Professional Documents
Culture Documents
¿Quién era Student? Pues en realidad Student no era el nombre o el apellido del
responsable de esta distribución de probabilidad, sino que era un seudónimo. El verdadero
nombre del creador de la t de Student es William Sealy Gosset, (1876 – 1937); era un
matemático y químico inglés.
En muchos casos se seleccionan de una población normal, muestras de tamaño pequeño n <
30 y desconocido.
DEFINICIÓN
Una variable con distribución t de Student se define como el cociente entre una variable
normal estandarizada y la raíz cuadrada positiva de una variable 2 dividida por sus
grados de libertad.
(v 1) / 2
( v 1) / 2
t2
h(t ) 1 , t
(v / 2) v v
Esta se conoce como la distribución t con grados de libertad.
CARACTERISTICAS
b) Encuentre k tal que P (k < t < -1.761) = 0.045, para una muestra aleatoria de tamaño 15
que se selecciona de una distribución normal.
DEFINICIÓN
CARACTERISTICAS
El parámetro que caracteriza a una distribución 2 son sus grados de libertad (v = n-1),
originado una distribución para cada grado de libertad,
Para cada muestra, por ejemplo n = 5, transformamos cada valor de x: x1, x2, x3, x4 y x5
en Z: z1, z2, z3, z4 y z5,
Ejercicio1: Calcular el percentil n2,0,95 y n2,0,25 en cada uno de los siguientes casos:
1. n=5
2. n=30.
DISTRIBUCIÓN F DE FISHER
Considerando dos muestras aleatorias independientes, de tamaño n1 y n2, extraídas de una
población normal, el estadístico F será
DEFINICIÓN
Una variable F se define como el cociente entre dos variables ji-cuadrado divididas por sus
correspondientes grados de libertad.
Características
Una variable con distribución F es siempre positiva por lo tanto su campo de variación
es “0 a ∞"
La distribución de la variable es asimétrica, pero su asimetría disminuye cuando
aumentan los grados de libertad del numerador y denominador.
Hay una distribución F por cada par de grados de libertad.
Parámetros: Grados de libertad asociados al numerador y denominador
INTRODUCCIÓN
A LA
INFERENCIA ESTADÍSTICA
- Estimación de Parámetros
- Contraste de Hipótesis
Estimación de Parámetros
El método de estimación de un parámetro puede ser puntual o por intervalo.
Estimación puntual de µ
En nuestro ejemplo, a partir de una muestra de n=50 planchas de acero. Daríamos como
estimación del peso medio poblacional o teórico, X = 215 Kg.
Inconveniente(s):
X
X N ( , X ) Z N (0,1)
X
Donde: X es el error típico o desviación estándar de la media muestral.
conocida
x Tamaño de población (N) demasiado grande o
n infinita.
N n conocida
x Tamaño de población (N) conocido o finita.
n N 1
S desconocida, entonces S
Sx Tamaño de población (N) demasiado grande o
n
infinita.
S N n desconocida, entonces S
Sx Tamaño de población (N) conocida o finita.
n N 1
Supongamos que de una población normal con media desconocida y varianza conocida
o desconocida 2 se extrae una muestra de tamaño n, entonces de la distribución de la
media muestral X se obtiene que, lleva asociado un error típico de dicho estadístico de lo
que ha de tenerse en cuenta para valorar la precisión de una estimación puntual.
Idea
X Z1 / 2 * X X Z1 / 2 * X
Con un nivel de confianza del 1 .
Tamaño de muestra
Se puede determinar que tan grande debe ser el tamaño de la muestra, n, de manera que si
se estima por x , el error de estimación no sea mayor que un valor dado e. En efecto:
X 1 X 2 Z1 / 2 * X1 X 2 1 2 X 1 X 2 Z1 / 2 * X1 X 2
12 22
Donde: X 1 X2
n1 n2
S X1 X 2
n1 1 * s12 n2 1 * s22 1 1
n1 n2 2 n1 n2
Donde:
2
S12 S22
n
n2
2
1
2 2 Es el grado de libertad, que toma un valor numérico
S1 S2
2 2
n n
1
2
n1 1 n2 1
redondeado entero.
s12 s22
S X1 X 2
n1 n2
x
y la proporción de éxito en la muestra es pˆ
n
Luego se cumple:
a) pˆ E ( pˆ ) p
p(1 p)
b) p2ˆ V ( pˆ )
n
c) Si el tamaño muestral n es grande, el Teorema Central del Límite nos asegura que:
pˆ p
z N (0,1)
pq
n
ˆ Z1 / 2 * pˆ p p
p ˆ Z1 / 2 * pˆ
Donde:
x
pˆ
n
qˆ 1 pˆ
Solución:
x: Número de consumidores que prefieren los pastelillos.
n = 450 tamaño de muestra grande
x = 300 son los que prefieren los pastelillos en la muestra
x 300
pˆ 0, 67 Es la proporción puntual muestral que prefieren los pastelillos
n 450
qˆ 1 pˆ 1 0, 67 0,33 Es la proporción puntual muestral de los que no prefieren los
pastelillos.
Coeficiente de confianza 1 = 0,95 = 0,05
Z1 / 2 Z 0,975 = 1,96
ˆˆ
pq 0,67*0,33
pˆ 0,022
n 450
Tamaño de muestra
Se puede determinar que tan grande debe ser el tamaño de la muestra, n, de manera que si p
se estima por p̂ , el error de estimación no sea mayor que un valor dado e. En efecto: