Inferencia Estadística
-
Upload
victor-candia-menares -
Category
Documents
-
view
18 -
download
0
description
Transcript of Inferencia Estadística
UNIVERSIDAD DE SANTIAGO DE CHILE FACULTAD DE CIENCIA
DEPARTAMENTO MATEMÁTICA Y CIENCIA DE LA COMPUTACIÓN
Inferencia Estadística Prof. Alma Placencia
Conjunto de métodos y procedimientos, que basados en una o más muestras aleatorias de la población en estudio, nos permiten concluir o inferir para toda la población. Estudiaremos:
- Conceptos básicos. - Distribuciones muestrales. - Estimación puntual. Propiedades. - Estimación por intervalos. - Dócimas de Hipótesis para parámetros de una y dos poblaciones. - Dócimas de Bondad de Ajuste. - Regresión y Correlación lineal simple.
Conceptos Básicos:
- Población: Conjunto de elementos que tienen la característica estudiada. - Muestra: Subconjunto de la población o universo. - Parámetro: medida estadística de la población, denotada por θ (teta). Cuando θ se
puede calcular, es único, por lo cual se considera como constante. - Estadística: medida obtenida con los datos muestrales. Se utilizan para “estimar”
los parámetros cuando son desconocidos. Se denotan por teta sombrero, teta techo
( )θ̂ . Para cada muestra de la población, resulta un valor distinto para una misma estadística, por lo cual la estadística se considera una variable aleatoria y por lo tanto tiene su distribución de probabilidad, llamada “Distribución Muestral”.
Ejemplo:
Parámetro
Estadística
• Media poblacional N
XN
ii∑
== 1µ • Media Muestral n
X
X
n
ii∑
== 1
• Tamaño Población = N • Tamaño Muestra = n • Varianza Poblacional
( )
N
XN
ii∑
=−
= 1
2
2µ
σ
• Varianza Muestral
( ) ( )11
1
221
1
2
2
−
−=
−
−=
∑∑==
n
XnX
n
XX
s
n
i
n
ii
• Proporcional Poblacional N
XP = • Proporción Muestral
n
Xp =ˆ
- Teorema Fundamental en Inferencia, es el Teorema del Límite Central (T.L.C.) Teor: Sea (X1, X2,…,Xn) una m.a. (n) de una población X, con E[X] = µ y V(X) = σ2.
Para n suficientemente grande, se cumple que la media muestral
nNX
2
;~σµ ,
estandarizado resulta: )1;0(~ Nn
X
σµ−
Distribución Muestral de X
Distribuciones Muestrales
1) Sea (X1, X2,…,Xn) una m.a. (n) de ( )2;~ σµNX , para n suficientemente grande,
entonces por el T.L.C., la media muestral )1;0(~ Nn
X
σµ−
Distribución Muestral
de X cuando σ2 es conocida. * Cuando σ2 es desconocida es estima con la varianza muestral s
2, resultando
12~ −
=−
ntnss
X µ t de Student con (n – 1) g.l. Distribución Muestral de X , cuando
σ2 es desconocida.
2) Sea (X1, X2,…,Xn) una m.a. (n) de X ~ B (1 ; P), con E(X) = P y V(X) = P(1 – P), entonces por T.L.C., la proporción muestral
( )⇒
−n
PPPNp
1;~ˆ ( )
( )1;0~1
ˆN
n
PP
Pp
−−
Distribución muestral de p̂ .
3) Sea (X1, X2,…,Xn) una m.a. (n) de X ~ N (µ ; σ2), entonces, sabemos que:
( ) 22
2
~ niX χ
σµ∑ −
, pero cuando µ es desconocida se estima con la media muestral X ,
resultando que:
( )=
−∑=
21
2
σ
n
ii XX ( ) 2
12
2
~1
−−
n
sn χσ
, distribución Muestral de la varianza
muestral s2. Nota:
También se deben estudiar distribuciones muestrales de: ( ) ( ) 22
212121 /;ˆˆ; ssppXX −− .