Técnicas de Muestreo I
|
|
- Estefania Gómez Carmona
- hace 5 años
- Vistas:
Transcripción
1 1 / 33 Técnicas de Muestreo I Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM septiembre 2018
2 Estimadores de Razón bajo m.a.s.) 2 / 33
3 3 / 33 Estimadores de Razón Se hace uso de información auxiliar. Suponga que para cada unidad muestral, además de obtener información acerca de una variable Y, se obtiene información de una variable X, y se sabe que Y y X están correlacionadas. El estimador de razón dará una estimación de Y con más precisión que el estimador usual Ŷ m.a.s..
4 Estimador de razón Caso 1. Se quiere estimar Y o Ȳ bajo el supuesto que Y i X i y se conoce X o X. 4 / 33
5 5 / 33 Estimador de razón entonces, R = N i=1 Y i N i=1 X = Y i X = Ȳ X Y = RX o Ȳ = R X Un estimador basado en una m.a.s. de n elementos es: Ŷ = ˆRX; ˆȲ = ˆR X donde, ˆR = ȳ x = n i=1 y i n i=1 x i
6 Estimador de razón 6 / 33
7 7 / 33 Estimador de razón Y i X i Y i = RXi Y i = RX i + ε i ε i = Y i RX i Como conocemos X, conocemos la tasa de error X x, entonces ˆȲ = ˆR X = ȳ ) X x X = ȳ x }{{} ajuste Si, por ejemplo, X x = 1.2 X = 1.2 x estamos subestimando, i.e. x < X
8 8 / 33 Ejemplo Suponga que se tiene una m.a.s. de 49 ciudades de un total de 196 de cierta región del país, de las que se conoce el número de habitantes en el año 2010 y se quiere estimar el total de habitantes en la región en Se conoce el total de habitantes en 2010, X = i=1 x i = 5054; 49 i=1 y i = 6262 Ŷ R = ˆRX = 49 y i 49 X = ) = x i 5054 Si consideramos el estimador usual del total bajo m.a.s.: ) 6262 Ŷ m.a.s. = Nȳ = 196 = El total real en el año 2018 es
9 Estimador de razón Caso 1 continuación. Se quiere estimar Y, el total de la característica de interés Y i en la población, pero no se conoce N el total de elementos de la población, por lo que no se puede utilizar el estimador usual Ŷ = Nȳ. Pero, sabemos que entonces, estimamos N con X X = X X N = N ˆN = X x de tal manera que Ŷ = ˆRX = ȳ ) X x X = ȳ x 9 / 33
10 10 / 33 Estimador de la razón Caso 2. Se quiere estimar R estimador de la razón) ˆR = ȳ x = y i x i Por ejemplo, en una encuesta de familias, se mide el ingreso total familiar y i ) y el número de miembros de la familia x i ), entonces, se podría obtener el ingreso per cápita: ˆR = y i x i. Ejemplos de este tipo surgen cuando la unidad de muestreo en el ejemplo, la familia), comprende un conjunto de elementos miembros de la familia) y nuestro interés es estimar la media por elemento.
