detallesLIMITES O INTERVALOS DE CONFIANZA LUIS FRANCISCO HERNANDEZ CANDELARIA ATENCIA ROMERO
LIMITES O INTERVALOS DE CONFIANZA LUIS FRANCISCO HERNANDEZ CANDELARIA ATENCIA ROMERO TRABAJO DE ESTADISTICA PROBABILISTICA PRESENTADO A LA PROFESORA MARIA ESTELA SEVERICHE SINCELEJO CORPORACIÓN UNIVERSITARIA
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 3: MUESTREO Y ESTIMACIÓN. Estimación de la Media
TEMA 3: MUESTREO Y ESTIMACIÓN Estimación de la Media INTRODUCIÓN Supongamos que queremos estudiar una determinada característica de una población. Como vimos en el anterior power point, es muy complejo
Más detallesEn esta clase primero estudiaremos muestreo aleatorio simple para casos finitos y luego para casos infinitos.
MUESTREO ALEATORIO SIMPLE Esta clase profundizaremos sobre el muestreo aleatorio simple. La clase anterior señalamos las características generales de este tipo de muestreo, pero en la práctica es algo
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 detallesPoblación. Conjunto completo de individuos sobre el que estamos interesados en obtener conclusiones.
Análisis de datos y gestión veterinaria Muestreo Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 16 de Noviembre de 011 Población y muestra Predecir los resultados
Más 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 detallesCap 7 Intervalos de Confianza
Cap 7 Intervalos de Confianza Mate 3015 7.1-1 INTERVALOS DE CONFIANZA PARA UNA PROPORCIÓN 7.1-2 Estadísticas inferencial Ahora discutimos estadística inferencial -el proceso de generalizar la información
Más detallesTema 6: Introducción a la inferencia estadística Parte 1
Tema 6: Introducción a la inferencia estadística Parte 1 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos Lecturas recomendadas:
Más detallesNombre: Distribuciones de probabilidad continua. Segunda parte.
Estadística 1 Sesión No. 12 Nombre: Distribuciones de probabilidad continua. Segunda parte. Contextualización En la presente sesión aprenderás una de las aplicaciones principales de la distribución t-student,
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 detallesMuestreo y Distribuciones en el Muestreo
Muestreo y Distribuciones en el Muestreo Departamento de Estadística-FACES-ULA 03 de Abril de 2013 Introducción al Muestreo En algunas ocaciones es posible y práctico examinar a cada individuo en el Universo
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía Novedades en el Plan de Trabajo Desviación típica sesgada
Más detallesIntroducción a la inferencia estadística
M. Wiper Estadística 1 / 15 Introducción a la inferencia estadística Michael Wiper Departamento de Estadística Universidad Carlos III de Madrid M. Wiper Estadística 2 / 15 Objetivo Introducir la distribución
Más detallesTeorema del límite central
TEMA 6 DISTRIBUCIONES MUESTRALES Teorema del límite central Si se seleccionan muestras aleatorias de n observaciones de una población con media y desviación estándar, entonces, cuando n es grande, la distribución
Más detallesEstadís2ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 5. Inferencia estadís2ca
Estadís2ca Tema 5. Inferencia estadís2ca María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica
Más 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 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 detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesCurso Inferencia. Miguel Ángel Chong R. 3 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 3 de septiembre del 013 Definamos más formalmente que entenderémos por una muestra. Definción Sea X la v.a. correspondiente a una población
Más 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 detallesCuál es el campo de estudio de la prueba de hipótesis?
ESTIMACIÓN Establecer generalizaciones acerca de una población a partir de una muestra es el campo de estudio de la inferencia estadística. La inferencia estadística se divide en estimación y prueba de
Más 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 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 detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detallesUNIVERSIDAD AUTÓNOMA DE TAMAULIPAS FACULTAD DE INGENIERÍA ARTURO NARRO SILLER
UNIVERSIDAD AUTÓNOMA DE TAMAULIPAS FACULTAD DE INGENIERÍA ARTURO NARRO SILLER CARTA DESCRIPTIVA Carrera: INGENIERÍA EN SISTEMAS COMPUTACIONALES. Materia:. Titular: Correo electrónico: NUMERO DE UNIDAD:
Más detallesTema 7 Intervalos de confianza Hugo S. Salinas
Intervalos de confianza Hugo S. Salinas 1 Introducción Hemos definido la inferencia estadística como un proceso que usa información proveniente de la muestra para generalizar y tomar decisiones acerca
Más detallesSimulación a Eventos Discretos. Clase 8: Análisis de resultados
Simulación a Eventos Discretos Clase 8: Análisis de resultados Muestras independientes Los resultados de una corrida de una simulación estocástica (denominados respuestas), son muestras de alguna distribución.
