Help shape GoConqr. What should we add next?

Mind map

ESTADISTICA INFERENCIAL

paula peña Spanish

ESTADISTICA INFERENCIAL

Map content

ESTADISTICA INFERENCIAL

  1. PROBABILIDADES

    • se entiende como el grado de certidumbre que se posee respecto de que un evento ocurra o no, y constituye también una disciplina encargada de confeccionar modelos predictivos para fenómenos aleatorios, de modo de poder anticiparlos y estudiar sus consecuencias lógicas.
      • TEOREMA DE PROBABILIDAD TOTAL Y TEORMAS DE BAYES
        • El teorema de la probabilidad total permite calcular la probabilidad de que ocurra un evento, que se puede realizar a través de varios caminos. Antes de revisar el teorema de probabilidad total, es necesario definir el concepto de «partición».
          • https://youtu.be/MJxbMAko6rU
          • EJEMPLOS:
            • En un acuario se tienen solo 2 especies de peces, el 40% son de la especie azul y el 60% son de la especie roja. De la especie azul, el 30% son machos; mientras que, de la especie roja, el 40% son hembras. ¿Cuál es la probabilidad de que un pez elegido aleatoriamente en el acuario sea macho?
              • La probabilidad de encontrar un macho, seleccionando un pez de forma aleatoria es de 0,48 o 48%.
              • A partir de los datos del enunciado, vamos a elaborar el diagrama de árbol.
              • para calcular probabilidades usando el diagrama de árbol: cuando avanzamos de izquierda a derecha, multiplicamos las probabilidades; cuando avanzamos de arriba hacia abajo, sumamos las probabilidades.
        • es una proposición que se emplea para calcular la probabilidad condicional de un suceso y fue desarrollado por el matemático y teólogo británico Thomas Bayes. El principal objetivo de este teorema es determinar la probabilidad que posee un suceso comparada con la probabilidad de otro suceso similar.
          • La fórmula de Bayes : P (Ai), que es la probabilidad que representa a priori de un suceso A. P (Ai/B), que es la probabilidad que representa a posteriori de un suceso A. Es decir, la información de lo sucedido en un evento B. P (B/Ai), que es la probabilidad de un suceso B con base en la información del suceso A. La fórmula permite calcular la probabilidad condicional P (Ai/B) de los sucesos A dado B.
            • EJEMPLO:
              • una persona posee tres cajas con pelotas. En la caja 1 se encuentran diez pelotas, entre las cuales hay cuatro desinfladas; en la caja 2 están seis pelotas, entre las cuales hay una desinflada; y en la caja 3 se encuentran ocho pelotas, estando desinfladas tres. Si una persona recoge una pelota desinflada, ¿cuál sería la probabilidad de que sea una perteneciente a la caja número 1?
                • Las cajas se representarán de la siguiente manera: C1 (Caja 1) C2 (Caja 2) C3 (Caja 3) Por otro lado, las pelotas serán representadas así: B (Pelotas no desinfladas) F (Pelotas desinfladas)
                  • De acuerdo al teorema de Bayes, la fórmula sería:
                    • Al reemplazarlo por los datos de las pelotas, la fórmula sería:
                      • Eso quiere decir que la probabilidad de que una persona tome una pelota desinfladas de la caja número 1 es de 42,5%.
          • https://youtu.be/bDfCURXoKkU
      • DISTRIBUCION DE PROBABILIDAD, VRIABLE ALEATORIA
        • es una función que asigna a cada suceso definido sobre la variable, la probabilidad de que dicho suceso ocurra.
          • DISTRIBUCION DE PROBABILIDAD DISCRETA
            • es una función f(xi) que asigna a cada valor de una variable discreta: x1, x2, x3, … xi, una probabilidad de ocurrencia determinada P(X=xi). Dicha función se conoce también como “función masa de probabilidad”.
              • Las funciones de masa de probabilidad comparten las siguientes características generales: La probabilidad pi de un evento cualquiera xi está comprendida entre 0 y 1, pudiendo ser incluso alguno de estos valores límite: 0 ≤ x ≤ 1. P(X=xi) = pi solo toma valores positivos, por lo tanto: P(X=xi) ≥ 0. Se cumple que ∑ P(xi) = 1 para todos los valores posibles de x
