Inferencia Estadistica

CAPTULO IV: INFERENCIA
Tema I: DEFINICIONES DE LA INFERENCIA

ESTADISTICA
DEDUCCIN: Aquella operacin lgica que parte de una
afirmacin general verdadera y otra particular para llegar a otra
afirmacin verdadera particular.
Ejm:
1. Todos los hombres son mortales
2. Jos es hombre
3. Por tanto Jos es mortal
INFERENCIA INDUCTIVA: Aquella operacin lgica que parte de

afirmaciones particulares verdaderas para tratar de llegar a una
afirmacin general verdadera.
Ejm:
1. Jos es mortal
2. Jos es hombre
3. Por tanto los hombres son mortales
1

ESTADISTICA
INFERENCIA INDUCTIVA: Aquella operacin lgica que parte de
afirmaciones particulares verdaderas para tratar de llegar a una
afirmacin general verdadera.
Ejm:
1. Jos es mortal
2. Jos es hombre
OJO 3. Por tanto los hombres son mortales
Se debe demostrar, para cada operacin de inferencia, su veracidad ya que se puede caer en
las siguientes incongruencias:
1. Jos es calvo
2. Jos es hombre
3. Por tanto todos los hombres son calvos
Para confirmar hasta que punto tomando una muestra (pe.: Jos) de una poblacin se
puede tomar la induccin por verdadera, la inferencia estadstica se dota de las
herramientas necesarias.
2
ESTADISTICA
DIFERENCIA ENTRE ESTADISTICA DESCRIPTIVA E
INFERENCIA ESTADISTICA:
ESTADISTICA DESCRIPTIVA: conceptos y tcnicas orientados a la
presentacin y reduccin de la informacin de los caracteres de una
poblacin(1).
Cuando el nmero de unidades estadstica no permite
OJO el anlisis descriptivo se acude a la inferencia.
INFERENCIA ESTADISTICA: aquellas tcnicas utilizadas para el

estudio de las caractersticas de una poblacin a partir de muestras (1):
1. Estimacin puntual
2. Estimacin por intervalos
3. Test de hiptesis
(1)
Lucinio Judz Asensio et al
3
ESTADISTICA
MUESTRAS DE ELEMENTOS INDEPENDIENTES E
IDENTICAMENTE DISTRIBUIDOS (miid): muestras cuyas unidades
estadsticas tienen la misma probabilidad de aparecer y el suceso de
aparicin de una unidad estadstica es independiente respecto al suceso
de aparicin de otra unidad estadstica, es decir:
1. Si=aparicin de la unidad estadstica xi

2. p(Si)= 1/N / N = nmero de unidades estadsticas de la poblacin
n
3. Para 2 (n 1) combinaciones de 2, 3,...,N elementos de
que consta la muestra se debe cumplir:
s
s
p si p ( si )
1 1
Donde s es cada una de las combinaciones desde 1 a 2 n (n 1)
Ello se consigue tomando las muestras al azar con reposicin.
4
ESTADISTICA
ESTADSTICO: cualquier funcin de los valores de las
modalidades de los caracteres de los elementos de la muestra como la
media, la varianza y otras en que no estn especificadas sus
probabilidades
I. CARACTERISTICAS Y LEYES DE ESTADISTICOS DE UNA

POBLACIN.
i. Notacin para la poblacin:
1. Sea X el carcter de una poblacin.
2. Lx ley de probabilidad de la variable estadstica asociada al
carcter X de esa poblacin.
3. Se dir, a partir de ahora: una poblacin XLx.
4. F(x): funcin de distribucin de X.
5. f(x): funcin de densidad de probabilidad, en continua.
6. p(X=x): funcin de probabilidad, en discreta.
7. Dx: conjunto de definicin de X.
5
ESTADISTICA
POBLACIN.
8. Media poblacional o esperanza matemtica de X:
a.
Discreta: E ( x) m x p ( X x)
Dx
b. Continua: E ( x) m x f ( x)dx
Dx
9. Momento poblacional no centrado de orden r de X:

a. Discreta: E ( x r ) mr x r p ( X x )
Dx
b. Continua: E ( x r ) mr x r
f ( x)dx
Dx
6
ESTADISTICA
POBLACIN.
10. Momento poblacional centrado de orden r:
a.
Discreta: E X m r r
x m p ( X
r x)
Dx
b. Continua:

