La inferencia estadística es primordialmente de naturaleza

Documentos relacionados
Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

REGRESIÓN LINEAL SIMPLE

6. ESTIMACIÓN PUNTUAL

Aproximación a la distribución normal: el Teorema del Límite Central

V II Muestreo por Conglomerados

Tema 16: Modelos de distribución de probabilidad: Variables Continuas

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

V Muestreo Estratificado

MEDIDAS DE TENDENCIA CENTRAL

ESTADÍSTICA poblaciones

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo

GENERACION DE VARIABLES ALEATORIAS

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

METODO DE MAXIMA VEROSIMILITUD. Supongamos una muestra aleatoria de 10 observaciones de una distribución Poisson:

MEDIDAS DE CENTRALIZACIÓN

FUNCIÓN DE PROBABILIDAD DE UNA VARIABLE ALEATORIA DISCRETA

Soluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II

TEMA 9. Contrastes no paramétricos y bondad de ajuste

4º MEDIO: MEDIDAS DE POSICIÓN

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

Estadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo

( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad.

Estadística Descriptiva

Tema 2: Distribuciones bidimensionales

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

3 = =. Pero si queremos calcular P (B) 2, ya que si A ocurrió, entonces en la urna

Estadística Contenidos NM 4

Estadística descriptiva

Si los cerdos de otro granjero tienen los siguientes pesos: 165, 182, 185, 168, 170, 173, 180, 177. Entonces el diagrama de puntos está dado por:

1. Introducción 1.1. Análisis de la Relación

Práctica 11. Calcula de manera simbólica la integral indefinida de una función. Ejemplo:

ESTADÍSTICA BAYESIANA

-Métodos Estadísticos en Ciencias de la Vida

Tema 1: Introducción: Generalización y Extensión del Modelo de Regresión

MEDIA ARITMÉTICA. Normalmente se suele distinguir entre media aritmética simple y media aritmética ponderada.

3 Metodología de determinación del valor del agua cruda

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

5 Distribuciones Muestrales

Estadística Espacial. José Antonio Rivera Colmenero

6- SUMA DE VARIABLES ALEATORIAS Y TEOREMA CENTRAL DEL LÍMITE

5.3 Estadísticas de una distribución frecuencial

2.5. Área de una superficie.

Medidas de Tendencia Central

LOS NÚMEROS COMPLEJOS

CAPITULO TRES MEDIDAS DE TENDENCIA CENTRAL

INSTITUTO TECNOLÓGICO DE APIZACO PROBABILIDAD AXIOMAS Y TEOREMAS DE LA PROBABILIDAD.

Apuntes preparados por el profesor Sr. Rosamel Sáez Espinoza con fines de docencia

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

Objetivos. Introducción n a las medidas de posición n (tendencia central o tipismo): Moda y Mediana Media aritmética

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.

FACTOR DE COBERTURA EN MEDIDA DE RADIOACTIVIDAD

TEXTO DE PROBLEMAS DE INFERENCIA ESTADÍSTICA

Este documento es de distribución gratuita y llega gracias a El mayor portal de recursos educativos a tu servicio!

mecánica estadística Estadísticas Cuánticas Capítulo 5

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

Curso de Estadística Unidad de Medidas Descriptivas. Lección 3: Medidas de Tendencia Central para Datos Agrupados por Clases

Contraste de Hipótesis

CAPÍTULO 2 MODELO DE REGRESIÓN LOGÍSTICA

CAPÍTULO 3 METODOLOGÍA. El objetivo del capítulo 3 es conocer la metodología, por lo cual nos apoyaremos en el

12º seminario AEDEMO sobre Audiencia de Televisión Palma de Mallorca, Febrero de 1996

ESTADÍSTICA I UNIDAD I ESTADÍSTICA DESCRIPTIVA

Intervalos de Confianza basados en una muestra. Instituto de Cálculo

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA

Objetivos. 1. Inferencia Estadística. INFERENCIA ESTADÍSTICA Tema 3.1: Muestreo. M. Iniesta Universidad de Murcia

CONTRASTES NO PARAMÉTRICOS: BONDAD DEL AJUSTE Y TABLAS DE CONTINGENCIA

FEM-OF: EDP Elíptica de 2 Orden

5- VARIABLES ALEATORIAS BIDIMENSIONALES

1.1 INTRODUCCION & NOTACION

Análisis estadístico de datos muestrales

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1

4. SEGUNDO MÓDULO. 4.1 Resumen de Datos

INGENIERÍA INDUSTRIAL DISEÑO EXPERIMENTAL LEOPOLDO VIVEROS ROSAS

TEMA 4: VALORACIÓN DE RENTAS

MEDIDAS RESUMEN OBJETIVOS. Al término de la unidad el alumno podrá:

Métodos Estadísticos Aplicados a la Ingeniería Examen Temas 1-4 Ingeniería Industrial (E.I.I.) 23/4/09

Figura 1

ESTADÍSTICA DESCRIPTIVA

CONTENIDO MEDIDAS DE POSICIÓN MEDIDAS DE DISPERSIÓN OTRAS MEDIDAS DESCRIPTIVAS INTRODUCCIÓN

RENTABILIDAD DE LA CUOTA DE CAPITALIZACIÓN INDIVIDUAL.

1.- DISTRIBUCIÓN BIDIMENSIONAL

Regresión Simple. Resumen. Ejemplo de StatFolio: simple reg.sgp

PARTE 2 - ESTADISTICA. Parte 2 Estadística Descriptiva Introducción

TÉCNICAS DE MUESTREO

Probabilidad. 1. Experimentos aleatorios Espacio muestral asociado a un experimento aleatorio Sucesos... 3

UNIVERSIDAD NACIONAL ABIERTA CENTRO LOCAL METROPOLITANO LICENCIATURA EN MATEMÁTICA MENCIÓN PROBABILIDAD Y ESTADÍSTICA

Transformada Z. Definición y Propiedades Transformada Inversa Función de Transferencia Discreta Análisis de Sistemas

ANÁLISIS ESTADÍSTICO DEL CONTROL DE CALIDAD EN LAS EMPRESAS

ESTADÍSTICA DESCRIPTIVA

NOCIONES BÁSICAS DE ESTADÍSTICA UTILIZADAS EN EDUCACIÓN

TEMA 2: LOS NÚMEROS COMPLEJOS

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205

Transcripción:

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 muestra. Al utlzar estadístcas muestrales para estudar u parámetro de la poblacó es muy ormal que ambos sea dferetes y la gualdad d etre ambos sea mera cocdeca. d La dfereca etre la estadístca muestral y el correspodete parámetro de la poblacó se suele llamar error de estmacó. Solo cooceríamos dcho error s se coocera el parámetro poblacoal que por lo geeral se descooce. La úca forma de teer algua certeza al respecto es hacer todas las observacoes posbles del total de la poblacó; e la mayoría de las aplcacoes práctcas es mposble o mpractcable.

Ifereca Estadístca Las ferecas estadístcas se hace por posbldades o probabldades. Por ejemplo de la meda de ua muestra se hace ferecas sobre la meda de la poblacó. Eactamete o sabemos cuál es la dfereca etre ambas. Lo que s sabemos es que es pequeña la probabldad de que esta dfereca sea mayor que, por ejemplo 3 o errores estádares.

VI.. Estmacó Putual La fereca estadístca más seclla es la Estmacó Putual o por puto, e la que se calcula u valor úco (estadístco co las datos muestrales para estmar u parámetro poblacoal l

VI.. Estmador Defcó U estmador es e s msmo ua varable aleatora y por lo msmo tee ua dstrbucó (muestral teórca. U estmador de u parámetro θ es ua fucó de los valores muestrales aleatoros X, X,..., X que proporcoa ua estmacó putual de θ.

3 3... Estmador Ejemplo: Sea los valores sguetes 0, 7.5, 5 tomados de ua poblacó fta, obteer la estmacó resultate: La estmacó: ˆ X + + X 3 X X 3 Se terpreta como el proceso de tomar ua muestra de tres valores y promedarlos. De la muestra que se da e partcular: 0 7.5 3 5 Y se obtee como ua estmacó de la meda poblacoal que está basada e la muestra especfcada.

VI VI... Característcas de los Estmadores VI...- Estmador Isesgado. U estmador que es ua fucó de los datos muestrales X, X,..., X se cooce como estmador sesgado del parámetro poblacoal θ s su valor esperado es gual a θ. Dcho de otra maera, es u estmador sesgado del parámetro θ s E( θ. La codcó de que el estmador es sesgado supoe que el valor promedo de es eactamete correcto. No dce que u valor partcular sea eactamete correcto.

