Estadística probabilidad inferencia

Definiciones básicas Inferencia Propiedades Variables continuas Distribuciones Teoremas fundamentales de la probabilidad
Curso de Nivelación
Estadística 2 / Estadística para administradores
Christian Kaplan Krep
Agosto 2019
Christian Kaplan Krep Universidad de Buenos Aires Curso de Nivelación Agosto 2019 1 / 15
Hoja de ruta
1 Definiciones básicas
2 Inferencia
3 Propiedades
4 Variables continuas
5 Distribuciones
6 Teoremas fundamentales de la probabilidad
Definiciones básicas
Variable : Cualidad o característica susceptible de adquirir diversos valores. Cuando

dichos valores son asignados (a ojos del investigador) de manera azarosa o no
sistemática se considera que es una variable aleatoria. La variable se considera
discreta si sus valores son perfectamente medibles (cantidad de materias aprobadas,
cantidad de llamados por hora). En caso de contar con valores pertenecientes a la
recta de números reales es una variable continua (distancia entre dos puntos, peso de
un caballo).
Función de Probabilidad : Regla o función matemática que asigna una probabilidad

a cada uno de los valores de variable de una variable aleatoria discreta, siendo estas
probabilidades positivas y no mayores a 1, así como la suma de las mismas totaliza la
unidad.
Función de Densidad : Función matemática, aplicable a variables aleatorias

continuas, con dominio no necesariamente restringido, e imagen mayor o igual a cero,
tal que la integral definida entre dos valores de su dominio equivale a la probabilidad
de dicho intervalo.
Función de Distribución : Regla o función matemática que permite conocer la

probabilidad acumulada hasta cada valor de variable.
Definiciones básicas
Esperanza : Es el valor que espero tome el promedio de la variable luego de infinitas

realizaciones. Puede no ser necesariamente un valor posible, pero nos otorga un
mejor conocimiento de la variable.
Varianza : Es una medida de dispersión, nos indica qué tan alejados están los valores
de variable de la esperanza de la misma. Se obtiene haciendo el promedio de las
diferencias cuadradas entre los valores de variable y la esperanza.
Desvío : Es otra medida de dispersión, la más clásica dentro de esa familia. Pierde
protagonismo en algunas técnicas por la imposibilidad de aplicación de propiedades
matemáticas sobre él. Se obtiene haciendo la raíz cuadrada de la varianza.
Proporción : Como su nombre lo indica, es un índice que nos permite saber qué tan
frecuente de forma relativa es cierto atributo. Conlleva el significado asociado a
probabilidad. Si el 40% de los elementos tienen cierto atributo, entonces la
probabilidad de encontrar dicho elemento al azar es de 0,4.
Inferencia
Parámetro : Son valores fijos para cada distribución de variable. Los mismos sirven
porque definen el cálculo de probabilidades de las mismas, y con ello su forma y
densidad. Para conocerlos es necesario tener todos los valores de una población
Estimador : Ante la imposibilidad de conocer el total de la población, para disminuir la

incertidumbre se recurre a inferir (suponer con fundamentos técnicos) el valor del
parámetro. Esto se logra aplicando una fórmula (única para cada estimador) que usa
los valores de una muestra obtenida por algún método de muestreo.
Estimadores
Medida Parámetro Estimador

Media µ x̄
Varianza σ2 s2
Proporción π p̄
Fórmulas
Pn
i=1 xi
x̄ =
n
x
p̄ =
n
Distribución de estimadores
Usando el TLC podemos llegar a las distribuciones de los estimadores estandarizados
Estimador Distribución
x̄ − µ d
σ −
→ N(0, 1)
x̄ √
n
x̄ − µ d
−
→ tn−1
√s
n
S2 (n − 1)S 2 d 2
−
→ χn−1
σ2
p̄ − π d
p̄ q −
→ N(0, 1)
π(1−π)
n
Propiedades de la esperanza y la varianza

E(K) = K
E(K*X) = K * E(X)
E(X+Y) = E(X) + E(Y)
E(X-Y) = E(X) - E(Y)
V(K) = 0
V(K*X) = K 2 * V(X)
V(X+Y) = V(X) + V(Y) si son independientes
V(X-Y) = V(X) + V(Y) si son independientes