E X m r x m f ( x)dx
r r
Dx
11. Varianza poblacional de X:

x m p ( X x)
2
a. Discreta: V ( x) 2
Dx
V ( X ) x m f ( x)dx
2 2
b. Continua:
Dx
7
ESTADISTICA
POBLACIN.
ii. Notacin para la muestra: (muestral es sinnimo de empirica)
1. n: Tamao de la muestra
2. xi: Elemento de la muestra extraido en la i-esima extraccin
3. x1, x2,..., xi,..., xn 1 n
4. Media muestral: X
n
xi
n
i 1
' 1 r
5. Momento no centrado muestral de orden r: mr i
n i 1
x
6. Momento centrado muestral de orden r:

n
1

r' xi x
n i 1
r
8
ESTADISTICA
POBLACIN.
ii. Notacin para la muestra: (muestral es sinnimo de emprica)
7. Varianza muestral: n
1 '2
xi x
n i 1
2
8. Cuasi-varianza muestral:
1 n
'2
s
n 1 i 1

xi x 2
9. Las caractersticas muestrales son funciones de la muestra,

es decir estadsticos.
9
ESTADISTICA
POBLACIN.
iii. Caractersticas de la media, frecuencia y varianza muestral o
emprica:
Los elementos xi de la muestra tienen las mismas caractersticas
que las poblacionales, es decir:
E ( xi ) xi p ( X xi ) m Discreta
xDx
E ( xi ) x f ( x)dx m Continua
xDx
V ( xi ) ( xi m) 2 p ( X xi ) 2 Discreta
xDx
V ( xi ) ( x m ) 2
f ( x ) dx 2
Continua
xDx
10
ESTADISTICA
POBLACIN.
iii. Caractersticas matemticas de la media muestral:
1. Esperanza matemtica de la media muestral:
1 n 1 n
E ( X ) E xi E ( xi ) m
n i 1 n i 1
2. Varianza matemtica de la media muestral:
1 n 1 n
2
V ( X ) V xi 2 V ( xi )
n i 1 n i 1 n
iv. Caractersticas de la frecuencia muestral:
f i (1 f )i p q
E ( f i ) f i p q 1 p; V ( f i )
n n
11
ESTADISTICA
POBLACIN.
v. Esperanza matemtica de la varianza emprica o muestral:
n n
1 1
2

E ( ) E ( xi x) E ( xi m) ( x m)
'2
2
n i 1 n i 1
1 n
E ( ) E ( xi m) 2 E ( x m) 2 V ( x) V ( x)
'2
n i 1
2
2 '2 n 1 2
Si V ( x) y V ( x) E ( )
n n
12
ESTADISTICA
POBLACIN.
vi. Esperanza matemtica de la cuasi-varianza muestral: tiene la
peculiaridad de resultar:
2 n
E ( s ) E 2 2
n 1
vii. Varianza matemtica de la cuasi-varianza y varianza muestral:
4 4
2
V (s 2 ) 4
n n(n 1)
4 4 4
2 3
V ( '2 ) 4 2 4 2 4 3
n n n

4 E X E X
4
13
ESTADISTICA
II. DISTRIBUCIONES DE LA MEDIA, FRECUENCIA Y VARIANZA
EMPRICAS PARA GRANDES MUESTRAS.
i. Para una poblacin determinada, existir una ley XLx,
ii. A su vez los posibles valores que puedan tomar los estadsticos
de muestras de n elementos de la poblacin seguirn una
funcin de probabilidad(discreta) o de densidad de
probabilidad(continua).
iii. Ejemplo:
1. Poblacin de N elementos. Se tomaran muestras de n
elementos. Calcular el nmero de medias muestrales
posibles: N N!
x1 , ..., x N
n N n !n!
n 14
ESTADISTICA
iii. Ejemplo:
2. Al igual que existe una probabilidad de obtener un valor
determinado para una unidad estadstica XLx, as ocurre
con los estadsticos de una muestra.
3. Por tanto para cada X existir una probabilidad de su

existencia, y por tanto una ley de probabilidad, dependiente
de XLx y n.
15
ESTADISTICA
iv. Para grandes muestras se cumplen las siguientes
convergencias:
5
2
l n
X N m,
10
n
X simetrica y unimodal

