Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.

Documentos relacionados
X / 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

Dada una sucesión x1, x2, x3,... x n dos a dos independientes, con una misma distribución de probabilidad y con esperanza µ y varianza σ

La inferencia estadística es primordialmente de naturaleza

1 Estadística. Profesora María Durbán

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL

Probabilidad ( A) Los axiomas de la probabilidad. φ = el conjunto vacío A B = A y no B C

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

TEMA 5: ANÁLISIS CONJUNTO DE VARIABLES ALEATORIAS Y DISTRIBUCIÓN DE AGREGADOS

Aproximación a la distribución normal: el Teorema del Límite Central

Inferencia Estadística

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A

x θ es conocida pero se desconoce θ total o ˆθ ) debe ser función de los datos de la muestra

Estimación de Parámetros. Estimación Puntual. Universidad Técnica Federico Santa María. Estimación de Parámetros. Estimación de Parámetros.

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

REGRESIÓN LINEAL SIMPLE

AGRO Examen Parcial 1

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

02 ) 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

Tema 16: Modelos de distribución de probabilidad: Variables Continuas

10 MUESTREO. n 1 9/ / σ σ 1

Métodos indirectos de estimación: razón, regresión y diferencia

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

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

Facultad de Ciencias del Mar. Curso 2008/09 25/06/09

SEMESTRE DURACIÓN MÁXIMA 2.5 HORAS DICIEMBRE 10 DE 2008 NOMBRE

Modelos de Regresión Simple

Intensificación en Estadística

MATEMÁTICA MÓDULO 4 Eje temático: Estadística y Probabilidades

Los Histogramas. Histograma simple

PARTE SEGUNDA: INFERENCIA ESTADÍSTICA

ESTADÍSTICA poblaciones

Estadística Descriptiva

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:

ESTADÍSTICA. Tercera Prueba de Evaluación continua 30 de noviembre de 2015

VARIABLES ESTADÍSTICAS UNIDIMENSIONALES.

5- SUMA DE VARIABLES ALEATORIAS Y TEOREMA CENTRAL DEL LÍMITE

NOMBRE. para los nuevos datos, incrementando 5 unidades cada calificación. entonces la media sumando 5 unidades a cada calificación es

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN

ANalysis Of VAriance ANOVA Análisis de la Varianza. Teresa Villagarcía

GENERALIDADES ESTADISTICA DESCRIPTIVA

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

Signif. codes: 0 *** ** 0.01 *

Tema 6: Introducción al muestreo. Estimadores

MEDIDAS DE CENTRALIZACIÓN

DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL

Tema 12: Modelos de distribución de probabilidad: Variables Continuas

En esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )

Test 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

6. ESTIMACIÓN PUNTUAL

Análisis de Regresión y Correlación Lineal

1.3. Longitud de arco.

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

Apéndice 1. Ajuste de la función gamma utilizando el método de máxima probabilidad ( maximum likelihood )

ESTADÍSTICA. UNIDAD 3 Características de variables aleatorias. Ingeniería Informática TEORÍA

7. Muestreo con probabilidades desiguales.

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.

MUESTREO EN POBLACIONES FINITAS (1) Dos aspectos básicos de la inferencia estadística, no vistos aún:

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre

CALCULO DIFERENCIAL E INTEGRAL II. Figura 1

Estadística Espacial. José Antonio Rivera Colmenero

UNIVERSIDAD DE LAS PALMAS DE GRAN CANARIA MASTER OFICIAL EN GESTIÓN COSTERA ESTIMACIÓN Y CONTRASTE DE HIPÓTESIS.

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)

Especialista en Estadística y Docencia Universitaria PRUEBAS DE NORMALIDAD MÉTODO DE KOLMOGOROV SMIRNOV

El valor en el que se estabilizan las proporciones se le conceptualiza como la probabilidad

Distribuciones Muestrales

MEDIDAS DE TENDENCIA CENTRAL

PARÁMETROS ESTADÍSTICOS ... N

Consideraciones Previas

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

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO C

RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental.

Estadística aplicada al Periodismo

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

2.5. Área de una superficie.