VI... Característcas de los Estmadores VI...- Estmador Efcete Se dce que u estmador es el más efcete, para u problema e partcular, cuado tee el error estádar más pequeño de todos los estmadores sesgados posbles. Se utlza la palabra efcete porque, el estmador hace el mejor uso posble de los datos muestrales. VI...3.- Estmador Cosstete U estmador es cosstete s se aproma al parámetro poblacoal co probabldad uo a medda que el tamaño de la muestra tede a fto.

VI.3. Método de Máma Verosmltud S,,..., y so los valores de ua muestra tomada al azar de ua poblacó co el parámetro θ, la fucó de verosmltud de la muestra está dada por: L(θ f (,,..., ;θ Para valores de θ cotedos e u domo dado. El método de máma verosmltud cosste e mamzar la fucó de verosmltud co respecto a θ y os refermos al valor de θ que mamza la fucó de probabldad como la estmacó de máma verosmltud de θ.

VI.3.. De la dstrbucó de probabldad bomal determar el estmador de máma verosmltud del parámetro θ L ( θ θ θ ( θ Obteedo el logartmo atural. l ( L( θ l + lθ + ( l( θ Dervado co respecto a θ. d [ l L ( θ ] ( dθ θ ( θ

VI.3.. De la dstrbucó de probabldad bomal determar el estmador de máma verosmltud del parámetro θ Igualado a cero: θ θ ( ( θ ( ( θ ( θ θ 0 ( θ θ θ + θ θ θ θ Es el estmador de máma verosmltud del parámetro θ de la dstrbucó bomal. θ

VI.3.. De la dstrbucó de probabldad Posso determar el estmador de máma verosmltud del parámetro λ e muestras aleatoras smples de tamaño L( X : λ e λ Obteedo el logartmo atural: l L( X : λ λ! λ + l λ Dervado parcalmete co respecto a λ: l L( X : λ λ + l λ!

VI.3.. De la dstrbucó de probabldad Posso determar el estmador de máma verosmltud del parámetro λ e muestras aleatoras smples de tamaño Igualado a cero y resolvedo: + λ El estmador es la meda. λ λ 0 λ

VI.3.3. Dada la fucó de Probabldad ormal co meda µ y varaza σ, determar los estmadores de máma verosmltud La fucó de probabldad está dada por: L ( μ, σ ( ; μ, σ ( σ π σ L μ, σ e Obteedo el logartmo atural: l L l L l L l L ( μ ( μ, σ l + ( μ σ π σ le ( μ, σ [ l( l( σ π ] ( μ ( μ, σ ( lσ + l π σ [ ] ( μ σ ( μ, σ l σ l π ( μ, σ

VI.3.3. Dada la fucó de Probabldad ormal co meda µ y varaza σ, determar los estmadores de máma verosmltud Dervado parcalmete co respecto a µ: l[ L( μ, σ ] ( ( μ ( l Igualado a cero: μ [ L( μ, σ ] μ σ σ σ σ ( ( μ ( ( μ 0 ( μ 0 ( μ 0

VI.3.3. Dada la fucó de Probabldad ormal co meda µ y varaza σ, determar los estmadores de máma verosmltud ( μ 0 ( μ μ ( El valor obtedo es la meda.

VI.3.3. Dada la fucó de Probabldad ormal co meda µ y varaza σ, determar los estmadores de máma verosmltud Ahora se derva parcalmete co respecto a σ: l l ( μ, σ ( ( L σ L σ σ 3 ( μ, σ ( + 3 σ σ σ ( μ μ

VI.3.3. Dada la fucó de Probabldad ormal co meda µ VI.3.3. Dada la fucó de Probabldad ormal co meda µ y varaza y varaza σ, determar los estmadores de máma, determar los estmadores de máma verosmltud verosmltud Igualado a cero: ( 0 ( 3 0 + μ σ σ ( 3 σ μ σ ( ( 3 σ σ μ ( σ μ ( μ σ σ

VI.3.3. Dada la fucó de Probabldad ormal co meda µ y varaza σ, determar los estmadores de máma verosmltud Susttuyedo el valor de se obtee: σˆ ( σˆ σ ( Es ua estmacó de máma verosmltud de σ.

VI.3.4. De la Dstrbucó de probabldad epoecal egatva obteer el estmador de máma verosmltud f ( θ e θ θ o f ( λ λe λ 0< < Obteer el estmador de máma verosmltud. Ua demostracó es: Como, E ( X λ E ( X λ λ E(X (

VI.3.4. De la Dstrbucó de probabldad epoecal egatva obteer el estmador de máma verosmltud Dode: Etoces: E( X λ ˆλ La otra demostracó es por medo de los estmadores de máma verosmltud.