15

2
1 x a
2 1 x 2
2 b

l pq np y nq
X N ( a, b ) f ( x) e f N p,
2 b n 20

p no prxima a 0 ni 1

'2 l 2 4 4
N ,
n
4
Varias centenas de unidades estadistic as

l N 2 , 4
s '2
n
16
ESTADISTICA
III. DISTRIBUCIONES DE MUESTRAS DE POBALCIONES NORMALES:
MEDIA, VARIANZA, DESVIACIN TIPICA Y (X m)n/s.
i. Distribucin Binomial: X B(n,p)
n x
p( X x) p (1 p ) n x x C 0,1,2,..., n
x
p( X x) 0 x C
Donde: E ( x) np y V ( x) np (1 p )
v. Distribucin de Poisson: X P()

f ( x) e x / x 0
X E ( )
f ( x) 0 / x 0
Donde: E(x)= y V(x)= .
17
ESTADISTICA
iii. Distribucin Norma: X N(m,)
2
1
1 x m
x 2
2 2
X N (m, ) f ( x) e / x
2
Donde: E ( x) m y V ( x)
Tipificacin: cuando se desea conocer la funcin de probabilidad

de una normal X N(m,), de la que no se disponen tablas, se
puede conocer el valor de la funcin de probabilidad de una
tabla de una Y N(0,1) haciendo el cambio:
x m
y

18
ESTADISTICA
iv. Distribucin 2 de Pearson:
1. Sean n variables aleatorias independientes: X1, X2, ...,Xn
cada una siguiendo una ley N(0,1).
2. La distribucin n2 de Pearson es la ley de probabilidad
que sigue la variable aleatoria Y suma de:
Y X 12 X 22 ... X 32
3. Siendo n: grados de libertad o numero de variables
aleatorias independientes N(0,1)
4. Su funcin de densidad de probabilidad es:
n y

y e
2 1 2
f ( y) n y 0
n
2
2
2 19
ESTADISTICA
5. La funcin:
n

2
Es la Gamma del nmero complejo z=n/2, en que la parte
imaginaria es 0. de manera que se define:
a. (z+1)=z!, si z=a+0i y a es un nmero entero
b. (z+1)=z(z), si z=a/2+0i y a/2 no es un nmero
entero de manera que se debe usar (1/2) al que
finalmente se llegar, siendo:
1

2
20
ESTADISTICA
6. La esperanza matemtica y la varianza matemtica son:
E(Y) = n V(Y) = 2n
7. La funcin de distribucin de n2 es muy utilizada en

estadstica.
8. En las tablas se encuentra la funcin de distribucin de

n2 como:
P(Y>y) = q
es decir:
q = 1 - p = 1 - P(Y<y)
o tambin llamada probabilidad cola.
21
ESTADISTICA
9. Ejemplo:
En las tablas de 2 interpolando:

p x102 7,2670 0,7 2

p x21
30 0,09377
Se dice que cuantil con una probabilidad cola de 0,05
para un n=15 es:
215;0,05=25
10. Para n>30 la 2 de Pearson la distribucin se aproxima a:

2 n2 N
2n 1,1
22
ESTADISTICA
v. Distribucin t de Student:
1. Sean n+1 variables aleatorias independientes: X, X2, ...,Xn
e idnticamente distribuidas siguiendo una ley N(0,).
2. Sea la funcin de distribucin de la variable X que sigue
una ley tn: T ( X ) x
1 n 2

n i 1
xi
3. n = grados de libertad de la t de Student

4. Su funcin de densidad es:
n 1 n 1
2
1 2 x 2
f ( x) 1 / x
n n n

2 23
ESTADISTICA
v. Distribucin t de Student:
5. La esperanza matemtica y la varianza matemtica valen:
n
E ( X ) 0; V ( X )
n 2
6. Tabulacin por probabilidades de distribucin cola.
vi. Distribucin de la media muestral o emprica:

