/
My Flashcards
Save to my account
Sign up
My Flashcards
Tema 1 estadistica
Study
tema 2 estadística
Study
1
Question
¿Qué es el estimador puntual?
Answer
Un estimador puntual es una única mejor estimación para un valor de interés, que se relaciona con un parámetro de un modelo.
2
Question
Definición de la media poblacional
Answer
La media poblacional E[X] es el valor esperado o promedio de una variable aleatoria X en toda la población.
3
Question
¿Qué representa la varianza V[X]?
Answer
La varianza V[X] mide la dispersión de una variable aleatoria X respecto a su media poblacional E[X]. Es el promedio de las desviaciones al cuadrado de cada valor respecto a la media.
4
Question
Propiedades de la esperanza matemática E[X] y E[Y]
Answer
1. E[X+Y] = E[X] + E[Y] (no se necesita independencia) 2. E[aX + b] = aE[X] + b, donde a y b son constantes.
5
Question
¿Qué ocurre si X e Y son independientes?
Answer
Si X e Y son independientes, entonces se cumple que E[XY] = E[X]E[Y].
6
Question
¿Qué es la media empírica o muestral?
Answer
La media empírica (o muestral) X̄ se define como X̄ = (1/n) Σ (Xᵢ) para i=1 a n, y es un estimador puntual de la media poblacional E[X].
7
Question
Definición de la función de distribución acumulada empírica F
Answer
F(x) es un estimador de la función de distribución acumulada F(X), que se basa en los datos de la muestra aleatoria.
8
Question
¿Qué es el Teorema Central del Límite (CLT)?
Answer
El Teorema Central del Límite establece que si X₁, X₂, ..., Xₙ es una secuencia de variables aleatorias independientes e idénticamente distribuidas (iid) con media E[X_i] y varianza V[X_i] < ∞, entonces, para n grande, la distribución de la media muestral se aproxima a una distribución normal.
9
Question
¿Cómo se calcula la media muestral?
Answer
La media muestral se calcula como X̄ = (1/n) Σ (Xᵢ), donde n es el tamaño de la muestra y Xᵢ son los valores observados.
10
Question
¿Qué representa la condición n → ∞ en el contexto del CLT?
Answer
La condición n → ∞ significa que a medida que el tamaño de la muestra crece, la distribución de la media muestral X̄ converge en distribución hacia una distribución normal, independientemente de la forma de la distribución subyacente.
11
Question
Cuando E[X] o V[X] son mencionados, ¿qué representan?
Answer
E[X] representa el valor esperado o media de la variable aleatoria X, y V[X] representa la varianza de la variable aleatoria X, que mide la dispersión de sus valores.
12
Question
¿Qué es un estadístico?
Answer
Un estadístico es una función de la muestra aleatoria (X₁, X₂, ..., Xₙ) que se utiliza para estimar parámetros de la población.
13
Question
Ejemplo de función de regresión
Answer
Una función de regresión es una relación matemática que describe cómo una variable dependiente cambia en función de una o más variables independientes.
14
Question
Diferencia entre media poblacional y media muestral
Answer
La media poblacional es el promedio de toda la población, mientras que la media muestral es el promedio calculado solo a partir de una muestra específica extraída de esa población.
15
Question
¿Qué es una distribución normal?
Answer
Una distribución normal es una distribución de probabilidad continua que tiene forma de campana y se caracteriza por su media (μ) y varianza (σ²). En este caso, se menciona una normal con media 0 y varianza 2.
16
Question
¿Cómo se define la verosimilitud de una muestra aleatoria?
Answer
La verosimilitud, denotada como L, de una muestra aleatoria X1, X2, ..., Xn, bajo una función de densidad de probabilidad f(x), se define como el producto de las probabilidades de observar cada uno de esos datos: L(θ) = ∏_{i=1}^n f(X_i), donde θ son los parámetros del modelo.
17
Question
¿Qué es la función de logverosimilitud?
Answer
La función de logverosimilitud es el logaritmo natural de la verosimilitud y se expresa como: ln L(θ) = Σ_{i=1}^n ln(f(X_i)). Esta transformación simplifica cálculos y es útil para encontrar los máximos.
