INFERENCIA ESTADISTICA SEMANA 1

Jelitza Steele Parada (02201375) Rebeca Fern andez Vera (02201361)

Agosto 18 del 2014
1 METODOLOGIA DEL CURSO
Porcentajes de calicaciones
- 20% Parcial 1
- 20% Parcial 2
- 20% Tareas y talleres
- 40% Examen nal
2 INTRODUCCION
El analisis de datos cada vez toma mayor importancia; es una actividad util
y necesaria para el desarrollo de logstica y toma de decisiones en diferentes
organizaciones.
1.El primer paso es recolectar los datos que seran analizados, tarea que puede
ser de bastante complejidad. El proceso anterior se denomina muestreo.
2.El paso a seguir es hacer uso de estimadores que nos permiten probar -
nalmente nuestra hipotesis respecto del comportamiento de los datos. Los es-
timadores son formulas que dan informacion sobre el comportamiento de los
datos. Respecto de los metodos de estimacion hay bastantes, un ejemplo es el
metodo de estimacion por intervalos. Cada estimador tiene una distribucion
muestral que reeja el comportamiento de la variable estudiada; un ejemplo de
distribucion es la distribucion muestral de proporcion.
3. El ultimo paso es determinar cual de los estimadores utilizados brinda infor-
macion de mayor utilidad para el n del estudio. Algunas formulas mencionadas
en clase fueron:
- Rango intercuartlico: Es la diferencia entre el tercer y primer cuartil
RI = Q
3
Q
1
- Amplitud total: Es la diferencia entre el mayor y el menor dato.
A
T
= X
max
X
min
- Rango medio : Se dene como sigue:
R =
[(X
max
+X
min
)]
2
1
- Mediana: Primer valor que deja por debajo al 50% de los valores.
- Varianza : Se utiliza para medir la dispersi`on de los datos.
V ar =