1. Si X sigue una ley normal N(m, 2)X tambin sigue una
ley Normal pero de parmetros N(m, 2/n)
2. Aclaraciones previas: n X X 2 n
X 2
a. Si Xi N(m, 2) i n2 1 X 2
2

i n 1
i 1 i 1
24
ESTADISTICA
vi. Distribucin de la media muestral o emprica:
1. Si X sigue una ley normal N(m, 2)X tambin sigue una
ley Normal pero de parmetros N(m, 2/n)
vii. Distribucin de la varianza y cuasi-varianza muestrales:
1. Esperanza matemtica: n X X 2 n
a. Si Xi N(m, )
2 i

2
n 1 X
i X
2

2
2
n 1
i 1 i 1
2
2 2 2 2 2
b. Si Xi N(m, 2) ' n n 1 y s n 1 n 1
c. Si E( 2(n-1))=n-1, la esperanza de 2 y s2 sern:

n 1
E '2 2 y E s 2 2
n
25
ESTADISTICA
2. Varianza matemtica:
a. Si V( 2n-1)=2 (n - 1) las varianzas de 2 y s2:
4 4
2 ( n 1) 2

V '2
n 2
;
V s 2

n 1
b. En las tablas de 2n-1 es de destacar que no exiten
para n > 30, ya que se verifican las siguientes
convergencias:
n 30 2 2
n l

N 2n 1,1
1
2
Si U N (0,1) n (v) l
2

U 2v 1 30 n 100
2

l v 2v n 100
n2 (v)
26
ESTADISTICA
2. Varianza matemtica:
c. La 2 y s2 seguirn unas leyes para muestras
grandes:
2 l 2
'
2n
U 2 n 3
2
30 n 100

2 l 2
s
2(n 1)
2
U 2n 3 30 n 100

Si U N (0,1) 2

'

2 l

n
2
(n 1) U 2n 1 n 100
2
2 l 2
2
n 100
s 1 U
n 1

27
Tema II: ESTIMACIN PUNTUAL
I. Planteamiento del problema:
i. Sea una poblacin X Lx()
ii. Su funcin de distribucin depende del parmetro .
iii. Sea x1, x2, ....,xn una miid de X Lx().
iv. Sea L(x1, x2, ....,xn; ), la funcin de probabilidad, o densidad

de probabilidad de la muestra, (x1, x2, ....,xn) D.
v. A L(x1, x2, ....,xn; ) se le llama funcin de verosimilitud.
vi. Sea el espcio paramtrico el conjunto de posibles valores

de .
28
vii. La teora de estimacin puntual trata de encontrar un valor de

a partir de un ESTIMADOR de dicho parmetro.
T
D
x1 , x2 ,..., xn D Tx T x1 , x2 ,..., xn
viii. As pues un ESTIMADOR es un ESTADSTICO.
ix. Objetivo de este apartado:

Definir como es un estimador ptimo y como reconocerlo
29
x. Ejemplo:
1. Sea X N(m,1), con m (media) desconocida.
2. Sea x1, x2, ....,xn, un muestra aleatoria de X.
3. La FUNCIN DE VEROSIMILITUD
n ser:
L x1 ,...xn f i xi , m
i 1
4. Siendo:
1 12 xi m 2
f i xi , m e
5. Luego:
2 n
n 1 x m2
1 2 i
L( x1 ,..., xn , m) e i1
2
6. El conjunto de definicin D ser (x1, x2, ....,xn) Rn.
7. Al espacio paramtrico pertenecern todos los
posibles valores m. 30
xi. El planteamiento es el siguiente:
1. Cuestiones y respuestas
Cmo elegir el estimador, o estadstico que sirva como
estimador del parmetro ?
Todo depende del criterio (Cr1) de eleccin que se fije.
Qu criterio se debe escoger?
Para elegir el criterio de eleccin se precisa otro criterio
(Cr2) para elegir el criterio de eleccin del estimador.
Cul es el criterio de eleccin del criterio de eleccin
del estimador?
El que se considere un buen estimador (Cr2).
Cul ser pues Cr1?
Cr1 puede ser a elegir entre a, b d.
a. Que T sea insesgado.
b. Que T sea consistente
d. Que T, insesgado, tenga varianza mnima 31
Cul ser pues Cr1?
a. Que T sea insesgado: Concepto de ERROR

CUADRTICO MEDIO.
Sea T un estimador del parmetro .

