Resumen 3º Parcial

Universo: conjunto de unidades experimentales que poseen características comunes

observables, y que se utilizan para obtener información sobre un hecho particular.

Poblacion: cualquier variable particular que se le estudia a un universo.

Muestra: subconjunto o parte de una población tomada de forma tal, que con ella se
pueda hacer un juicio acerca de esa población completa.

Inferencia estadística: cualquier afirmación que se realice sobre una determinada

población, basándose en los datos obtenidos con una muestra, pudiéndose obtener, a
partir del cálculo de probabilidad, una determinada medida de la incertidumbre que se
genera.

Muestreo: procedimiento mediante el cual se obtienen una o más muestras de una

población dada.

Tipos de muestreo:
*Probabilístico: cuando las unidades experimentales que componen la muestra son
tomadas al azar, pudiéndose calcular a priori, la probabilidad que tiene cada muestra
y, como consecuencia, cada unidad experimental, de ser la obtenida.
*Intencional: cuando las unidades experimentales que componen la muestra son
obtenidas siguiendo una regla o norma preestablecida.
*Sin Norma: cuando por razones de comodidad, costo, o cualquier otra circunstancia,
la obtención de las unidades experimentales que componen la muestra se realizan sin
una norma, o regla o criterio definido.

Métodos de obtención de muestras:

*Muestreo simple al azar (sin reemplazo): consiste en obtener al azar, una muestra “n”
elementos, de entre los “N” que constituyen el universo.
*Muestreo estratificado al azar: consiste en particionar al universo en estratos (o
clases o subpoblaciones), dentro de los cuales si la variable debe presentar
homogeneidad.
*Muestreo por conglomerados polietápico: consiste en agrupar los elementos que
conforman el universo en conglomerados, de tal modo que entre ellos haya la
suficiente homogeneidad, como para representar a la población.
*Muestreo sistemático al azar: consiste en ordenar a las “N” unidades experimentales
que conforman el universo, de acuerdo a como se fueron presentando, y obtener la
muestra eligiendo, sistemáticamente un elemento cada “c” unidades, tomando el
primero de ello en forma aleatoria.

Parámetro estadístico (universo finito y pequeño): a toda medida que resume

información calculada con las variables poblacionales.
Parámetro estadístico (universo finito y grande o infinito): todo parámetro
matemático de una función de probabilidad o de densidad de probabilidad, que brinda
información acerca de una población.

Estadígrafo: a toda función escalar, h (X1; X2; …; Xn), generada con las variables
muestrales.

Estimador: todo estadígrafo que proporcione información acerca de dicho parámetro.

Estadígrafo de transformación: aquel estadígrafo que permite transformar al

estimador, en una variable que tenga una determinada distribución de probabilidad.

Estimación puntual: método de estimación que consiste en calcular el valor numérico

único que asume el estimador, luego de tomar la muestra y realizar las mediciones
correspondientes. (Punto de estimación)

Estimación por intervalo: método de estimación que consiste en calcular, con los
datos de la muestra, los limites de un conjunto cerrado y acotado por números reales.
(Intervalo de estimación)

Distribución de estimadores: aquella función de densidad de probabilidad, o función

de probabilidad, según corresponda, que describe su comportamiento probabilístico.

Sesgo: diferencia entre la esperanza matemática del estimador y el parámetro a

estimar.

Error medio cuadrático: la esperanza matemática del cuadrado de la diferencia entre

el estimador y el parámetro.

Propiedades de los buenos estimadores:

*Insesgado: si y solo si la esperanza matemática del estimador es igual al parámetro.
*Consistencia: si y solo, si se cumple que el estimador converge en probabilidad al
parámetro, cuando el tamaño de la muestra “n” tiende a infinito.
*Eficiencia: si y solo si, se cumple que el estimador tiene la menor varianza que puede
tener un estimador del parámetro.
*Suficiencia: si y solo si, si se cumple que el estimador utiliza toda la información
relevante acerca del parámetro, contenida en la muestra aleatoria.

Grados de libertad: cantidad de variables libres, o estadísticamente independientes,

que intervienen en un problema o en una distribución asociada a un problema.

Intervalo de confianza para el parámetro: método de estimación que consiste en

determinar un conjunto cerrado y acotado de posibles valores del parámetro y la
correspondiente probabilidad de que dicho intervalo cubra al verdadero valor del
parámetro.
Intervalo de confianza aditivo: aquel intervalo que permite que la probabilidad de que
la estimación difiera del parámetro en a lo sumo “h” veces el desvió estándar del
estimador, sea igual al nivel de confianza.

