Estimación de Parámetros. Estimación Puntual. Universidad Técnica Federico Santa María. Estimación de Parámetros. Estimación de Parámetros.
|
|
- Sandra Margarita Espejo Carrasco
- hace 5 años
- Vistas:
Transcripción
1 Uversdad Técca Federco ata María Estmacó de Parámetros Capítulo 7 Estmacó de Parámetros Estadístca Computacoal II emestre 007 Prof. Carlos Valle Pága : e-mal : cvalle@f.utfsm.cl C.Valle. Método de estmacó Putual: e busca u estmador ϑ que, co base e los datos muestrales, dé orge a ua estmacó uvaluada del valor del parámetro.. Método de estmacó por Itervalos: e determa u tervalo aleatoro I(ϑ, dode co certa probabldad, se ecuetra el valor del parámetro ϑ. 3 Estmacó de Parámetros Estmacó Putual El objetvo de la estmacó de parámetros es proveer de métodos que permta determar co certa precsó, el vector de parámetros descoocdos ϑ, de u modelo estadístco f(x ; ϑ a partr de ua muestra aleatora de ua poblacó bajo estudo.. Método de estmacó Putual. Método de estmacó por Itervalos La dea detrás de la estmacó putual es bastate smple. Cuado muestreamos desde ua poblacó descrta por su fucó de desdad o cuatía, f ( x θ coocer θ sgfca coocer la poblacó etera. Por lo tato, es atural cotar co métodos para ecotrar bueos estmadores del parámetro θ. 4
2 Uversdad Técca Federco ata María Defcó de Estmador U estmador es ua regla que os dca cómo obteer u parámetro de u modelo, basádose e la formacó coteda e ua muestra ( M{ f ( x θ : θ Θ } modelo T : χ τ Θ x T (x T (,,..., T (x : Estmador de θ, varable aleatora, fucó de la muestra, que o depede del parámetro θ. (T (x es ua estadístca basada e la Iformacó χ χ{x : x es ua muestra aleatora} Espaco de Iformacó θˆ E lo que sgue T (,,..., estmador de θ. 5 Método de Mometos Mometos Observados m m m Μ / / / mr r, r,..., Μ,,, Mometos Observados (cetrados e cero E[ ] E[ E[ Μ y resolvemos el sstema de ecuacoes: ] ] 7 Métodos de Estmacó Putual Método de Mometos Método de Máxma Verosmltud Método de Máxma Verosmltud El método de MV es la técca más popular para dervar estmadores. ea,,,, ua muestra desde ua poblacó co fucó de desdad f x θ, θ,..., θ ( La fucó de verosmltud se defe como: L( x θ L( x, x,.., x θ, θ,.., θ f ( x Para cada puto de la muestra, θ, θ,.., θ θ es el estmador de los parámetros e el cual L( x θ alcaza su valor máxmo como fucó del verdadero valor θ. 6 8
3 Uversdad Técca Federco ata María Método de Máxma Verosmltud la fucó de verosmltud es dferecable (e, el estmador de máxma verosmltud (EMV θ θ del verdadero valor θ es aquel que resuelve: L( x θ 0,,..., θ No obstate, habría que chequear que se cumple: L x θ θ θ j ( θ θˆ, < 0, j,..., 9 Métodos de Evaluacó de E.Putual Error Cuadrátco Medo (ECM: El ECM de u estmador T θˆ del parámetro es E[( T θ ] El ECM mde el promedo de la dferecas cuadrátca etre el estmador y el verdadero valor del parámetro, y ha sdo por mucho tempo ua medda razoable del desempeño de todo estmador putual. Ua medda alteratva podría ser E[ T θ ]. No obstate, la medda cuadrátca que utlza ECM tee vetajas sobre otras meddas: prmero que es tratable aalítcamete, y segudo que tee la sguete terpretacó ( dlema sesgo/ varaca: Método de Máxma Verosmltud Depededo de la p.d.f, puede resultar muy complcada la fucó de verosmltud, es por ello que es más fácl trabajar co la fucó de logverosmltud, defda como: ( x θ l L( x θ l f ( θ, θ,..., θ x Equvaletemete, el EMV θˆ es el valor de θ para el cual se cumple: ( x θ 0,,..., θ 0 Métodos de Evaluacó de E.Putual Error Cuadrátco Medo (ECM: ECM ( T E[ T θ ] E[ T Tθ + θ ] E[ T ] θe[ T ] + θ V[ T ] + ( E[ T ] θe[ T ] + θ V[ T ] + ( E[ T ] θ V[ T ] + ( esgo( T Dode se defe el esgo (Bas de u estmador putual como: esgo( T E[ T ] θ 3
4 Uversdad Técca Federco ata María Métodos de Evaluacó de E.Putual Error Cuadrátco Medo (ECM: El ECM corpora dos compoetes, ua que mde la varabldad del estmador (precsó y la otra que mde su sesgo (cercaía al verdadero valor. U bue estmador tee u ECM pequeño,.e. tee varaza y sesgo pequeños. Parece θrazoable etoces escoger como el mejor estmador de, la estadístca que tega el ECM más θ pequeño posble de etre todos posbles los estmadores Métodos de Evaluacó de E.Putual Estmadores Cosstetes: Es razoable esperar que u bue estmador de u parámetro θ sea cada vez mejor coforme crece el tamaño de la muestra. Esto es, coforme la formacó de ua v.a. se vuelve más completa, la dstrbucó de muestreo de u bue estmador se ecuetra cada vez más cetrada alrededor del parámetro θ. 3 5 Métodos de Evaluacó de E.Putual Error Cuadrátco Medo (ECM: No obstate, o exste gú estmador que mmce el ECM para