n
i=1
(X
i

X)
2
n
Otros metodos de estimacion son:
-Metodo de los momentos: Se trata de un metodo de obtencion de esti-
madores muy intuitivo. Basicamente, consiste en igualar los momentos pobla-
cionales (que sean funcion del o los parametros a estimar) con los momentos
muestrales y despejar el parametro a estimar.
-Metodo de maxima verosimilitud: Es un metodo utilizado para la obtencion
de estimadores. El estimador obtenido debe tener las siguientes caractersticas:
- Consistencia
- Eciencia
- Normalidad asintotica
3 EXPERIMENTOS ALEATORIOS
Un experimento aleatorio simple cumple con las siguientes caractersticas:
- Es posible conocer todos los resultados antes de realizar el experimento (se
denomina espacio muestral ()).
- No es posible pronosticar el valor antes de realizar el experimento.
- El experimento puede realizarse bajo condiciones casi identicas.
4 VARIABLES
Las variables pueden clasicarse seg un su naturaleza en:
- Variables Cuantitativas: Pueden ser continuas o discretas.
- Variables Cualitativas: Pueden ser nominales u ordinales.
Teniendo en cuenta lo anterior, al denir una variable, esto debe hacerse de
manera conceptual y operativa.
Ejemplo: La medida de la longitud de una persona.
Denicion Conceptual: Se mide la longitud de una persona desde los pies hasta
la cabeza.
Denicion Operativa: La longitud se mide en cm.
5 MUESTRA ALEATORIA
Se dene una muestra aleatoria como una coleccion de variables aletorias. Uti-
lizamos la notacion v.i.i para referirnos a que dichas variables son independientes
e identicamente distribuidas (tienen la misma distribucion de probabilidad).
2
Ejemplo de clase:
Una industria que produce cajas toma tiempos en su lnea de produccion para
saber cual es la combinacion de recursos mas eciente que le permite reducir
costos. En dicha industria tambien se analizan las dimensiones de las cajas
que se producen, las cuales tienen una tolerancia (rango de variacion que se
admite en cada dimension). El analisis de las mediciones anteriores requiere de
conocimientos en estadstica.
6 MUESTREO ALEATORIO SIMPLE
En esta tecnica, cada miembro de la poblacion tiene la misma probabilidad de
ser seleccionado como sujeto. Todo el proceso de toma de muestras se realiza en
un paso, en donde cada sujeto es seleccionado independientemente de los otros
miembros de la poblacion a traves de papeles en una bolsa o metodos computa-
cionales.
Ejemplo de clase:
Para conocer la edad promedio del curso de inferencia estadstica se construyen
muestras aleatorias por cada 4 estudiantes, as:
X
1
X
2
X
3
X
4
19 20 19 21
20 19 18 21
..................
..................
Cada X
n
epresenta la edad de la n-esima persona de la muestra. Los n umeros
debajo de cada X
n
corresponden a los valores observados de la muestra aleatoria.
Los datos tomados fueron analizados en R de la siguiente manera:
edad<- c(27,21,20,19,19,21,20,19,18,21,19,19,19,22,19,21,20,19,19,19,
20,23,20,27,21,20,19,23,21,19,19,19,23,18,20,27,20)
#numero de datos
length(edad)
#Mediciones de estadistica basicas
median(edad)
max(edad)
min(edad)
#deviacion estandar
sd(edad)
#varianza
var(edad)
quantile(edad)
3
Figure 1: Boxplot de las edades del curso.
boxplot(edad)
#Datos ordenados
sort(edad)
Los resuldados mostrados en la consola son los siguientes:
> edad<- c(27,21,20,19,19,21,20,19,18,21,19,19,19,22,19,21,20,19,19,
19,20,23,20,27,21,20,19,23,21,19,19,19,23,18,20,27,20)
> #numero de datos
> length(edad)
[1] 37
> #Mediciones de estadistica basicas
> median(edad)
[1] 20
> max(edad)
[1] 27
> min(edad)
[1] 18
> #deviacion estandar
> sd(edad)
[1] 2.328502
> #varianza
> var(edad)
[1] 5.421922
> quantile(edad)
0% 25% 50% 75% 100%
18 19 20 21 27
> boxplot(edad)
Cuantos grupos diferentes posibles pueden salir de los 37 estudiantes en
muestras de 4?
Rta: 37C4 =
37!
4!(374)!
= 66, 045
Ejemplo de clase: Se pretende analizar mediante los siguientes datos la
relacion que hay entre la asistencia a clase de los estudiantes con su calicacion
en un quiz realizado en la clase posterior. El valor verdadero (parametro) es el
n umero de estudiantes que asistieron a la clase de inferencia el da 13 de agosto,
4
Figure 2: Tabla de datos de la asistencia.
y ese valor es el que se quiere comprobar.
CONVENCIONES:
1. ID : N umero del estudiante
2. Aprobacion:
- 1: Aprobo
- 2: No Aprobo
3. Asistencia:
- 1: Asistio
- 0: No asistio
Antes de analizar los datos somos conscientes de las posibles fuentes de error
en este experimento, las cuales son: Deshonestidad y error en la digitacion de
los datos.
Nuestras variables a analizar son Aprobaci on y asistencia; ambas variables son
de naturaleza cualitativa y nominal (no importa el orden en el cual aparecen los
datos).
5
Figure 3: Tabla de contingencia de la asistencia.
7 COMENTARIOS IMPORTANTES
- Para ser un estudiante exitoso es de mucha utilidad conocer al profesor, la
metodologa que maneja, el tipo de parciales que hace y prestar atencion a las
explicaciones.
- Los quices, talleres y parciales deben realizarse en hojas blancas tama no carta
usando una sola cara de estas.
- En los parciales debe usarse una hoja por cada pregunta y en caso de que no
sea suciente el espacio debe completarse con una hoja nueva especicando que
es la parte 2 de esa pregunta.
- Los quices, talleres y parciales deben entregarse completamente en esfero.
- Horario de atencion del profesor Henry Mendoza -hmendozar en Skype- (Debe
programarse la cita con anticipaci`on):
- Lunes: De 11 a.m a 1 p.m (Ocina 333 de estadstica)
- Martes y Jueves: De 1 p.m a 2 p.m (Despues de clase, Ocina 333 de es-
tadstica)
- Miercoles y Viernes: De 1 p.m a 2 p.m (Despues de clase en aulas de ingeniera)
8 SOFTWARE SUGERIDO
- R- Con el complemento de R-Studio
- SAS
- SPSS
- MINITAB
- SPLUS.
9 MATERIAL DE ESTUDIO
- Statistical Inference (Rohalgi)
- Inferencia estad

Astica (Humberto Mayorga)

- Statistical Inference con Casella and Berger (Bajar tambien el solucionario)
10 BIBLIOGRAFIA
* S.Lipschutz. PROBABILIDAD.Capitulo 2, Capitulo 5.
* www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo7
6