                • DISTRIBUCION DE POISSON
                  • es una distribución de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad de que ocurra un determinado número de eventos durante cierto período de tiempo
                    • Dada una variable aleatoria discreta X decimos que su frecuencia se puede aproximar satisfactoriamente a una distribución de Poisson, tal que:
                      • Mu informa del número esperado de eventos que ocurrirán en un intervalo de tiempo fijado. Cuando se habla de algo “esperado” tenemos que redirigirlo a pensar en la media. Por tanto, mu es la media de la frecuencia de los eventos.
                        • La distribución de Poisson se utiliza en el campo de riesgo operacional con el objetivo de modelar las situaciones en que se produce una pérdida operacional. En riesgo de mercado se emplea el proceso de Poisson para los tiempos de espera entre transacciones financieras en bases de datos de alta frecuencia. También, en riesgo de crédito se tiene en cuenta para modelar el número de quiebras.
                          • Autor; Simeon Denis Poisson
                            • https://youtu.be/bIvz8LLBh4s
                • DISTRIBUCION HIPERGEOMETRICA
                  • es una distribución de probabilidad discreta relacionada con muestreos aleatorios y sin reemplazo.
                    • La distribución hipergeométrica tiene tres parámetros: N: es el número de elementos de la población (N = 0, 1, 2,…). K: es el número máximo de casos de éxito (K = 0, 1, 2,…,N). Como en una distribución hipergeométrica un elemento solo puede considerarse «éxito» o «fracaso», N-K es el número máximo de casos de fracaso. n: es el número de extracciones sin reemplazo que se hacen.
                      • La fórmula de la distribución hipergeométrica es el producto del número combinatorio de K sobre x por el número combinatorio de N-K sobre n-x dividido por el número combinatorio de N sobre n.
                        • Autor: Jako Bernoulli
                          • https://youtu.be/zUnOZutWjGc
                • DISTRIBUCION DE BERNOULLI
                  • es una distribución de probabilidad discreta que abre el camino a la distribución binomial, la distribución geométrica y la distribución binomial negativa.
                    • Una variable aleatoria X sigue una distribución de Bernoulli si P (X = 1) = p y P (X = 0) = 1 – p, donde p es la probabilidad de ocurrencia del evento. La distribución de Bernoulli es una distribución discreta que está relacionada con muchas distribuciones, tales como la distribución binomial, geométrica y binomial negativa.
                      • Autor: Jake Bernoulli
                        • Es utilizada en acontecimientos que tengan respuestas binarias
                          • https://youtu.be/olGbPzIGJ4M
            • https://youtu.be/7mF89j-rCoE
          • DISTRIBUCION DE PROBABILIDAD CONTINUA
            • es continua. Puesto que la función de distribución de una variable aleatoria X viene dada por {\displaystyle F_{X}(x)=P(X\leq x)}{\displaystyle F_{X}(x)=P(X\leq x)}, la definición implica que en una distribución de probabilidad continua X se cumple P[X = a] = 0 para todo número real a, esto es, la probabilidad de que X tome el valor a es cero para cualquier valor de a. Si la distribución de X es continua, se llama a X variable aleatoria continua.
              • Las distribuciones de variable continua más importantes son las siguientes: Distribución Beta Distribución exponencial Distribución F Distribución Gamma Distribución ji cuadrado Distribución normal Distribución t de Student Distribución uniforme continua
                • https://youtu.be/3PamTMIDpVw
      • PAULA ANDREA PEÑA CONTRERAS, CONTADURIA PUBLICA. II SEMESTRE UCC. GRUPO 9591, 2022
  2. MUESTREO

