Conceptos Básicos de Inferencia
|
|
- Gerardo Lara López
- hace 7 años
- Vistas:
Transcripción
1 Conceptos Básicos de Inferencia Intervalos de confianza Álvaro José Flórez 1 Escuela de Estadística Facultad de Ingenierías Febrero - Junio 2012
2 Inferencia Estadística Cuando obtenemos una muestra, conocemos las respuestas de cada uno de sus individuos. No obstante, en general, no tenemos suficiente con la información de la muestra. Queremos inferir a partir de los datos de la muestra algunas conclusiones sobre la población que esta representa (Moore, 2005).
3 Inferencia Estadística Cuando obtenemos una muestra, conocemos las respuestas de cada uno de sus individuos. No obstante, en general, no tenemos suficiente con la información de la muestra. Queremos inferir a partir de los datos de la muestra algunas conclusiones sobre la población que esta representa (Moore, 2005).
4 Inferencia Estadística Definición: Proceso inductivo que permite inferir acerca de una característica de la población proposiciones, usando información obtenida de un subconjunto o una muestra de la población.
5 Inferencia Estadística Definición: Proceso inductivo que permite inferir acerca de una característica de la población proposiciones, usando información obtenida de un subconjunto o una muestra de la población. Ejemplo: Una empresa productora está interesada en conocer el gasto promedio semanal en alimentos de las familias de estrato socioeconómico bajo, con el fin de diseñar una estrategia de mercado para promover la demanda en el mercado. En la ciudad hay una gran cantidad de familias de este perfil, y resulta casi imposible saber el gasto de cada una de estas familias. Por lo cual, se hace necesario el uso de una muestra representativa para lograr el objetivo de estimar el parámetro poblacional (gasto promedio semanal de una familia de estrato socioeconómico bajo)
6 Población Se llama población objetivo al conjunto de elementos de interés en un estudio, sobre los cuales se desea información y hacia los cuales se extenderán las conclusiones. Esta población puede ser concreta (estar delimitada e identificada, en el sentido de saber quiénes cuáles son sus miembros) o puede ser hipotética. En un estudio de mercados se puede estar interesado en las familias de estrato socieconómico bajo.
7 Población Se llama población objetivo al conjunto de elementos de interés en un estudio, sobre los cuales se desea información y hacia los cuales se extenderán las conclusiones. Esta población puede ser concreta (estar delimitada e identificada, en el sentido de saber quiénes cuáles son sus miembros) o puede ser hipotética. En un estudio de mercados se puede estar interesado en las familias de estrato socieconómico bajo. En un estudio social se puede estar interesado en las personas que están desempleadas en la ciudad.
8 Población Se llama población objetivo al conjunto de elementos de interés en un estudio, sobre los cuales se desea información y hacia los cuales se extenderán las conclusiones. Esta población puede ser concreta (estar delimitada e identificada, en el sentido de saber quiénes cuáles son sus miembros) o puede ser hipotética. En un estudio de mercados se puede estar interesado en las familias de estrato socieconómico bajo. En un estudio social se puede estar interesado en las personas que están desempleadas en la ciudad. En un estudio de calidad se puede estar interesado en los elementos producidos por una maquina.
9 Muestra Aleatoria Una muestra es un subconjunto representativo de elementos obtenidos de la población de interés. Qué hace a una muestra representativa de la población?
10 Muestra Aleatoria Una muestra es un subconjunto representativo de elementos obtenidos de la población de interés. Qué hace a una muestra representativa de la población? La muestra debe conservar la estructura de las características y las relaciones que se quieren observar, que los alejamientos se deban solamente a la acción del azar (aleatoriedad) el mecanismo de selección debe ser tal que se conozca la probabilidad que tiene cada unidad de la población de ser incluida en la muestra Si una muestra no es aleatoria se puede estar tentado a elegir una muestra seleccionando los miembros más convenientes de la población, lo que puede llevar a una falsa idea sobre el valor del parámetro o una inadecuada toma de decisiones (Sesgo, sobre-estimación o sub-estimación del parámetro)
11 Muestra Aleatoria Una muestra es un subconjunto representativo de elementos obtenidos de la población de interés. Qué hace a una muestra representativa de la población? El tamaño también influye en la representatividad de la muestra, aunque este no está relacionado directamente con el tamaño de la población El grado de homogeneidad, es decir la variabilidad de la característica de interés, toma un papel importante en la definición del tamaño de muestra. El criterio que define si una muestra de un tamaño determinado, puede considerarse como representativa, tiene relación también con el nivel de precisión requerido.