11 11 / 33 Estimador de la razón También cuando se quiere estimar la proporción de cierta característica en relación al total de todas las características. Por ejemplo: donde % votos al partido q = total de votos al partido q total de votos total de votos = votos al partido 1 + votos al partido
12 12 / 33 Estimador de razón Tomado de Raj y Chandhok 1998). ˆR es consistente para R en el sentido de que ˆR = R cuando el tamaño de muestra es N. ˆR es un estimador sesgado, E ˆR ) R ECM ˆR ) = V ˆR ) + [ B ˆR )] 2 B ˆR ) = E ˆR R ) R CV x)[cv x) ρ CV ȳ)] Además, se demuestra que ) B ˆR ) = E ˆR R CV x) V ˆR )
13 13 / 33 O bien, Estimador de razón E ˆR ) R V x) V ˆR ) CV x) = x En estudios de simulación se ha visto que: B ˆR) V ˆR) %[R I 95% ]
14 Estimador de razón Si n es grande y/o el CV x) 0.1 el sesgo es despreciable y se toma V ˆR) en lugar de ECM ˆR). Además, la distribución muestral de ˆR se aproxima a la normal. V ˆR ) = 1 X 1 2 n 1 ) [S 2 Y 2RS XY + R 2 S 2 ] X N S 2 X = N X i X ) 2 N 1 SY 2 = N Y i Ȳ ) 2 N 1 S XY = N X i X ) Y i Ȳ ) N 1 y su estimador es: ˆV ˆR ) = 1 x 1 2 n 1 ) [Ŝ2 Y 2 ˆRŜ XY + ˆR 2 Ŝ 2 ] X N 14 / 33
15 15 / 33 Estimador de razón Sin embargo, tiene una expresión más operativa Cochran) V ˆR ) = = 1 n ) 1 N n 1 n ) 1 N n 1 X 2 N Y i RX i ) 2 i=1 N 1 1 X 2 V ε i) con ε i = Y i RX i La varianza depende de la varianza de los errores. Si hay buena proporcionalidad entre X y Y, es decir, si Y i = RXi, la varianza del estimador de R es pequeña. Se estima con: ˆV ˆR ) = 1 n ) ) 1 n 2 1 yi ˆRx i N n x 2 i=1 n 1
16 16 / 33 Resumen Estimador de razón Para estimar la razón poblacional: ˆR = ȳ x = y i x i V ˆR ) = ˆV ˆR ) = 1 n ) 1 N n 1 X 2 1 n ) 1 1 N n x 2 N i=1 n i=1 Y i RX i ) 2 N 1 ) 2 yi ˆRx i n 1 Si n es suficientemente grande para que aplique la aproximación Normal, el intervalo aproximado de 1 α) 100% de confianza para R es: ˆR ± z 1 α/2 ˆV ˆR )
17 17 / 33 Resumen Estimador de razón Para estimar el total poblacional con X fijo y conocido): Ŷ = ˆRX ] ) 1 N i=1 Y i RX i ) 2 n V Ŷ ) = X 2 V ˆR ) [ = N 2 1 n N N 1 ˆV Ŷ ) [ = N 2 1 n ) 1 n ) 2 ] i=1 yi ˆRx i N n n 1 Si n es suficientemente grande para que aplique la aproximación Normal, el intervalo aproximado de 1 α) 100% de confianza para Y es: Ŷ ± z 1 α/2 ˆV Ŷ )
18 18 / 33 Resumen Estimador de razón Para estimar la media poblacional con X fijo y conocido): ) V ˆȲ ) ˆV ˆȲ ˆȲ = ˆR X = X 2 V ˆR ) = 1 n ) 1 N i=1 Y i RX i ) 2 N n N 1 = 1 n ) 1 n ) 2 i=1 yi ˆRx i N n n 1 Si n es suficientemente grande para que aplique la aproximación Normal, el intervalo aproximado de 1 α) 100% de confianza para Ȳ es: ) ˆȲ ± z 1 α/2 ˆV ˆȲ
19 19 / 33 Comparación estimador de razón con el usual de m.a.s. Ŷ m.a.s. = Nȳ Ŷ R = ˆRX donde, V ) Ŷ m.a.s. = N 2 1 n ) S 2 Y N n V ) N 2 Ŷ R = n = N2 n 1 n ) S 2 N Y 2RS XY + R 2 SX 2 ) 1 n ) S 2 N Y 2RρS X S Y + R 2 SX 2 ) ρ = S XY S X S Y
20 20 / 33 Comparación estimador de razón con el usual de m.a.s. El estimador de razón es más preciso que el estimador usual de m.a.s. si V Ŷ R ) < V Ŷm.a.s. ) Si S 2 Y + R 2 S 2 X 2RρS X S Y < S 2 Y R 2 S 2 X 2RρS X S Y < 0 R2 S 2 X ρ > 2RS X S Y ρ > RS X CV X) = 2S Y 2CV Y)
21 21 / 33 Tamaño de muestra Si se especifica una δ para el error de estimación en Ȳ, esto es, ] P[ ˆȲ R Ȳ < δ = 1 α Se obtendrá que el tamaño de muestra adecuado, si N es grande, es: Donde, Sε 2 = 1 N 1 n = z2 1 α/2 S2 ε δ 2 N i=1 Y i RX i ) 2 Recordemos que en el caso del estimador usual del m.a.s. n = z2 1 α/2 S2 Y δ 2