todos los posbles valores de θ. Es decr, u estmador puede teer u ECM mímo para alguos valores de θ, metras que otro estmador tedrá la msma propedad, pero para otros valores de θ. Ejemplo: Cosdere la m.a.,,, de algua dstrbucó tal que E [ ] y V [ ] σ. Cosdere las estadístcas (estmadores: T y T + como posbles estmadores de. 4 Métodos de Evaluacó de E.Putual Estmadores Cosstetes: ea T el estmador del parámetro θ, y sea T, T,..., T ua secueca de estmadores que represeta a T co base e muestras de tamaño,..,, respectvamete. e dce que T es u estmador cosstete para θ s ( θ ε, θ, ε 0 lm P > T Obs.: Esta defcó provee del cocepto de Covergeca e Probabldad. Como ejemplo, aterormete demostramos que la meda muestral es u estmador cosstete de la meda poblacoal. 6 4
5 Uversdad Técca Federco ata María Métodos de Evaluacó de E.Putual Estmadores Isesgados de Varaza Míma: Es dfícl determar u estmador co mímo ECM para todo valor de θ. embargo, podemos efectuar esta búsqueda detro de ua clase de estmadores llamados estmadores sesgados. u estmador T se ecuetra detro de esta clase, se tee que: E[ T ] θ y ECM ( T V[ T ] Etoces, detro de la clase de estmadores sesgados, podemos comparar éstos segú su varaza. 7 Métodos de Evaluacó de E.Putual Estmadores Efcetes: T es u estmador sesgado del parámetro θ, se dce que T es u estmador efcete s se cumple que: l f ( θ V[ T ] E θ Por lo tato, el estmador efcete de θ es el estmador de míma varaza, cuyo valor correspode a la cota feror de Cramér-Rao. El estmador efcete de θ, s se puede ecotrar, es el mejor estmador sesgado de θ, e el cotexto del ECM. 9 Métodos de Evaluacó de E.Putual Estmadores Isesgados de Varaza Míma: ea,,, ua m.a. de ua dstrbucó cuya desdad tee la forma f ( x θ. T es u estmador sesgado de θ, etoces la varaza de T debe satsfacer la sguete desgualdad: l f ( θ V[ T ] E θ Métodos de Evaluacó de E.Putual Estmadores Efcetes: Ejemplo: ea,,, ua m.a. de ua dstrbucó Posso de parámetro. Ecuetre el estmador efcete de. olucó: Cosderemos ua dstrbucó Posso. x dada por p( x e / x!, y su esperaza y varaza está dadas por E[ ] y V[ ] σ. Luego: Esta desgualdad establece u límte feror para la varaza de u estmador de θ (deomado cota feror de Cramér- Rao. 8 l p( x x l( l( x! l p( x x x 0 5
6 Uversdad Técca Federco ata María Métodos de Evaluacó de E.Putual Estmadores Efcetes: Ejemplo: Etoces: l p( x x E E V[ ] E[ x ] por la defcó de efceca, el estmador efcete T de debe ser tal que se cumpla: σ V[ T ] / De aquí fermos que el estmador efcete de es la meda muestral: T. Métodos de Evaluacó de E.Putual Ua estadístca sufcete de u parámetro θ es aquella que utlza toda la formacó coteda e la m.a. co respecto a θ Estmadores ufcetes: ea,,, ua m.a. de ua dstrbucó co desdad de probabldad f ( x θ. e dce que T T(,,, es sufcete para θ sí y sólo s la fucó de verosmltud puede factorzarse de la sguete forma: L( x θ L( x, x,..., x θ h( t θ g( x,..., x para cualquer valor t T(x,x,,x de T (realzacó y e dode g x,..., x o cotee al parámetro θ. ( 3 Métodos de Evaluacó de E.Putual Efceca Relatva: e defe la efceca relatva del estmador T respecto del estmador T como: ECM ( T ef ( T, T ECM ( T La varaza de u estmador sesgado es la catdad más mportate para decdr qué ta bueo es. T y T so dos cualesquera estmadores sesgados de θ : V [ T ] ef ( T, T V [ T ] e dce que T es más efcete que T s V T ] V [ ]. [ T Métodos de Evaluacó de E.Putual Estmadores ufcetes: Ejemplo: ea,,, ua m.a. de ua dstrbucó x Posso co pdf p( x e /. x! Demostrar que el estmador efcete de es a su vez sufcete. olucó: L x, x,..., x p( x p( x Λ p( x ( e x / x! e x e / / x! Λ e x x! / x! x 4 6
7 Uversdad Técca Federco ata María Métodos de Evaluacó de E.Putual Estmadores ufcetes: olucó: L( x, x,..., x h x (,,..., g x x x co h ( ( x x e Etoces x es ua estadístca sufcete para. Dado que el estmador efcete es ua fucó uo a uo de esta estadístca, també es sufcete para. Estmacó por Itervalos E la práctca, teresa o sólo dar ua estmacó de u parámetro, so que además, u tervalo que permta precsar la certdumbre exstete e la estmacó. Defcó: ea x m.a. f ( x, θ. ea θ T (x, θ T (x dos estadístcas de θ : T T x χ ; P [θ θ θ ] - α γ Etoces el I [θ ; θ ] se llama tervalo aleatoro de cofaza del 00 γ % para θ ( 0 < α <. 5 7 Propedades de los Estmadores Máxmo Verosímles Todo estmador máxmo verosímles es: Astótcamete sesgados Astótcamete ormales Astótcamete efcetes Ivarates bajo trasformacoes buívocas estmador sufcete, es sufcete θˆmv Estmacó por Itervalos Fjado α, el problema de determar θ y θ puede resolverse ecotrado ua varable aleatora Q(x,θ cuya dstrbucó esté totalmete defda, que sea depedete de θ. La varable Q(x,θ se deoma Catdad Pvotal. La costruccó del tervalo de cofaza se efectúa co base e el mejor estmador del parámetro descoocdo θ