12 Algunas otras definiciones Variable: Característica de interés medible sobre cada elemento de la población. Parámetro: Valor numérico constante que resume la característica de interés de toda población (µ, σ 2 ) Estadístico: Valor numérico que resume la característica de interés en una muestra( X, S 2 ) En general, una estadística es una función de los datos de la muestra. En caso de que se usen para hacerse idea (estimar) de los parámetros de una población estos reciben el nombre de Estimadores
13 Estimación Puntual de un parámetro Ejemplo: Para estimar el gasto promedio semanal en alimentos de familias de estratos bajos, se tomó una muestra aleatoria de tamaño 10 y los resultados (en miles de pesos) fueron: 70, 45, 50, 48, 40, 55, 66, 44, 65. Por lo cual el promedio muestral ( x = $53,666) es un estimador de la media teórica (µ)
14 Estimación Puntual de un parámetro Ejemplo: Para estimar el gasto promedio semanal en alimentos de familias de estratos bajos, se tomó una muestra aleatoria de tamaño 10 y los resultados (en miles de pesos) fueron: 70, 45, 50, 48, 40, 55, 66, 44, 65. Por lo cual el promedio muestral ( x = $53,666) es un estimador de la media teórica (µ) Si: El valor calculado de x dificilmente nos da el valor exacto de µ El valor de x cambia cuando se toma otra muestra aleatoria Podemos estar seguros de que x me proporciona estimaciones confiables de la media poblacional?
15 Estimación Puntual de un parámetro Simulación: Suponga que el gasto promedio semanal de las familias (µ) es de $ y se toman 100 muestras aleatorias diferentes de tamaño 10 y se observa su x # Muestra Estimación Parámetro Estimación
16 Estimación Puntual de un parámetro Simulación: Suponga que el gasto promedio semanal de las familias (µ) es de $ y se toman 100 muestras aleatorias diferentes de tamaño 10 y se observa su x frecuencia Promedio de cada muestra
17 Propiedades de un estimador Puesto que cualquier estadístico puede ser usada para la estimación de un parámetro, es necesario que verificar que el estimador cumpla con unas propiedades para que pueda ser catalogado como un buen estimador. Algunas de estas son: Insesgamiento. Eficiencia. Consistencia.
