Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Metodos descriptivos
Aproximacion normal
TLC
X1 + · · · + Xn − nm
P( √ ≤ x) → Φ(x)
σ n
o √
P(X1 + · · · + Xn ≤ nm + xσ n) → Φ(x)
y − nm
P(X1 + · · · + Xn ≤ y ) ≈ Φ( √ )
nσ
X1 + · · · + Xn ≈ N(nm, nσ 2 )
Ejemplos
1 / 16
Aproximación normal
Metodos descriptivos
Aproximacion normal
a la binomial
X1 , . . . , Xn ∼ Bern(p) , Sn = X1 + · · · + Xn ∼ Bin(n, p)
EX = m = p , VarX = σ 2 = p(1 − p)
Estandarizando
S − np
p n → N(0, 1), n→∞
np(1 − p)
2 / 16
Aproximación normal Histograma
Metodos descriptivos Función de distribución empı́rica
Métodos descriptivos
3 / 16
Aproximación normal Histograma
Metodos descriptivos Función de distribución empı́rica
⇒σ c2 = 1 Pn X 2 − X̄ 2 = 1 (Pn X 2 − nX̄ 2 )
n i=1 i n i=1 i
4 / 16
Aproximación normal Histograma
Metodos descriptivos Función de distribución empı́rica
Varianza muestral
Pn 2
Suma de cuadrados
Pn SC = i=1 Xi
SCa = i=1 Xi2 − nX̄ 2 suma de cuadrados ajustada
Ajuste
( ni=1 Xi )2
P
2
nX̄ =
n
Xn
SCa = (Xi − X̄ )2 ,
i=1
efectivamente:
n
X n
X
(Xi − X̄ )2 = SC − 2 Xi X̄ + n(X̄ )2
i=1 i=1
5 / 16
Aproximación normal Histograma
Metodos descriptivos Función de distribución empı́rica
Varianza muestral
c2 = 1 SCa .
Total que σ n
Se usa
n
1 1 X 2
s2 = SCa = ( Xi − nX̄ 2 )
n−1 n−1
i=1
(varianza muestral)
Se prefiere éste por ser insesgado
Es 2 = σ 2
6 / 16
Aproximación normal Histograma
Metodos descriptivos Función de distribución empı́rica
0.03 , 0.5 , 0.15 , 0.39 , 0.95 , 0.69 , 0.71 , 0.61 , 0.13 , 0.68
P P 2
xi = 4.84, xi = SC = 3.16,
2
x̄ = 4.84/10 = 0.484, ajuste = 4.84 10 = 2.34
SCa = SC − ajuste = 3.16 − 2.34 = 0.82
1
s 2 = n−1 SCa = 0.82/9 = 0.0911,
2
σ = VarX = 1/12 = 0.083 ¡conocida!
s = 0.3, σ = 0.29 para comparar.
Uso de software
7 / 16
Aproximación normal Histograma
Metodos descriptivos Función de distribución empı́rica
Estadı́sticas descriptivas en R
> x=c(0.03 , 0.5 , 0.15 , 0.39 , 0.95 , 0.69 , 0.71 , 0.61 , 0.13 , 0.68)
+ print(paste("media",mean(x)))
[1] "media 0.484"
+ print(paste("desv.est.",sd(x)))
[1] "desv.est. 0.3013008832085"
+ print(paste("varianza",var(x)))
[1] "varianza 0.0907822222222222"
8 / 16
Aproximación normal Histograma
Metodos descriptivos Función de distribución empı́rica
Metodos descriptivos
Frecuencias
∆ intervalo en R, f∆ frecuencia (# de x en ∆)
A través de función indicadora
(
1 si x ∈ ∆
I∆ (x) =
0 en otros casos
n
X
f∆ = I∆ (Xi )
i=1
I∆ (Xi ) v.a.i.i.d. ⇒ por la ley de los grandes números
Pn
i=1 I∆ (Xi )
→ EI∆ (X ) = P(X ∈ ∆), n → ∞
n
en probabilidad
Frecuencia relativa
f∆
n
9 / 16
Aproximación normal Histograma
Metodos descriptivos Función de distribución empı́rica
Tabla de frecuencias
Estimación de probabilidad
f∆
→ P(X ∈ ∆), n→∞
n
10 / 16
Aproximación normal Histograma
Metodos descriptivos Función de distribución empı́rica
Tablas de frecuencias en R
11 / 16
Aproximación normal Histograma
Metodos descriptivos Función de distribución empı́rica
Histograma de frecuencias en R
hist(x)
Histogram of x
4
3
Frequency
2
1
0
13 / 16
Aproximación normal Histograma
Metodos descriptivos Función de distribución empı́rica
Pn
i=1 I(−∞,x] (Xi )
Fn (x) =
n
La suma aumenta en uno en cada punto muestral Xi ,
i = 1, 2, . . . , n, ⇒ Fn (x) es una función escalonada. Corresponde a
la distribución empı́rica.
Los puntos en orden ascendente: x(1) , x(2) , . . . , x(n) ,
son llamados estadı́sticos de orden.
El valor de Fn en x(1) es 1/n,
en x(2) es 2/n, etc.
En general,
i
Fn (x(i) ) = , i = 1, 2, . . . , n.
n
14 / 16
Aproximación normal Histograma
Metodos descriptivos Función de distribución empı́rica
15 / 16
Aproximación normal Histograma
Metodos descriptivos Función de distribución empı́rica
produce
ecdf(x)
1.0
●
0.8
●
0.6
●
Fn(x)
●
0.4
●
0.2
●
0.0
x
16 / 16