Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Fx(x)=l(π:x(π)≤x /N
Existe una función que describe el rasgo poblacional de cada subconjunto de datos sobre el
tamaño de la población.
Estimador: es una regla para utilizar los datos que permite determinar un parámetro.
Parámetro: es un número que resume el análisis de datos de una variable.
Estadísticos: variable aleatoria cuyos valores se determinan por datos muéstrales.
Teoría asintótica.
Sea x1, x2,x3,,…xn, una secuencia infinita de variables aleatorias la sucesión de (xN), converge en
probabilidad hacia Y si para todo E>0 Lim-> P(lXn-Yn)≥E)=0 X->Y interpretación a medida que crece
mi muestra la probabilidad de que me equivoque es cero.
La definición anterior indica que se hace cada vez más improbable que xn tome valores distintos a
c, a medida que n, el tamaño de la muestra, aumenta.
Sea x1,x2,x3,…Xn una secuencia de variables aleatorias independientes cada una de ellas con la
misma media de u y con varianza menor o igual a V<∞ entonces para todo E >0
Lim p(lmn->u/≥C=0
N->∞
Las leyes de los grandes números explican por qué el promedio de una muestra al azar de
una población de gran tamaño tenderá a estar cerca de la media de la población completa.
CONVERGENCIA EN PROBABILIDAD UNIDAD
Con una secuencia x1,x2,x3,..x∞ , de variables aleatorias esta secuencia converge en probabilidad 1
Xn->y entre mas grande sea la muestra mas seguro es el valor que determinamos.
Se derv d ela convergencia en probabilidad unidad cuando tenemosuna se secuencia de numeros hasta n de variables
aleatorias independientes e igualmente distinguidas en una muestra grande esta no estará sesgada.
P(lim ( Mn-u)=1
n-∞
Convergencia en distribución
Proceso generador de datos , es la fuente en la que están haciendo datos representa por análisis gráficos
Esta nos dice que una scuencia sea x1, x2, x3 … de variables aleatorias Xn, converge en distribución al comportamiento
de la población.
x->x
Tomando una secuencia x1,x2,x3….Xn.. de variables aleatorias iid con media V varianza^2 cuando la muestra sea
bastante grande siempre tendrá una distribución normal.
Insesgamiento.
En una función donde s es conocida y teta desconocida, este parámetro sucede cuando su esperanza coincida con el
valor real del parámetro al estimar teta.
Invarianza no hay grandes desviaciones cuando modificamos ese mismo valor o su equivalencia siempre dota la
poblacion