    • es el proceso de seleccionar un conjunto de individuos de una población con el fin de estudiarlos y poder caracterizar el total de la población. La idea es bastante simple. Imagina que queremos saber algo de un universo o población, por ejemplo, qué porcentaje de los habitantes de México fuma habitualmente.
      • MUESTRA REPRESENTATIVA
        • es el conjunto de observaciones realizadas sobre una población. Además, debe de tener el tamaño suficiente y las observaciones tienen que haber sido realizadas sobre todos aquellos elementos de la población que poseen ciertas particularidades.
          • https://youtu.be/nmv1Ibklzps
            • EJEMPLO
              • En una elección presidencial, es muy poco probable que participe el total del padrón electoral, ya que hay gente que no vota. Además, muchos de los ciudadanos del país no tienen permiso de voto, como los menores de edad y los residentes extranjeros. Sin embargo, la cantidad de votantes es tan grande y tan significativa, que puede entenderse como un reflejo fiel de la voluntad popular del país entero. Fuente: https://www.ejemplos.co/muestra-representativa/#ixzz7kk6S4Zby
      • DISTRIBUCIONES DE MUESTREO
        • es lo que resulta de considerar todas las muestras posibles que pueden ser tomadas de una población. Su estudio permite calcular la probabilidad que se tiene, dada una sola muestra, de acercarse al parámetro de la población.
          • DISTRIBUCION MUESTRAL DE MEDIAS
            • Para inferir si hay o no diferencias es que resulta fundamental trabajar con la distribución muestral de medias. Cuando en una población se toma una muestra y se mide una variable continua, se obtiene un conjunto de mediciones que puede resumirse en un valor de media. Si se toma otra muestra de la misma medición se obtendrá otra media.
              • https://youtu.be/2_agnsFrp-I
                • EJEMPLO:
          • DISTRIBUCION MUESTRAL DE PROPORCIONES
            • mide la proporción de éxito, es decir, la probabilidad de que ocurran ciertos eventos, dividiendo el número de éxitos, es decir, las posibilidades por el tamaño de la muestra ‘n’. Por tanto, la proporción muestral se define como p = x / n.
              • a distribución muestral de la proporción obedece a la ley de probabilidad binomial si la muestra aleatoria de ‘n’ se obtiene con reemplazo. Por ejemplo, si la población es infinita y la probabilidad de que ocurra un evento es ‘π ‘, entonces la probabilidad de que no ocurra el evento es (1-π). Ahora considere todo el tamaño de muestra posible ‘n’ extraído de la población y estime la proporción ‘p’ de éxito para cada uno. Entonces la media (?pags) y la desviación estándar (σp) de la distribución muestral de la proporción se puede obtener como:
                • https://youtu.be/CG0DEv29pxk
      • MUESTREO PROBABILISTICO
        • es un método que sirve para seleccionar los individuos que formarán parte de la muestra de un estudio estadístico. La principal característica del muestreo probabilístico es que se seleccionan a los individuos de manera aleatoria, es decir, todos tienen la misma probabilidad de ser elegidos.