18
Question
¿Qué se puede entender por verosimilitud intuitivamente?
Answer
Intuitivamente, la verosimilitud mide cuán probable es observar los datos dados ciertos parámetros del modelo; en otras palabras, indica qué tan bien un conjunto de parámetros explica los datos observados.
19
Question
¿Cómo se determina el estimador de máxima verosimilitud (MLE)?
Answer
Se determina el MLE maximizando la función de verosimilitud o su logaritmo. Para encontrar el máximo, se deben calcular los puntos críticos resolviendo la ecuación derivada igual a cero.
20
Question
¿Qué significado tiene el punto crítico en la verosimilitud?
Answer
Un punto crítico se refiere a un valor de los parámetros donde la derivada de la función de verosimilitud (o logverosimilitud) es cero. Este punto puede corresponder a un máximo, mínimo o punto de inflexión, y en este contexto se busca que sea un máximo local.
21
Question
En el contexto del MLE, ¿cuál es la ecuación que se menciona para calcular el punto crítico?
Answer
La ecuación mencionada para calcular el punto crítico es: Σ_{i=1}^n X_i / n = 0, donde se obtiene el promedio aritmético de los datos, sugiriendo que el estimador de la media se iguala a cero.
22
Question
¿Cuál es el resultado cuando se halla el punto crítico en esta función de verosimilitud?
Answer
Cuando se evalúa, se concluye que hay un solo punto crítico. Como se menciona que el punto crítico se encuentra en 00 n 0, se establece que ese punto es un máximo de la función.
23
Question
¿Qué representa la notación L(n) en el contexto de la verosimilitud?
Answer
L(n) representa la función de verosimilitud para una muestra de tamaño n, indicando cómo la verosimilitud cambia al considerar más datos.
24
Question
¿Qué implicación tiene la elección de los parámetros en la verosimilitud?
Answer
La elección de parámetros influye directamente en la verosimilitud; al variar estos parámetros, el modelo ajusta cómo calcula la probabilidad de los datos observados.
25
Question
¿Por qué se usa la función de densidad de probabilidad (f(x)) en la verosimilitud?
Answer
La función de densidad de probabilidad (o masa de probabilidad, en el caso discreto) se usa para calcular cuán probable es observar un conjunto específico de datos, integrando así la naturaleza aleatoria del fenómeno en estudio.
26
Question
¿Qué es el gradiente y cómo se calcula para la optimización?
Answer
El gradiente es un vector que contiene las derivadas parciales de una función con respecto a sus variables. Para calcularlo, se deben obtener las dos derivadas parciales de la función con respecto a cada variable y establecerlas en cero para encontrar los puntos críticos.
27
Question
¿Cuál es la función de 'optimize' en R?
Answer
La función 'optimize' en R se utiliza para resolver problemas de optimización unidimensional, lo cual es adecuado cuando se tiene un solo parámetro a optimizar. Utiliza un método que no requiere derivadas.
28
Question
¿Cómo se diferencia 'optimize' de 'optim' en R?
Answer
La función 'optim' en R se utiliza para la optimización multidimensional general, mientras que 'optimize' es únicamente para unidimensional. 'optim' permite varios métodos de optimización, incluyendo métodos que utilizan derivadas.
29
Question
¿Qué es el método de Nelder-Mead?
Answer
El método de Nelder-Mead es un algoritmo de optimización sin derivadas que es efectivo para funciones no diferenciables, aunque puede ser lento.
30
Question
¿En qué consiste el método BFGS?
Answer
El método BFGS es un algoritmo de optimización quasi-Newton que utiliza solo las primeras derivadas, es decir, el gradiente, para encontrar el mínimo de funciones. Es efectivo para problemas de optimización que requieren un uso eficiente de la memoria y la computación.
tema 3 estadística
Study
1
Question
Answer
2
Question
¿Qué es un contraste de hipótesis?
Answer
Un contraste de hipótesis es un procedimiento estadístico que utiliza observaciones para decidir si se debe rechazar o no la hipótesis nula (H₀) en función de los datos recolectados.