8 Uversdad Técca Federco ata María Método de la Catdad Pvotal. Ecotrar ua catdad Q.. P [q Q q ] - α γ 3. Ivertr P [θ θ θ ] γ, obteedo así u tervalo I[θ ; θ ] de cofaza para θ de vel 00 γ %. Obs: Para muestras grades exste ua v. a. Q astótca ya que para θˆmv, se tee θ θˆ MV Q Z N (0 ; σ θˆ ( MV [ θˆ ± z σ ( θˆ ] El tervalo para θ estaría dado por: I MV α dode el cuatl z / puede obteerse de la tabla de la dstrbucó Normal estádar. 9 MV Estmacó por Itervalos I. C. para cuado supoemos ormaldad co varaza coocda: ( Puesto que ~ N(, σ, la v.a. Z ~ N(0,, ( σ / etoces: σ σ P[ g( < < g( ] P z / < < + z / g( g( cosderado q z q α / z σ / y σ /, además de z q q z se tee: I α / / σ P z α / < < + z / σ γ ( / 3 I. C. para cuado supoemos ormaldad co varaza coocda: Cosderado como estmador de la meda poblacoal como la meda muestral, deseamos costrur u tervalo de cofaza tal que: Dode Estmacó por Itervalos P [ g( < < g( ] P[ T ( x < < T ( x] g ( g ( f ( x; d x α / y f ( x; d x α / f ( x; es la fucó de desdad de la dstrbucó de muestreo de, y g ( y g ( so fucoes de, las cuales o cotee a gú otro parámetro descoocdo. 30 Estmacó por Itervalos I. C. para cuado supoemos ormaldad co varaza coocda: Luego, el tervalo de cofaza del 00( % para la meda poblacoal es: σ σ I x z + ± /, x z / x z α α / σ dode el cuatl z / puede obteerse de la tabla de la dstrbucó Normal estádar. 3 8
9 Uversdad Técca Federco ata María Estmacó por Itervalos I. C. para cuado supoemos ormaldad co varaza descoocda: abemos que cuado se muestrea ua v.a. ~ N (, σ, dode tato como σ so descoocdos, la v.a. sgue ua dstrbucó t-tudet co (- gl., T / dode es la desvacó estádar y es el tamaño de la muestra. Por lo tato, es posble determar el valor del cuatl de T, para el cual: t α /, P[ t ] /, < T < t /, 33 3 Estmacó por Itervalos I. C. para la dfereca de medas ( dstrbucoes ormales depedetes: ea,,, y,,, m dos m.a. proveetes de dos dstrbucoes ormales depedetes, co medas y y varazas y, respectvamete. σ σ e desea costrur u tervalo de cofaza para la dfereca, co el supuesto que se cooce las varazas. ( Es sabdo que la v.a. Z ~ N(0, σ σ + m 35 Estmacó por Itervalos I. C. para cuado supoemos ormaldad co varaza coocda: Etoces: P t /, < < + t /, Luego, el tervalo de cofaza del 00( α% para la meda poblacoal es: s s I x t + ± /,, x t /, x t /, t α dode el cuatl /, puede obteerse de la tabla de la dstrbucó t-tudet co (- grados de lbertad. s 34 3 Estmacó por Itervalos I.Cofaza para la dfereca de medas cuado se muestrea dos dstrbucoes ormales depedetes: Por lo tato, es posble determar el valor del cuatl z para el cual P[ z < Z < ] / Etoces: / z / σ σ σ σ P z / + < < + z / + m m σ σ El tervalo está dado por: Iγ ( x y ± z / + m dode el cuatl z / puede obteerse de la tabla de la dstrbucó Normal estádar. 36 9
10 Uversdad Técca Federco ata María 3 Estmacó por Itervalos I. C. para la dfereca de medas ( dstrbucoes ormales depedetes: Estmacó por Itervalos 4 I. : C. para σ cuado supoemos ormaldad co meda descoocda: las varazas se descooce, pero so guales, etoces la v.a. ( Z ~ t tudet( + m gl p + m El tervalo está dado por: Iγ ( x y ± t /, s p + m dode el estmado combado de la varaza comú es: ( s + ( m s s p 37 Luego, el tervalo de cofaza del 00( %, para la varaza, co base e los datos de ua muestra de tamaño es: ( s ( s I, χ /, χ α /, χ dode los cuatles α /, y χ /, se obtee de la tabla de la dstrbucó J-Cuadrada co (- g.l. 39 Estmacó por Itervalos 4 I.C. para σ cuado supoemos ormaldad co meda descoocda: abemos que cuado se muestrea ua v.a. ~ N (, σ, dode tato como σ so descoocdos, la v.a. ( sgue ua dstrbucó J-cuadrada co (- gl., χ σ dode es la desvacó estádar y es el tamaño de la muestra. Por lo tato, es posble determar el valor de los cuatles χ α /, y χ /, tales que P[ χ α /, < χ < χ /, ] 38 5 Estmacó por Itervalos I. C. para el cuocete de dos varazas (dstrbucoes ormales depedetes: ea,,, y,,, m dos m.a. de dos dstrbucoes ormales depedetes, co medas y y varazas y, respectvamete. σ σ e desea costrur u tervalo de cofaza para el cuocete σ σ. / Es sabdo que la v.a. F / ~ F(, m σ σ 40 0
11 Uversdad Técca Federco ata María Estmacó por Itervalos I. C. para el cuocete de dos varazas (dstrbucoes ormales depedetes: Por lo tato, es posble determar los cuatles a y b tales que: P[ F < F < ] dode a F b Fa f y F b /,, m f /,, m Itervalo de Cofaza Catdad Pvotal Dfereca ( ( σ descoocd a + P σ σ σ descoocd a σ σ ( ( P + t t + + El tervalo está dado por: s s I Fa, F b s s dode los cuatles F a y F b puede obteerse de la tabla de la dstrbucó F co (- y (m- grados de lbertad. 4 σ /σ p pˆ pˆ mv F(, mv ( pˆ mv N ( 0, 43 Itervalo de Cofaza Para la meda Catdad Pvotal z 0 σ (σ coocdo 0 t (σ descoocdo Para la varaca σ ( χ σ χ 4