V II Muestreo por Conglomerados

4º MEDIO: MEDIDAS DE POSICIÓN

No debe entregar los enunciados

5- VARIABLES ALEATORIAS BIDIMENSIONALES

Módulo Teórico Estadística Básica Prof. Dr. Juan Ignacio Pastore. Unidad N

Tema 2: Distribuciones bidimensionales

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

APROXIMACIÓN NUMÉRICA AL CÁLCULO DEL ÁREA BAJO LA GRÁFICA DE UNA FUNCIÓN MEDIANTE RECTÁNGULOS INSCRITOS

La Metodología de la Verosimilitud Empírica

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad.

n 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

GENERACION DE VARIABLES ALEATORIAS

1.- DISTRIBUCIÓN BIDIMENSIONAL

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

Calificación= (0,4 x Aciertos) - (0,2 x Errores) No debe entregar los enunciados

Calificación= (0,4 x Aciertos) - (0,2 x Errores) No debe entregar los enunciados

Para poder realizar un estudio estadístico, es necesaria previamente, la observación de sus individuos.

MEDIDAS DE FORMA Y CONCENTRACIÓN

Definición. Número obtenido a partir del análisis de una variable estadística. Procedimiento de cálculo bien definido:

Estadística Descriptiva

Esta t d a í d s í titcos o TEMA 3.3

NOMBRE Apellido Paterno Apellido Materno Nombre(s)

ESTADÍSTICA TEÓRICA: ESTIMADORES

Aplicación de Boostrapping en Regresión I

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

Transcripción:

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 las frecuecas relatvas de cara obtedas tomado tamaños crecetes desde hasta 400, a partr de 400 tradas sucesvas de ua moeda. Las proporcoes se acerca a 0.5 a medda que se obtee utlzado ua mayor catdad de tradas (los valores de para las 0 prmeras y 0 últmas tradas fuero: ( 0 0 0 0 0 0 0 ) y (0 0 0 0 0 0 0 0 0 0 0) respectvamete) Es u resultado coocdo que s se arroja ua moeda muchas veces la proporcó de caras (o de cecas) estará cerca de /. La ley de los grades úmeros permte obteer ese resultado formalmete detro de la teoría de probabldades.. Ley (débl) de los Grades Números

Estadístca (Q) Dra. Daa M. Kelmasky 00 Sea,,...,, ua sucesó de v.a. depedetes tales que E( ) = μ y Var( ) = σ <, etoces ε > 0 sedo = =. P ( > ε ) 0 Dem: Sabemos que E( ) = μ y desgualdad de Chebshev a y, por lo tato P μ (), Var( ε Var( ( μ > ε ) = ε > 0 ) σ ) =, etoces aplcado la σ ε σ ( μ > ε ) lm = 0 ε > 0 lm P cqd. ε Cuado vale () decmos que la Umeda muestral coverge e probabldad a μu, lo dcamos por p μ També decmos que es u estmador cosstete de μ UObservacó U: La frecueca relatva de u suceso A tede a su probabldad. Sea ε u expermeto bomal que costa de pruebas y sea Éxto= ocurró el suceso A, A) costate e las pruebas : catdad de veces que ocurró A al realzar ε ~ B (, p), p =A) 0 o ocurre A =, luego / = = ocurre A = / : = frecueca relatva del suceso A = f A = A / Por la LGN p μ, e este caso = / ; E( ) = μ = p = A) luego / p A)

La Estadístca (Q) Dra. Daa M. Kelmasky 0 UObservacó U desgualdad de Chebshev permte acotar la catdad de repetcoes ecesaras para que la frecueca relatva del suceso A dfera de su probabldad (A) = p ) e ua certa catdad pre establecda (precsó), co ua probabldad alta determada. Ejemplo: Cuátas pruebas deberá teer el expermeto ε para que la frecueca relatva del suceso A dfera de su probabldad (A) = p ) e como máxmo 0.0 co probabldad mayor o gual a 0.90? Queremos ecotrar tal que ( f p 0.0) 0. 90 P A, () por Chebshev co ε = 0.0 teemos que p( P A (0.0) ( f p 0.0) () Luego la desgualdad () se cumplrá sempre que el últmo térmo de () sea mayor a 0.90: p( p( p( 0.90 0.0 (3) (0.0) (0.0) (0.0) (0.0) El valor mímo de depede de p a través de la expresó p(-p) cuyo valor es máxmo cuado p = 0.50. (Fgura ) Fgura. Gráfco de la fucó f(p) = p*(-p) para 0 p

