Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Grupo: 551112_3
Tutor:
Licenciatura En Matemáticas
Abril de 2020
ACTIVIDADES A DESARROLLAR
Rango
El rango es la diferencia entre el mayor y el menor de los datos de una muestra,
brindando un intervalo en el cual se puede “ubicar” los datos.
Si el dato es un número grande, indica que los datos presentan mucha dispersión;
mientras que, si el rango es un valor pequeño, la dispersión de la muestra es pequeña.
Se denota como R.
Para datos ordenados se calcula como:
R=x(n)−x (1)
Donde:
x(n): Es el mayor valor de la variable.
x(1): Es el menor valor de la variable.
Varianza
La varianza de un conjunto de valores es una medida de variación igual al cuadrado de
la desviación estándar.
Varianza muestral:s ² el cuadrado de la desviación estándar s.
Varianza poblacional: s ² el cuadrado de la desviación estándar poblacional s.
Se dice que la varianza muestral s ² es un estimador sin sesgo de la varianza poblacional
s ², lo que significa que los valores de s2tienden a igualar el valor des ² , en lugar de
tender, de manera sistemática, a sobreestimar o subestimar s ² .
Por ejemplo: considere una prueba de cociente intelectual (CI) diseñada de tal forma
que tiene una varianza de 225. Si usted repite el proceso de elegir aleatoriamente 100
sujetos, aplicarles la prueba y calcular la varianza muestrals ² en cada caso, las varianzas
muéstrales que obtendrá tenderá a concentrarse alrededor de 225, que es la varianza de
la población.
c. Medidas de Dispersión relativa
Coeficiente de varianza, es la medida que sirve para comparar las dispersiones de dos o
más distribuciones, establece la relación entre la desviación estándar y la media
aritmética y se expresa generalmente en porcientos.
S
C.V= .100
X
Parámetros y parámetro objetivo en el experimento
Parámetros
Parámetro, es un valor, medida o indicador representativo de la población que se
selecciona para ser estudiado.
Desde la estadística, parámetro es un número que se obtiene a partir de los datos de una
distribución estadística. Parámetro es una característica de la población, como la media
y la varianza (o desviación típica) en la distribución normal o la probabilidad de éxito
en la binomial son parámetros. Si conocemos su valor (o si somos capaces de
aproximarlo con suficiente precisión) podremos responder a cualquier pregunta sobre la
distribución.
Estimación, estimación puntual, estimación real y estimador del parámetro
objetivo
Estimación
Desde la estadística, estimación es un proceso mediante el que establecemos que valor
debe tener un parámetro según deducciones que realizamos que realizamos a través de
estadísticos.
Estimación implica “usar el valor de una estadística derivada de una muestra para
estimar el valor de un parámetro correspondiente a población”; la muestra establece
que la información puede ser proyectada a través de diversos factores, formal o
informalmente, son procesos para determinar una gama muy probablemente y descubrir
la información que falta. Cuando una estimación resulta ser incorrecta, se denomina
“overestimate” si la estimación superó el resultado real y una subestimación si la
estimación se quedó corto del resultado real.
Estimación puntual
Estimación puntual, es establecer un valor concreto (un punto) para el parámetro.
Desde la estadística, estimación puntual es la mejor suposición para el valor del
parámetro.
El objetivo de la estimación puntual es aproximar el valor del parámetro desconocido
(tiempo medio de ejecución de un algoritmo, altura media de las mujeres de una
población, diferencia del resultado medio entre dos tratamientos médicos, proporción de
gente que mejora con un tratamiento médico…)
Para ello se utiliza la información de la muestra ( x 1 , x 2 , x 3 , … , x n ), a través de
un estimador.
Algunos estimadores frecuentes son:
Media muestral, para estimar la media teórica de una variable “X”.
x 1+ …+ x n
x=
n
Proporción muestral, para estimar una proporción “p”:
¿ x1 +…+ xn
p
n
Siendo, x 1 , … , x nuna muestra aleatoria simple de la variable X ∈ B ( 1 , p ) , es decir, son
unos o ceros.
Varianza muestral: para estimar la varianza teórica de una población, se puede usar la
varianza de una muestra:
Ejercicios de varianza
9, 3, 8, 8, 9, 8, 9, 18
Calcular la varianza de la distribución de la tabla:
Propiedades de Varianza
2. En los casos que no se puede hallar la media tampoco será posible hallar
la varianza.
3. La varianza no viene expresada en las mismas unidades que los datos, ya que las
desviaciones están elevadas al cuadrado.
Desviación estándar
Desviación Estándar, conocida también como desviación típica, se genera a partir de
la varianza.
Desviación Estándar, es una medida que se usa para cuantificar la variación o
dispersión de un conjunto de datos numéricos.
El monto diferido entre datos y promedio se mide como un resultado o positivo o i
agula a cero; es igual de aplicable si los datos son mayores o menores del promedio.