Consideraciones Previas
Uversdad Técca Federco Sata María Capítulo 7 Estmacó de arámetros Estadístca Computacoal II Semestre 005 rof. Héctor Allede ága : www.f.utfsm.cl/~hallede e-mal : hallede@f.utfsm.cl Cosderacoes revas Coceptos
Más detallesLa inferencia estadística es primordialmente de naturaleza
VI. Ifereca estadístca Ifereca Estadístca La fereca estadístca es prmordalmete de aturaleza ductva y llega a geeralzar respecto de las característcas de ua poblacó valédose de observacoes empírcas de la
Más detalles1 Estadística. Profesora María Durbán
Tema 5: Estmacó de Parámetros Tema 5: Estmacó de Parámetros 5. Itroduccó y coceptos báscos 5. Propedades de los estmadores 5.4 Dstrbucó de u estmador e el muestreo Objetvos del tema: Al fal del tema el
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 detallesREGRESIÓN LINEAL SIMPLE
RGRIÓN LINAL IMPL l aálss de regresó es ua técca estadístca para vestgar la relacó fucoal etre dos o más varables, ajustado algú modelo matemátco. La regresó leal smple utlza ua sola varable de regresó
Más detallesDivisión de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)
Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó
Más detallesMétodos indirectos de estimación: razón, regresión y diferencia
Métodos drectos de estmacó: razó, regresó dfereca Cotedo. Itroduccó, defcó de estmadores drectos. Estmador de razó, propedades varazas. Límtes de cofaza. 3. Tamaño de la muestra e los estmadores de razó
Más detallesModelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión
Modelos de Regresó E muchos problemas este ua relacó herete etre dos o más varables, resulta ecesaro eplorar la aturaleza de esta relacó. El aálss de regresó es ua técca estadístca para el modelado la
Más detallesx θ es conocida pero se desconoce θ total o ˆθ ) debe ser función de los datos de la muestra
Estmacó putual de parámetros. Parámetro( : Característca de la poblacó. E estadístca la forma fucoal de f ( ; es coocda pero se descooce total o parcalmete. La estmacó del parámetro ( debe ser fucó de
Más detallesProbabilidad ( A) Los axiomas de la probabilidad. φ = el conjunto vacío A B = A y no B C
Los axomas de la probabldad obabldad El prmer paso para descrbr la certdumbre es cosderar el cojuto de posbles resultados obtedos a partr de u expermeto aleatoro. Este cojuto es llamado espaco muestral
Más detallesEn esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )
Regresó Leal mple. REGREIÓN IMPLE El aálss de regresó es ua herrameta estadístca la cual utlza la relacó, etre dos o más varables de modo que ua varable pueda ser predcha desde la (s) otra (s). Por ejemplo
Más detallesESTADÍSTICA TEÓRICA: ESTIMADORES
Gestó Aeroáutca: Estadístca Teórca Facultad Cecas Ecoómcas y Empresarales Departameto de Ecoomía Aplcada Profesor: Satago de la Fuete Ferádez ESTADÍSTICA TEÓRICA: ESTIMADORES Estadístca Teórca: Estmadores
Más detallesInferencia Estadística
Ifereca Estadístca Poblacó y muestra Coceptos y defcoes Muestra Aleatora Smple (MAS) Cosderemos ua poblacó, cuya fucó de dstrbucó esta dada por F(), la cual está costtuda por u úmero fto de posbles valores,
Más detallesOrden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.
Estadístca (Q) Dra. Daa M. Kelmasky 99. Teoremas límte Frecueca Relatva 0.5 0.6 0.7 0.8 0.9.0 0 00 00 300 400 Orde de la trada Fgura : Frecueca relatva de cara para ua sucesó de 400 tradas. La fgura muestra
Más detallesTema 6: Introducción al muestreo. Estimadores
Facultad de Ecoomía y Empresa Práctcas ema 6.- Itroduccó al muestreo. Estmadores ema 6: Itroduccó al muestreo. Estmadores VARIABLE Certa varable aleatora X se dstrbuye segú la fucó de desdad: sedo E(X)
Más detallesRegresión - Correlación
REGRESIÓN Regresó - Correlacó Aálss que requere la cosderacó de o más varables cuattatvas e forma smultáea. Aálss de Regresó: estuda la relacó fucoal de ua o más varables respecto de otra Aálss de Correlacó:
Más detallesEstadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo
Estadístca Tema : Meddas de Tedeca Cetral. Estadístca. UNITEC Tema : Meddas de Tedeca Cetral 1 Parámetros y Estadístcos Parámetro: Es ua catdad umérca calculada sobre ua poblacó La altura meda de los dvduos
Más detallesSupongamos que hemos aplicado el test F y hemos rechazado la H0.