3
Question
Define la hipótesis nula (H₀) y la hipótesis alternativa (H₁).
Answer
La hipótesis nula (H₀) es una afirmación que se prueba y se considera verdadera hasta que se demuestre lo contrario. La hipótesis alternativa (H₁) es lo que se plantea como una posible explicación o resultado que contradice a H₀.
4
Question
¿Qué valores p y qué representan?
Answer
El valor p es la probabilidad de observar una estadística de contraste igual o más extrema que la actual. Representa el nivel más bajo al cual se puede rechazar la hipótesis nula H₀.
5
Question
¿Cuáles son las acciones a tomar una vez calculado el valor p de un contraste?
Answer
Una vez que se calcula el valor p y se establece un nivel de significancia (por ejemplo, 0.01 o 0.05), se procede de la siguiente manera: Rechazamos H₀ si p < nivel de significancia. Mantenemos H₀ si p ≥ nivel de significancia.
6
Question
¿Qué tipo de evidencia proporciona un valor p igual a 0.01?
Answer
Un valor p de 0.01 proporciona evidencia muy fuerte en contra de la hipótesis nula (H₀).
7
Question
¿Qué se entiende por 'evidencia fuerte en contra de H₀'?
Answer
Un valor p entre 0.01 y 0.05 se considera evidencia fuerte en contra de la hipótesis nula H₀.
8
Question
¿Cómo se pueden clasificar los valores p en relación con la evidencia?
Answer
Los valores p pueden clasificarse de la siguiente manera: p < 0.01: evidencia muy fuerte en contra de H₀, 0.01 ≤ p < 0.05: evidencia fuerte en contra de H₀, y p >= 0.05: evidencia insuficiente para rechazar H₀.
9
Question
Explique el proceso para dividir parámetros en contraste de hipótesis. ¿Qué significa M en este contexto?
Answer
Dado un modelo paramétrico M, se dividen los posibles parámetros en dos subconjuntos: θ₀ y θ₁. Aquí, θ₀ representa el conjunto bajo la hipótesis nula y θ₁ representa el conjunto bajo la hipótesis alternativa.
10
Question
¿Cuál es el significado del estadístico observado T(x₁, x₂,...,xₙ) en los contrastes de hipótesis?
Answer
T(x₁, x₂,...,xₙ) es la estadística de contraste calculada a partir de las observaciones x₁, x₂,..., xₙ, que se utiliza para evaluar la evidencia en contra de la hipótesis nula.
11
Question
Describe brevemente el nivel de significancia en el contexto de un contraste de hipótesis.
Answer
El nivel de significancia es un umbral que se establece antes del análisis (ej. 0.01 o 0.05) y se utiliza para decidir si se debe rechazar la hipótesis nula en función del valor p obtenido del contraste.
12
Question
¿Qué es la prueba t de Student?
Answer
La prueba t de Student es un método estadístico que se utiliza para determinar si hay una diferencia significativa entre las medias de dos grupos, especialmente cuando el tamaño de la muestra es pequeño y se desconoce la desviación estándar de la población.
13
Question
¿Cuándo se utiliza la prueba t de Student?
Answer
Se utiliza cuando tenemos una muestra pequeña (generalmente n < 30) y queremos evaluar la diferencia entre medias bajo la suposición de que los datos son aproximadamente normales.
14
Question
¿Cuáles son los pasos para realizar una prueba t de Student?
Answer
1. Definir las hipótesis nula (H0) y alternativa (H1). 2. Calcular la estadística t utilizando la fórmula T = (X̄ - µ) / (s / √n). 3. Determinar los grados de libertad (df = n - 1). 4. Encontrar el valor crítico de t en la tabla de distribución t de Student. 5. Comparar la estadística t calculada con el valor crítico para decidir si rechazar o no H0.
15
Question
¿Qué significa que T sigue la distribución t de Student con n-1 grados de libertad?
Answer
Esto significa que bajo la hipótesis nula (H0), la estadística t calculada se distribuye según una distribución t de Student que tiene n-1 grados de libertad, lo que se utiliza para evaluar la significancia de los resultados.