          • El muestreo probabilístico se utiliza para reducir el número de personas que participan en un estudio estadístico. Normalmente, cuando se quiere analizar estadísticamente una población, esta es muy grande y por tanto resulta imposible hacer una entrevista a cada persona. Por eso el muestreo probabilístico se usa para entrevistar a solo una muestra y luego extrapolar los resultados obtenidos a toda la población.
            • Tipos de muestreos probabilísticos
              • Muestreo aleatorio simple: la muestra simplemente se selecciona aleatoriamente. Muestreo sistemático: se elige un primer individuo de manera aleatoria y el resto de elementos de la muestra se seleccionan utilizando un intervalo fijo. Muestreo estratificado: se divide la población objetivo en estratos (grupos) y luego se escogen individuos de cada estrato de manera aleatoria.Muestreo por conglomerados: este método de muestreo aprovecha que la población está dividida por conglomerados (grupos), de manera que la muestra la forman los conglomerados que se seleccionan aleatoriamente.
                • https://youtu.be/MptL2R3o11Y
        • MUESTREO NO PROBABILISTICO
          • no probabilístico es aquel donde no todos los sujetos de la población estadística tienen la misma probabilidad de ser elegidos para formar parte del estudio que se está desarrollando.
            • Es decir, este tipo de muestreo implica que el encuestador o investigador no selecciona aleatoriamente o al azar, entre toda la población, a los individuos que forman parte de la muestra sobre la que trabaja. blankblankblankblankblank Lo anterior, en principio, puede parecer no corresponderse con lo que sería una investigación fiable. Sin embargo, como veremos a lo largo de este artículo, hay circunstancias en las que se justifica utilizar un muestreo no probabilístico.
              • Tipos de muestreo no probabilístico
                • Por conveniencia: En este caso, el investigador selecciona a aquellos individuos que están más cerca de él o que son más accesibles. Ejemplo: Un profesor universitario que realiza una investigación entre los estudiantes de la universidad donde enseña. Por cuotas: En este caso, se hace un muestreo no probabilístico porque se busca cumplir con una determinada condición. Por ejemplo, que el 50% de la muestra sean hombres, y el otro 50%, mujeres. Discrecional, opinático o intencional: El investigador, según su juicio, elige a un grupo de personas que considera que son idóneas para el estudio. Por ejemplo, si se desea realizar una encuesta a los doctores que trabajan en un hospital, el investigador podría seleccionar aquellos a quienes considera que son más idóneos porque confía en su criterio. Bola de nieve: En este caso, usualmente se trata de investigar a un grupo de personas con características muy particulares y poco comunes, o cuando dicha información no es de fácil acceso. Entonces,
                  • Ejemplo:
                    • Se busca realizar un estudio sobre jóvenes universitarios de Italia. Los investigadores eligen cuatro universidades del país, de distintas ciudades, y en ellas seleccionan a estudiantes interesados en participar de la investigación. En este caso, es un muestreo no probabilístico porque no se está considerando a toda la población universitaria italiana, aunque este sea el público objetivo de análisis.
                      • https://youtu.be/njNWL4xy1H0
  3. PRUEBAS DE HIPOTESIS