El ERROR CUADRTICO MEDIO

(ECM) es:
ECM (T , ) E T
2
Se demuestra que:
32
Cul ser pues Cr1?
a. Que T sea insesgado:ERROR CUADRTICO MEDIO (ECM).
Se demuestra que:
2

ECM (T , ) E T E T E (T ) E (T )
2

ECM (T , ) E T E (T ) 2T E (T ) E (T ) E (T )
2 2

ECM (T , ) E T E (T ) 2 E T E (T ) E (T ) E E (T )
2
2
ECM (T , ) E T E (T ) 2 E (T ) E (T ) E (T ) E (T )
2 2
ECM (T , ) E T E (T ) E (T )
2 2

es una constante

Hay que entender que : E (T ) es una constante y E (Cte) Cte
E (T ) es una constante
33
Cul ser pues Cr1?
a. Que T sea insesgado:ERROR CUADRTICO MEDIO (ECM).
Se demuestra que:

ECM (T , ) E T E (T ) E (T )
2 2
Sesgo: es la diferencia - E(T)

Estimador T insesgado:
E (T ) 0
E (T )
34
Cul ser pues Cr1?
a. Que T sea insesgado:ERROR CUADRTICO MEDIO (ECM)

ECM (T , ) E T E (T ) E (T )
2
2
Interpretacin: La relacin

E T E (T )
2

es la varianza de T as pues:

ECM (T , ) E T E T E (T ) E (T )
2 2
2

E T V (T ) Sesgo de T
2 2
35
Cul ser pues Cr1?
b. Teorema de la desigualdad de Tchebychev:
Sea XLx en que E(X) = m y V(X) = 2 tienen un valor finito
1

se verifica: p X m k 1 p
k2
k 1
p X m k 1 1 p q
k2
Interpretacin: la probabilidad de que una variable aleatoria
se desvi ms de 3 desviaciones estndar respecto al valor
esperado es: p x E ( x) 3 1

9
y esto es asi sea cual fuere su distribucin.
36
Cul ser pues Cr1?
c. Que T sea consistente:
Sea T1, el estimador para una muestra de 1 unidad
estadstica.
Sea T2, el estimador para una muestra de 2 unidades
estadsticas.
Sea Tn, el estimador para una muestra de n unidades
estadsticas.
Sea {Tn} la representacin de la sucesin de los
estimadores: {Tn} = T1, T2,...,Tn.
37
Cul ser pues Cr1?
T es un estimador consistente si la sucesin {Tn}
converge: Lim
0 p Tn 0
n
Para que el estimador T sea consistente es suficiente
que se cumplan las condiciones:
Lim Lim
E Tn y V Tn 0
n n
38
Cul ser pues Cr1?
DEMOSTRACIN: Por la desigualdad de Tchebychev
1

p Tn E (Tn ) k V (Tn )
k2
Realizando el cambio: V (Tn )
k V (Tn ) p Tn E (Tn ) 2

lim Aplicando limites: lim V (Tn )
p Tn E (Tn )
n n 2
39
Cul ser pues Cr1?
DEMOSTRACIN: Por la desigualdad de Tchebychev
Si se verifican:
Lim Lim
E Tn y V Tn 0
n n
Se obtiene:
lim
p Tn 0
n
40
Cul ser pues Cr1?
c. Que T sea consistente: lim
Interpretacin:
p Tn 0
n
Cuanto mayor sea el nmero de unidades estadsticas
de la muestra es ms difcil que el valor del stimador
difiera del parmetro buscado ms de una cantidad ,
por pequea que esta sea.
41
Cul ser pues Cr1?
d. Que T sea insesgado y de varianza mnima:
Para ello T debe cumplir:
E (T )
Y si T es otro estimador insesgado:
V (T ' ) V (T ) T ' T / E (T ' )
Se determina que algunos estimadores de

