4.4.1. Establecimiento de la precisión

en este link esta todo los temas https://app.box.com/s/m82pljogijypv6y6im5dw9f3b379wmlp

Sea H un intervalo cualquiera definido sobre la recta real. Definiremos ahora una variable ficticia, XH , de la siguiente forma:



De manera que cada observación de Xt Ileva asociada una observación -con valor o ó 1- de la variable XNr . La función de densidad teórica -desconocida- de Xt asigna una probabilidad pH
al intervalo H. Esto significa que:



Producir T replicaciones del vector y, implica disponer de una muestra de T “observaciones" de la variable real X. Esta muestra lleva asociada, a su vez, una muestra de tamaño T de la variable Xy .Esta variable sigue una distribución binaria de parámetro pH , así que la suma de las T observaciones de XH , ZH = XH^ +. ,.+ X y T , sigue una distribución binomial b(pH ,^. Es oportuno aquí hacer una adaptación al presente contexto del concepto de estimación precisa de Finster{ 1987) Definición 1. ,ZH /T es una estimación precisa de pN con nivel de imprecisión A y confianza 1-a (can 0< cx < 1), si



EI conjunta de precisión [-A, A] es el conjunto de errores de simulación aceptables. En lo que sigue a continuación se intentará determinar cuál es el número de replicaciones mínimo para obtener una estimación de pH can nivel de imprecisión fijo A y confianza 1-a. EI teorema de Moivre (ver por ejemplo Fz. de Trocóniz 1993) prueba que la sucesión b(pH ,1), b(pH ,2),.
..,b(pH , 7^, es asintóticamente normal N{T pH ,T p^ [1- pH ]) de manera que si T pH > 1 S se suele tomar como válida la siguiente aproximación a la distribución de ZH :


Establecimiento de la precisión del formulario y otras opciones

Para establecer la precisión y otras opciones:
  1. Consulte Acerca de la configuración de precisión.
  2. Abra el formulario y, a continuación, haga clic en Otras opciones.
  3. En Precisión, especifique el número de posiciones decimales visibles en una celda para Valores de moneda, Valores no de moneda y Valores porcentuales.
    Especifique los valores oportunos en Mínimo para agregar ceros a los números con pocos decimales. Especifique los valores oportunos en Máximo para truncar y redondear la parte decimal de los números grandes. Por ejemplo:
    Tabla 18-21 Ejemplos de precisión de datos
    ValorPrecisión mínimaPrecisión máximaValor mostrado
    100
    0
    Cualquiera
    100
    100
    3
    Cualquier número mayor que o igual a 3 o Ninguno.
    100,000
    100,12345
    Cualquier número menor que o igual a 5.
    Ninguno
    100,12345
    100,12345
    7
    Ninguno
    100,1234500
    100,12345
    Cualquier número menor que o igual a 3.
    3
    100,123
    100,12345
    0
    0
    100
    100,12345
    2
    4
    100,1235
    100
    2
    4
    100,00
    4. Para asociar los menús al formulario, muévalos de Menús disponibles a Menús seleccionados. Para varios menús, haga clic en una de las opciones de "mover" situadas a la derecha para especificar el orden de visualización 
  4.  Seleccione Activar variables de usuario dinámicas para permitir variables de usuario dinámicas en el formulario (consulte Trabajar con Planning).

Comentarios

Publicar un comentario

Entradas populares de este blog

4.4. Características estadísticas del estimador líder

Imagen
1) Sesgo. Se dice que un estimador es in sesgado si la Media de la distribución del estimador es igual al parámetro. Estimadores in sesgados son la Media muestral (estimador de la Media de la población) y la Varianza (estimador de la Varianza de la población): Ejemplo En una población de 500 puntuaciones cuya Media (m) es igual a 5.09 han hecho un muestreo aleatorio (número de muestras= 10000, tamaño de las muestras= 100) y hallan que la Media de las Medias muestrales es igual a 5.09, (la media poblacional y la media de las medias muestrales coinciden). En cambio, la Mediana de la población es igual a 5 y la Media de las Medianas es igual a 5.1 esto es, hay diferencia ya que la Mediana es un estimador sesgado. La Varianza es un estimador sesgado. Ejemplo: La Media de las Varianzas obtenidas con la Varianza en un muestreo de 1000 muestras (n=25) en que la Varianza de la población es igual a 9.56 ha resultado igual a 9.12, esto es, no coinciden. En cambio, al utilizar la Cua...
Leer más

4.1. Lista de estimadores a obtener de la simulación

Imagen
4.1 Lista de estimadores a obtener de la simulación H asta ahora hemos estudiado cómo simular probabilidades de elección, pero no hemos estudiado las propiedades de los estimadores de los parámetros que se basan en estas probabilidades simuladas. En los casos que hemos presentado, simplemente hemos insertado las probabilidades simuladas en la función log-verosimilitud y hemos maximizada dicha función, de la misma forma que lo habríamos hecho si las probabilidades hubinsertado ieran sido exactas. Este procedimiento parece intuitivamente razonable. Sin embargo, no hemos mostrado realmente, al menos hasta ahora, que el estimador resultante tenga propiedades deseables, como consistencia, normalidad asintomática o eficiencia. Tampoco hemos exploradora posibilidad de que otras formas de estimación puedan ser preferibles cuando usamos simulación, en lugar de las probabilidades exactas. El propósito de este capítulo es examinar varios métodos de estimación en el contexto de la simu...
Leer más

4.5.2. Muestras pequeñas: prueba de Kolmogórov-Smirnov para ajuste de una distribución de probabilidades continua hipotética (en hoja de cálculo o con paquete estadístico)

Imagen
Prueba de Kolmogorov–Smirnov En estadística, la prueba de  Kolmogórov-Smirnov  (también prueba  K-S ) es una prueba no paramétrica que determina la bondad de ajuste de dos distribuciones de probabilidad entre sí. La prueba de Kolmogorov-Smirnov  se utiliza para probar la bondad del ajuste de una distribución de frecuencia teórica, es decir, si existe una diferencia significativa entre la distribución de la frecuencia observada y la distribución de frecuencia teórica (esperada). En un post anterior cubrimos el metodo Chi-Cuadrado. La prueba de K-S es similar a lo que hace la prueba de Chi-Cuadrado, pero la prueba K-S tiene varias ventajas: Pruebas mas potentes. Más fácil de calcular y utilizar, ya que no requiere agrupación de datos. La estadística de prueba es independiente de la distribución de la frecuencia esperada. Sólo depende del tamaño de la muestra n. LA HIPÓTESIS : H0:  La distribución de frecuencia observada es consistente con la dist...
Leer más