22 Estimadores de Regresión bajo m.a.s.) 22 / 33
23 Estimadores de regresión 23 / 33
24 24 / 33 estimador de regresión Variable de interés Y i Variable auxiliar X i b = tanθ = b = ȳ Ȳ x X b x X ) = ȳ Ȳ cateto opuesto cateto adyacente El estimador de regresión de la media poblacional es: ˆȲ reg = ȳ ˆb x X ) = ȳ + ˆb X x ) = ˆȲ mas + ˆb X ˆ X ) mas El estimador de regresión del total poblacional es: N ˆȲ = Nȳ + N ˆb X x ) Ŷ reg = Ŷ m.a.s. + ˆb X ˆX m.a.s. )
25 25 / 33 estimador de regresión Donde ˆb es la pendiente ˆb = n i=1 y i ȳ)x i x) n i=1 x i x) 2 = ŜXY Ŝ 2 X además, ) es el estimador de mínimos cuadrados. Minimiza la V ˆȲ reg. Es difícil encontrar expresiones exactas para la varianza o los ECM de estos estimadores son sesgados). Sin embargo, si n es grande: ) V ˆȲ = S2 Y 1 ρ 2 ) 1 n ) n N donde ρ es el coeficiente de correlación entre X y Y. Xi X ) Y i Ȳ ) ρ = S XY S X S Y = [ N i=1 N i=1 Xi X ) 2 N i=1 Yi Ȳ ) 2 ] 1/2
26 Resumen estimador de regresión Para estimar la media poblacional, con X conocido: ˆȲ reg = ȳ + ˆb X x ) ) V ˆȲ reg ) ˆV ˆȲ reg = S2 Y n = Ŝ2 Y n 1 ρ 2 ) 1 n N ) 1 ˆρ 2 ) 1 n N ) Si n es suficientemente grande para que aplique la aproximación Normal, el intervalo aproximado de 1 α) 100% de confianza para Ȳ es: ) ˆȲ reg ± z 1 α/2 ˆV ˆȲ reg 26 / 33
27 27 / 33 Resumen estimador de regresión Para estimar el total poblacional, con X conocido: Ŷ reg = Nȳ + ˆbX N x) V Ŷ reg ) = N 2 S2 Y n ˆV Ŷ reg ) = N 2 Ŝ2 Y n 1 ρ 2 ) 1 n N ) 1 ˆρ 2 ) 1 n N ) Si n es suficientemente grande para que aplique la aproximación Normal, el intervalo aproximado de 1 α) 100% de confianza para Y es: Ŷ reg ± z 1 α/2 ˆV ) Ŷ reg
28 28 / 33 Ejemplo estimador de regresión Se examinó a 486 candidatos al ingresar a una escuela. De estos se tomó una m.a.s. de 10 estudiantes a los que se les midió su calificación en Cálculo al final del primer semestre. Se sabe que X = 52 para las 486 estudiantes. Se desea estimar Ȳ, el promedio de calificación en Cálculo de todos los estudiantes al final del primer semestre.
29 29 / 33 Ejemplo estimador de regresión estudiante Calificación admisión X) Calificación Cálculo Y)
30 Ejemplo estimador de regresión 30 / 33
31 31 / 33 Ejemplo estimador de regresión N = 486 X = 52 x = 46 n = 10 ȳ = 76 Ŝ 2 Y = ˆb = ˆρ = 0.84 ˆȲ reg = ȳ + ˆb X x ) = )52 46) ˆȲ reg = ) ˆV ˆȲ reg = 1 n ) Ŝ 2 Y 1 ˆρ 2 ) N n = 1 10 ) ) = )22.844)0.2944) = 6.586
32 32 / 33 Ejemplo estimador de regresión Si hacemos la aproximación a normalidad, el Intervalo del 95% de confianza para Ȳ es: ˆȲ reg ± ± ) ± , )
33 33 / 33 Tamaño de muestra Si se especifica una δ para el error de estimación en Ȳ, esto es, ] P[ ˆȲ reg Ȳ < δ = 1 α Se obtendrá que el tamaño de muestra adecuado, si N es grande, es: n = z2 1 α/2 S2 Y 1 ρ 2 ) δ 2 Si ρ es grande, n es pequeña. Recordemos que en el caso del estimador usual del m.a.s. n = z2 1 α/2 S2 Y δ 2
Sesgo y varianza del estimador de la razón. con el problema de presición vs. sesgo que ya discutimos. t y. ˆt x
Sesgo y varianza del estimador de la razón A diferencia de los estimadores lineales vistos en las clases anteriores, los estimadores de la razón son usualmente sesgados. La varianza, comunmente más reducida,
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 detallesMuestreo en Poblaciones Finitas
Información Adicional. Estimadores de Razón y Regresión 1/25 Muestreo en Poblaciones Finitas Información Adicional. Estimadores de Razón y Regresión José A. Mayor Gallego Departamento de Estadística e