parmetros de distribuciones de uso frecuente son
insesgados y de varianza mnima por medio de la
DESIGUALDAD DE FRECHET-CRAMER-RAO
42
Cul ser pues Cr1?
Sea T un estimador de la funcin de densidad de
probabilidad (de probabilidad) f(x,).
Sea L(,x1,...,xn, ), la funcin de verosimilitud de la

muestra. 2
dE (T )

En general se verifica:
V (T ) d
2 ln L x1 ,..., xn ;
E 2

43
Cul ser pues Cr1?
Si la muestra es miid: 2
dE (T )

d
V (T )
2 ln f x;
nE 2

Si T es un estimador insesgado: 1
V (T ) V0
ln f x;
2
nE 2

44
Cul ser pues Cr1?
Ejemplo: Demostrar que
X N (m, 2 ) con 2 conocidad X insesgado y V(X) mnima
esto es as por tanto V(T) valdr 2como mnimo 2.
1 x m
1
f ( x, m ) e 2
2
2 ln f ( x, m) 1
2
2
m
45
II. Mtodo de estimacin puntual:
i. Objetivo:
Mtodos que permiten la obtencin de los estimadores
ii. Mtodo de los momentos:

Sea X L( 1, 2,..., s).
Sea mr momento poblacional no centrado de orden r:
mr x r dF ( x,1 ,..., s ) mr (1 ,..., s )
D
Sea mr los momentos muestrales

n no centrados de orden r:
1
mr' i
n i 1
x r
Sean 1, 2,..., s los estimadores de ' 1, 2,..., s, dichos

estimadores son la solucin de: m1 m1 1 ,..., s
...............
'

mk mk 1 ,..., s
46
II. Mtodo de estimacin puntual:
ii. Mtodo de los momentos:
Ejemplo: Estimar la media (m) y la varianza ( 2) de X para
una muestra de n unidades estadsticas si los Momentos
poblacionales son: 2 2 2
m1 E ( X ) m; m2 E ( X ) m
Solucin:
Momentos muestrales:
n n
1 1
m1' xi ; m2' xi2
n i 1 n i 1
Sistema de ecuaciones:
1 n
' m xi
m1 m '
m m1 n i 1
' 2 2 ' '2 n n 2 2
2

m2 m m2 m1 2 1 1 1 n
xi xi xi
n i 1 n i 1 n i 1
47
Tema III: ESTIMACIN POR INTERVALO
I. Objetivo:
i. Las estimaciones puntuales variarn en funcin de la muestra.

ii. Se tratarn de evitar tales imprecisiones a partir de LA
ESTIMACIN POR INTERVALOS DE CONFIANZA.
II. Definicin:
i. Sea una poblacin X L() y sea X1,...,Xn una miid de esa

poblacin.
ii. un intervalo aleatorio de extremos [, ] que es funcin de la
muestra:
[(X1,...,Xn), (X1,...,Xn)]
Este es un intervalo de confianza de probabilidad 1 - a (con 0
a 1) de que el parmetro est en dicho intervalo.
48
II. Definicin:
ii. Un intervalo aleatorio de extremos [, ] que es funcin de la
muestra:
[(X1,...,Xn), (X1,...,Xn)]
Este es un intervalo de confianza de probabilidad 1 - a (con
0a1) de que el parmetro est en dicho intervalo.
IC(, 1 - a) = (, ) p( (, )) = 1 - a
III. Mtodo de obtencin de un intervalo.
i. Sea T=T(X1,...Xn) un estadistico cuya funcin de densidad de
probabilidad es g() cuya variable aleatoria es t.
ii. Un intervalo de confianza de de (1 - a) se realiza de la forma:
1. Obtener a 1 y a 2 que engloban el intervalo de confianza.