18 Propiedades de un estimador Se desea que los valores que toma el estimador (T) en promedio sean cercanos al parámetro (θ). Se debe cumplir que E(T ) = θ (la esperanza de una variable aleatoria puede ser vista como un promedio de todos los valores que toma la variable) (Propiedad de insesgamiento) Fig: Estimaciones de un estimador insesgado # Muestra Estimación Parámetro Prom. Estimaciones Estimación
19 Propiedades de un estimador Se desea que los valores que toma el estimador (T) en promedio sean cercanos al parámetro (θ). Se debe cumplir que E(T ) = θ (la esperanza de una variable aleatoria puede ser vista como un promedio de todos los valores que toma la variable) (Propiedad de insesgamiento) Fig: Estimaciones de un estimador sesgado Estimación Parámetro Prom. Estimaciones Estimación # Muestra
20 Propiedades de un estimador También se quiere que el estimador tenga una variabilidad alrededor de la media lo más pequeño posible (Varianza Mínima). Se dice que un estimador T 1 es más eficiente que T 2 si: Var(T 1 ) < Var(T 2 ) Fig: Comparación de los resultados de dos estimadores Estimacion T1 T2 Estimador
21 Estimación Puntual de un parámetro Si el valor que adquiere un estimador es el resultado de un experimento aleatorio (una muestra aleatoria), el estimador se considera como una variable aleatoria y debe tener una distribución asociada. La distribución de probabilidad de un estimador recibe el nombre de distribución muestral. Fig: Simulación del promedio de muestras frecuencia Promedio de cada muestra
22 Distribución de la media muestral Suponga que se toma una muestra aleatoria de tamaño n de una población normal con media µ y varianza σ 2 (conocida). Cada observación x i, i = 1,..., n de la muestra tiene entonces la misma distribución normal que la población que está siendo muestrada. De aquí que: X = x 1 + x x n n Tiene una distribución aproximadamente normal con media igual a µ y una varianza de σ 2 /n ) X Normal (µ, σ2 n
23 Ejemplo Una fabrica embotelladora de jugos emplea una maquina para envasarlo, la cual llena las botellas automáticamente con 16 onzas. Sin embargo, la cantidad de líquido que se vierte en cada botella puede diferir. El fabricante garantiza que la cantidad de líquido que se vierte en cada botella se aproxima a una distribución normal con media 16 onzas y una desviación estándar de 1 onza. Cuál es la probabilidad de que una botella sea llenada con menos de 15.5 onzas?
24 Ejemplo Una fabrica embotelladora de jugos emplea una maquina para envasarlo, la cual llena las botellas automáticamente con 16 onzas. Sin embargo, la cantidad de líquido que se vierte en cada botella puede diferir. El fabricante garantiza que la cantidad de líquido que se vierte en cada botella se aproxima a una distribución normal con media 16 onzas y una desviación estándar de 1 onza. Cuál es la probabilidad de que una botella sea llenada con menos de 15.5 onzas? Si luego de tomar una muestra aleatoria de 10 botellas se encuentra que el promedio es inferior a 15.5 onzas Usted dudaría de lo que el fabricante le está afirmando?
25 Ejemplo Una fabrica embotelladora de jugos emplea una maquina para envasarlo, la cual llena las botellas automáticamente con 16 onzas. Sin embargo, la cantidad de líquido que se vierte en cada botella puede diferir. El fabricante garantiza que la cantidad de líquido que se vierte en cada botella se aproxima a una distribución normal con media 16 onzas y una desviación estándar de 1 onza. Cuál es la probabilidad de que una botella sea llenada con menos de 15.5 onzas? Si luego de tomar una muestra aleatoria de 10 botellas se encuentra que el promedio es inferior a 15.5 onzas Usted dudaría de lo que el fabricante le está afirmando? Y si la muestra es de 30 botellas?
26 Ejemplo Una fabrica embotelladora de jugos emplea una maquina para envasarlo, la cual llena las botellas automáticamente con 16 onzas. Sin embargo, la cantidad de líquido que se vierte en cada botella puede diferir. El fabricante garantiza que la cantidad de líquido que se vierte en cada botella se aproxima a una distribución normal con media 16 onzas y una desviación estándar de 1 onza. Cuál es la probabilidad de que una botella sea llenada con menos de 15.5 onzas? Si luego de tomar una muestra aleatoria de 10 botellas se encuentra que el promedio es inferior a 15.5 onzas Usted dudaría de lo que el fabricante le está afirmando? Y si la muestra es de 30 botellas? Que puedo hacer si la distribución de los datos no es normal?
