EAS201a Inferencia Estadstica Pgina 1

Segundo Semestre 2014

Pontificia Universidad Catlica de Chile
Facultad de Ciencias Econmicas y Administrativas
Segundo Semestre 2014

EAS201a Inferencia Estadstica

"Distribuciones Muestrales

Definicin: muestra aleatoria simple (m.a.s.)
Se llama muestra aleatoria simple de tamao n de una poblacin ( ) a un conjunto de variables
aleatorias

las cuales cumplen con las siguientes dos propiedades:

- Son independientes estocsticamente.
- Son isodistribuidas de acuerdo a la misma distribucin de Y.

Definicin: Estadgrafo o Estimador
Dada una m.a.s.

de una poblacin ( ). Se llama Estadgrafo, Estadstico o

Estimador a toda funcin T, que depende de la m.a.s. pero no del parmetro : (

A partir de ambas definiciones se puede concluir que todo estimador

es una variable aleatoria y por lo

tanto obligatoriamente debe tener una distribucin de probabilidades asociada, a estas distribuciones les
llamaremos distribuciones muestrales que a continuacin resumiremos brevemente

Distribuciones Muestrales ( Estimadores y sus distribuciones)

Sea Y
1
, Y
2
, , Y
n
una muestra aleatoria de una poblacin Y tal que E(Y)= ; V(Y)=

1) (

) (Demostrar) No necesita Normalidad

2) (

(Demostrar) No necesita Normalidad (

)
3)

) TLC; n 30; No necesita Normalidad

4)

() TLC; n 30; No necesita Normalidad ; Versin estandarizada de 3)

5) (

(Demostrar)
6) (

Si adems se considera que la poblacin (

) Entonces

7) Se cumple 3) y 4) para todo n
8) (

(Demostrar)
9) (

)
()

10)

() (Demostrar)
11)
(

()

( )
12)

( ) Caso muestra pequea (n < 30) (Demostrar)

Una distribucin t-student, se construye en base al cociente de una distribucin N(0,1) respecto a una
distribucin Chi-Cuadrado (independientes)
Sea la v.a.: () e independientemente sea

() Entonces:

()
13)

() Caso muestra grande (n 30)

Si adems consideramos dos muestras aleatorias independientes
EAS201a Inferencia Estadstica Pgina 2
Segundo Semestre 2014


Sea Y
11
, Y
12
, Y
13
,, Y
1n
una m.a.s. de tamao n de una poblacin N(
1 ,

2
1
o ), e independientemente,

Sea Y
21
, Y
22
, Y
23
,,Y
2m
una m.a.s. de tamao m de una poblacin N(
2
,
2
2
o ).

14) Si suponemos que las varianzas
2
1
o ,
2
2
o son conocidas se cumple que:
( ) ( )
( ) 1 , 0
2
2
2
1
1 2 1 2
N
m n
Y Y
Z ~
+

=
o o


15) Si en el caso anterior asumimos que las varianzas son desconocidas pero iguales, es decir
2
1
o =
2
2
o =
2
entonces
( ) ( )
( ) 2
1 1
1 2 2 2
+ ~
+

= m n t
m n
S
Y Y
T
p


Donde:
( ) ( )
2
1 1

2
2
2
1
+
+
= =
m n
S m S n
S
p
o
( DEMOSTRAR)

16) Si en el caso anterior asumimos que las varianzas son desconocidas pero distintas, es decir
2
1
o
2
2
o
entonces
( ) ( )
( ) v

t
m
S
n
S
Y Y
T ~
+

=
2
2
2
1
1 2 2 2
Donde:
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(

|
|
|
.
|

\
|
+

|
|
|
.
|

\
|
|
|
|
.
|

\
|
+
=
1
2
2
2
1
2
2
1
2
2
2
2
1
m
m
s
n
n
s
m
s
n
s
v

17) Si no se tiene la condicin de normalidad, pero ambas muestras son de tamao grande entonces por TLC
se tiene que:
( ) ( )
( ) 1 , 0
2
2
2
1
1 2 1 2
N
a
m
S
n
S
Y Y
Z
~
+

=


18) El ltimo caso que consideraremos es el de la distribucin F de Fischer
) 1 , 1 ( *
2
1
2
2
2
2
2
1
~ = m n F
S
S
F
o
o

Una distribucin F, se construye en base al cociente de dos distribucin Chi-Cuadrado independientes

Sea la v.a.: V

() e independientemente sea

) Entonces

( )