Title | Muestreo aleatorio simple |
---|---|
Course | Probabilidad y estadística. |
Institution | Universidad Tecnológica Nacional |
Pages | 5 |
File Size | 114.9 KB |
File Type | |
Total Downloads | 64 |
Total Views | 119 |
Clase Muestreo...
Muestreo simple al azar Método de selección Por medio de : - Tabla de Números Aleatorios - Bolillero - fichas - tarjetas PARÁMETROS 𝛍 σ2 σ
Esquemas {
ESTIMADORES s
con repos c on con repet c on con con s n repos c on s n repet c on s n s n
En el esquema “con con” la cant dad de muestra pos bles es En el esquema “s n s n” la cant dad de muestra pos ble es La estimación a realizar puede ser: Estimación puntual Estimador Estimación por intervalos
Las técnicas muestrales tienen una fundamentación probabilística y para explicarla se seguirá:
Un proceso de dedu deducci cci cción ón estadística (teórico), donde se explicará como transmite la población sus características a todas las muestras posibles que puedan generarse de ella Un proceso de indu ndu nducció cció cción n estadística(práctico) donde en base al conocimiento logrado se explica de que población proviene la muestra
I)
II)
Ejemplo: Supongamos que tenemos una población de N=4 operadores de computación. El número de errores cometidos por cada uno fue:
OPERADORES A B C D
N° DE ERRORES 3 2 1 4
Parámetros poblacionales ∑ errores σ
∑
σ
err √
err
De esta población se seleccionan todas las muestras de tamaño 2 con el esquema con y con
Muestra
Operadores
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 ∑
AA AB AC AD BA BB BC BD CA CB CC CD DA DB DC DD
∑
Resultado de la muestra 33 32 31 34 23 22 21 24 13 12 11 14 43 42 41 44
3 2,5 2 3,5 2,5 2 1,5 3 2 1,5 1 2,5 3,5 3 2,5 4
0 0,5 2 0,5 0,5 0 0,5 2 2 0,5 0 4,5 0,5 2 4,5 0
En los problemas reales no conocemos 𝛍 y estamos tratando de estimar un valor a través de . Si al sacar una muestra hubiera salido la muestra N°3 estimaríamos a media poblacional en2, cuando sabemos que es 2,5. La diferencia entre estos valores es el error muestral. E
1 1,5 2 2,5 3 3,5 4
f 1 3 6 10 9 7 4 40
f 1 2 3 4 3 2 1
err
f 1 4,5 12 25 27 24,5 16 110
σ
Esquema con y con Teorema N°1:
Si analizamos la distribución de observamos que varían entre 1 y 4. El teorema nos dice que es un estimador insesgado de , dado que todos los valores posibles de giran alrededor de . Es importante conocer la variabilidad de alrededor de . Podemos considerar a σ como una medida de dispersión de los valores alrededor del parámetro Teorema N° 2:
σ
σ Si σ σ
n
el estimador es insesgado el estimador es sesgado
Cuanto menor sea el valor de σ más cercanos estarán los estimadores de 𝛍
Esq Esquem uem uema a sin y sin n
n
Muestra
Operadores
1 2 3 4 5 6
AB AC AD BC BD CD
Resultado de la muestra 32 31 34 21 24 14
2,5 2 3,5 1,5 3 2,5
0,5 2 0,5 0,5 2 4,5
1,5 2 2,5 3 3,5
f 1 1 2 1 1
f 1.5 2 5 3 3,5 15
f 2,25 4 12,5 9 12,25 40
err
σ
Teorema N°3
Teorema N°4
σ
σ
σ
n
n...