27 Teorema Central del Límite La suma de un gran numero de variables aleatorias independientes tiende a seguir de manera asintótica una distribución normal, siempre que determinadas condiciones queden satisfechas
28 Teorema Central del Límite La suma de un gran numero de variables aleatorias independientes tiende a seguir de manera asintótica una distribución normal, siempre que determinadas condiciones queden satisfechas Importancia: La normalidad es fundamental en los procedimientos inferenciales como son las estimaciones por intervalos de confianza, pruebas de hipótesis, pronósticos, entre otros procedimientos. Uso de la normal como distribución de los errores aleatorios de medición. El error de medición esta compuesto de muchos errores pequeños no observables que pueden considerarse aditivos
29 Teorema Central del Límite Sea X 1, X 2, X n una sucesión de variables aleatorias independientes e igualmente distribuidas con media µ y varianza σ 2 <. Sea: X = n j=1 Entonces, la sucesión de variables X 1, X 2,... converge en distribución a una variable aleatoria con una distribución normal (cuando n es suficientemente grande). Esto es, ( ) d X n Normal µ, σ2 n X j n
30 Ejemplo Cierto fabricante de bombillos asegura que su producto tiene una vida media de 800 horas con una desviación estándar de 150 horas. Un distribuidor esta dispuesto a representar su producto si al efectuar una prueba con 40 focos la duración media es superior a 750 horas. Que probabilidad tiene el fabricante de cerrar el negocio si: Realmente la producción de bombillos tiene los parámetros declarados. La verdadera duración media es de 700 horas con la misma desviación estándar. La verdadera desviación estándar es de 300 horas (media igual, 800).
31 Intervalo de Confianza Se puede hacer una estimación puntual de µ... pero no hay razón para esperar que esta estimación proveniente de una muestra sea exactamente igual al parámetro poblacional que se supone estima (diferentes muestras arrojan diferentes resultados). En el caso que se quiera estimar µ por medio de x: # Muestra Estimación Parámetro Estimación
32 Intervalo de Confianza Una estimación por intervalos para un parámetro poblacional es llamada un intervalo de confianza. No podemos estar seguros que el intervalo contiene al verdadero valor del parámetro poblacional desconocido. Sin embargo, el intervalo de confianza es construido de forma que se tenga una alta confianza (probabilidad) de que el intervalo contenga el parámetro poblacional (?).
33 Intervalo de Confianza Una estimación por intervalos para un parámetro poblacional es llamada un intervalo de confianza. No podemos estar seguros que el intervalo contiene al verdadero valor del parámetro poblacional desconocido. Sin embargo, el intervalo de confianza es construido de forma que se tenga una alta confianza (probabilidad) de que el intervalo contenga el parámetro poblacional (?). Definición: Dada una muestra aleatoria X 1,..., X n con función de densidad f(x i, θ), un intervalo de confianza de (1 α) 100 % para un parámetro θ es un intervalo aleatorio (T 1, T 2 ) con Pr(T 1 < θ < T 2 ) = 1 α. Para la estimación de µ el intervalo de confianza estará determinado como: x ± Error de estimación
34 Intervalo de Confianza para µ Si se tiene una muestra aleatoria x 1,..., x n proveniente de una distribución normal con media µ desconocida y σ 2 conocida (o de cualquier distribución de probabilidad con un n suficientemente grande). Entonces, x se distribuye normalmente con media µ y varianza σ 2 /n. Además se tiene que: Z = x µ σ/ Normal(0, 1) n
35 Intervalo de Confianza para µ Si se tiene una muestra aleatoria x 1,..., x n proveniente de una distribución normal con media µ desconocida y σ 2 conocida (o de cualquier distribución de probabilidad con un n suficientemente grande). Entonces, x se distribuye normalmente con media µ y varianza σ 2 /n. Además se tiene que: Z = x µ σ/ Normal(0, 1) n Un intervalo de confianza para µ es un intervalo de la forma LI µ LS, donde LS y LI son calculados a partir de la muestra (Variables aleatorias). Estos valores se determinan de tal forma que se cumpla la siguiente condición: P (LI µ LS) = 1 α Donde 0 α 1. Lo que indica que hay una probabilidad de 1 α de que para la muestra seleccionada el intervalo de confianza contenga a µ
36 Intervalo de Confianza para µ Dado que: Z = x µ σ/ Normal(0, 1) n Entonces: ( P z α/2 x µ ) σ/ n z 1 α/2 = 1 α Prob = α/2 Prob = α/2 Z(α/2) 0 Z( 1 α/2) Los valores de LS y LI se encuentran al despejar µ en la desigualdad.