16
Question
¿Cómo se decide si rechazar H0 en una prueba t?
Answer
Se rechaza H0 si la estadística t calculada es mayor que el valor crítico de t (en una prueba de una cola) o si el valor p asociado es menor que el nivel de significancia (α, comúnmente 0.05).
17
Question
¿Qué es la prueba de bondad de ajuste chi-cuadrado?
Answer
La prueba de bondad de ajuste chi-cuadrado se utiliza para determinar si los datos observados se ajustan a una distribución esperada específica. Verifica si las proporciones observadas en diferentes categorías son consistentes con las proporciones esperadas.
18
Question
¿Cuál es la hipótesis nula en una prueba de bondad de ajuste?
Answer
La hipótesis nula (H0) en una prueba de bondad de ajuste propone que no hay diferencia significativa entre las frecuencias observadas y las frecuencias esperadas; es decir, los datos se distribuyen de acuerdo con la hipótesis postulada.
19
Question
¿Cómo se realiza la prueba de bondad de ajuste chi-cuadrado?
Answer
Se calcula la estadística chi-cuadrado utilizando la fórmula χ² = Σ((O - E)² / E), donde O son las frecuencias observadas y E son las frecuencias esperadas. Luego se compara con un valor crítico de chi-cuadrado para decidir si se rechaza o no H0.
20
Question
¿Cuál es un ejemplo práctico de una prueba de bondad de ajuste?
Answer
Un ejemplo es probar si un dado es justo. Se usaría la hipótesis nula de que cada cara del dado tiene una probabilidad de 1/6, y se compararían las frecuencias observadas de los lanzamientos del dado con las frecuencias esperadas.
21
Question
¿Qué es la prueba de independencia chi-cuadrado?
Answer
La prueba de independencia chi-cuadrado evalúa si hay una asociación significativa entre dos variables categóricas. Se utiliza para comprobar si las frecuencias de las combinaciones de categorías observadas son iguales a las frecuencias esperadas.
22
Question
¿Cuál es la función utilizada para realizar una prueba chi-cuadrado en programación?
Answer
Las funciones chisq.test(x, y) o chisq.test(x) son utilizadas para realizar la prueba de chi-cuadrado en matrices o arreglos en ambientes de programación estadística como R.
23
Question
¿Qué significa H0 en el contexto de la prueba de independencia?
Answer
En el contexto de la prueba de independencia, H0 propone que las dos variables categóricas son independientes entre sí, y no hay relación significativa entre ellas.
24
Question
¿Cuál es el procedimiento para realizar una prueba de independencia chi-cuadrado?
Answer
1. Crear una tabla de contingencia para las dos variables. 2. Calcular las frecuencias esperadas para cada celda. 3. Calcular la estadística chi-cuadrado. 4. Determinar los grados de libertad (df = (número de filas - 1) * (número de columnas - 1)). 5. Comparar el valor chi-cuadrado calculado con el valor crítico para decidir sobre H0.
25
Question
¿Qué establece la hipótesis nula (H0) en el contexto de las probabilidades de las celdas en una tabla de contingencia?
Answer
La hipótesis nula (H0) establece que las probabilidades de las celdas son el producto de las probabilidades marginales de filas y columnas.
26
Question
¿Qué se puede probar al comparar las distribuciones de dos dados?
Answer
Podemos probar si las distribuciones de dos dados son iguales.
27
Question
¿Cuál es la fórmula para el estadístico de contraste en la hipótesis nula H0?
Answer
El estadístico de contraste se calcula como X1 Xn 2 log q X2, donde 2 log q x es asintóticamente distribuido como chi cuadrado con d - d0 grados de libertad.
28
Question
¿Qué representan 'd' y 'd0' en el contexto del test de hipótesis?
Answer
En este contexto, 'd' representa la dimensión de la distribución de la muestra y 'd0' representa la dimensión bajo la hipótesis nula.
29
Question
¿Cómo se determina si se rechaza la hipótesis nula (H0)?
Answer
Se rechaza H0 si el estadístico de contraste calculado excede el valor crítico de chi cuadrado correspondiente al nivel de significancia seleccionado.
