CFL Expo

Introduccin Distribuciones Univariantes Distribuciones Multivariantes
Preliminares Estadsticos
Juan Carlos Riao Rojas
Universidad de Sucre
28 de septiembre de 2012
Juan Carlos Riao Rojas Universidad de Sucre
Inferencia estadstica
El investigador o estadstico toma una muestra de la poblacin
para extraer algn tipo de informacin.
A la metodologa concerniente a hacer referencias, predicciones y
generalizaciones sobre la poblacin a partit de la muestra se
denomina Inferencia Estadstica. Sin embargo, por lo general se
basa en modelos probablsticos del cual se desconocen sus
parmetros.
Estimacin
Cuando se realizan armaciones acerca de los parmetros de la
poblacin basandose en la informacin contenida en la muestra
sealando un intervalo o zona donde se tiene conanza de que los
parmetros esten. (Estimacin puntual, por intervalo)
Contraste
Procedimiento estadstico mediante el cual se investiga la
aceptacin o el rechazo de una armacin acerca de una o varias
caractersticas de la poblacin.
Fases de un Contraste
1. Enunciar y determinar las hiptesis nula y alterna.
2. Elegir el nivel de conanza o el nivel de signicacin.
3. Especicar el tamao muestral.
4. Seleccionar la funcin de decisin (estadstico,
conociendo la distribucin de la hiptesis nula)
5. Determinar la regin crtica.
6. Calcular el valor de la funcin de decisin para la
muestra.
7. Conclusiones del estadstico.
8. Analisis e interpretacin de los resultados.
Principales distribuciones
Algunos datos suelen provenir de una poblacin caracterizada por
una distribucin multivariante. Sea X = (X
1
, . . . , X
p
) un vector
aleatorio con distribucin absolutamente continua y funcin de
densidad f(x
1
, . . . , x
p
). Es decir, f verica:
1.) f(x
1
, . . . , x
p
) 0, para todo (x
1
, . . . , x
p
) R
p
.
2.)
_
R
p
f(x
1
, . . . , x
p
)dx
1
. . . dx
p
= 1
Distribucin Beta
Es una distribucin de probabilidad continua con dos parmetros a
y b cuya funcin de densidad para valores 0 < x < 1, es:
x
1
(1 x)
1
B(, )
y funcin de distribucin
I
x
(, )
Distribucin Exponencial
Es una distribucin de probabilidad continua con un parmetro ,
cuya funcin de densidad, es:
f(x) =
_
e
x
, para x 0
0, de otro modo
y funcin de distribucin es:
F(x) = P(X x) =
_
0 para x < 0
1 e
x
, para x 0
Esta distribucin es un caso particular de la distribucin gamma.
Distribucin F
Es ms conocida coma la distribucin F de Fisher- Snedecor. Una
variable aleatoria de distribucin F se construye como el siguiente
cociente:
F =
U
1
/d
1
U
2
/d
2
donde
i. U
1
y U
2
siguen una distribucin chi-cuadrado con d
1
y d
2
grados de libertad respectivamente, y
ii. U
1
y U
2
son estadsticamente independientes.
La funcin de densidad de una F(d
1
, d
2
) viene dada por
g(x) =
1
B
_
d
1
2
,
d
2
2
_
_
d
1
x
d
1
x +d
2
_
d
1
2
_
1
d
1
x
d
1
x +d
2
_
d
2
2
x
1
para todo nmero real x 0, donde d
1
y d
2
son enteros positivos
y B es la funcin beta.
La funcin de distribucin es:
G(x) = I d
1
x
d
1
x+d
2
_
d
1
2
,
d
2
2
_
donde I es la funcin beta incompleta regularizada.
Distribucin Gamma
Es una funcin de distribucin de probabilidad continua con dos
parmetros k y cuya funcin de densidad para valores x > 0 es:
f(x) = e
x
(x)
k1
(k)
donde es la funcin Gamma. Para valores k = 1, 2, . . ., as
(k) = (k 1)! el factorial de k 1.
Distribucin chi-cuadrado
La funcin chi-cuadrado o de Pearson, es una distribucin de
probabilidad continua con un parametro k que representa los
grados de libertad de la variable aleatoria
X = Z
2
1
+. . . +Z
2
k
donde Z
i
son variables aleatorias normales independientes de
media cero y de varianza uno.
Su funcin de densidad es:
f(x; k) =
_
_
_
1
2
k
2
(
k
2
)
x
(k/2)1
e
x/2
para x 0
0 para x < 0
donde es la funcin gamma.
Su funcin de distribucin es:
F
k
(x) =
(k/2, x/2)
(k/2)
donde (k, z) es la funcin gamma incompleta.
Distribucin Normal
Esta distribucin es la que con ms frecuencia aparece aproximada