37 Intervalo de Confianza para µ Si x es la media muestral de una muestra aleatoria de tamaño n proveniente de una población normal (o de cualquier distribución si n es suficientemente grande) con varianza σ 2 conocida, entonces el intervalo del (1 α) 100 % para µ está dado por: x + z α/2 σ n µ x + z 1 α/2 σ n
38 Intervalo de Confianza para µ Si x es la media muestral de una muestra aleatoria de tamaño n proveniente de una población normal (o de cualquier distribución si n es suficientemente grande) con varianza σ 2 conocida, entonces el intervalo del (1 α) 100 % para µ está dado por: x + z α/2 σ n µ x + z 1 α/2 σ n Se tiene probabilidad (1 α) de seleccionar una muestra aleatoria que produzca un intervalo que contenga µ. A mayor nivel confianza mayor seguridad de que el intervalo dado contiene a µ.
39 Ejemplo Un fabricante produce pistones para motores de vehículos. Por especificaciones del fabricante se sabe el diámetro de los pistones está normalmente distribuido con σ = 0,01mm. Para realizar un control de calidad sobre el producto se decide observar una muestra aleatoria de 15 pistones y se encontró que el promedio del diámetro de 76,03mm. Construir un intervalo del 99 % de confianza para la media del diámetro de los pistones. Construir un intervalo del 95 % de confianza para la media del diámetro de los pistones.
40 Ejemplo Un fabricante produce pistones para motores de vehículos. Por especificaciones del fabricante se sabe el diámetro de los pistones está normalmente distribuido con σ = 0,01mm. Para realizar un control de calidad sobre el producto se decide observar una muestra aleatoria de 15 pistones y se encontró que el promedio del diámetro de 76,03mm. Para el caso del 99 % el intervalo queda de la siguiente forma: ( ; ) Lo que nos indica que con un 99 % de confianza se puede concluir que el diámetro medio de los pistones está entre mm y mm
41 Intervalo de Confianza para µ Fig: Simulación de 50 intervalos del 95 % confianza para µ intervalo de confianza µ Muestra Si se toman muchas muestras de la misma población, todas del mismo tamaño, y construimos un intervalo para cada uno, se puede afirmar que el (1 α) 100 % de los intervalos así construidos contendrán el verdadero valor del parámetro.
42 Para estimar µ: Comportamiento de los intervalos de confianza x ± z 1 α/2 σ n Estimación ± Error de estimación Es deseable tener un nivel de confianza alto y un error de estimación pequeño. El último se hace pequeño cuando: El nivel de confianza (1 α) se hace pequeño. La variabilidad entre los elementos de la población es pequeña. (σ es pequeño). Se incrementa el tamaño de muestra.
43 Para estimar µ: Comportamiento de los intervalos de confianza x ± z 1 α/2 σ n Estimación ± Error de estimación Este procedimiento es correcto sólo en circunstancias concretas: Los datos deben proceder de una muestra aleatoria. La población de los datos debe ser normal. Si la población no es normal, el tamaño de la muestra debe ser grande (teorema central del límite). Se tiene que tener conocimiento de la desviación estándar.
44 Ejemplo Una compañía constructora resuelve estudiar la resistencia a la compresión de una mezcla de concreto, con el objetivo de hacer control de calidad. Para ello se tomaron 18 cilindros de prueba de acuerdo con las normas establecidas. Se encontró en la muestra que luego de 28 días de curado que x = 280kg/cm 2 y según la compañía la desviación estándar del proceso es de 20 kg/cm 2. Construir un intervalo de confianza del 90 % y del 96 % para el valor real de la resistencia a la compresión de la mezcla de concreto.
