Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                

Portafolio de Evidencias PROBABILIDAD Y ESTADISTICA

Descargar como docx, pdf o txt
Descargar como docx, pdf o txt
Está en la página 1de 16

s

UNIVERSIDAD TECNOLOGICA DE ALTAMIA

PROBABILIDAD Y ESTADISTICA
Profesora:
QI-1
Allumno:
15 de Diciembre del 2016
Introduccin a la estadstica inferencial1
3.1 Estimacin.2
3.2 Prueba de hiptesis5
3.3 Regresin lineal y correlacin.7
3.4 Diseo de experimentos.12
Bibliografa.13
La inferencia estadstica es una parte de la Estadstica que comprende los
mtodos y procedimientos para deducir propiedades (hacer inferencias)
de una poblacin, a partir de una pequea parte de la misma (muestra).

Los dos tipos de problemas que resuelven las tcnicas estadsticas son:
estimacin y contraste de hiptesis. En ambos casos se trata de generalizar
la informacin obtenida en una muestra a una poblacin. Estas tcnicas
exigen que la muestra sea aleatoria. En la prctica rara vez se dispone de
muestras aleatorias, por la
tanto la situacin habitual
es la que se esquematiza
en la figura

Entre la muestra con la


que se trabaja y la
poblacin de inters, o
poblacin diana,
aparece la
denominada poblacin
de muestreo: poblacin
(la mayor parte de las
veces no definida con
precisin) de la cual
nuestra muestra es una muestra aleatoria. En consecuencia la
generalizacin est amenazada por dos posibles tipos de errores: error
aleatorio que es el que las tcnicas estadsticas permiten cuantificar y
crticamente dependiente del tamao maestral, pero tambin de la
variabilidad de la variable a estudiar y el error sistemtico que tiene que
ver con la diferencia entre la poblacin de muestreo y la poblacin diana
y que slo puede ser controlado por el diseo del estudio.

1
Introduccin
Mediante la tcnica inferencial obtendremos conclusiones para una
poblacin no observada en su totalidad, a partir de estimaciones o
resmenes numricos efectuados sobre la base informativa extrada de
una muestra de dicha poblacin.
Por tanto, el esquema que se
sigue es la idea es, a partir de una
poblacin se extrae una muestra
por algunos de los mtodos
existentes, con la que se generan
datos numricos que se van a
utilizar para generar estadsticos
con los que realizar estimaciones
o contrastes poblacionales.

Existen dos formas de estimar parmetros: la estimacin puntual y la


estimacin por intervalo de confianza. En la primera se busca, con base en
los datos mustrales, un nico valor estimado para el parmetro. Para la
segunda, se determina un intervalo dentro del cual se encuentra el valor
del parmetro, con una probabilidad determinada.

ESTIMACIN: Este trmino indica que a partir de lo observado en una


muestra (un resumen estadstico con las medidas que conocemos de
Descriptiva) se extrapola o generaliza dicho resultado maestral a la
poblacin total, de modo que lo estimado es el valor generalizado a la
poblacin. Consiste en la bsqueda del valor de los parmetros
poblacionales objeto de estudio. Puede ser puntual o por intervalo de
confianza:

- Puntual: cuando buscamos un valor concreto. Inferencia, estimacin y


contraste de hiptesis

-Intervalo de confianza: cuando determinamos un intervalo, dentro del


cual se supone que va a estar el valor del parmetro que se busca con
una cierta probabilidad.

2
Propiedades deseables de un estimador

Las propiedades o criterios para seleccionar un buen estimador son los


siguientes:

A) Insesgadez: Diremos que un estimador * de un parmetro es


insesgado si su esperanza coincide con el verdadero valor del
parmetro. E[* ] = . En el caso de que no coincidan, diremos que
el estimador es sesgado.

B) Eficiencia: Dados dos estimadores 1 * y 2 * para un mismo


parmetro , se dice que 1 * es ms eficiente que 2 * si: V[1 * ] <
V[2 * ].

C) Suficiencia: Se dice que un estimador de un parmetro es suficiente


cuando para su clculo utiliza toda la informacin de la muestra.