Estadístca (Q) Dra. Daa M. Kelmasky 0 Por lo tato, para alcazar u msmo grado de precsó (e el ejemplo es 0.0) e la estmacó de p el tamaño de la muestra depede del verdadero valor p (descoocdo): p = 0.50 5000 p = 0.0 950 p = 0.0 990 S se arroja la moeda 5000 veces se garatza ua precsó de 0.0 e la estmacó de p para cualquer valor del msmo. UObservacó 3:U Para que valga la ley de los grades úmeros es dspesable la exsteca de la esperaza. Fgura 3: comportameto de la meda muestral a medda que aumeta la catdad de observacoes para ua varable aleatora N(8,) y ua varable aleatora Cauchy cetrada e 8 La fgura 3 muestra que la sucesó correspodete a la N(8,) se acerca a su meda (8) a medda que aumeta la catdad de observacoes. La sucesó correspodete a la dstrbucó Cauchy muestra tedecas crecetes o decrecetes e alguos tramos, cambos abruptos e otros y o parece acercarse a su valor cetral (8). Esta dstrbucó es u ejemplo para la cual o es válda la ley de los grades úmeros porque o está defda su esperaza. Cómo es la dstrbucó Cauchy? La fucó de desdad de probabldad de ua varable aleatora Z llamada Cauchy cetrada e cero es f Z ( z) = < z < π ( + z ) y su fucó de dstrbucó acumulada

Estadístca (Q) Dra. Daa M. Kelmasky 03 F Z ( z) = + arcta( z) < z < π Qué forma tee la fucó de desdad de la dstrbucó Cauchy etrada e cero? - Es smétrca co respecto al cero - Tee forma de campaa - Las colas tede a cero más letamete que la Normal Fgura 4: fucoes de desdad de probabldad N(0,) y Cauchy cetrada e cero Debdo a la smetría alrededor de cero de la fucó de desdad, la esperaza de ua varable Cauchy debería ser cero. S embargo E( Z ) = π ( z z dz = dz = lm log( + a + z ) π 0 ( + z ) π a ) = La desdad de la varable Cauchy decrece a cero ta letamete que valores grades puede ocurrr co ua probabldad relatvamete alta mpdedo que la tegral ateror coverja. Cómo surge la dstrbucó Cauchy? Se puede demostrar ( vea por ejemplo Joh Rce Mathematcal Statstcs ad Data Aalyss 988-995) que el cocete de dos varables aleatoras N(0,) depedetes tee dstrbucó Cauchy.. Corolaro de la Ley de los Grades Números Sea,..., ua muestra aleatora de ua dstrbucó co E( ) = μ y Var( ) = σ < etoces

Estadístca (Q) Dra. Daa M. Kelmasky 04 a) p μ La meda muestral coverge e probabldad a la meda poblacoal. Decmos que es u estmador cosstete de µ b) S p σ La varaza muestral coverge e probabldad a la varaza poblacoal. Decmos que S estmador cosstete de σ Dem. a) Ya lo vmos, por la Ley de los Grades Números. b) Demostraremos que la varaza muestral S es u estmador cosstete de la varaza poblacoal. ( ) = = = = = S = Por la Ley de los Grades Números p μ, etoces p μ. Por otra parte, aplcado uevamete la Ley de los Grades Números a = p E [ E( )] = σ + ( ) = V ( ) + μ Como además, se obtee = p S = σ + μ μ = σ y por lo tato la varaza muestral es u estmador cosstete de σ.

Estadístca (Q) Dra. Daa M. Kelmasky 05.3 Teorema Cetral del Límte: Sea,,... v.a...d co E ( ) = μ y Var( ) = σ <, etoces s es sufcetemete grade, T μ σ ( a) ~ N(0,) ( μ) σ ( a) ~ N(0,) co T = O sea T μ ( μ) P a Φ( a) P a Φ( a) σ σ dode Ф dca la fucó de dstrbucó Normal estádar. Observacoes Cualquera sea la dstrbucó de la varable de terés es posble aproxmar la dstrbucó de la suma de v.a...d por ua dstrbucó Normal, sempre que sea sufcetemete grade. Qué sgfca sufcetemete grade? Cuádo es buea la aproxmacó? El tamaño de muestra requerdo para que la aproxmacó sea razoablemete buea depede de la forma de la dstrbucó de las. Metras más smétrca y acampaada sea, más rápdamete se obtee ua buea aproxmacó..3. Aproxmacó de la dstrbucó bomal por la ormal Sea la catdad de éxtos e repetcoes de u expermeto de Bomal co probabldad de éxto gual a p, etoces ~ B (,p) y sea / la proporcó muestral de éxtos. S defmos = 0 s se obtuvo Éxto e la repetcó s se obtuvo Fracaso e la repetcó para =,...,. Etoces ~ B (, p) depedetes y = = S es sufcetemete grade, del Teorema Cetral del Límte teemos que.