45 Bibliografía Canavos, G. (1988). Probabilidad y Estadística: Aplicaciones y métodos. Mc Graw Hill, México, vol. 1 edition. Devore, J. L. (2008). Probabilidad y estadística para ingeniería y ciencias. Thomson Paraninfo, México, vol. 7 edition. Gutierrez, A. and Zhang, H. (2010). Teoría Estadística: Aplicaciones y Métodos. Universidad Santo Tomás, Bogotá,Colombia, vol. 1 edition. Mayorga, J. H. (2004). Inferencia Estadística. Universidad Nacional de Colombia, Bogotá,Colombia, vol. 1 edition. Moore, D. S. (2005). Estadística aplicada básica. Antoni Bosch Editor, Barcelona, España, vol. 2 edition.
Conceptos 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 detallesIntervalos de Confianza
Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de
Más detallesPruebas de hipótesis
Pruebas de hipótesis Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Prueba de hipótesis Uno de los objetivos de la estadística es hacer
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 detallesDistribución de Probabilidad
Distribución de Probabilidad Variables continuas Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Distribuciones de probabilidad continuas
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 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 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 detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 11 Estimadores puntuales y de intervalo Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Describir los conceptos de los estimadores puntuales y de intervalo.
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 detallesFundamentos 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 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 detallesEstadística Inferencial. Sesión 3. Estimación de parámetros y por intervalos
Estadística Inferencial. Sesión 3. Estimación de parámetros y por intervalos Contextualización. Se denomina estadístico a un estimador insesgado de un parámetro poblacional si la media o la esperanza del
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 detallesINTERVALOS DE CONFIANZA
INTERVALOS DE CONFIANZA INTERVALOS DE CONFIANZA Dado que los estimadores puntuales pocas veces serán iguales a los parámetros que se desean estimar, es posible darse mayor libertad utilizando estimadores
Más detallesEstimaciones puntuales. Estadística II
Estimaciones puntuales Estadística II Estimación Podemos hacer dos tipos de estimaciones concernientes a una población: una estimación puntual y una estimación de intervalo. Una estimación puntual es un
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 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 detallesEstadística Descriptiva
Estadística Descriptiva Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Estadística Descriptiva Es una etapa de la metodología estadística,
Más detallesSolución Examen Parcial IV Nombres: Apellidos: C.I.: Firma: Fecha: 22/06/2005
Nombres: Apellidos: C.I.: Firma: Fecha: 22/06/2005 MÉTODOS ESTADÍSTICOS I EXAMEN IV PARTE I: Encierre con un círculo la respuesta correcta o llene los espacios en blanco (0,5 puntos c/u): 1. (V F) La prueba
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 detallesMODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO.
DISTRIBUCIÓN t Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza, en estos casos utilizamos la distribución de t de Student. Si el tamaño de la muestra es suficientemente
Más detallesTema 3 - Introducción. Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2.
Tema 3 - Introducción 1 Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2. Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores
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 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 detallesESTADÍSTICA II UNIDAD I: ESTIMACIÓN DE PARÁMETROS 3RA PARTE (CLASE 20/09)
ESTADÍSTICA II UNIDAD I: ESTIMACIÓN DE PARÁMETROS 3RA PARTE (CLASE 20/09) Estimación de una media de población: σ conocida Requisitos 1. La muestra es aleatoria simple. (Todas las muestras del mismo tamaño
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 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 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 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 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 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 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 detallesTEMA 2: EL PROCESO DE MUESTREO
2.5. Determinación del tamaño de la muestra para la estimación en muestreo aleatorio estratificado TEMA 2: EL PROCESO DE MUESTREO 2.1. Concepto y limitaciones 2.2. Etapas en la selección de la muestra
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 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 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 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 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 detallesESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL.
ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL. Un intervalo de confianza, para un parámetro poblacional θ, a un nivel de confianza 1 α 100 %, no es más que un intervalo L
Más detallesEXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 2006
EXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 6 Problema ( ptos) Considera un experimento aleatorio con espacio muestral Ω. a) Definir una σ-álgebra A sobre Ω. b) Dar
Más detallesJuan Carlos Colonia INFERENCIA ESTADÍSTICA
Juan Carlos Colonia INFERENCIA ESTADÍSTICA PARÁMETROS Y ESTADÍSTICAS Es fundamental entender la diferencia entre parámetros y estadísticos. Los parámetros se refieren a la distribución de la población
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo
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 detallesPROBLEMAS DE ESTIMACIÓN PUNTUAL Y POR INTERVALOS
Estadística 1 PROBLEMAS DE ESTIMACIÓN PUNTUAL Y POR INTERVALOS 1. Obtener un estimador insesgado para p en una m.a.s. de tamaño n de una distribución binomial B(m,p) con m conocido y calcular su error
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 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 detallesDistribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio
Distribuciones de muestreo fundamentales y descripciones de datos Muestreo aleatorio En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población),
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 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 detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES PAUTA DE CORRECCIÓN PRUEBA N 3 Profesor: Hugo S. Salinas. Segundo Semestre 200. Se investiga el diámetro
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 detallesPruebas de hipótesis. Comparación de 2 muestras. Álvaro José Flórez. Febrero - Junio Facultad de Ingenierías
Pruebas de hipótesis Comparación de 2 muestras Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Comparación de medias La comparación de dos
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 detallesTEMA 2: Estimadores y distribuciones en el muestreo. Alfredo García Hiernaux. Grupos 69 y 73 Estadística I. Curso 2006/07
TEMA 2: Estimadores y distribuciones en el muestreo 1) Introducción 2) Tipos de muestreos 3) Estadísticos INDICE 4) Estimadores y propiedades 5) Distribución muestral 6) Teorema Central del Límite 7) Distribuciones
Más detallesEstadística. Contrastes para los parámetros de la Normal
Contrastes para los parámetros de la Normal Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Contrastes para los parámetros de la Normal Contrastes para los parámetros
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 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 detallesINFERENCIA ESTADISTICA. Proferora: Lic. Gladis Mazza
INFERENCIA ESTADISTICA Proferora: Lic. Gladis Mazza INFERENCIA ESTADISTICA Por este proceso es posible utilizar estadísticos calculados a partir de muestras para estimar los valores de los parámetros de
Más detallesEstadística Aplicada a la Educación
Estadística Aplicada a a la la Educación Estadística Aplicada a la Educación Tutor. UNED Madrid-Sur (A.U. Parla) Miguel Ángel Daza 2014/15 migdaza@madridsur.uned.es 1 2014/15 1 2 4 5 6 7 8 9 10 11 12 La
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 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 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 detallesInferencia. Mauricio Olivares. 19 de junio de 2015 ITAM
Inferencia Mauricio Olivares ITAM 19 de junio de 2015 Recuerda de nuestra clase anterior que m(x) = α + βx. Recuerda de nuestra clase anterior que m(x) = α + βx. Esta es una relación poblacional, no hay
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 detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesTema 6. Estimación puntual
1 Tema 6. Estimación puntual En este tema: Planteamiento del problema. Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Métodos
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesMs. C. Marco Vinicio Rodríguez
Ms. C. Marco Vinicio Rodríguez mvrodriguezl@yahoo.com http://mvrurural.wordpress.com/ Un estimador es una regla que establece cómo calcular una estimación basada en las mediciones contenidas en una muestra
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 detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES PARTE II POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS V ERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS
Más detallesConceptos básicos de inferencia estadística (I): Inferencia estadística (repaso)
Conceptos básicos de inferencia estadística (I): Inferencia estadística (repaso) Tema 1 (I) Estadística 2 Curso 08/09 Tema 1 (I) (Estadística 2) Inferencia estadística Curso 08/09 1 / 24 Inferencia estadística
