Академический Документы
Профессиональный Документы
Культура Документы
MUESTRALES
Unidad # 6
Materia: Estadística
Profesora: Gina Verónica Ochoa Jara
FACULTAD DE CIENCIAS
NATURALES Y MATEMÁTICAS
501
fx(X) = ෑ fi Xi
i=1
504
Infinitas
• Mientras que por ser Idénticamente Distribuidas, las n
Variables Aleatorias tienen la misma Distribución de
Probabilidades de X o Densidad de X, según que Xi sea
continua o discreta. Esto nos lleva a que:
n
𝑛
fx(X) = ෑ fi Xi = f X
i=1
Infinitas
• Cuando se habla de Poblaciones Infinitas, incluimos en ellas a
todas las Variables Continuas así como a las Discretas con
soporte infinito contable, Poisson o Binomial Negativa.
Finitas
• En términos de la Población Objetivo, que está
constituida por N unidades de investigación, deberíamos
decir que la Muestra es Aleatoria si todo subconjunto que
cuenta con n “unidades de investigación”, tienen igual
probabilidad de ser investigado, acerca de la
característica de interés X.
508
Finitas
• Si el tamaño N de la Población Objetivo es “grande”, digamos
que de varios miles, para determinar qué unidades deben ser
investigadas se necesita, por ejemplo, una representación
simbólica de la Población Objetivo a investigarse, a fin de con
propiedad y “cobertura” pertinente poder identificar y localizar
las unidades de investigación. Esta representación simbólica
de la Población Objetivo se denomina Marco Muestral y
deberá ser exhaustiva y actualizada.
Finitas
•A continuación, utilizando ilustraciones numéricas
queremos introducir una forma particular de presentación
de Variables Aleatorias, que son fundamentales en
Estadística Inferencial. Se trata de Variables Aleatorias
cuyos valores se listan exhaustivamente y a partir de los
cuales se determinan sus Distribuciones y parámetros;
trataremos también de resaltar el efecto que tiene el
tamaño n de la Muestra en las medidas de dispersión de
ciertas funciones derivadas de estas variables.
510
Finitas
• Ejemplo. Dada una Población X, Uniforme Discreta, de
tamaño N = 6 que se representa como:
• {1; 2; 3; 4; 5; 6}
• f(x) = 1/6
• Sx = {1; 2; 3; 4; 5; 6}
Finitas
512
Finitas
513
Finitas
• Ejemplo 2. Dada una Población X de tamaño N = 6 que
se representa como:
• {1; 2; 3; 4; 5; 6}
• f(x) = 1/6
• Sx = {1; 2; 3; 4; 5; 6}
Finitas
• La media aritmética de cada muestra es una variable aleatoria, y por
lo tanto es posible determinar la Distribución de Probabilidades
(Distribución Muestral) para la media aritmética, cuando se toman
muestras de tamaño n = 2, así encontramos que:
Variable Aleatoria (n = 15 muestras)
Muestras de Media
Nº
Tamaño n = 2 Aritmética
1 {1 ; 2} 3/2 1 3 4 10 11
2 {1 ; 3} 4/2 f x (x) = para x = , , ,
3 {1 ; 4} 5/2
15 2 2 2 2
4 {1 ; 5} 6/2
5 {1 ; 6} 7/2
6 {2 ; 3} 5/2 2 5 6 8 9
7 {2 ; 4} 6/2 f x (x) = para x = , , ,
8 {2 ; 5} 7/2 15 2 2 2 2
9 {2 ; 6} 8/2
10 {3 ; 4} 7/2
11 {3 ; 5} 8/2 3 7
12 {3 ; 6} 9/2 f x (x) = para x =
13 {4 ; 5} 9/2 15 2
14 {4 ; 6} 10 / 2
15 {5 ; 6} 11 / 2
516
Finitas
• Finalmente, la Distribución de Probabilidades para la
media aritmética, cuando se toman muestras de tamaño
n = 2, es:
517
Finitas
• Nótese que el Soporte Sx de la población X contiene seis
valores,
Sx = {1; 2; 3; 4; 5; 6}
Finitas
• El valor esperado de la media aritmética es igual a:
11/2
ҧ 𝑋ത = 𝑥ҧ
𝐸 𝑥ҧ = 𝑥𝑃
ҧ
𝑥=3/2
519
Finitas
• La varianza de la media aritmética es igual a:
11/2
𝐸 𝑥ҧ 2 = 𝑥ҧ 2 𝑃 𝑋ത = 𝑥ҧ
ҧ
𝑥=3/2
2
𝜎2 𝑥ҧ = 𝐸 𝑥ҧ 2 − 𝐸 𝑥ҧ
2
805 7 7
σ 2x = − = = 1.17
60 2 6
520
Finitas
• Histograma de la Media Aritmética Muestral
521
Finitas
Población X:
Distribución de Probabilidades de X
Finitas
• Cuando tomamos muestras de tamaño n de poblaciones finitas
de tamaño N tenemos que:
• El valor esperado de X es igual al valor esperado de 𝑥.ҧ
𝑁−𝑛
• Donde se denomina Factor de Corrección para
𝑁−1
Poblaciones Finitas, y es un valor que al crecer N tiende a uno.