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesMUESTREO LICENCIATURA EN ESTADISTICA ESTIMADORES DE RAZÓN Y REGRESIÓN EN MUESTREO ALEATORIO ESTRATIFICADO
MUESTREO ICENCIATURA EN ESTADISTICA ESTIMADORES DE RAZÓN Y REGRESIÓN EN MUESTREO AEATORIO ESTRATIFICADO 016 DOCENTES: Dr. José Alberto Pagura ic. ucía N. Hernández 1 Estimadores de Razón y Regresión en
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía Novedades en el Plan de Trabajo Desviación típica sesgada
Más detallesTEMA 10 Correlación y regresión. El modelo de regresión simple
TEMA 10 Correlación y regresión. El modelo de regresión simple Karl Pearson (1857-1936) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
Más detallesy k k=1 k=1 n k=1 l=1 = 1 2
Muestreo. Tarea. Semestre 205-2. Profesora: Guillermina Eslava Gómez. Ayudante: Graciela Martínez Sánchez Fecha de entrega: viernes 27 de febrero en clase Resolver en equipos de a 6 alumnos. Las tareas
Más detallesMatemáticas Nivel Medio Matemáticas Ap.CC.SS.II
Matemáticas Nivel Medio Matemáticas Ap.CC.SS.II Martes, 6 de febrero de 018 1 hora y 15 minutos. NOMBRE APELLIDOS CALIFICACIÓN 1. La longitud auricular de la oreja en varones jóvenes, medida en centímetros
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía VIDEOCLASE: Introducción a la estimación de parámetros
Más detallesUnidad Temática 3: Estadística Analítica. Unidad 9 Regresión Lineal Simple Tema 15
Unidad Temática 3: Estadística Analítica Unidad 9 Regresión Lineal Simple Tema 15 Estadística Analítica CORRELACIÓN LINEAL SIMPLE Indica la fuerza y la dirección de una relación lineal proporcional entre
Más detallesRegresión lineal simple
Regresión lineal simple Unidad 1 Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2018-2 Javier Santibáñez (IIMAS, UNAM) Regresión simple Semestre 2018-2 1 / 62 Contenido 1 Planteamiento
Más detallesRegresión lineal
86 Bioestadística: Métodos y Aplicaciones coeficiente de determinación de la regresión de Y sobre X, R 2 Y X, como R 2 Y X = 1 S2 E S 2 Y (3.4) Si el ajuste de Y mediante la curva de regresión Ŷ = f(x)
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 Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
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 detallesPrácticas Tema 2: El modelo lineal simple
Prácticas Tema 2: El modelo lineal simple Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 2.1- Se han analizado sobre una muestra de 10 familias las variables
Más detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detallesRelación 3 de problemas
ESTADÍSTICA II Curso 2016/2017 Grado en Matemáticas Relación 3 de problemas 1. La Comunidad de Madrid evalúa anualmente a los alumnos de sexto de primaria de todos los colegios sobre varias materias. Con
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
Más detallesLa línea recta: Serie1
La línea recta: En una línea recta tenemos una relación entre dos variables, la independiente (x) y la dependiente (y). La forma en que se relacionan dependerá de la función que describa dicha relación.
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
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 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 detallesASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com
ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesProfesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.