Comparacó de medas tomadas de a pares CONDICION Meda s --------- ---------- ------ ---------- 0.00 3.0000 0.00 3.73 3 97.00 3.0000 4 93.00.44 TOTAL 98.73.6036 Supogamos que hemos aplcado el test F y hemos
Más detalles02 ) 2 0 en el resto. Tiempo (meses) Ventilador adicional No No Si No Si Si Si Si No Si Tipo carcasa A C B A B A B C B C
Ua empresa motadora de equpos electrócos está realzado u estudo sobre aluos de los compoetes que utlza. E partcular mde el tempo de vda e meses reales de los procesadores que mota, dode a aluos de ellos
Más detallesRespuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:
Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,
Más detallesal nivel de significación α P6: Conclusión: Se debe interpretar la decisión tomada en Paso 5.
5. NÁLISIS DE VRINZ CONTENIDOS: OBJETIVOS: 5... Prueba de aálss de varaza. 5.. Comparacoes múltples. Determar los pasos a segur al realzar ua prueba de aálss de varaza Platear hpótess para la prueba de
Más detallesIntroducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff
Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable
Más detallesRegresión lineal simple
Descrpcó breve del tema Regresó leal smple Tema. Itroduccó. El modelo de regresó smple 3. Hpótess del modelo Lealdad, homogeedad, homocedastcdad, depedeca ormaldad 4. Estmacó de los parámetros Mímos cuadrados,
Más detallesÍNDICE 1. INTRODUCCIÓN A LA PROBABILIDAD... 11
ÍNDICE 1. INTRODUCCIÓN A LA PROBABILIDAD... 11 1.1. Probabldad, espaco muestral y sucesos... 11 1.1.1. Espaco muestral y sucesos... 11 1.1.. Probabldad... 14 1.1.3. Varable aleatora y fucó de dstrbucó...
Más detallesLa Metodología de la Verosimilitud Empírica
La Metodología de la Verosmltud Empírca Gozalo Delgado Facultad de Matemátcas, Uversdad Autóoma de Guerrero Méxco deggozalo@aol.com Probabldad y Estadístca Superor Resume Se expoe la metodología de la
Más detallesModelos de Regresión Simple
Itroduccó a la Ifereca Estadístca Dept. of Mare cece ad Appled Bology Jose Jacobo Zubcoff Modelos de Regresó mple Que tpo de relacó exste etre varables Predccó de valores a partr de ua de ellas Varable
Más detallesV II Muestreo por Conglomerados
V II Muestreo por Coglomerados Dr. Jesús Mellado 31 Por alguas razoes aturales, los elemetos muestrales se ecuetra formado grupos, como por ejemlo, las persoas que vve e coloas de ua cudad, lo elemetos
Más detallesGENERALIDADES ESTADISTICA DESCRIPTIVA
MOD MEDIDS DE TEDECI CETRL MEDI MEDI RITMETIC MOD MEDIDS DE TEDECI CETRL MEDI MEDI RITMETIC MEDIDS DE TEDECI CETRL MEDI RITMETIC Defcó: Es la suma de todos los datos de ua sere dvdda por su úmero Cálculo:
Más detalles6. ESTIMACIÓN PUNTUAL
Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua
Más detallesTEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx
TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la
Más detallesVARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN
VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode
Más detallesEstadística Descriptiva
Estadístca Descrptva Poblacoes y muestras Varables. Tablas de frecuecas Meddas de: tedeca cetral-dspersó ESTADÍSTICA DESCRIPTIVA: Tee por objetvo recoplar, orgazar y aalzar formacó referda a datos de u
Más detallesERRORES EN LAS MEDIDAS (Conceptos elementales)
ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas
Más detallesLos Histogramas. Histograma simple
Los Hstogramas El Hstograma es ua forma de represetacó de datos que permte aalzar fáclmete el comportameto de ua poblacó, ya sea per se, o por medo de ua muestra. U Hstograma se defe como u cojuto de barras
Más detallesAnálisis de Regresión y Correlación Lineal
Aálss de Regresó y Correlacó Leal Dr. Pastore, Jua Igaco Profesor Adjuto. Aálss de Regresó y Correlacó Leal Hasta ahora hemos cetrado uestra atecó prcpalmete e ua sola varable de respuesta umérca o e seres
Más detallesGRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A
Febrero 20 EAMEN MODELO A Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 620137 FEBRERO 20 EAMEN MODELO A Tabla 1: Para estudar la relacó etre las putuacoes e u test () y el redmeto
Más detalles(Véase el Ejercicio 13 Beneficio de los bancos )
étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 étodos de Regresó- Grado e Estadístca Empresa Tema 3 /3 Tema 3. El modelo de regresó múltple. Hpótess báscas. El modelo. as pótess báscas. Estmacó
Más detallesGUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA
GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además
Más detallesNOMBRE Apellido Paterno Apellido Materno Nombre(s)
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD ESTADÍSTICA SEGUNDO EXAMEN FINAL RESOLUCIÓN SEMESTRE
Más detalles7. Muestreo con probabilidades desiguales.
7. Muestreo co probabldades desguales. 7. Itroduccó. 7.. Probabldades de clusó. 7.. Pesos del dseño muestral. 7.. Alguos métodos co probabldades desguales. 7. Estmacó de la meda, proporcó total poblacoales.
Más detallesSEMESTRE DURACIÓN MÁXIMA 2.5 HORAS DICIEMBRE 10 DE 2008 NOMBRE
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS PROBABILIDAD ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE 009- DURACIÓN
Más detallesESTADÍSTICA poblaciones
ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:
Más detallesTEMA 3: ESTIMACIÓN PUNTUAL.