VI.4. Estmacó por Itervalos ˆ θ θˆ

VI.4. Estmacó por Itervalos

VI.4. Estmacó por Itervalos

VI.4. Estmacó por Itervalos Los tervalos de cofaza de parámetros dados o so úcos, este umerosos tervalos de cofaza de µ dode tee el msmo grado de cofaza. Igual que e el caso de la estmacó ó putual, los métodos de obtecó de tervalos de cofaza debe de juzgarse por sus propedades estadístcas.

VI.4.. Itervalos de Cofaza para Medas

VI.4... VI4 La dstrbucó t Teorema S y s so la meda y la varaza de ua muestra aleatora de tamaño tomada de ua poblacó ormal co la meda µ y la varaza σ, etoces: t μ s Tee la dstrbucó t co grados de lbertad.

VI4 La dstrbucó t VI4 La dstrbucó t VI.4... La dstrbucó t VI.4... La dstrbucó t Por lo tato: α α α < < (,, t t t P Al susttur a t, la desgualdad queda como: μ α μ α α < < (,, t s t P

VI4 La dstrbucó t VI4 La dstrbucó t VI.4... La dstrbucó t VI.4... La dstrbucó t Lo que es equvalete a: ( s t s t P α μ α α + < < (,, t t P

VI.4... VI4 La dstrbucó t Propedades:. La dstrbucó t, gual que la dstrbucó ormal, es smétrca co respecto a la meda µ 0.. La dstrbucó t tee ua mayor varabldad que la dstrbucó z. 3. Hay muchas dstrbucoes t que so dferetes. Se determa ua e partcular al especfcar sus grados de lbertad, g.l. S se toma ua muestra aleatora de ua poblacó ormal, el estadístco: t μ s Tee ua dstrbucó t co g.l.. 4. A medda que se cremeta (o, lo que es lo msmo, g.l se cremeta, la dstrbucó t se aproma a la de z. Lo ateror coduce al sguete teorema para muestras pequeñas de µ (auque es válda para muestras de cualquer tamaño.

VI.4..3. Teorema (Itervalo de cofaza para µ, cuado σ es descoocda S y s so los valores de la meda y la desvacó estádar de ua muestra aleatora de tamaño tomada de ua poblacó ormal co la varaza descoocda, u tervalo de cofaza del dl ( 00% para µ está dado d por: t s < µ < + t α α,, s

VI.4.. Itervalo de Cofaza para Proporcoes Este stuacoes e las cuales se debe de obteer la proporcó, probabldad, porcetaje o ídce (tasa, como la proporcó de udades defectuosas e u cargameto grade de televsores, la probabldad de que u auto tega los freos e mal estado, la tasa de mortaldad que provoca ua efermedad, etc. E muchos de estos casos es razoable supoer que se muestrea ua poblacó bomal y, que el problema se reduce a calcular el parámetro bomal θ. Utlzado el hecho de que para grade la dstrbucó bomal se obtee por ua apromacó de la dstrbucó ormal, es decr, que la varable aleatora: z p pq Se puede cosderar como s tuvera la dstrbucó ormal estádar.

VI.4... Teorema (Itervalo de Cofaza de muestra grade para p U tervalo de cofaza del ( 00% para el parámetro bomal p está dado por: p ˆ z α pˆ( pˆ Dode: p ˆ

VI.4... Itervalo de Cofaza para Varazas Dada ua muestra aleatora tomada de ua poblacó ormal, se puede obteer u tervalo de cofaza del ( α 00% para utlzado el sguete teorema.

VI.4... Itervalo de Cofaza para Varazas

VI.4... Itervalo de Cofaza para Varazas Varazas Por lo tato: α χ σ χ α α < < ( (,, s P Despejado para obteer el valor de: Despejado para obteer el valor de: ( ( ( < < s s P σ,, ( α χ α χ De lo ateror se deduce el sguete teorema

VI.4..3. Teorema (Itervalo de Cofaza para S s es el valor de la varaza de ua muestra aleatora de tamaño tomada de ua poblacó ormal, u tervalo de cofaza del ( α 00% para está dado por: ( s ( < σ < χ α χ, α, Se puede obteer límtes de cofaza del ( α 00% correspodetes para σ sacado las raíces cuadradas de los límtes de cofaza para. s

VI.4..3. Teorema (Itervalo de Cofaza para ( s ( χ < σ < α χ, α, s