Error de muestreo: máxima diferencia que se está dispuesto a tolerar entre el

estimador y el parámetro.

Hipótesis estadística: cualquier afirmación o aseveración que se formula acerca de

cualquier característica poblacional (el valor numérico de un parámetro, la forma
funcional de una población, etc.)

Hipótesis paramétrica: aquella hipótesis estadística planteada para controlar o

verificar el valor numérico de un parámetro.

Curso de acción: acción que se llevaría a cabo, si se conociese el verdadero valor del
parámetro.

Hipótesis nula: aquella hipótesis que establece que la diferencia entre el verdadero
valor del parámetro y el valor que se postula es cero.

Hipótesis alternativa: aquella hipótesis que debería cumplirse si la hipótesis nula no es

cierta.

Prueba de la hipótesis nula: método estadístico con el cual, a partir de los datos de
una muestra aleatoria, se decide acerca de la veracidad o falsedad de la hipótesis nula
formulada, pudiéndose calcular la probabilidad de cometer un error en la decisión
tomada.

Estadígrafo de prueba: estadígrafo apropiado con el que se realiza la prueba de

hipótesis, que mida la discrepancia entre el parámetro a probar y el estimador
correspondiente y, además, tiene una distribución de probabilidad conocida.

Región crítica: al subconjunto del dominio con el que se rechaza la hipótesis nula.

Región de no rechazo: al subconjunto del dominio con el que no se rechaza la

hipótesis nula.

Punto crítico: frontera de la región crítica.

Regla de decisión: aquella regla que establece las pautas para rechazar la hipótesis
nula y se enuncia “si el valor numérico del estadígrafo de prueba pertenece a la región
critica, entonces se rechaza la hipótesis nula, en caso contrario, si el valor numérico del
estadígrafo de prueba no pertenece a la región critica, entonces no se rechaza la
hipótesis nula.”

Error de tipo I: hecho de rechazar la hipótesis nula cuando la hipótesis nula es cierta.
Error de tipo II: hecho de no rechazar la hipótesis nula cuando la hipótesis nula es
falsa.

Nivel de significación: probabilidad de cometer el error de tipo I, o sea, la probabilidad

de rechazar la hipótesis nula cuando es cierta. Se simboliza con la letra griega alfa y
mide el tamaño de la región crítica.

Acción derivada: acción que se lleva a cabo según el resultado de la decisión

estadística que se tome, rechazar o no rechazar la hipótesis nula.

Análisis de regresión: método estadístico que permite explicar el comportamiento de

una variable cuantitativa, a partir del comportamiento de otra u otras variables que
puedan estar relacionadas, estableciendo la expresión funcional del modelo
matemático que describa dicho comportamiento.

Variable explicada: aquella variable cuantitativa cuyo comportamiento se desea

describir a partir del comportamiento de otra u otras variables.

Variables explicativas: aquellas variables que explican el comportamiento de la

variable explicada.

Función de regresión: al modelo matemático que interviene en el modelo estadístico

de regresión.

Residuo aleatorio o variable aleatoria residual: variable aleatoria que forma parte del
modelo estadístico de regresión.

Análisis de regresión simple: análisis que se realiza cuando a cada unidad

experimental de un determinado universo se le miden solo dos variables, una variable
explicativa y una variable explicada.

Diagrama de puntos o de dispersión: representación grafica de los pares ordenados

de los valores de las variables que intervienen en el análisis de regresión simple.

Modelo de regresión lineal simple: modelo de regresión que se forma cuando la

función de regresión es función afín, o sea, una recta.

Desviación total: diferencia entre un valor individual de “Y” y el promedio.

Desviación explicada por la regresión: diferencia entre el valor de la recta de regresión

estimada, correspondiente al valor xo, y el promedio de la variable “Y”.

Suma de cuadrados total: igual a la suma de la suma de cuadrados explicada mas la

suma de cuadrados residual.

Coeficiente de determinación: cociente entre la suma de cuadrado explicada y la suma

de cuadrado total.
Análisis de correlación lineal simple: se lleva a cabo cuando la función de regresión
que explica el comportamiento conjunto de las variables es la función afín, o sea, la
recta.