Se da a partir de la observación de los cambios en los datos, acorde a su desarrollo en la
aplicación de su fórmula.
Es la raíz cuadrada de la varianza. Se utiliza para conocer la desviación que presentan
los datos en su distribución respecto a la media aritmética de dicha distribución; muestra
una visión más acorde con la realidad en el momento de tomar una decisión. Símbolo: σ
o S.
Desviación estándar muestral √2 s 2=s
Desviación estándar poblacional √2 σ 2=σ
Es una media cuadrática de lo que se apartan los datos de su medida y por tanto se mide
en las mismas unidades que la variable.
σ = raíz cuadrada de la varianza
En resumen, la desviación típica es la raíz cuadrada positiva de la media aritmética del
cuadrado de la diferencia entre los datos y la media de los valores, expresando con esto
una medida de distorsión con respecto a los elementos originales permitiendo aclarar
dudas y hacer proyecciones a futuro más exactas en base a esos datos.
Sesgo
Entre todos los posibles estimadores de θ ,a aquel que tenga el menor ECM es el
llamado estimador de mínimo error cuadrático medio.
ECM =Var(θ^ ¿+ sesg o 2 Es decir que el ECM es igual a la suma de la varianza más el
sesgo al cuadrado.
Estimador puntual de un parámetro
Una estimación puntual de un parámetro poblacional es cuando se utiliza un único valor
para estimar ese parámetro, es decir, se usa un punto en concreto de la muestra para
estimar el valor deseado.
Cuando estimamos un parámetro de forma puntual, podemos saber con certeza, cuál es
ese valor. Imaginemos una población de 30 personas de las que seleccionamos una
muestra de 20 para las que conocemos sus edades. Estimar de forma puntual la media de
edad, sería tan sencillo como sumar esos 20 datos y dividirlos entre el total de
la muestra estadística.
Estimador insesgado
Un estimador es insesgado cuando la esperanza matemática del este es igual al
parámetro que se desea estimar. Por tanto, la diferencia entre el parámetro a estimar y la
esperanza de nuestro estimador tendría que ser 0.
Sesgo de un estimador puntual, error estándar del estimador
dado por .
Teoremas de esperanza
Teoremas de esperanza
La esperanza matemática, también llamada valor esperado, es igual al sumatorio de las
probabilidades de que exista un suceso aleatorio, multiplicado por el valor del suceso
aleatorio. O, dicho de otra forma, el valor medio de un conjunto de datos. Teniendo en
cuenta, eso sí, que el término esperanza matemática está acuñado por la teoría de la
probabilidad. Mientras que en matemáticas, se denomina media matemática al valor
promedio de un suceso que ha ocurrido. En distribuciones discretas con la misma
probabilidad en cada suceso la media aritmética es igual que la esperanza matemática.
E ( x )=x 1 . P ( x1 ) + x 2 . P ( x 2 ) +…
Para una variable aleatoria absolutamente continua, la esperanza se calcula mediante la
integral de todos los valores y la función de densidad f ( x ) :
Habría que reseñar que es importante no confundir la desviación estándar con el error
estándar y con el error estándar de estimación:
¿Cómo se calcula?
El error estándar de estimación se puede calcular para todas las medidas que se obtiene
en las muestras (por ejemplo, error estándar de estimación de la media o error estándar
de estimación de la desviación estándar) y mide el error que se comete al estimar la
verdadera medida poblacional a partir de su valor muestral
Los intervalos de confianza nos permiten aproximar, una vez calculado el valor de la
variable en la muestra, entre qué rango de valores se encuentra el valor real inaccesible
de la variable en la población, con un grado de incertidumbre que podemos determinar.
Además, los intervalos de confianza aportan información añadida que se pierde cuando
únicamente se valora la probabilidad de significación estadística, ya que nos permiten
estudiar la precisión de la estimación.
σ
limite inferior : x́−z α
1−
2 √n
σ
limite superior : x́+ z α
1−
2 √n
O simplificada
σ
x́ ± z α
1−
2 √n
σ =¿ Desviación estándar
Coeficiente de confianza
El método del pivote para estimar intervalos de confianza es uno de los principales.
Consiste en identificar una función pivote p=(T , θ) la distribución de la cual es
independiente de θ y conocida. El pivote es función de θ y de una estimación puntual
del parámetro.
Tendremos que manipular y resolver esta desigualdad para encontrar los valores a y b.
Tenemos una muestra aleatoria X=(X1,…,Xn) de una normal N(μ,σ2) con la varianza
σ2 desconocida y queremos estimar el valor de la media μ.
Tenemos una muestra aleatoria X=(X1,…,Xn) de una normal N(μ,σ2) con la media μ y
la varianza σ2 desconocida. Vamos a buscar el intervalo de confianza de la media μ.