UNIVERSIDAD DE ATACAMA FACULTAD DE CIENCIAS JURÍDICAS / CARRERA DE TRABAJO SOCIAL TECNOLOGÍA INFORMÁTICA I (SPSS) ESTADÍSTICA DESCRIPTIVA CON MÁS DE UNA VARIABLE Profesor: Hugo S. Salinas. Primer Semestre
Más detallesRegresión Lineal Simple y Múltiple Regresión Logística
Regresión Lineal Simple y Múltiple Regresión Logística Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura MUI en Ciencias de la Salud MUI en Ciencias de la Salud (UEx) Regresión
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
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 detallesComportamiento asintótico de estimadores
Comportamiento asintótico de estimadores Seguimos con variable X con función de densidad/masa f (x; θ). Queremos estimar θ. Dada una muestra aleatoria, definimos un estimador T = h(x 1,..., X n ) Esperamos/deseamos
Más detallesMuestreo e intervalos de confianza
Muestreo e intervalos de confianza Intervalo de confianza para la media (varianza desconocida) Intervalo de confinza para la varianza Grados en Biología y Biología sanitaria M. Marvá. Departamento de Física
Más detallesCenso Nacional de Población, Hogares y Viviendas 2010 Censo del Bicentenario
Censo Nacional de Población, Hogares y Viviendas 2010 Censo del Bicentenario Base de datos REDATAM Errores muestrales en el procesamiento del cuestionario censal ampliado Serie Serie Base Base de de datos
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS FEBRERO Código asignatura: EXAMEN MODELO B DURACION: 2 HORAS
Febrero 2011 EXAMEN MODELO B Pág. 1 INTRODUCCIÓN AL ANÁLISIS DE DATOS FEBRERO Código asignatura: 62011037 EXAMEN MODELO B DURACION: 2 HORAS X Ciudad A Ciudad B 17-20 10 17 13-16 20 27 9-12 25 15 5-8 15
Más detallesNOTA ESTADÍSTICA ENCUESTA SUPLEMENTARIA DE INGRESOS (ESI)
NOTA ESTADÍSTICA ENCUESTA SUPLEMENTARIA DE INGRESOS (ESI) Julio de 2017 Los errores de muestreo existen como consecuencia de la utilización de una parte de la población para estimar características 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 detallesErrores de especificación
CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta
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 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 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 detallesTÉCNICAS DE MUESTREO I MUESTREO ESTRATIFICADO
TÉCNICAS DE MUESTREO I MUESTREO ESTRATIFICADO Profesor: Ing. Celso Gonzales C. Mg.Sc CONTENIDO Introducción Muestreo Estratificado. Definiciones. Estimación de parámetros, tipos de asignación. CARACTERISTICAS
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 detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
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 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 detallesEstimación del modelo lineal con dos variables
Estimación del modelo lineal con dos variables el método de mínimos cuadrados ordinarios (MCO) Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Estimación del modelo lineal por MCO 1
Más detallesCurso Inferencia. Miguel Ángel Chong R. 10 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 10 de septiembre del 013 Distribución de la diferencia de medias muestrales cuando se conoce la varianza poblacional. En muchas situaciones
Más detallesSoluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015
Soluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015 Conteste todas las preguntas en dos horas y media. Pregunta 1 (33 puntos: Un investigador está considerando las
Más detallesEstadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad
Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique
Más detallesTEMA 3 Modelo de regresión simple
TEMA 3 Modelo de regresión simple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Planteamiento del problema.
Más detallesTruncamiento y Selección
y Selección Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 4 Tobit vs. Tobit: inversión en equipo q = x i i β + ε i
Más detallesEstimación del Índice de Gini en Poblaciones Finitas. José Antonio Mayor Gallego
Estimación del Índice de Gini en Poblaciones Finitas José Antonio Mayor Gallego Departamento de Estadística e Investigación Operativa Universidad de Sevilla. Facultad de Matemáticas Abril, 2009 José A.
