UNIVERSIDAD DE SANTIAGO DE CHILE FACULTAD DE CIENCIA DEPARTAMENTO MATEMTICA Y CIENCIA DE LA COMPUTACIN

Inferencia Estadstica
Prof. Alma Placencia Conjunto de mtodos y procedimientos, que basados en una o ms muestras aleatorias de la poblacin en estudio, nos permiten concluir o inferir para toda la poblacin. Estudiaremos: - Conceptos bsicos. - Distribuciones muestrales. - Estimacin puntual. Propiedades. - Estimacin por intervalos. - Dcimas de Hiptesis para parmetros de una y dos poblaciones. - Dcimas de Bondad de Ajuste. - Regresin y Correlacin lineal simple. Conceptos Bsicos: - Poblacin: Conjunto de elementos que tienen la caracterstica estudiada. - Muestra: Subconjunto de la poblacin o universo. - Parmetro: medida estadstica de la poblacin, denotada por (teta). Cuando se puede calcular, es nico, por lo cual se considera como constante. - Estadstica: medida obtenida con los datos muestrales. Se utilizan para estimar los parmetros cuando son desconocidos. Se denotan por teta sombrero, teta techo . Para cada muestra de la poblacin, resulta un valor distinto para una misma estadstica, por lo cual la estadstica se considera una variable aleatoria y por lo tanto tiene su distribucin de probabilidad, llamada Distribucin Muestral.

()

Ejemplo: Parmetro Estadstica

Media poblacional = Tamao Poblacin = N Varianza Poblacional

i =1

Xi
N
Media Muestral X = Tamao Muestra = n Varianza Muestral
i =1

i =1

Xi
n

2 =

i =1

( X i )2
N
X N

s2 =

(X i X )
n

Proporcional Poblacional P =

n 1 X = Proporcin Muestral p n

n 1

i =1

X 12 n(X )
n

Teorema Fundamental en Inferencia, es el Teorema del Lmite Central (T.L.C.) Teor: Sea (X1, X2,,Xn) una m.a. (n) de una poblacin X, con E[X] = y V(X) = 2. 2 , Para n suficientemente grande, se cumple que la media muestral X ~ N ; n X ~ N (0;1) Distribucin Muestral de X estandarizado resulta: / n

Distribuciones Muestrales 1) Sea (X1, X2,,Xn) una m.a. (n) de X ~ N ; 2 , para n suficientemente grande, X ~ N (0;1) Distribucin Muestral entonces por el T.L.C., la media muestral / n de X cuando 2 es conocida. * Cuando 2 es desconocida es estima con la varianza muestral s2, resultando X ~ t n 1 t de Student con (n 1) g.l. Distribucin Muestral de X , cuando 2 s/ n 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 proporcin muestral P p P (1 P ) ~ N (0;1) Distribucin muestral de p . ~ N P; p n P(1 P ) n

3) Sea (X1, X2,,Xn) una m.a. (n) de X ~ N ( ; 2), entonces, sabemos que: 2 ( X i ) ~ 2 , pero cuando es desconocida se estima con la media muestral X , n 2 resultando que: muestral s .
2

i =1

(X i X )
n

(n 1)s 2

2 ~ n 1 , distribucin Muestral de la varianza

Nota:

2 2 1 p 2 ); s1 Tambin se deben estudiar distribuciones muestrales de: ( X 1 X 2 ); ( p . / s2