El pivote es:
Pensemos que disponemos de una muestra, la cual nos provee , nuestra mejor
estimación de la media poblacional.
Que nos dice el TCL para la media muestral: Estadística 2015 - Cátedra Prof. Tamara
σ 2x
(
Burdisso X́ N μ x ,
n )
¿Cómo se lee un intervalo de confianza al 95%?
El 95% de las muestras o más precisamente el 95% de los intervalos construidos en base
a las muestras, contendrán la verdadera media poblacional, dentro del intervalo
correspondiente a la media muestral +/- 2 errores estándar(SE).
Donde
X = la media muestral
Procedimiento de muestreo
Diseño experimental
σ Conocida:
σ Desconocida:
μ desconocida :
μ conocida:
1. Se toma una muestra aleatoria de ocho casas en la ciudad de Londres, los precios de
venta de estas casas son (en miles de libras):
92 83 112 127 109 96 102 90
a. Hallar la media, varianza y desviación típica.
Casa 1 2 3 4 5 6 7 8
Precio (Miles de
92 83 112 127 109 96 102 90
libras)
1. Media
92+83+112+127+ 109+96+102+90
M edia =
8
811
M edia =
8
M edia =101,375
2. La varianza
( Precio−lamedia )2=¿
( 92−101,37 )2=(−9,37 )2
( 83−101,37 )2=(−18,37 )2
( 96−101,37 )2=(−5,37 )2
( 90−101,37 )2=(−11,37 )2
V =Varianza .
V = (−9,37 )2 + (−18,37 )2 + ( 10,63 )2 + ( 25,63 )2 + ( 7,63 )2+ (−5,37 )2 + ¿ ¿
8
87,79+337,45+112,99 +656,89+58,21+28,83+0,39+129,27
V= =¿
8
1411,87
V= =176,48.
8
3. Desviación Típica ¿ σ.
2
σ =√ σ 2 σ =√2 varianza
σ =√2 176,48=13.28
x́=74,71
Se halla la media al sumar todos los datos y dividir el resultado por entre el número de
datos.
S2=∑ ¿ ¿¿
x́=74,71
S2=¿ ¿
45,0241+32,6041+13,7641+2,9241+5,2441+18,4041+ 127,4641
S2 =
6
245,4287
S2 =
6
S2=40,90
S=6,8
σ
x́ ± z
√n
x́=74,71
σ =6,8
n=7
z=1,96
74,71 ±1,96 ( 6,8√7 )
6,8
74,71 ±1,96 ( 2.64 )
74,71 ±1,96(2.57)
74,71 ±5,03
74,71+5,03 74,71−5,03
79,74 69,68
n=25
s=0,45
x́=2,1
a=95 %
a
Z=1−
2
95 %
Z=1−
2
Z=0,525
s
I . C .=x́ ± Z α /2 ×
√n
0,45
I . C .=2,1± 0,52595 % /2 ×
√ 25
0,45 0,45
Limi inf =2,1−0,525× Limi ¿ 2,1+ 0,525×
√ 25 √25
a
Z=1−
2
99 %
Z=1−
2
Z=0,505
s
I . C .=x́ ± Z α /2 ×
√n
0,45
I . C .=2,1± 0,50595 % /2 ×
√ 25
0,45 0,45
Limi inf =2,1−0,505× Limi ¿ 2,1+ 0,505×
√ 25 √25
Tenemos que:
50
p= =0.78125
64
Z α=¿ ±1.75 ¿
p∗(1− p)
p ± Zα
√ n
0.78125∗(1−0.78125)
0.78125 ±1.75
√ 64
=¿
0.78125 ± 0.09043
Separamos resultados
0.78125+0.09043 0.78125−0.09043
87.168 % 69.082 %
Así:
18 ´ 72−1 ´ 28
X́ =
2
X́ =8 ´ 72
S´ S´
( X́−t
n−1 ,
α
2
.
√n
, X́ +t
n−1 ,
α.
2 √n
)=( 1 ´ 28 ,18 ´ 72 )
'
Las tablas de la tde Student proporcionan el valor: t n−1 , α =t 12,0´ 05 /2=2 178792
2
S´ S´
X́ +t α . =8 ´ 72+2' 178792 . =18 ´ 72 ⟹
n−1 ,
2 √n √ 13
S´ 10 . 13
2' 178792 . =10 ⟹ S ´ = ' √ =16´ 548
√ 13 2 178792
REFERENCIAS BIBLIOGRÁFICAS
Sáez, A. (2010). Métodos Estadísticos con R y R Commander, Universidad de Jaen,
Recuperado de
https://cran.r-project.org/doc/contrib/Saez-Castillo-RRCmdrv21.pdf
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/detail.action?
docID=10156663&p00=inferencia+estadistica
http://hdl.handle.net/10596/10539
https://books.google.com/books?isbn=9587160940