1

Distribuciones en el muestreo
de una poblacin Infinita
UNIVERSIDAD LA SALLE.
Modelos Economtricos
Aplicados a Decisiones
Financieras 2011-3

.
Act. Jos Roberto Bautista Atengenes
2
Muestra aleatoria

Una muestra aleatoria de tamao n
proveniente de una poblacin (una variable
aleatoria) con funcin de densidad de
probabilidad f(x) (o funcin de
probabilidad si la V.A. es discreta) es una
coleccin, un conjunto de n variables (V
s
)
aleatorias (A
s
) independientes (I
s
) e
idnticamente distribuidas (ID) segn
f(x) ( VAIID )
{ }
n
i
i
X
1 =
La notacin es:
3
Ejemplo de muestra aleatoria
Se invierte en 20 instrumentos (se repite el
experimento 20 veces). Si las condiciones de mkt,
estrategia y monto son homogneos, podemos decir
que el experimento que se repite 20 veces es siempre
igual.
Inversin
1 V.A. X: Rend.(%)
Realizacin
de la V.A. (x
i
)

X
1

X
2

x
20

X
20

x
2

x
1

V.A. X: Rend.(%)
V.A. X: Rend.(%)
V.A.(X
i
)

Experimento aleatorio: Invertir en un mismo
instrumento, y medir el rendimiento (% tasa) a
obtener.
2
20
4
Cada uno de los experimentos define
una V.A. Todas iguales entre si (la V.A.
X: rendimiento en %). Pero hay 20
V
s
A
s
, no una, y estas se pueden
numerar segn el nmero de inversin
(X
1
...X
20
). Todas estas V
s
A
s
tienen la
misma distribucin: media () y
varianza (o)
5
ESTIMAR: Proceso que consiste en encontrar
una funcin de las variables aleatorias de una
muestra, tal que al ser evaluada con los valores
obtenidos en la realizacin de la muestra, da un
valor que refleja adecuadamente el valor del
parmetro.
ESTIMADOR: Es una funcin de las variables
aleatorias que componen la muestra aleatoria y
representa una caracterstica de la poblacin.
ESTIMACION: Es una funcin de las
observaciones de la muestra, es decir que es una
realizacin del estimador.
Estimacin de parmetros

6
Teorema 2:

Si Xi ~ N( , o), entonces
Teorema 1:

Sea una muestra aleatoria (m.a.) de
tamao n de una variable aleatoria (V.A.) con
distribucin normal, cuya esperanza ( E(X) ) es
y su varianza ( V(X) ) es o
{ }
n
i
i
X
1 =
o

=
X
Z
~ N(0, 1)
Teoremas fundamentales de la teora de
muestreo
(1)
Xi ~ N( , o) entonces X ~ N( , o/n )
7
Sea una m.a. de tamao n de una V.A.
con alguna distribucin, E(X)= y
V(X)=o
{ }
n
i
i
X
1 =
n
X
o

Corolario:
~ N(0, 1)
Xi ~ . ( , o) entonces X ~ N( , o/n )
cuando n tiende a infinito
Teorema 3 (Teorema del Lmite Central):
Teoremas fundamentales de la teora de
muestreo
(2)
8
Distribucin de la media muestral
de la distribucin gamma
Funcin de densidad de distribucin Gamma con o = 2 y | = 12
En esta distribucin E(X) = o| = 24 y V(X) = o|
2
= 288
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0 20 40 60 80 100 120 140 160
X
f
(
X
)
9
n= 2, media= 23.9 varianza

= 138.55
n= 5, media= 24.12 varianza

= 60.995
n= 20, media= 23.97 varianza

= 14.723
Se obtuvieron 2000
muestras de tamao n=2,
5 y 20
0.000
0.005
0.010
0.015
0.020
0.025
0.030
0.035
0.040
5.542 12.63 19.71 26.79 33.88 40.96 48.04 55.13 62.21 69.29 76.38 83.46
X
h
0
0.01
0.02
0.03
0.04
0.05
0.06
7.167 11.5 15.83 20.17 24.5 28.83 33.17 37.5 41.83 46.17 50.5 54.83
X
h
0
0.02
0.04
0.06
0.08
0.1
0.12
14.1 16.3 18.4 20.6 22.8 24.9 27.1 29.3 31.4 33.6 35.8 37.9
X
h
Curva de la distrib. normal
10
Teorema 4:

Sea una m.a. de tamao n de una V.A. con
cualquier distribucin, E(X)= y V(X)= o
{ }
n
i
i
X
1 =
n
S
X
T

= X
i
~ . ( , o) ~ t
(n-1)