en fenmenos reales. La grca de su funcin de densidad tiene
una forma acampanada y es simtrica respecto de un determinado
parmetro estadstico. Esta curva se conoce como campana de
Gauss y es el grco de una funcin gaussiana.
la importancia de esta distribucin radica en que permite modelar
numerosos fenmenos naturales, sociales y psicolgicos. La
importancia de esta distribucin tambien radica en su relacin con
la estimacin por minimos cuadrados uno de los mtodos de
estimacin ms simples y antiguos.
Se dice que una variable aleatoria continua X sigue una
distribucin normal de parmetros y y se denota X N(, )
si su funcin de densidad est dada por:
f(x) =
1
2
e
1
2
(
x
)
2
, x R
Propiedades
Algunas propiedades de la distribucin normal son:
1. Es simtrica respecto de su media, .
2. Si X N(,
2
) y a y b son nmeros reales, entonces
(aX +b) N(a +b, a
2
2
).
3. Si X
1
, . . . , X
n
son variables normales estndar independientes,
entonces X
2
1
+. . . +X
2
n
sigue distribucin
2
con n grados de
libertad.
Distribucin t Student
Esta distribucin surge del problema de estimar la media de una
poblacin normalmente distribuida cuando el tamao de muestra
es pequeo. Realizar la prueba t de Student para la determinacin
de las diferencias entre dos medias muestrales y para la
construccin del intervalo de conanza para la diferencia entre las
medias de dos poblaciones cuando se desconoce la desviacin
tipica de una poblacin y esta debe ser estimada a partir de los
datos de una muestra.
La funcin de densiadad esta dada por:
_
(v+1)
2
_
v
_
v
2
_
_
1 +
x
2
v
_
(v+1)
2
Y la funcin de distribucin esta dada por:
1
2
+x
_
v + 1
2
_
Distribucin Normal Multivariante
La distribucin Normal Multivariante N
p
(, ) como una
generalizacin de la normal univariante, se dene la densidad de
X = (X
1
, . . . , X
p
)
N
p
(, ) segn:
f(x; , ) =
||
1
2
(
2)
p
e
1
2
(x)
1
(x)
, (1)
siendo x = (x
1
, . . . , x
p
)
, = (
1
, . . . ,
p
)
y = (
ij
) una matriz
denida positiva, que es la matriz de covarianzas
Se sugiere denir la distribucin X = (X
1
, . . . , X
p
)
N
p
(, )
como una combinacion lineal de p variables Y
1
, . . . , Y
p
independientes con distribucion N(0, 1).
X
1
=
1
+a
11
Y
1
+ +a
1p
Y
p
(2)
.
.
.
X
p
=
p
+a
p1
Y
1
+ +a
pp
Y
p
Que podemos escribir como
X = +AY (3)
Siendo Y = (Y
1
, . . . , Y
p
)
y A = (a
ij
) una matriz p p que verica
AA
=
Propiedades
1. De (3) es inmediato que E(X) = y que la matriz de
covarianzas es:
E[(X )(X )
] = E(AY Y
) = AI
p
A
= (4)
2. La distribucin de cada variable marginal X
i
es normal
univariante:
X
i
N(
i
,
ii
), i = 1, . . . , p. (5)
En consecuencia de la denicin (2).
3. Toda Combinacin lineal de las variables X
1
, . . . , X
p
Z = b
0
+b
1
X
1
+. . . +b
p
X
p
Es tambien normal univariante. En efecto, de (2) resulta que
Z es combinacion lineal de N(0, 1) independientes.
4. Si = diag(
11
, . . . ,
pp
) es matriz diagonal, es decir,
ij
= 0, i = j, entonces las variables (X
1
, . . . , X
p
) son
estocsticamente inddependientes. En efecto, la funcin de
densidad conjunta resulta igual al producto de las funciones
de densidad marginales:
f(x
1
, . . . , x
p
, , ) = f(x
1
;
1
,
11
) . . . f(x
p
;
p
,
pp
)
5. La distribucin de forma cuadrtica
U = (x )
1
(x )
en ji-cuadrado con p grados de libertad. En efecto, de (3)
U = Y
Y =
p
i=1
Y
2
i
es suma de los cuadrados de p variables N(0, 1)
independientes.
Distribucin de Wishart
La distribucin de Wishart es la que sigue una matriz aleatoria
simtrica denida positiva, generaliza la distribucin ji-cuadrado y
juega un papel importante en inferencia multivariante. Sean las
las de la matriz Z
np
son independientes N
p
(0, ) entonces
diremos que la matriz Q = Z
Z es wishart W
p
(, n), con
parametros y n grados de libertad.
Se prueba que cuando es denida positiva y n p, la densidad
de Q es
f(Q) = c|Q|
np1
exp
_
1
2
tr(
1
Q)
_
siendo
c
1
= 2
np
2