30
Question
¿Qué significa 'verosimilitud' en el contexto del contraste de hipótesis?
Answer
La verosimilitud se refiere a la probabilidad de observar los datos dados bajo un modelo específico, en este caso, que se basa en las suposiciones de H0.
Untitled Flashcards
Study
Todos los temas de optimización
Study
1
Question
¿Qué es la optimización y cuál es su objetivo principal?
Answer
La optimización es una herramienta matemática que busca obtener el mayor rendimiento de una inversión, diseñar procesos de máxima eficiencia y mínimo coste.
2
Question
¿Cómo optimiza la naturaleza los sistemas físicos?
Answer
La naturaleza optimiza los sistemas físicos buscando la configuración de mínima energía; por ejemplo, los rayos de luz siguen la trayectoria que minimiza el tiempo de viaje.
3
Question
Enumera los tres elementos básicos de un problema de optimización.
Answer
1. Un vector de variables x. 2. Una función objetivo f. 3. Un conjunto de restricciones h_i y g_j.
4
Question
¿Cuál es la forma general de un problema de optimización?
Answer
Minimizar una función objetivo f de x sujeta a ciertas restricciones, representado como: Min f(x) sujeto a h_i(x) ≤ 0 y g_j(x) = 0.
5
Question
¿Quién fue Niccolo Tartaglia y cuál fue su contribución famosa en optimización?
Answer
Niccolo Tartaglia (1500-1557) propuso el problema de cómo dividir el número 8 en dos partes tal que el producto de estas partes por su diferencia sea máximo.
6
Question
Describe el problema de Kepler relacionado con la optimización.
Answer
Johannes Kepler, intrigado por la geometría de los barriles de vino, describió un problema en su libro 'New solid geometry of wine barrels' en 1615, donde consideró la optimización de la forma y volumen de los barriles.
7
Question
¿Qué significa que un problema de optimización esté restringido?
Answer
Un problema de optimización está restringido cuando hay condiciones o limitaciones (restricciones) que deben cumplirse en las variables de decisión al buscar la solución óptima.
8
Question
Define función objetivo en el contexto de la optimización.
Answer
Una función objetivo es la función matemática que se busca maximizar o minimizar en un problema de optimización, representando el rendimiento o coste que se desea optimizar.
9
Question
¿Cuáles son algunos de los métodos comunes para resolver problemas de optimización?
Answer
Métodos comunes incluyen Programación Lineal, Programación Entera, Programación No Lineal y Métodos de Gradiente.
10
Question
¿Qué implica la programación lineal en optimización?
Answer
La programación lineal es un método que se utiliza cuando tanto la función objetivo como las restricciones son lineales, permitiendo visualizar la solución en un espacio multidimensional.
11
Question
¿Cómo se representan gráficamente las restricciones en un problema de optimización?
Answer
Las restricciones se representan gráficamente como líneas o superficies en el espacio, donde la región que cumple todas las restricciones se denomina solución factible.
12
Question
¿Cuál es la diferencia entre un problema de maximización y uno de minimización?
Answer
Un problema de maximización busca aumentar el valor de la función objetivo, mientras que un problema de minimización busca reducirlo.
13
Question
¿Qué papel juegan las variables de decisión en un problema de optimización?
Answer
Las variables de decisión son las cantidades que el tomador de decisiones puede controlar y ajustar para optimizar la función objetivo bajo las restricciones impuestas.
14
Question
¿Qué significa un 'vector de variables x' en optimización?
Answer
Un vector de variables x es un conjunto de variables independientes que representan las decisiones a tomar en el problema de optimización.
15
Question
¿Cuáles son las aplicaciones prácticas de la optimización?
Answer
Las aplicaciones prácticas de la optimización incluyen la gestión de recursos, la planificación de la producción, la logística, la inversión financiera y el diseño de sistemas.
16
Question
¿Qué importancia tiene la función objetivo en la toma de decisiones en optimización?
Answer
La función objetivo cuantifica el resultado de diferentes decisiones, guiando al tomador de decisiones hacia la opción que mejor cumple con los objetivos establecidos.