entonces
donde S es el estimador de o
Teoremas fundamentales de la teora de
muestreo
(3)
11
La distribucin T (Student) toma en cuenta la
incertidumbre adicional sobre el
desconocimiento de la varianza poblacional (o
2
)
Por tomar en cuenta esa incertidumbre, es ms
amplia, y a medida que los grados de libertad (v)
aumentan, se va aproximando a la distribucin
normal. En el lmite (v tendiendo a infinito), la
distribucin T coincide con la normal estndar.
Cuando la muestra aleatoria es de tamao 30 o
mayor (muestra grande), se puede asumir que la
incertidumbre en la estimacin de o
2
a travs
de S
2
es pequea, y por tanto la distribucin T
no se diferencia mucho de la normal estndar,
por lo que se puede usar esta ltima.
12
Probabilidad del rea de cola (tail area probability)
v 0.4 0.25 0.1 0.05 0.025 0.01 0.005 0.0025 0.001 0.0005
1 0.325 1.000 3.078 6.314 12.706 31.821 63.656 127.321 318.289 636.578
2 0.289 0.816 1.886 2.920 4.303 6.965 9.925 14.089 22.328 31.600
3 0.277 0.765 1.638 2.353 3.182 4.541 5.841 7.453 10.214 12.924
4 0.271 0.741 1.533 2.132 2.776 3.747 4.604 5.598 7.173 8.610
5 0.267 0.727 1.476 2.015 2.571 3.365 4.032 4.773 5.894 6.869
6 0.265 0.718 1.440 1.943 2.447 3.143 3.707 4.317 5.208 5.959
7 0.263 0.711 1.415 1.895 2.365 2.998 3.499 4.029 4.785 5.408
8 0.262 0.706 1.397 1.860 2.306 2.896 3.355 3.833 4.501 5.041
9 0.261 0.703 1.383 1.833 2.262 2.821 3.250 3.690 4.297 4.781
10 0.260 0.700 1.372 1.812 2.228 2.764 3.169 3.581 4.144 4.587
11 0.260 0.697 1.363 1.796 2.201 2.718 3.106 3.497 4.025 4.437
12 0.259 0.695 1.356 1.782 2.179 2.681 3.055 3.428 3.930 4.318
13 0.259 0.694 1.350 1.771 2.160 2.650 3.012 3.372 3.852 4.221
14 0.258 0.692 1.345 1.761 2.145 2.624 2.977 3.326 3.787 4.140
30 0.256 0.683 1.310 1.697 2.042 2.457 2.750 3.030 3.385 3.646
40 0.255 0.681 1.303 1.684 2.021 2.423 2.704 2.971 3.307 3.551
60 0.254 0.679 1.296 1.671 2.000 2.390 2.660 2.915 3.232 3.460
120 0.254 0.677 1.289 1.658 1.980 2.358 2.617 2.860 3.160 3.373
0.253 0.674 1.282 1.645 1.960 2.326 2.576 2.807 3.090 3.291
Tabla de la distribucin T (Student)
13
Dadas X
1
, X
2
,..., X
n
, se pueden obtener Z
1
, Z
2
,..., Z
n
:
o

=
i
i
X
Z
Las n variables aleatorias Z
i
se pueden elevar al
cuadrado:

2
2
i
2
i
2
i
) X ( X
Z
o

=
|
.
|

\
|
o

=
Dada la v.a. X, y una m.a. ( ) de tamao n de
dicha variable, si X tiene distribucin normal con
media y varianza o
2
, las n V
s
.A
s
. se pueden
estandarizar:
{ }
n
i
i
X
1 =
14
Cuando se suman esas n V
s
.A
s
. Independientes Z
i
2
,
se obtiene:


= = =
=
|
.
|

\
|

=
n
i
i
n
i
i
n
i
i
X
X
Z
1
2
2
1
2
1
2
) (
1

o o

Esta nueva V.A. (suma de n Z
i
independientes al
cuadrado), tiene distribucin Ji-Cuadrado con n
grados de libertad


= =
= =
n
i
i
n
i
i
X Z J
1
2
2
1
2
) (
1

o
~ _
(n)

15
La distribucin Ji-Cuadrada (o Chi-Cuadrada) es una
distribucin gamma particular, donde o =v/2 (v:
grados de libertad ) y |=2
Por lo tanto es una funcin de densidad gamma con
media v y varianza 2v
La funcin de densidad de la Ji-Cuadrada es por
tanto:
2 /
2 / J 1 2 /
2
e J
) J ( f
) 2 / (
v
v
I
v
=
Con v > 0 y J > 0
16
Cuando no se conoce la media poblacional, esta se
estima a travs de la media muestral, entonces la Ji-
Cuadrada se calcula como:
2
2
1
2
2
1
2
1
2
) 1 (
) (
1
o o o

= =
|
|
.
|

\
|
=

= = =
n S
X X
X X
Z
n
i
i
n
i
i
n
i
i
Cuando se remplaza la media poblacional por su
estimacin, se pierde un grado de libertad.
2
2
1
2
2
) 1 (
) (
1
o o

= =

=
n S
X X J
n
i
i
~ _
(n-1)

17
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0
.
7
5
2
.
2
5
3
.
7
5
5
.
2
5
6
.
7
5
8
.
2
5
9
.
7
5
1
1
.
2
5
1
2
.
7
5
1
4
.
2
5
1
5
.
7
5
1
7
.
2
5
1
8
.
7
5
2
0
.
2
5
2
1
.
7
5
2
3
.
2
5
2
4
.
7
5
s
2
(r-1)/o
2
h
Histograma de frecuencias relativas de 1000
valores de Z
i
2
provenientes de 1000 muestras
aleatorias de tamao 10 de una distribucin normal
con media 60 y varianza 225
Distribucin Ji-Cuadrada
Ji-cuadrada con v=9:
distribucin gamma
con o=4.5 y |=2
18
X
i
~ N( , o)
entonces
2
2
) 1 (
o
S n
~ _
(n-1)

Teorema 5:

Sea una m.a. de tamao n de una V.A.
con distribucin normal, E(X)= y V(X)= o
{ }
n
i
i
X
1 =
Teoremas fundamentales de la teora de
muestreo
(4)
19
( ) n p p p N Xi
n
p
n
i
) 1 ( ,
1

1
= ~

=
X
i
~ B(p) entonces
cuando n tiende a infinito
Teorema 6:

Sea una m.a. de tamao n de una V.A.
con distribucin Bernoulli
{ }
n
i
i
X
1 =
Teoremas fundamentales de la teora de
muestreo
(6)
20
Mtodos de obtencin
de estimadores
1)Mtodo de los Momentos
2)Mtodo de Mnimos Cuadrados
3)Mtodo de Mxima
Verosimilitud