TEMA 3: ESTIMACIÓN PUNTUAL. 3..- FUNDAMENTOS. La fereca estadístca proporcoa u método objetvo que establece reglas base para crtcar, rechazar y aceptar "tems" de formacó cetífca cuado prevalece codcoes
Más detallesCUESTIONES DE ESTADÍSTICA TEÓRICA
CUESTIONES DE ESTADÍSTICA TEÓRICA. Sea A, B y C tres sucesos compatbles, co P(A) = 0,5, P(B) = 0,5, P(C) = 0,5. Se pde: a)p(a B) b)p(a B C) c)p(a B C) d) Probabldad de que exactamete se realce uo de los
Más detallesFacultad de Ciencias del Mar. Curso 2008/09 25/06/09
Estadístca Covocatora de Juo Facultad de Cecas del Mar. Curso 8/9 5/6/9 Los ríos Waccamaw y Lumber, e Carola del Norte (EEUU) se caracterza por ua rca bodversdad. E los últmos años estos ríos ha vsto crecer
Más detallesAnálisis de Regresión
Aálss de Regresó Ig. César Augusto Zapata Urqujo Ig. José Alejadro Marí Del Río Facultad de Igeería Idustral Uversdad Tecológca de Perera 0-05 Modelo de Regresó Leal Smple Y Dados A (, ) =,,. Gráfco o
Más detallesANÁLISIS DE REGRESIÓN. Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez
ANÁLISIS DE REGRESIÓN Feradez Departameto de Matemátcas Uversdad de Puerto Rco Recto Uverstaro de Mayagüez REGRESIÓN LINEAL SIMPLE Regresó: cojuto de téccas que so usadas para establecer ua relacó etre
Más detallesESTADÍSTICA. Tercera Prueba de Evaluación continua 30 de noviembre de 2015
Tercera Prueba de Evaluacó cotua 30 de ovembre de 05.- Se ha tomado valores de ua varable físca X, que se supoe ormal, resultado: 30,; 30,8; 9,3; 9; 30,9; 30,8; 9,7; 8,9; 30,5; 3,; 3,3; 8,5. a) Costrur
Más detallesEstadística Espacial. José Antonio Rivera Colmenero
Estadístca Espacal José Atoo Rvera Colmeero 1 Descrptores del patró putual Tedeca cetral 1. Meda cetral (Meda espacal). Meda cetral poderada 3. Medaa cetral (medaa espacal) o se utlza amplamete por su
Más detallesGENERACION DE VARIABLES ALEATORIAS
GENERACION DE VARIABLES ALEATORIAS Hay ua varedad de métodos para geerar varables aleatoras. Cada método se aplca solo a u subcojuto de dstrbucoes y para ua dstrbucó e partcular u método puede ser más
Más detallesRELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental.
RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN Los métodos de regresó se usa para estudar la relacó etre dos varables umércas. Este tpo de problemas aparece co frecueca e el
Más detalles10 MUESTREO. n 1 9/ / σ σ 1
10 MUESTREO 1 Cómo varará la desvacó típca muestral s se multplca por cuatro el tamaño de la muestra? Y s se aumeta el tamaño de la muestra de 16 a 144? S µ y so la meda y la desvacó típca poblacoales,
Más detallesNOMBRE. para los nuevos datos, incrementando 5 unidades cada calificación. entonces la media sumando 5 unidades a cada calificación es
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesAplicación de Boostrapping en Regresión I
Aplcacó de Boostrappg e Regresó I U modelo de regresó leal basado e observacoes (x,y ) es de la forma y =x β+e (=,,..) dode y so los valores observados de la varable de respuesta y, y los x so vectores
Más detallesCAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA. Los datos sintéticos son elementos de suma importancia en los sistemas de diseño en
CAPÍTULO III TÉCNICAS DE SIMULACIÓN ESTADÍSTICA 3. Itroduccó Los datos stétcos so elemetos de suma mportaca e los sstemas de dseño e presas de almaceameto, ya que se evalúa el propósto del sstema co sumo
Más detalles2.4 Pruebas estadísticas para los números pseudoaleatorios
Capítulo Números pseudoaleatoros.4 Pruebas estadístcas para los úmeros pseudoaleatoros 34 E la seccó. se presetaro dversos algortmos para costrur u cojuto r, pero ése es sólo el prmer paso, ya que el cojuto
Más detallesMETODO DE MAXIMA VEROSIMILITUD. Supongamos una muestra aleatoria de 10 observaciones de una distribución Poisson:
Aputes Teoría Ecoométrca I. Profesor: Vvaa Ferádez METODO DE MAIMA VEOSIMILITUD Supogamos ua muestra aleatora de observacoes de ua dstrbucó Posso: 5,,,,, 3,, 3,,. La desdad de probabldad para cada observacó
Más detallesAnálisis de la Varianza
Descrpcó breve del tema Aálss de la Varaza Tema. troduccó al dseño de expermetos. El modelo. Estmacó de los parámetros. Propedades de los estmadores 5. Descomposcó de la varabldad 6. Estmacó de la dfereca
Más detallesTEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.
TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO 5..- Itroduccó. Stuacoes segú el vel de formacó: Certeza. Icertdumbre parcal o resgo: (Iversoes co resgo) Icertdumbre total: (Iversoes co certdumbre)
Más detallesANalysis Of VAriance ANOVA Análisis de la Varianza. Teresa Villagarcía
ANalyss Of VArace ANOVA Aálss de la Varaza Teresa Vllagarcía El objetvo del dseño de expermetos Estudar s determados factores fluye sobre ua varable de uestro terés. Por ejemplo: Redmeto de u proceso dustral.