Propiedades de los buenos estimadores
Insesgadez : La esperanza del estimador debe ser igual al parámetro. Implica la

ausencia de un sesgo sistemático que desvíe al estimador del parámetro de
interés.
Consistencia : Para un tamaño de muestra creciente (tendiendo a infinito) el

estimador converge con probabilidad casi 1 al valor del parámetro.
Eficiencia : Que posea la mínima varianza. Esto se puede obtener de forma

relativa al comparar dos o más estimadores, o de forma absoluta cuando se tiene
el estimador con menor varianza posible.
Suficiencia : Usar toda la información disponible de la muestra
Ley de cierre y Esperanza
Si bien algunas distribuciones discretas tienen su dificultad, utilizaremos los casos de

variables continuas ya que son los que presentan más dificultad.
Reglas :
Z max
f (x) dx = 1
min
Z max
x ∗ f (x) dx = E(x)
min
Por lo cual se vuelve necesario recordar las reglas de integración
Normal
Es la “madre” de las distribuciones. Sus propiedades y aplicación en variables reales

la hacen la distribución más usada hoy en día. Es simétrica respecto a su media (que
coincide con el modo y la mediana), toma valores infinitos y para calcular sus
probabilidades debe recurrirse a la normal estandarizada, la cual tiene media nula y
varianza igual a 1.
Ji Cuadrado
Es otra de las distribuciones más usadas, y es el resultado se sumar normales

estandarizadas al cuadrado. Como cualidades salientes, toma los infinitos valores que
existen a partir del 0, es asimétrica positiva, y su forma dependerá de los grados de
libertad.
T de Student
Ante la imposibilidad de utilizar una distribución normal (muchas veces por trabajar
con algún parámetro extra desconocido) se deberá recurrir a la distribución T-Student.
La misma sale del cociente entre una distribución normal, y la raíz de una ji-cuadrado
dividida por sus grados de libertad. Al igual que la normal toma valores infinitos sin
restricciones, será simétrica respecto a sus medidas centrales, siendo estas
valorizadas en 0, pero su forma exacta dependerá de los grados de libertad.
Para pruebas más complejas se utilizará la distribución F, esta distribución es el fruto

de dividir variables ji-cuadrado que estaban divididas por sus grados de libertad. Como
características particulares, toma valores infinitos a partir del 0, es asimétrica positiva,
y su forma dependerá de ambos grados de libertad.
LGN y TLC
Ley de los Grandes Números : Sean x1 , x2 , x3 , ..., xn una sucesión de variables

aleatorias independientes e idénticamente distribuidas, con esperanza µ y desvio σ.
Cuando la muestra tienda a infinito, el valor de su media convergerá en µ.
Teorema del Límite Central : Sean x1 , x2 , x3 , . . ., xn una sucesión de variables

aleatorias, independientes e idénticamente distribuidas, con E(x)=µ y V(x)=σ 2 ∀x i .
Cuando n tiende a infinito
n
P
xi − nµ
i=1 d
√ −
→ N(0, 1)
nσ

Estadística probabilidad inferencia

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

Estadística probabilidad inferencia

Cargado por

Copyright:

Formatos disponibles

Definiciones básicas Inferencia Propiedades Variables continuas Distribuciones Teoremas fundamentales de la probabilidad

Christian Kaplan Krep

6 Teoremas fundamentales de la probabilidad

Variable : Cualidad o característica susceptible de adquirir diversos valores. Cuando

Función de Probabilidad : Regla o función matemática que asigna una probabilidad

Función de Densidad : Función matemática, aplicable a variables aleatorias

Función de Distribución : Regla o función matemática que permite conocer la

Esperanza : Es el valor que espero tome el promedio de la variable luego de infinitas

Estimador : Ante la imposibilidad de conocer el total de la población, para disminuir la

Medida Parámetro Estimador

Propiedades de la esperanza y la varianza

E(X+Y) = E(X) + E(Y)

E(X-Y) = E(X) - E(Y)

V(X+Y) = V(X) + V(Y) si son independientes

V(X-Y) = V(X) + V(Y) si son independientes

Propiedades de los buenos estimadores

Insesgadez : La esperanza del estimador debe ser igual al parámetro. Implica la

Consistencia : Para un tamaño de muestra creciente (tendiendo a infinito) el

Eficiencia : Que posea la mínima varianza. Esto se puede obtener de forma

Suficiencia : Usar toda la información disponible de la muestra

Ley de cierre y Esperanza

Si bien algunas distribuciones discretas tienen su dificultad, utilizaremos los casos de

Por lo cual se vuelve necesario recordar las reglas de integración

Es la “madre” de las distribuciones. Sus propiedades y aplicación en variables reales

Es otra de las distribuciones más usadas, y es el resultado se sumar normales

Para pruebas más complejas se utilizará la distribución F, esta distribución es el fruto

Ley de los Grandes Números : Sean x1 , x2 , x3 , ..., xn una sucesión de variables

Teorema del Límite Central : Sean x1 , x2 , x3 , . . ., xn una sucesión de variables

También podría gustarte