    • es un procedimiento usado para comprobar cuán acertada es una conjetura acerca de una población. Dichas conjeturas se llaman hipótesis, que en principio se toman como verdaderas, hasta que alguna evidencia lo confirme o desmienta.
      • Esta evidencia es suministrada por los datos muestrales, aquellos que provienen de una porción significativa de la población, llamada muestra. La teoría de probabilidades suministra las técnicas necesarias para contrastar la veracidad de las hipótesis.
        • Ejemplos de hipótesis son: -La temperatura promedio del cuerpo humano es 36.1 ºC. -En promedio, una bolsa de maní salado producida en una fábrica de snacks pesa 50 g. -Un 80% de los habitantes de una localidad, realizaron compras por Internet durante los últimos 6 meses. -Las puntuaciones de test IQ para los estudiantes universitarios de una conocida institución, tiene una desviación estándar de 15
          • https://youtu.be/AJcy4eZMwWM
            • TIPOS DE HIPOTESIS
              • HIPOTESIS NULA
                • La prueba de significancia está diseñada para evaluar la fuerza de la evidencia contra la hipótesis nula. Por lo general, la hipótesis nula es una declaración de 'sin efecto' o ' ninguna diferencia'." A menudo se simboliza como 0. La hipótesis nula (H0) se refiere a la afirmación contraria a la que ha llegado el investigador. Es la hipótesis que el investigador pretender rechazar. Si tiene la evidencia suficiente para ello, podrá probar que lo contrario es cierto. Por lo tanto, la hipótesis alternativa (H1) es la conclusión a la que el investigador ha llegado a través de su investigación.
                  • Respecto a lo anterior, vale la pena explicar por qué se llama hipótesis nula. Uno de los primeros estudios sobre los que se aplicó era sobre el efecto de los fertilizantes en los cultivos. La hipótesis de partida (hipótesis nula) era que el fertilizante no tenía efecto. Por tanto, si se rechazaba la hipótesis nula quería decir que sí tuvieron efecto.
                    • https://youtu.be/PT0uYlo-A4s
                      • EJEMPLO:
                        • Supongamos que un investigador ha realizado una investigación acerca del salario medio mensual por habitante en un determinado barrio de una ciudad. Imaginemos que el investigador ha encuestado a 1.000 personas, llegando a la conclusión de que el salario medio mensual por habitante es de 1.500 u.m.Por tanto el investigador quiere contrastar, si ese salario medio mensual por habitante es igual a 1.500 u.m. (conclusión del estudio y por ende hipótesis alternativa) o si por el contrario el salario medio mensual por habitante es distinto a 1.500 u.m. (conclusión contraria a la del estudio que se pretende negar y por ende hipótesis nula) El contraste a realizar sería el siguiente:H0: El salario medio mensual es distinto a 1.500 u.m. H1: El salario mensual es igual a 1.500 u.m. Como resultado, tenemos la formulación de las dos hipótesis que el investigador pretende contrastar.
              • HIPOTESIS ALTERNATIVA
                • es el enunciado que se desea poder concluir que es verdadero de acuerdo con la evidencia proporcionada por los datos de la muestra. Con base en los datos de muestra, la prueba determina si se puede rechazar la hipótesis nula. Usted utiliza el valor p para tomar esa decisión.
                  • https://youtu.be/125BDYS21ZA
                    • EJEMPLO
                      • Supongamos que un investigador ha realizado un estudio acerca del salario medio mensual en un determinado barrio de una ciudad. Imaginemos que de la población de ese barrio, el investigador ha encuestado a 1.000 personas llegando a la conclusión de que el salario medio mensual por habitante es de 1.500 u.m.(unidades monetarias).Por tanto, el investigador quiere contrastar si ese salario medio mensual es igual a 1.500 u.m. (conclusión del estudio y por ende hipótesis alternativa) o si por el contrario el salario medio mensual es distinto a 1.500 u.m. (conclusión contraria a la del estudio que se pretende negar y por ende hipótesis nula), El contraste a realizar sería el siguiente: H0: El salario medio mensual es distinto a 1.500 u.m.H1: El salario mensual es igual a 1.500 u.m. Como vemos, la hipótesis alternativa (H1), es la conclusión alcanzada por el investigador. Para demostrarla el investigador va a tratar de probar que lo contrario a su hipótesis alternativa (hipótesis nula, H0),
                  • Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la hipótesis nula y la hipótesis alternativa. La hipótesis nula es el enunciado que se probará. Por lo general, la hipótesis nula es un enunciado de que "no hay efecto" o "no hay diferencia". La hipótesis alternativa es el enunciado que se desea poder concluir que es verdadero de acuerdo con la evidencia proporcionada por los datos de la muestra.

Images and files in the map

  • ESTADISTICA INFERENCIAL
  • ESTADISTICA INFERENCIAL
  • ESTADISTICA INFERENCIAL
  • ESTADISTICA INFERENCIAL
  • ESTADISTICA INFERENCIAL
  • ESTADISTICA INFERENCIAL
  • ESTADISTICA INFERENCIAL
  • ESTADISTICA INFERENCIAL
  • ESTADISTICA INFERENCIAL
  • ESTADISTICA INFERENCIAL
  • ESTADISTICA INFERENCIAL
  • ESTADISTICA INFERENCIAL
  • ESTADISTICA INFERENCIAL
  • ESTADISTICA INFERENCIAL
  • ESTADISTICA INFERENCIAL

Information

Description
Mind Map on ESTADISTICA INFERENCIAL, created by paula peña on 15/11/2022.
Created by
paula peña
Views
2
Rating

Feedback

What is it about?

What should we add next?