Más detallesTema 7: Introducción a la Teoría sobre Estimación
Tema 7: Introducción a la Teoría sobre Estimación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Introducción a la Teoría sobre Estimación
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 detallesPROYECTO DE CARRERA: INGENIERÍA INDUSTRIAL ASIGNATURA: ESTADÍSTICAS II GUÍA DE EJERCICIOS N 2
PROYECTO DE CARRERA: INGENIERÍA INDUSTRIAL ASIGNATURA: ESTADÍSTICAS II GUÍA DE EJERCICIOS N 2 UNIDAD II: DISTRIBUCIONES MUESTRALES OBJ. 2.1 2.2 2.3 2.4 1.- Un plan de muestreo para aceptar un lote, para
Más detallesEstadística Inferencial. Sesión 2. Distribuciones muestrales
Estadística Inferencial. Sesión 2. Distribuciones muestrales Contextualización. Toda cantidad que se obtiene de una muestra con el propósito de estimar un parámetro poblacional se llama estadístico muestral
Más detallesEstadística Inferencial
Estadística Inferencial 1 Sesión No. 3 Nombre: Estimación de parámetros y por intervalos Contextualiación Se denomina estadístico a un estimador insesgado de un parámetro poblacional si la media o la esperana
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 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 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 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 detallesIntervalos de Confianza para dos muestras
Intervalos de Confianza para dos muestras Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Comparación de dos poblaciones La comparación
Más detallesESTIMACION INFERENCIA ESTADISTICA
P M INFERENCIA ESTADISTICA Desde nuestro punto de vista, el objetivo es expresar, en términos probabilísticos, la incertidumbre de una información relativa a la población obtenida mediante la información
Más detallesR E S O L U C I Ó N. σ σ a) El intervalo de confianza de la media poblacional viene dado por: IC.. µ zα, µ+ zα
En una población una variable aleatoria sigue una ley Normal de media desconocida y desviación típica. a) Observada una muestra de tamaño 400, tomada al azar, se ha obtenido una media muestral igual a
Más detallesTema 6: Introducción a la inferencia estadística
Tema 6: Introducción a la inferencia estadística Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 6: Introducción a la inferencia estadística
Más detalles1. Ejercicios. 2 a parte
1. Ejercicios. 2 a parte Ejercicio 1 Calcule 1. P (χ 2 9 3 33) 2. P (χ 2 15 7 26). 3. P (15 51 χ 2 8 22). 4. P (χ 2 70 82). Ejercicio 2 Si X χ 2 26, obtenga un intervalo [a, b] que contenga un 95 % de
Más detallesAnota aquí tus respuestas para esta sección Distribución Z
Tarea 2. Estadística Inferencial Cada sección vale 25%. Cada inciso tiene el mismo peso. Hacer la tarea en equipo de dos personas y entregar solo una copia por cada equipo. 1. Cálculo lo siguiente. Ten
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 detallesMATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN. a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico.
MATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN 1. Conteste las preguntas siguientes: a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico. 1. 2. 3. 4. b. En
Más detallesEstadística Inferencial. Sesión 4. Estimación por intervalos
Estadística Inferencial. Sesión 4. Estimación por intervalos Contextualización. Como se definió en la sesión anterior la estimación por intervalos es utilizada para medir la confiabilidad de un estadístico.
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 10 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización En estadística existen dos métodos para la
Más detallespara una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua
Pruebas de hipótesis para una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua En muchas situaciones cuando queremos sacar conclusiones sobre una muestra,
Más detallesInferencia estadística en la EBAU de Murcia INFERENCIA ESTADÍSTICA EN LA EBAU DE MURCIA
INFERENCIA ESTADÍSTICA EN LA EBAU DE MURCIA 1. (Septiembre 2017) El consumo de carne por persona en un año para una población es una variable aleatoria con distribución normal con desviación típica igual
Más detallesEsquema Matemáticas CCSS
Esquema Matemáticas CCSS 4. Inferencia Conocer el vocabulario básico de la Inferencia Estadística: población, individuos, muestra, tamaño de la población, tamaño de la muestra, muestreo aleatorio. Conocer
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 10 Estadísticos muestrales y sus aplicaciones Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Describir las propiedades de los estadísticos muestrales.
Más detalles