D) Consistencia: Decimos que un estimador * de un parmetro es


consistente si la distribucin del estimador tiende a concentrarse en
un cierto punto cuando el tamao de la muestra tiende a infinito.
= {PLim [ + ]}.

3
Intervalo de confianza para la media con varianza
conocida

4
Objetivo de la prueba de hiptesis

El propsito de la prueba de hiptesis no es cuestionar el valor calculado


del estadstico (maestral), sino hacer un juicio con respecto a la diferencia
entre estadstico de muestra y un valor planteado del parmetro.

Contraste de hiptesis

El problema central de la inferencia estadstica es un problema de toma


de decisiones, del cual la estimacin y el contraste de hiptesis son
aspectos importantes, diferenciados entre s, pero complementarios.
Un contraste de hiptesis o Test de hiptesis estadstico es una prueba de
significacin o una prueba estadstica, que indican el proceso mediante el
cual decidimos si una proposicin respecto de la poblacin, debe ser
aceptada o no. Esta proposicin es lo que se denomina hiptesis
estadstica.

Es una regla de decisin que nos dice cuando aceptar y rechazar las
hiptesis, con esto vemos si los datos de una muestra son compatibles o no
con los de la poblacin.

Una hiptesis estadstica, por tanto, es una proposicin acerca de la


funcin de probabilidad o de la funcin de densidad de probabilidad de
una variable aleatoria o de varias variables aleatorias. Tal proposicin
debe referirse bien a la forma de la Inferencia, estimacin y contraste de
hiptesis distribucin de probabilidad, bien al valor o valores de los
parmetros que lo definan o bien a ambos. Hiptesis estadstica es, una
afirmacin acerca de la distribucin de la poblacin. Puede haber
hiptesis estadsticas en contextos paramtricos y no paramtricos.

El contraste de hiptesis estadstico se basar en la informacin


proporcionada por la muestra. De modo, que si rechazamos la hiptesis,
queremos indicar que los datos de la muestra ofrecen cierta evidencia
sobre su falsedad. Si la aceptamos simplemente queremos significar que no
se rechaza

Un contraste de hiptesis consiste, por tanto, en estudiar dos hiptesis: H0


(hiptesis nula), H1 (hiptesis alternativa), de manera que el investigador

5
divide los resultados mustrales en dos zonas; una zona de rechazo y otra
de aceptacin, de manera que segn como obtengamos el resultado,
aceptaremos o rechazaremos la hiptesis.

Al aplicar un contraste de hiptesis, clasificamos los puntos del espacio


maestral en dos regiones excluyentes y complementarias:

Regin de Rechazo o Regin Crtica: La formada por el conjunto de los


valores del estadstico de contraste que nos llevan a rechazar la hiptesis
nula H0, se llama regin crtica (los puntos que delimitan la regin crtica se
llaman puntos crticos).

Regin de Aceptacin o Regin de No Rechazo: Es la formada por el


conjunto de los valores del estadstico de contraste que nos lleva a
aceptar la hiptesis nula H0.

Formulacin de dos hiptesis opuestas


El primer paso para probar una hiptesis es siempre formular dos que sean
mutuamente exclusivas, y tambin colectivamente exhaustivas, de las
facetas posibles de la realidad. Cada una de estas hiptesis
complementarias es una proposicin sobre un parmetro de la poblacin
tal que la verdad de una implique la falsedad de la otra. La primera
hiptesis del conjunto, simbolizada por: H0, se denomina hiptesis nula; la
segunda hiptesis, simbolizada por: H1 o bien por Ha, es la hiptesis
alternativa.

Definicin

La hiptesis nula, H0 , es la primera de dos opuestas en una prueba de


hiptesis. Es una descripcin del estado de cosas en un momento dado
(status quo) de sabidura convencional, de lo que las personas han
pensado durante mucho tiempo que es cierto. Si Ho se corrobora en una

6
prueba de hiptesis, no es necesario tomar ninguna accin. La hiptesis
alternativa, Ha, es la segunda de dos opuestas en una prueba de hiptesis.
Es un medio para hacer aseveraciones sorprendentes que contradicen la
sabidura convencional. Si H0, no se puede corroborar en una prueba de
hiptesis, Ha, se acepta tentativamente y esto requiere iniciar una accin.
Por lo tanto, se puede considerar a Ha como la hiptesis de accin.