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
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 detallesEstadística II. Laura M. Castro Souto
Estadística II Laura M. Castro Souto Segundo Cuatrimestre Curso 2000/2001 Modelos de Regresión Diferencias con el Diseño de Experimentos Los modelos de regresión estudian relaciones numéricas entre variables
Más detallesTema 4: INFERENCIA ESTADÍSTICA - I
Tema 4: INFERENCIA ESTADÍSTICA - I Intervalos de confianza para la media, muesras grandes, varianza conocida Biología sanitaria 2017/18. Universidad de Alcalá M. Marvá. Actualizado: 2018-03-20 Biología
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 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 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 detallesIntervalo para la media si se conoce la varianza
178 Bioestadística: Métodos y Aplicaciones nza para la media (caso general): Este se trata del caso con verdadero interés práctico. Por ejemplo sirve para estimar intervalos que contenga la media del colesterol
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 detallesRegresión Lineal. Rodrigo A. Alfaro. Rodrigo A. Alfaro (BCCh) Regresión Lineal / 16
Regresión Lineal Rodrigo A. Alfaro 2009 Rodrigo A. Alfaro (BCCh) Regresión Lineal 2009 1 / 16 Contenidos 1 Regresiones Lineales Regresión Clásica Paquetes estadísticos 2 Estadísticos de Ajuste Global 3
Más detallesPROPIEDADES DEL ESTIMADOR MCO
TEMA 3 PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE) Lo que estudiaremos
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
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 detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
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 detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
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 detallesUNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL. Tema:
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL Tema: Correlación múltiple y parcial. Ecuaciones y planos de regresión La Plata, septiembre
Más detallesUNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 11
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 11 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
Más detallesMuestreo Estadístico
Muestreo Estadístico Grado en Estadística. Curso Segundo Facultad de Matemáticas Universidad de Sevilla Tema 5 Información adicional. Estimadores de razón y regresión Versión ρ 0.2 Departamento de Estadística
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 detallesFacultad de Ciencias Económicas y Jurídicas - Contador Público nacional 131 Estadística - Curso 2011 UNIDAD 9
Facultad de Ciencias Económicas y Jurídicas - Contador Público nacional 131 UNIDAD 9 ESTADISTICA INFERENCIAL INTRODUCCION A LA TEORIA DEL MUESTREO ESTIMACIONES Y PRUEBAS DE HIPOTESIS (1) A. Temas a cubrir
Más detallesUn modelo para representar una relación aproximadamente
Regresión Se han visto algunos ejemplos donde parece que haya una relación aproximadamente lineal entre dos variables. Supongamos que queremos estimar la relación entre las dos variables. Cómo ajustamos
Más detallesPart I. Descripción estadística de dos variables. Estadística I. Mario Francisco. Variable. bidimensional. Distribuciones de frecuencias
Part I Descripción de dos variables Introducción Si para un mismo individuo observamos simultáneamente k obtendremos como resultado una variable k-dimensional. Nos ocuparemos del estudio de las variables
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesCAPITULO 8. RECOMPOSICIÓN DE LA MUESTRA RECOMPOSICIÓN SOBRE VARIABLES CUANTITATIVAS
CAPITULO 8. RECOMPOSICIÓN DE LA MUESTRA... 275 8.1 RECOMPOSICIÓN SOBRE VARIABLES CUANTITATIVAS... 275 8.1.1. ESTIMADOR DE RAZÓN... 276 Recomposición de la media... 276 Recomposición del total... 277 Recomposición
Más detallesUN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 27 a 32 UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES CARLOS
Más detallesExamen de Introducción a la Econometría 8 de septiembre de 2008
NOMBRE DNI: GRUPO Firma: MODELO 1: SOLUCIONES Examen de Introducción a la Econometría 8 de septiembre de 008 Sólo una respuesta es válida. Debe justificar la respuesta de cada pregunta en el espacio que
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 detallesEVALUACIÓN EN APRENDIZAJE. Eduardo Morales y Jesús González
EVALUACIÓN EN APRENDIZAJE Eduardo Morales y Jesús González Significancia Estadística 2 En estadística, se dice que un resultado es estadísticamente significante, cuando no es posible que se presente por
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 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 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 detallesTEMA 3: PROPIEDADES DEL ESTIMADOR MCO
TEMA 3: PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE) Lo que estudiaremos
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 detallesANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL Msc. Lácides Baleta Octubre 16 Página 1 de 11 REGRESIÓN Y CORRELACIÓN LINEAL Son dos herramientas para investigar la dependencia de una variable dependiente Y
Más detallesANÁLISIS ESTADÍSTICO MUESTREO DE POBLACIONES FINITAS
ANÁLISIS ESTADÍSTICO MUESTREO DE POBLACIONES FINITAS Jorge Fallas jfallas56@gmail.com 2010 1 Temario Porqué muestrear? Para qué muestrear? Estimar parámetros de población Prueba de hipótesis Exploratorio
Más detallesMétodos Estadísticos de la Ingeniería Práctica 4: Regresión Lineal
Métodos Estadísticos de la Ingeniería Práctica 4: Regresión Lineal Área de Estadística e Investigación Operativa Mariano Amo Salas y Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos Práctica 4.......................................................
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
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 detalles