Más detallesESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más detallesTeorema Central del Límite
Teorema Central del Límite TCL: indica que, en condiciones muy generales, la distribución de la suma de v.a. tiende a una distribución normal cuando la cantidad de variables es muy grande. 156 Sea X 1,
Más detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
Más detallesDESCRIPCIÓN DE DATOS POR MEDIO DE GRÁFICAS
ÍNDICE Introducción: Entrene su cerebro para la estadística... 1 La población y la muestra... 3 Estadísticas descriptivas e inferenciales... 4 Alcanzar el objetivo de estadísticas inferenciales: los pasos
Más 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 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 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 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 detallesUnidad Temática 2: Unidad 5 Estadística Inferencial Temas 10 y 11
Unidad Temática 2: Unidad 5 Estadística Inferencial Temas 10 y 11 Distribución de Probabilidad Recordamos conceptos: Variable aleatoria: es aquella que se asocia un número o un dato probabilístico, como
Más detalles2. Distribuciones de Muestreo
2. Distribuciones de Muestreo Conceptos básicos Para introducir los conceptos básicos consideremos el siguiente ejemplo: Supongamos que estamos interesados en determinar el número medio de televisores
Más detallesDistribuciones Fundamentales de Muestreo y Descripciones de Datos
Distribuciones Fundamentales de Muestreo y Descripciones de Datos UCR ECCI CI-135 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Muestreo Aleatorio En este tipo de muestreo, todos
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más 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 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 detallesMATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
MATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con sucesos. Leyes de De Morgan.
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía VIDEOCLASE: Introducción a la estimación de parámetros
Más detallesEstadística Aplicada
Estadística Aplicada Universidad Maimónides 2016 Clase 5 Distribución de la Media Muestral Pedro Elosegui 1 2 Métodos y Distribuciones de Muestreo En estadística nos gustaría contar con los parámetros
Más detalles1. UNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES FACULTAD DE CIENCIAS EMPRESARIALES LICENCIATURA EN MARKETING LICENCIATURA EN DIRECCION DE NEGOCIOS
1. UNIVERSIDAD DE CIENCIAS EMPRESARIALES Y SOCIALES FACULTAD DE CIENCIAS EMPRESARIALES Carreras: LICENCIATURA EN MARKETING LICENCIATURA EN DIRECCION DE NEGOCIOS Materia: ESTADISTICA APLICADA A LOS NEGOCIOS
Más detallesMatemáticas aplicadas a las Ciencias Sociales II
a la Matemáticas aplicadas a las Ciencias Sociales II a la Manuel Molina Fernández y Jiménez Basado en apuntes del Máster Universitario en Formación del Profesorado en Educación Secundaria CPR Mérida 24
Más 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 detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesJuan Carlos Colonia DISTRIBUCIONES MUESTRALES
Juan Carlos Colonia DISTRIBUCIONES MUESTRALES POBLACIÓN Es el conjunto de individuos u objetos que poseen alguna característica común observable y de la cual se desea obtener información. El número de
Más detallesACTIVIDAD 2: La distribución Normal
Actividad 2: La distribución Normal ACTIVIDAD 2: La distribución Normal CASO 2-1: CLASE DE BIOLOGÍA El Dr. Saigí es profesor de Biología en una prestigiosa universidad. Está preparando una clase en la
Más detallesRESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
RESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con
Más detallesINFERENCIA ESTADÍSTICA
INFERENCIA ESTADÍSTICA 1. DEFINICIÓN DE INFERENCIA ESTADÍSTICA Llamamos Inferencia Estadística al proceso de sacar conclusiones generales para toda una población a partir del estudio de una muestra, así
Más detallesMatemáticas aplicadas a las Ciencias Sociales II
a la Matemáticas aplicadas a las Ciencias Sociales II a la Manuel Molina Fernández y Jiménez Basado en apuntes del Máster Universitario en Formación del Profesorado en Educación Secundaria CPR Mérida 24
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Unidad 4 Distribuciones muestrales de probabilidad Prof. Héctor Ulises Cobián L. ulises.cobian@itcolima.edu.mx elcampanariodelasmatematicas.wordpress.com April 14, 2016 1 Razones
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 detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detalles