Más detallesTEMA 6 MUESTREO POR CONGLOMERADOS MONOETÁPICO
TEA 6 UESTREO POR COGLOERADOS OOETÁPICO Cotedo 1- Defcó. Aplcacó. Seleccó de ua muestra por Coglomerados. Etapas. otacó. - uestreo mooetápco co coglomerados de gual tamaño. Estmacó de la meda, el total
Más detallesTest de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa
Error tpo I: Rechazar H sedo H Verdara Test Hpótess Error tpo II: No rechazar H sedo H Falsa Nvel Sgfcacó: = P(error tpo I = P(Rechazar H sedo H Verdara Probabldad error tpo II: = P(error tpo II = P(No
Más detallesNo debe entregar los enunciados
Curso 01-13 EAMEN MODELO A ág. 1 INTRODUCCIÓN AL ANÁLII DE DATO ETIEMBRE 013 Códgo asgatura: 6011037 EAMEN TIO TET MODELO A DURACION: HORA Materal: Addeda (Formularo y Tablas) y calculadora (cualquer modelo)
Más detallesCalificación= (0,4 x Aciertos) - (0,2 x Errores) No debe entregar los enunciados
EAMEN MODELO A Pág. 1 INTRODUCCIÓN AL ANÁLII DE DATO FEBRERO 018 Códgo asgatura: 6011037 EAMEN TIPO TET MODELO A DURACION: HORA Materal: Addeda (Formularo y Tablas) y calculadora (cualquer modelo) Calfcacó
Más detalles2. Muestreo Aleatorio Simple. 2. Muestreo Aleatorio Simple
. Muestreo Aleatoro mple. Muestreo aleatoro smple e poblacoes ftas... Meda, varaza proporcó muestrales: Propedades. Error de estmacó. Poblacó Y (, ). E V Muestra aleatora smple Y,..., Y (..d.) E V ( )
Más detallesIntensificación en Estadística
GRADO EN VETERINARIA DEPARTAMENTO DE ESTADÍSTICA E IO 0-0 IV Curso Cero Itesfcacó e Estadístca Itroduccó a la fucó Sumatoro Itroduccó Cocepto de fucó sumatoro Aplcacoes Itroduccó Cocepto de fucó sumatoro
Más detallesESTADÍSTICA. UNIDAD 3 Características de variables aleatorias. Ingeniería Informática TEORÍA
Uversdad Nacoal del Ltoral Facultad de Igeería y Cecas Hídrcas ESTADÍSTICA Igeería Iformátca TEORÍA Mg.Ig. Susaa Valesberg Profesor Ttular UNIDAD Característcas de varables aleatoras Estadístca - Igeería
Más detallesModelos Estadísticos de Regresión Lineal
Modelos Estadístcos de Regresó Leal Supoga que cueta co u baco de datos que cotee formacó relatva a dos varables X y Y las cuales se presume guarda ua relacó aproxmadamete leal. El ejemplo de las varables
Más detallesMEDIDAS DE TENDENCIA CENTRAL
Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes
Más detallesEnsayos de control de calidad
Esayos de cotrol de caldad Fecha: 0170619 1. lcace. Este procedmeto es aplcable e la evaluacó del desempeño del persoal que ejecuta pruebas e la Dvsó de Laboratoros de Ifraestructura de la Coordacó de
Más detallesPARTE SEGUNDA: INFERENCIA ESTADÍSTICA
ESTADÍSTICA II PARTE SEGUNDA: INFERENCIA ESTADÍSTICA TEMA III: INTRODUCCION A LA INFERENCIA III..- Itroduccó III..- La eleccó de la muestra. Tpos de muestreo III.3.- Muestreo aleatoro smple. Estadístcos
Más detallesModelo Lineal Simple. Clase 02. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial
Uversdad Austral de Chle Escuela de Igeería Comercal ICPM5, Ecoometría Clase Modelo Leal Smple Profesor: Carlos R. Ptta Ecoometría, Prof. Carlos R. Ptta, Uversdad Austral de Chle. El Modelo de Regresó
Más detallesn p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción
Capítulo VII PROBABILIDAD 1. Itroduccó Se dcaba e el capítulo ateror que cuado u expermeto aleatoro se repte u gra úmero de veces, los posbles resultados tede a presetarse u úmero muy parecdo de veces,
Más detallesGRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO C
Febrero 010 EAMEN MODELO C Pág. 1 GRADO EN PICOLOGIA INTRODUCCIÓN AL ANÁLII DE DATO Códgo Asgatura: 6011037 FEBRERO 010 EAMEN MODELO C 1 80 5 3 8 4 1 5 6 6 7 1,0 1,47 38-40 18 35-37 36 3-34 5 9-31 46 6-8
Más detallesEl valor en el que se estabilizan las proporciones se le conceptualiza como la probabilidad
Regulardad estadístca. E vrtud de la gra varabldad de muchos procesos, se recurre al estudo del comportameto e grades cojutos de elemetos. Se busca captar los aspectos sstemátcos o los aleatoros. Se pretede
Más detallesTeoría de Muestras e Inferencia
Teoría de Muestras e Ifereca TEORÍA DE MUESTRAS E INFERENCIA. Poblacó y muestra. Métodos de muestreo 3. Dstrbucoes asocadas al proceso de muestreo 3. Dstrbucó de la meda de ua poblacó ormal 3. Dstrbucó
Más detallesExperimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS
Epermeto: I. OJETIVOS UNIVERSIDD DE TM Facultad de ecas Naturales Departameto de Físca TEORÍ DE ERRORES Idetfcar errores sstemátcos y accdetales e u proceso de medcó. ompreder los coceptos de eacttud y
Más detallesPyE_ EF1_TIPO2_
SEMESTRE 9- TIPO DURACIÓN MÁIMA.5 HORAS JUNIO DE 9 NOMBRE. "Scram" es el térmo que utlza los geeros ucleares para descrbr u rápdo cerre de emergeca de u reactor uclear. La dustra uclear ha hecho esuerzos
Más detalles-Métodos Estadísticos en Ciencias de la Vida
-Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable
Más detallesANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES
ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION
Más detallesX / n : proporción de caras ( = frecuencia relativa del suceso A = f A = n A / n ) Se espera que a medida que n crece la frecuencia relativa de cara
95 Teoremas límte Cosderemos el exermeto aleatoro que cosste e arrojar ua moeda equlbrada veces. Suogamos que se regstra la roorcó de caras. U resultado coocdo es que esta roorcó estará cerca de /. Formalzado
Más detallesQué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN
Qué es ESADISICA? Es u couto de la rama de las Matemátcas Es algo aburrdo que mplca u motó de cuetas 3 Es u couto de téccas que se puede usar para probar cualquer cosa 4 Es u couto de coocmetos téccas
Más detallesDada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ
TEOREMA DE BERNOULLI GENERALIZADO > 0 Dada ua sucesó x1, x, x3,... x dos a dos depedetes, co ua msma dstrbucó de probabldad y co esperaza µ y varaza lím Se verfca que P x µ = 1 ó lím P x µ > = 0 El límte,
Más detallesAPUNTES DE ESTADÍSTICA PARA UN CURSO INTRODUCTORIO DE ECONOMETRÍA. Julio César Alonso C.