523
Finitas
• Es posible probar que la medida de la dispersión de 𝑥ҧ es
menor o cuando mas igual que la de X.
2
𝜎𝑥2 ≥ 𝜎𝑥ҧ
• Para obtener muestras aleatorias de poblaciones finitas,
debe utilizarse muestreo sin reemplazo, que es también
conocido como Muestreo Aleatorio Simple, MAS. En
este esquema de muestreo, las observaciones que
constituyen la Muestra, no son Estocásticamente
Independientes pero sí son Idénticamente Distribuidas.
524
Estadístico Muestral
• Una función T: Rn → Rp definida en términos de las
variables X1, X2,…, Xn que componen una Muestra
Aleatoria, se denomina Estadístico Muestral, si y solo si
T(x1 x2 … xn)Rp, no depende de alguno de los
parámetros de la Población.
Distribución Muestral
• Debido a que la razón para determinar un estadístico
muestral es estimar un parámetro poblacional de X, y
dicha función está en términos de las variables aleatorias
observadas en una muestra, un estadístico muestral
también es una variable aleatoria. En consecuencia, tiene
una distribución de probabilidad, la misma que se
denomina Distribución Muestral.
527
Las Variables
Aleatorias
X1,X2,…Xn
son idénticamente
distribuidas
529
1 2
s (X1 X2 … Xn) =
2
(Xi − x) = s2
n −1
i =1
532
n
2
E(s ) = E n −1 (X i − x) = n 1−1 (n −1) s = s
1
2 2 2
i =1
n n
E (Xi − x) = E(Xi − + − x )
2 2
i=1 i =1
n 2 s2
= E (Xi − ) − nE(x − ) = n s − n
2 2
n = (n − 1) s 2
i =1
ത
𝑋−𝜇
• Cuando se dice que 𝑍 = tiende a una Variable Normal
𝜎Τ 𝑛
Estándar, a medida que n tiende a infinito, lo que realmente
ത
𝑋−𝜇
queremos decir es que 𝑍 = Converge en Distribución a
𝜎Τ 𝑛
una Variable Normal con Media cero y Varianza uno.
534
σ2
x N μ,
n
535
1
x N 2,
120
• Por lo que:
1
σx = = 0.09 = Error Estándar de x
120
541
Muestral
• Recordar:
• 𝜃 es un estimador del parámetro si y solamente si 𝜃
es el valor de una función definida de 𝜃 : Rn → R tal que
solo depende de la muestra aleatoria tomada de la
población.
• Un estimador 𝜃 es una variable aleatoria por lo tanto
tiene distribución de Probabilidades, tiene media y tiene
varianza.
544
Estimador Insesgado
• Diremos que 𝜃 es un Estimador Insesgado de si y
= .
solamente si E(𝜃)
Sesgo de un Estimador
• El Sesgo de un Estimador 𝜃 es denotado por B(𝜃)
y se
lo define como,
−
= E(𝜃)
B(𝜃)
546
= E[(𝜃 − )2]
ECM(𝜃)
547
V ar ( ˆ 1 )
1
V ar ( ˆ 2 )
• Es decir que si existen dos Estimadores Insesgados de
un mismo parámetro, se rotula como Más Eficiente, entre
los dos, al que tenga menor Varianza.
550
Muestral
• Ejemplo. Sea XT = (X1 X2 X3 X4 X5) una muestra
aleatoria de tamaño cinco tomada de una población
infinita X con Densidad f, que además tiene Media y
Varianza finita s2. Se postula como estimadores de a
los siguientes estadísticos muestrales:
Muestral
a) Por ser la Muestra Aleatoria, E(θˆ 1 ) = E(X1 ) =μ , luego θ̂1 es Insesgado y su Varianza es
σ2 2
Var (X1 ) = =σ
1
E(X1 +X2 ) 2μ
b) Para este caso, E(θˆ 2 ) = = = μ . Igualmente es Insesgado y además,
2 2
ˆ s2
Var ( 2 ) =
2
c) En el tercer caso se tiene un Estimador de que no es Insesgado, puesto que
2 2 4μ
E(θˆ 3 )= E ( X3 + X5 ) = 2μ = μ
3 3 3
Por lo tanto, el sesgo de θ̂3 es:
4
B( θˆ 3 ) = E(θˆ 3 ) − 3 = −=
3 3
552
Muestral
d) En el cuarto caso E(θˆ 4 ) = E(x) = μ y además
s2
Var (ˆ 4 ) = V ar ( x ) =
5
Distribuciones Muestrales de
…viene
Poblaciones Normales
• Sea X = (X1 X2 … Xn)T una Muestra Aleatoria de tamaño n
con Media Aritmética 𝑥ҧ y Varianza s2, que es tomada de
una Población Normal, X ~ N(,s2), bajo estas
condiciones la variable,
• Z ~ N(0,1) Z2 ~ 2(1)
Referencias Bibliográficas
• ZURITA, G. (2010), “Probabilidad y Estadística,
Fundamentos y Aplicaciones”, Segunda Edición,
Ediciones de la Facultad de Ciencias Naturales y
Matemáticas ESPOL, Guayaquil, Ecuador.