Población; es un conjunto de objetos llamados π.

media: es la cantidad real x (π) que mide un gran rasgo de π.

La población y la medida conducen a una distribución poblacional.

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.

Ley débil de los grandes números.

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->∞

Es decir las medias convergen en probabilidad a la media común. Mnp->u

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.

Ley fuerte de los grandes números.

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-∞

Es decir la masa converge con probabilidad a 1 de la media An

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

TEOREMA DEL LIMITE CENTRAL.

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