17
Question
¿Qué es la optimización matemática?
Answer
La optimización matemática es un proceso que busca encontrar el mejor resultado (máximo o mínimo) de una función matemática, sujeta a ciertas restricciones. Se utiliza para resolver problemas donde se necesita maximizar o minimizar un valor, como costos, beneficios, o volúmenes.
18
Question
¿Qué es un problema de optimización?
Answer
Un problema de optimización implica encontrar la mejor solución de un conjunto de soluciones posibles bajo ciertas condiciones o restricciones. Estos problemas pueden ser formulados matemáticamente con funciones objetivo y restricciones.
19
Question
¿Cómo se construye un modelo de optimización?
Answer
La construcción de un modelo de optimización implica: 1) Definición del problema real, 2) Identificación de variables de decisión (x) y parámetros (p), 3) Formulación de la función objetivo a maximizar o minimizar, y 4) Establecimiento de restricciones que el modelo debe cumplir.
20
Question
¿Cuáles son las diferencias entre optimización continua y discreta?
Answer
La optimización continua se refiere a problemas donde las variables pueden tomar cualquier valor en un rango continuo, mientras que la optimización discreta se refiere a problemas donde las variables son restringidas a valores discretos, como enteros.
21
Question
¿Qué son las variables enteras y binarias en optimización?
Answer
Las variables enteras son variables que solo pueden tomar valores enteros, como el número de personas en un turno. Las variables binarias son un caso especial de las variables enteras que solo pueden tomar dos valores: 0 o 1, indicando la selección o no de un elemento.
22
Question
¿Qué es la optimización irrestringida y restringida?
Answer
La optimización irrestringida no tiene restricciones en las variables de decisión, mientras que la optimización restringida está sujeta a condiciones específicas, como cotas sobre las variables y restricciones lineales o no lineales.
23
Question
¿Qué es la optimización local y global?
Answer
La optimización local se refiere a soluciones que son las mejores en su entorno inmediato, mientras que la optimización global se refiere a la mejor solución entre todas las posibles. A veces, un óptimo local puede ser un óptimo global.
24
Question
¿Cuál es el volumen máximo de un cilindro inscrito en una esfera?
Answer
Para inscribir un cilindro en una esfera, se necesita maximizar el volumen del cilindro bajo la restricción de que la altura y el radio del cilindro están relacionados con el radio de la esfera. Cuando se maximiza, se puede llegar a un volumen máximo de 8 unidades cúbicas bajo condiciones específicas.
25
Question
¿Cuáles son los métodos de resolución de problemas de optimización?
Answer
Los métodos para resolver problemas de optimización incluyen algoritmos de optimización, métodos matemáticos, y programación. Estos permiten encontrar soluciones óptimas a la función objetivo bajo las restricciones dadas.
26
Question
¿Qué es una función objetivo en optimización?
Answer
La función objetivo es la función matemática que se desea maximizar o minimizar en un problema de optimización. Representa el criterio de decisión que se busca optimizar.
27
Question
¿Qué papel juegan las restricciones en un problema de optimización?
Answer
Las restricciones son condiciones que limitan las posibles soluciones a un problema de optimización. Pueden ser lineales o no lineales y establecen límites sobre los valores que pueden tomar las variables de decisión.
28
Question
¿Qué son los algoritmos de optimización?
Answer
Los algoritmos de optimización son procedimientos computacionales utilizados para encontrar soluciones óptimas a problemas de optimización. Estos pueden variar en técnica y enfoque, desde métodos exactos hasta heurísticos.
29
Question
¿Qué es la optimización local?
Answer
La optimización local se refiere a encontrar los puntos óptimos (máximos o mínimos) en un subconjunto limitado del dominio de una función. Esto significa que se buscan soluciones que son mejores que las cercanas, pero que no necesariamente son globalmente óptimas.
30
Question
¿Cómo se diferencia la optimización global de la optimización local?
Answer
La optimización global busca el mejor resultado general en todo el dominio de una función, mientras que la optimización local se enfoca solo en encontrar el mejor resultado dentro de una región específica, sin considerar el resto del dominio.