Estadístca (Q) Dra. Daa M. Kelmasky 06 ( a ) ( a) p( ~ N( p, p( ) ~ N p, Es decr que la dstrbucó de, tato la catdad de éxtos como la proporcó de éxtos e u expermeto bomal, puede aproxmarse por la dstrbucó Normal. La aproxmacó es buea s p 5 y (-p) 5. S p = 0.5 la aproxmacó de la dstrbucó bomal por la ormal será buea aú para pequeño pues e ese caso la dstrbucó bomal es smétrca, como vemos e la fgura sguete. Fgura 5: Dstrbucoes probabldades de ua v.a. ~N(,0.5) para dsttos valores de Recordemos que E() = p y Var()= p(-p). A medda que aumeta el valor cetral (p) se va corredo a la derecha (fgura 5), los hstogramas de probabldad se esacha y se achata.

Estadístca (Q) Dra. Daa M. Kelmasky 07.3. Correccó por cotudad Cuado se aproxma ua dstrbucó dscreta por ua cotua, como es el caso de la aproxmacó de la dstrbucó bomal por la ormal, es ecesaro efectuar ua correccó. Cosderemos el sguete ejemplo: Sea ~ B (00, 0.5) y calculemos e forma aproxmada 5) y 5). Recordemos que E() = 50 y Var() = 5 S aplcamos drectamete el TCL, obteemos ( sedo Z ~ N(0,)): 50 5 50 5) = P Z 5 5 50 5 50 5) = P Z 5 5 ) 5 ) 5 = Φ ( 0.) = Z = 0.579 ) 5 = Φ( 0.4) = 0.345 Utlzado la dstrbucó bomal 5) + 5) =, pero dcho cálculo resultate de la aproxmacó Normal es 0.94. Se está subestmado las probabldades. Es ecesaro realzar sguete correccó, deomada correccó por cotudad: 50 5.5 50 5) = 5+ 0.5) = P Φ( 0.3) = 0.68 5 5 50 5.5 50 5) = 5 0.5) = P Φ( 0.3) = 0.38 5 5 E geeral, cuado la v.a. es dscreta y x x - =, la correccó se realza e la forma: a) = a) = a + 0.5) a 0.5) Observe que e las expresoes aterores vale la gualdad. Por qué? S la dstaca etre dos valores sucesvos de es k >, cómo aplcaría la correccó por cotudad?.3.3 Otras aplcacoes del Teorema Cetral del Límte Hemos vsto ( seccó 0.6 Sumas y más sumas) que s,...,, so vad

Estadístca (Q) Dra. Daa M. Kelmasky 08, etoces ~ B = = ) ~ B(, p) ~ B(, p), etoces = ~ B(, p)., p. ) ~ λ ), etoces ~ P λ. = = ~ Γ (, λ), etoces ~ Γ, λ. = = 3) ~ ε ( λ), etoces ~ Γ(, λ ). 4) ~ N(0,) etoces ~ χ = Γ( ε = = 5) ~ ( λ), etoces ~ χ = /,/ ). E todas las sumas aterores es posble, para sufcetemete grade, aproxmar su dstrbucó por ua dstrbucó Normal. Cosderamos a cotuacó los casos partculares de dstrbucoes Posso y Gamma: a) Sea,,..., v.a...d. co dstrbucó Posso de parámetro λ, etoces = ( ) ~ P λ Por lo tato, cualquer v.a. co dstrbucó de Posso co parámetro sufcetemete grade puede ser aproxmada por la dstrbucó ormal. b) Sea,,..., v.a. depedetes co dstrbucó Gamma de parámetros y λ, o sea ~ Γ(, λ) etoces ~ Γ, λ = = Por lo tato, cualquer v.a. co dstrbucó Γ(m, λ) co parámetro m sufcetemete grade puede ser aproxmada por la dstrbucó ormal.