Ejemplo:

.1.-un fabricante de aviones necesita lminas de aluminio de 0.3 pulgadas


de espesor en promedio, ni ms ni menos. Solucin: H0 : 0 = 0.03 H1 : 0
0.03

2. Un fabricante de aviones necesita varillas de acero especial con una


resistencia promedio a la traccin de al menos 5000 libras. Solucin: H0 :
05000 H1 : 0 5000

3. Un fabricante de computadoras desea probar lo dicho por un supervisor


acerca de que el ensamble de una computadora promedia al menos 40
minutos. Solucin: H0 : 0 40 H1 : 0 > 40

En muchos problemas hay dos o ms variables inherentes relacionados, y


es necesario explorar la naturaleza de esta relacin. El anlisis de regresin
es una tcnica estadstica para modelar e investigar la relacin entre dos o
ms variables. Deseamos determinar la relacin entre una sola variable
regresiva X y una variable de repuesto Y. La variable regresiva X se supone
como una variable matemtica continua, controlable por el
experimentador. Supngase que la verdadera relacin entre Y y X es una
lnea recta, y que la observacin Y en cada nivel de X es una variable
aleatoria. Luego, el valor esperado de Y para cada valor de X es:

EY X 0 1X

Dnde: La ordenada de origen 0 y la pendiente 1 son constantes


desconocidas. Suponemos que cada observacin Y, puede describirse
mediante el modelo siguiente:

7
Y 0 1X E

Dnde: E = error aleatorio con media cero y varianza 2.

Por medio del mtodo de mnimos cuadrados estimaremos 0 y 1 de


manera que la suma de los cuadrados de las desviaciones entre las
observaciones y la lnea de regresin sea mnima. Empleando la EC. 2,
podemos escribir:

Yi 0 1Xi Ei, , i = 1 , 2 , 3

Y la suma de los cuadrados de las desviaciones de las observaciones


respecto a la lnea de regresin verdadera es:

8
Por lo tanto, las ecuaciones 7 y 8 son los estimadores por mnimos
cuadrados, de la ordenada al origen y la pendiente, respectivamente. El
modelo de regresin lineal simple ajustado es: y X 0 1

Respecto a la notacin, es conveniente dar smbolos especiales al


numerador y al denominador de la ecuacin 8, esto es:

Llamaremos a Sxx la suma corregidora de cuadrados de x y a Sxy la


suma corregida de productos cruzados de x y y. Los datos del extremo
derecho de las ecuaciones 10 y 11 son las frmulas de cmputo usuales. Al
emplear esta nueva notacin, el estimador de mnimos cuadrados de la
pendiente es:

9
Correlacin
La c orrel ac in estad s tic a d e term ina l a rel ac in o
d epend enc ia que exis te en tre l as d os variabl es que
in tervienen en u n a d is tri bu c in bid im ens ional . E s d ec ir,
d eterm inar s i l os c am bios en u na d e l as variabl es infl u yen en
l os c am bios d e l a o tra . E n c as o d e qu e s u c ed a, d irem os qu e
l as variabl es es t n c orrel ac ionad as o qu e hay c orrel ac in
en tre el l as .

Coeficiente de correlacin

El c oefic ien te d e c orrel ac in l ineal s e expres a m ed ian te l a

l etra r .

Propiedades

1. El coeficiente de correlacin no vara al hacerlo la escala


de medicin.Es decir, si expresamos la altura en metros o en
centmetros el coeficiente de correlacin no vara.

2. El signo del coeficiente de correlacin es el mismo que el


de la covarianza. Si la covarianza es positiva, la correlacin
es direc ta. Si la covarianza es negativa, la correlacin es
inversa. Si la covarianza es nula, no existe correlacin.

3. El coeficiente de correlacin lineal es un nmero real


comprendido entre menos 1 y 1. 1 r 1

4. Si el coeficiente de correlacin lineal toma valores


cercanos a 1 la correlacin es fuerte e inversa , y ser tanto
ms fuerte cuanto ms se aproxim e r a 1.

