Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Aplicación de la
técnica de muestreo
apropiado.
POBLACION
muestra
ESTIMADOR
Media Muestral ( x)
PARAMETROS Varianza Muestral(s2)
Media Poblacional (μ) Proporción Muestral(p)
Varianza Poblacional(2)
Proporción Poblacional(π)
Estadística Inferencial
1
DEFINICIONES IMPORTANTES
Una buena muestra debe ser representativa y confiable, esto es, debe
reflejar lo más fiel posible las características de la población en estudio.
TIPOS DE MUESTRAS
Un punto clave en el proceso de inferencia es la elección de la
muestra, pues los resultados de la inferencia serán tanto mejores
cuanto más representativa sea ésta de la población de partida.
2
Muestra sistemática: Previamente los individuos de la población se
encuentran en una lista, después se elige uno al azar (xi) y a continuación,
a intervalos constantes, se eligen todos los demás hasta completar la
muestra.
3
MUESTRA ALEATORIA SIMPLE
(m.a.s)
Definición: Sea X una variable aleatoria correspondiente a una
población con función de distribución f(x).
Se extrae una muestra aleatoria de tamaño “n” conformada por Xi
donde i=1, 2,…n.
Caso continuo:
Caso discreto:
4
Parámetro: es una caracterización numérica de la
distribución de la población (esperanza, varianza,…).
Por ejemplo: Si X1, X2, ..., Xn, es una muestra aleatoria de una población
X, entonces :
n
1 n (x x)i
2
x x y s 2 i 1
n 1
n i
n i 1
Son estadísticos.
5
Distribución Muestral: Se llama así a la función de distribución (o
probabilidad) de un estadístico.
Teoremas de aplicación:
Cov(X,Y)=0
6
Teorema 4: Si X e Y son dos variables aleatorias con función de
probabilidad conjunta y varianzas finitas, entonces:
Var(X)=E(X2) – ( X )2
7
Ejemplo de aplicación
Consideremos una muestra de “n” elementos de una población.
Definamos Xi como la observación hecha al i-ésimo elemento.
i 1...n :
E( X i ) y V ( X i ) 2
X i
X i 1
n
ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ
RECORDANDO:
X1 ,X2 ,...., Xn idénticamente distribuidas
Solución
n i 1...n : E ( X i ) y V (X i ) 2
Hacemos S Xi
i 1
entonces : n n n
E ( S ) E ( X i ) E ( X i ) n
i 1 i 1 i 1
n n n
V ( S ) V ( X i ) V ( X i ) 2 n 2
i 1 i 1 i 1
n
Xi
i 1 S
Definiendo : X , entonces:
n n
S 1 1
E ( X ) E ( ) E ( S ) n
n n n
S 1 1 2
V ( X ) V ( ) 2 V ( S ) 2 n 2
n n n n
8
X es una variable aleatoria que se distribuye con media y varianza :
E( X )
2
V (X )
n
RECORDANDO:
X1 ,X2 ,...., Xn idénticamente distribuidas
i 1...n : E ( X i ) y V (X i ) 2
Observaciones:
Entonces:
“La Ley de los Grandes Números afirma que la media muestral de ‘n’
valores observados es aproximadamente igual a E(X) cuando n “
9
enunciando dicho concepto en términos de probabilidad será:
Enunciando el Teorema:
10
Sean “n” variables aleatorias independientes e idénticamente
distribuidos: X1, X2,...., Xn con esperanza y varianza finitas,
con n grande. Entonces la distribución de la suma de estas
variables converge a la distribución Normal.
E ( X i )
Sean: X1,X2,....,Xn independientes con
V X i 0
2
Entonces: S n E S n D
V S n
N (0,1)
n
n n n
Tenemos: E ( S n ) E ( X i ) E ( X i ) n
i 1 i 1 i 1
n n n
V ( S n ) V ( X i ) V ( X i ) i2 n 2
i 1 i 1 i 1
11
Por el Teorema del Límite Central también se establece que:
Por el TLC se determino: E ( Sn ) n
S n E S n D
N (0,1) V ( Sn ) n 2
(Sn ) n
Entonces :
S n E S n S n n S n n D
N (0,1)
V S n n 2 n n
Sn n
S n n n X D
pero N (0,1)
n n n n
n
2
para " n" X ~N ,
n
12
DISTRIBUCIÓN CHI-CUADRADO
Definición:
Se dice que “X” es una variable aleatoria chi-cuadrado con “r” grados
de libertad (o que tiene una distribución chi-cuadrado con “r” grados de
libertad).
Nota:
Los grados de libertad son el número de variables aleatorias
independientes de la muestra.
E( 2 ) E( X ) r
2 V ( 2 ) Var ( X ) 2r
13
Teorema 1: Si la Variable aleatoria X es N(µ,σ2), entonces la v.a.
( X )2
Y ~ (21g .l .)
2
p
X X X ... X
2
1
2 2
2
2
p ~ 2
( r g .l ) donde : r ri
i 1
(X i )2
i 1
~ (2n
2 g .l )
1 n
Adicionalmente: Sea X1,.., Xn, con distribución normal con X Xi
n i 1
es una variable aleatoria normal N(μ, σ2/n), por lo tanto:
X
~ N (0,1)
/ n
X ( X ) 2 n( X ) 2
2
Entonces: ~ (21g .l )
/ n 2
2
n
ESTADISTICA APLICADA II LIC.
LIC.RITA
RITAGUZMAN
GUZMANLOPEZ
LOPEZ
14
DISTRIBUCIÓN t-STUDENT
Definición:
Sea “Z” una variable aleatoria N(0,1). Sea “Y” una v.a. que tiene una
distribución Chi-cuadro con “r” grados de libertad, y si Z e Y son
independientes, entonces la variable aleatoria :
Z Z r
T ~ t( r )
Y /r Y
E (T ) 0 r 1
r
2 Var (T ) r2
r 2
-Varían de - a
-Son simétricas
-y centradas alrededor de t=0
ESTADISTICA APLICADA II LIC.
LIC.RITA
RITAGUZMAN
GUZMANLOPEZ
LOPEZ
15
DISTRIBUCIÓN F- FISHER
En mucha situaciones estaremos interesados en comparar las varianzas de
dos variables aleatorias independientes distribuidas normalmente, en estos
casos recurriremos a la distribución “F”.
Definición:
Sea “U” y “V” dos variables aleatorias independientes que tiene
distribuciones Chi-cuadrado, con “r1” y “r2” grados de libertad,
respectivamente. Entonces la variable aleatoria:
U r1
F ~ F( r1 ,r2 )
V r2
Tiene una distribución “F-fisher” con “r1” y “r2” grados de libertad .
r2
E(F ) , r2 2
r2 2
2r22 (r1 r2 2)
V (F )
2
, r2 4
r1 (r2 2) 2 (r2 4)
16
DISTRIBUCION MUESTRAL DE
ESTADISTICOS
17