t = ta1
a1+a2=a g(t,)
a1 1-a2
t = t1-a2
ta1 t1-a2 t t* t 49
ii. Un intervalo de confianza de de (1 - a) se realiza de la forma:
2. Obtener las funciones t = t()a1 y t = t()1-a2
3. A partir del estadistico y los valores de la muestra obtener la
realizacin de t = t*
4. Obtener el intervalo (, ) cuyos extremos son las
ordenadas de los puntos de interseccin de t* con las curvas
t = t()a1 y t = t()1-a2

t =ta1
a1+a2=a g(t,)
a1 1-a2
t =t1-a2
ta1 t1-a2 t t* t
50
iii. Un intervalo de confianza de de (1 - a) se interpreta de la
siguiente forma:
El intervalo (, ) tiene una probabilidad de 1 - a de

recubrir al verdadero valor del parmetro .

t =ta1
a1+a2=a g(t,)
a1 1-a2
t =t1-a2
ta1 t1-a2 t t* t
51
iv. Ejemplo:
Sea la poblacin Y B(N,p) en que una proporcin p,
que se desea obtener, de unidades estadsticas
poseen el carcter A. Se obtiene una miid de n
elementos, siendo X el n de elementos con la
caracterstica A.
1. X B(n,p)
2. X servir como estadstico para obtener el
intervalo de confianza de p.
3. Resolucin:
a. Por comodidad a 1= a 2= a/2.
52

Inferencia Estadistica

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Inferencia Estadistica

Cargado por

Copyright:

Formatos disponibles

CAPTULO IV: INFERENCIA

Tema I: DEFINICIONES DE LA INFERENCIA

INFERENCIA INDUCTIVA: Aquella operacin lgica que parte de

Tema I: DEFINICIONES DE LA INFERENCIA

INFERENCIA ESTADISTICA: aquellas tcnicas utilizadas para el

1. Si=aparicin de la unidad estadstica xi

I. CARACTERISTICAS Y LEYES DE ESTADISTICOS DE UNA

9. Momento poblacional no centrado de orden r de X:

11. Varianza poblacional de X:

6. Momento centrado muestral de orden r:

9. Las caractersticas muestrales son funciones de la muestra,

i. Para una poblacin determinada, existir una ley XLx,

3. Por tanto para cada X existir una probabilidad de su

v. Distribucin de Poisson: X P()

Tipificacin: cuando se desea conocer la funcin de probabilidad

7. La funcin de distribucin de n2 es muy utilizada en

8. En las tablas se encuentra la funcin de distribucin de

10. Para n>30 la 2 de Pearson la distribucin se aproxima a:

3. n = grados de libertad de la t de Student

vi. Distribucin de la media muestral o emprica:

vii. Distribucin de la varianza y cuasi-varianza muestrales:

c. Si E( 2(n-1))=n-1, la esperanza de 2 y s2 sern:

i. Sea una poblacin X Lx()

ii. Su funcin de distribucin depende del parmetro .

iii. Sea x1, x2, ....,xn una miid de X Lx().

iv. Sea L(x1, x2, ....,xn; ), la funcin de probabilidad, o densidad

v. A L(x1, x2, ....,xn; ) se le llama funcin de verosimilitud.

vi. Sea el espcio paramtrico el conjunto de posibles valores

vii. La teora de estimacin puntual trata de encontrar un valor de

ix. Objetivo de este apartado:

xi. El planteamiento es el siguiente:

Cr1 puede ser a elegir entre a, b d.

a. Que T sea insesgado: Concepto de ERROR

Sesgo: es la diferencia - E(T)

Se determina que algunos estimadores de

Sea L(,x1,...,xn, ), la funcin de verosimilitud de la

ii. Mtodo de los momentos:

Sea mr los momentos muestrales

Sean 1, 2,..., s los estimadores de ' 1, 2,..., s, dichos

i. Las estimaciones puntuales variarn en funcin de la muestra.

i. Sea una poblacin X L() y sea X1,...,Xn una miid de esa

El intervalo (, ) tiene una probabilidad de 1 - a de

También podría gustarte