APUNTES DE ESTADÍSTICA PARA UN CURSO INTRODUCTORIO DE ECONOMETRÍA Julo César Aloso C. No. 1 Marzo 007 Aputes de Ecoomía No. 1 APUNTES DE ECONOMÍA ISSN 1794-09 No. 1, Marzo de 007 Edtor Julo César Aloso
Más detallesque queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)
APROXIMACIÓN DISCRETA DE MÍNIMOS CUADRADOS Las leyes físcas que rge el feómeo que se estuda e forma expermetal os proporcoa formacó mportate que debemos cosderar para propoer la forma de la fucó φ ( x)
Más detallesMUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún:
A. Morllas - p. - MUESTREO E POBLACIOES FIITAS () Dos aspectos báscos de la fereca estadístca, o vstos aú: Proceso de seleccó de la muestra Métodos de muestreo Tamaño adecuado e poblacoes ftas Fabldad
Más detallesVARIABLES ESTADÍSTICAS UNIDIMENSIONALES.
CONTENIDOS. VARIABLES ESTADÍSTICAS UNIDIMENSIONALES. Itroduccó a la Estadístca descrptva. Termología básca: poblacó, muestra, dvduo, carácter. Varable estadístca: dscretas y cotuas. Orgazacó de datos.
Más detallesEvolución buena 0,7 0,3 Evolución mala 0,2 0,8 Cuál es el valor máximo de esta información?
APELLIDOS: DNI: EXAMEN DE TÉCNICAS CUANTITATIVAS III. NOMBRE: GRUPO: E todos los casos, cosdere u vel de cofaza del 95% (z=).. U empresaro quere estmar el cosumo mesual de electrcdad e ua comudad de 000
Más detallesEn este capítulo 5 estudiaremos una serie de conceptos básicos, y que serán fundamentales para el posterior desarrollo de la inferencia estadística.
TEMA 5. Muestreo y dstrbucoes e el muestreo Nuestro objetvo fudametal es saber qué modelo va a segur la poblacó, y para ello haremos uso de la formacó que obtegamos de ua parte de esa poblacó llamada muestra.
Más detallesTrata de describir y analizar algunos caracteres de los individuos de un grupo dado, sin extraer conclusiones para un grupo mayor
árbara Cáovas Coesa Estadístca Descrptva 1 Cálculo de Probabldades Trata de descrbr y aalzar alguos caracteres de los dvduos de u grupo dado, s extraer coclusoes para u grupo mayor Poblacó Idvduo o Udad
Más detallesTema 16: Modelos de distribución de probabilidad: Variables Continuas
Aálss de Datos I Esquema del Tema 6 Tema 6: Modelos de dstrbucó de robabldad: Varables Cotuas. EL MODELO RECTANGULAR. EL MODELO NORMAL, N(μ, σ) 3. MODELO CHI-CUADRADO DE PEARSON, χ k 4. MODELO t DE STUDENT,
Más detallesAproximación a la distribución normal: el Teorema del Límite Central
Aproxmacó a la dstrbucó ormal: el Teorema del Límte Cetral El teorema del límte cetral establece que s se tee varables aleatoras, X, X,..., X, depedetes y co détca dstrbucó de meda µ y varaza σ, a medda
Más detallesMEDIDAS DE CENTRALIZACIÓN
Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca
Más detalles3. Inferencia no paramétrica
3. Ifereca o paramétrca 3. Estmadores putuales y por tervalo de la fucoes de supervveca y de resgo acumulado para datos co cesura a la derecha Alguas represetacoes gráfcas de datos e estadístca so: tablas
Más detallesTema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.
Tema 60.Parámetros estadístcos. Calculo propedades y sgfcado Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGIFICADO.. Itroduccó. Defcó de estadístca. Estadístca descrptva y estadístca ferecal.
Más detallesCÁLCULO NUMÉRICO (0258)
CÁLCULO NUÉRICO (58) Tema 4. Apromacó de Fucoes Juo. Ecuetre los polomos de meor grado que terpola a los sguetes cojutos de datos plateado y resolvedo u sstema de ecuacoes leales: 7 y 5-4 7 y 4 9 6.5.7.
Más detalles