10
0
5. Si el coeficiente de correlacin lineal toma valores
cercanos a 1 la correlacin es fuerte y directa , y ser tanto
ms fuerte cuanto ms se aproxim e r a 1.

6. Si el coeficiente de correlacin lineal toma valores


cercanos a 0, la correlacin es dbil .

7. Si r = 1 1, los puntos de la nube estn sobre la recta


creciente o decreciente. Entre ambas variables
hay dependencia funcional .

Ejemplo:
Las estaturas y pesos de 10 jugadores de baloncesto de un
equipo son:

Estatura (X) Pesos (Y)

186 85

189 85

190 86

192 90

193 87

193 91

198 93

11
0
201 103

203 100

205 101

Calcular el coeficiente de correlacin .

Definicin
Se podra definir el Diseo Estadstico de Experimentos (DEE), tambin
denominado diseo experimental, como una metodologa basada en
tiles matemticos y estadsticos cuyo objetivo es ayudar al
experimentador a: 1. Seleccionar la estrategia experimental ptima que
permita obtener la informacin buscada con el mnimo coste. 2. Evaluar los
resultados experimentales obtenidos, garantizando la mxima fiabilidad en
las conclusiones que se obtengan.

12
0
Aplicacin
general, se aplica a sistemas como el
mostrado en la Figura 1, en los cuales se
observan una o ms variables
experimentales dependientes o respuestas
(y) cuyo valor depende de los valores de
una o ms variables independientes (x)
controlables llamadas factores. Las
respuestas adems pueden estar influidas por otras variables que no son
controladas por el experimentador. La relacin entre x e y no tiene porqu
ser conocida.

Figura 1. Representacin de un sistema en estudio en DDE: factores (x),


respuestas (y)

Ejemplos de sistemas experimentales son:


- Una reaccin qumica, cuyo rendimiento (y) puede ser funcin, entre
otros, del tiempo de reaccin (x1), la temperatura de la reaccin (x2) y el
tipo de catalizador (x3) utilizado. Otras variables que pueden influir son, por
ejemplo, la pureza de los reactivos, la limpieza del material, la velocidad
de agitacin,....

- Una separacin cromatogrfica, donde el tiempo de la separacin


depende del pH y el porcentaje de modificador orgnico de la fase mvil.

- Un alimento, producido por mezcla en distintas proporciones (x) de sus


ingredientes, lo cual da lugar a diferentes olores y sabores (y)

Estos son slo algunos ejemplos del amplio campo de aplicacin del DEE,
que abarca, en la industria, desde el laboratorio hasta proceso de
produccin. Al facilitar el desarrollo ms rpido de productos, y a ms bajo
coste, el DEE juega un papel fundamental desde el punto de vista industrial
y proporciona una ventaja competitiva importante para la empresa que lo
usa.

Aunque el DEE se puede aplicar cuando se estudia un solo factor (como


por ejemplo en la eleccin de los patrones ms adecuados para construir
una recta de calibrado), sin duda sus ventajas se aprecian mejor cuando
se debe estudiar ms de un factor.

12
0
http://www.quimica.urv.cat/quimio/general/dis.pdf

http://fcasua.contad.unam.mx/apuntes/interiores/docs/98/4/estadis_2.pdf

http://prologestortegamo.blogspot.mx/2008/12/unidad-iv-estadistica-
inferencial-y.html

http://www.ugr.es/~eues/webgrupo/Docencia/MonteroAlonso/estadisticaII
/tema4.pdf

https://doc-10-bk-apps-
viewer.googleusercontent.com/viewer/secure/pdf/3nb9bdfcv3e2h2k1cmq
l0ee9cvc5lole/ps4cc68tq9pknab4n0r84a7upvsrvc9m/1481764200000/lanter
n/*/ACFrOgBqmBGGLPa1-
OgFZ1SI6D10EvQE_hbcD64pa6WyOyOKlZlM1jp2YVqo0xSLg8FbxHbMJ1IADO
2IEiah_NIpfw4lJj7B5LSijjPbjiNL1QjpE6etm61VK6fGKlo=?print=true

http://www.ditutor.com/estadistica_2/correlacion_estadistica.html

13
0

También podría gustarte