p(p1)
4
||
n
2
p
i=1
_
1
2
(n + 1 i)
_
Propiedades
1. Si Q
1
, Q
2
son independientes Wishart W
p
(, m), W
p
(, n),
entonces la suma Q
1
+Q
2
es tambien Wishart W
p
(, m+n).
2. Si Q es Wishart W
p
(, n), y separamos las variables en dos
conjuntos y consideramos las particiones correspondientes de
las matrices y Q.
3. Si Q es Wishart W
p
(, n) y T es una matriz p q de
constantes, entonces T
QT es W
q
(T
T, n). En particular, si
t es un vectoe, entonces
t
Qt
t
t
es
2
n
Distribucin de Hotelling
Es una generalizacin multivariante de la distribucin t de Student.
Si y es N
p
(0, I), Q es Wishart W
p
(I, m) y adems y, Q son
independientes, entonces
T
2
= my
Q
1
y
sigue la distribucin T
2
de Hotelling, que se indica por T
2
(p, m)
Propiedades
1. Si x es N
p
(, ) independiente de M que es W
p
(, m),
entonces
T
2
= m(x )
M
1
(x ) T
2
(p, m)
2. T
2
est directamente relacionada con la distribucin de
Fisher-Snedecor
T
2
(p, m)
mp
mp + 1
F
p
mp+1
3. Si x, S son el vector de medias y la matriz de covarianzas de
la matriz X
np
con las independientes N
p
(, ), entonces
(n 1)(x )
S
1
(x ) T
2
(p, n 1),
y por lo tanto
n p
p
(X )
S
1
(X ) F
p
np
4. Si x, S
1
, y, S
2
son el vector de medias y la matriz de
covarianzas de las matrices X
n
1
p
, Y
n
2
p
, respectivamente,
con las independientes N
p
(, ), y consideramos la
estimacin conjunta centrada de
S =
(n
1
S
1
+n
2
S
2
)
(n
1
+n
2
2)
,
entonces
T
2
=
n
1
n
2
n
1
+n
2
(x y)
S
1
(x y) T
2
(p, n
1
+n
2
2)
Y por lo tanto
n
1
+n
2
1 p
(n
1
+n
2
2)
T
2
F
p
n
1
+n
2
1p
Distribucin de Wilks
La distribucin F con m y n grados de libertad surge considerando
el cociente
F =
A/m
B/n
,
Donde A y B son ji-cuadrados estocsticamente independientes
con m y n grados de libertad. Si las matrices A, B de ordden p p
son independientes Wishart W
p
(, m), W
p
(, n) ,
respectivamente, con m p, la distribucin del cociente de
determinantes
=
|A|
|A+B|
Es por denicin, la distribucin lambda de Wilks, que indicaremos
por (p, m, n).
Propiedades
1. 0 1 y adems no depende de . Por lo tanto,
podemos estudiarla suponiendo = I.
2. Su distribucin es equivalente a la del producto de n variables
beta independientes:
(p, m, n)
n
i=1
U
i
,
donde U
i
es beta B
_
1
2
(m+i p),
1
2
p
_
.
3. Los parmetros se pueden permutar manteniendo la misma
distribucin. Concretamente:
(p, m, n) (n, m+n p, p)
4. En general, una transformacin de equivale, exacta o
asintticamente, a la distribucin F. Si (p, n q, q) es Wilks
con n relativamente grande, consideremos
F =
ms 2
pq
1
1
s
1
s
(6)
con m =
n(p+q+1)
2
, =
(pq2)
4
, s =
_
(p
2
q
2
4)
(p
2
+q
2
5)
. Entonces F
sigue asintticamente la distribucin F con pq y (ms 2)
grados de libertad.
Distribucin Multinomial
Supongamos que la poblacin es la reunion disjunta de k sucesos
excluyentes A
1
, . . . , A
k
,
= A
1
+. . . +A
k
,
Consideremos n observaciones independientes y sea (f
1
, . . . , f
k
) el
vector con las frecuencias observadas de A
1
, . . . , A
k
, siendo
f
1
+. . . +f
k
= n (7)
La distribucin multinomial es la distribucin de f = (f
1
, . . . , f
k
)
con funcin de densidad discreta
f(f
1
, . . . , f
k
) =
n!
f
1
! . . . f
k
!
p
f
1
1
p
f
k
k
CONTINUARA...

CFL Expo

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

CFL Expo

Caricato da

Copyright:

Formati disponibili

Introduccin Distribuciones Univariantes Distribuciones Multivariantes

Potrebbero piacerti anche