INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO

Transcripción

1 INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA DISTRIBUCIÓN EN EL MUESTREO Objetivos geerales del tema E este tema se itroducirá el cocepto de estadístico como medio para extraer iformació acerca de la ley de probabilidad del feómeo e estudio. Se verá que, al ser fució de v.a. tambié es ua v.a. y se verá cómo obteer su distribució. Por último, se estudiará alguos casos cocretos de estadístico. Pricipales coteidos Itroducció Estimació de la media de ua població Estimació de la variaza de ua població Estimació de ua proporció Estadísticos ordeados 1

2 1 Itroducció El muestreo estadístico es la herramieta que la Matemática utiliza para el estudio de las características de ua població a través de ua determiada partedelamisma. La muestra de estudio debe ser lo más pequeña posible ya que del hecho de que ua muestra sea más grade, o se desprede ecesariamete que la iformació sea más fiable. Además, la muestra elegida debe serlo por u proceso aleatorio para que sea lo más represetativa posible. Térmios usuales e u estudio estadístico Població: cojuto de todos los idividuos que so objeto del estudio. Muestra: parte de la població e la que mide las características estudiadas. Muestreo: proceso seguido para la extracció de ua muestra. Ecuesta: proceso de obteer iformació de la muestra. Los resultados obteidos del estudio de ua muestra o so del todo fiables, pero sí e buea medida. Los parámetros que obtiee de ua muestra (estimadores estadísticos) os permitirá arriesgaros a predecir ua serie de resultados para toda la població. De estas prediccioes y del riesgo que colleva se ocupa la Iferecia Estadística. Las observacioes de ua muestra se deota por x 1,...,x. 2

3 Si embargo, ates de hacer u muestreo o de experimetar, cualquier observació e particular estará sujeta a icertidumbre (por ejemplo, ates de saber cuál es el gasto medio de ua familia de la muestra e alimetació, ésta podría ser x ó x ó muchos otros valores posibles). Debido a esta icertidumbre, ates de que se dispoga de datos uméricos cocretos, cosideramos las observacioes como variables aleatorias y las deotamos por letras mayúsculas X 1,...,X. Esto a su vez implica que hasta que se haya obteido los datos, cualquier fució de las observacioes (media muestral, variaza de la muestra, etc.) so fucioes de variables aleatorias, y por tato variables aleatorias co distribució de probabilidad propia, llamada distribució e el muestreo. Defiitio 1 Se llama espacio muestral al cojuto de muestras posibles que puede obteerse al seleccioar ua muestra aleatoria, de u determiado tamaño, de ua cierta població. Defiitio 2 Se llama estadístico a cualquier fució T (X 1,...,X ) de la muestra (X 1,...,X ). El estadístico T (X 1,...,X ), como fució de variables aleatorias (X 1,...,X ), es tambié ua variable aleatoria, y tedrá por tato ua distribució de probabilidad, llamada distribució e el muestreo. Alguos estadísticos importates: T (X 1,...,X )X X X Media Muestral T (X 1,...,X )Mi(X 1,...,X ) T (X 1,...,X )Max(X 1,...,X ) P T (X 1,...,X )SX 2 Xi X 2 Variaza Muestral P T (X 1,...,X )bs X 2 Xi X 2 Cuasivariaza Muestral 1 3

4 Example 3 Se está iteresado e coocer la probabilidad θ de obteer cara co ua moeda, es decir, se trata de estudiar la variable aleatoria ( 1 si se obtiee cara X 0 si se obtiee cruz cuya distribució está caracterizada por X i Probabilidad 1 θ 0 1 θ que depede del parámetro θ que varía e el espacio paramétrico Θ [0, 1]. Se realiza tres lazamietos, co lo que se dispoe de ua m.a.s X 1,X 2,X 3. Puesto que la muestra es aleatoria simple, se verifica que P (X 1 x 1,X 2 x 2,X 3 x 3 )P (X 1 x 1 ) P(X 2 x 2 ) P(X 3 x 3 ) La probabilidad de todas las muestras posibles es, por tato, la siguiete: X 1 X 2 X 3 Probabilidad θ θ 2 (1 θ) θ 2 (1 θ) θ 2 (1 θ) θ (1 θ) θ (1 θ) θ (1 θ) (1 θ) 3 Es decir, teemos la distribució de la muestra a través de su fució de 4

5 probabilidad. Si os iteresa el estadístico media muestral X X 1 + X 2 + X 3 3 a partir de la distribució e el muestreo de la muestra, se tiee la siguiete distribució e el muestreo para el estadístico: X Probabilidad 1 θ 3 2/3 3θ 2 (1 θ) 1/3 3θ (1 θ) 2 0 (1 θ) 3 Example 4 De ua població X co distribució de Poisso de parámetro λ, P oisso (λ), se obtiee ua m.a.s. de tamaño. Determiar la distribució e el muestreo de la media muestral X. λ λk Si X Poisso(λ), etoces P (X k) e, k 0, 1, 2,... k! Dada ua m.a.s. (X 1,...X ), T (X 1,...X ) 1 P X i X. Su distribució es: P X k µ 1 P P X i k P ( P X λ (λ)k i k) e (k)! X i P oisso(λ) Defiitio 5 Estimador Dada ua muestra (X 1,...X ), u estimador del parámetro θ es ua fució de la muestra T (X 1,...X ) que aproxima el valor de θ. Se suele deotar por T (X 1,...X ) b θ Defiitio 6 Estimador Isesgado: SeaT (X 1,...X ) u estadístico que estima u parámetro θ, deotémoslo por T (X 1,...X ) b θ. El sesgo del estimador de θ es h i h i Sesgo bθ E bθ θ E [T (X 1,...X )] θ 5

6 h i h i El estimador es isesgado si Sesgo bθ 0, es decir E bθ θ. Defiitio 7 Es u estimador asitóticamete isesgado si h i Sesgo bθ 0 cuado Defiitio 8 Estimador Cosistete: Sea T (X 1,...X ) u estadístico que estima u parámetro θ, deotémoslo por T (X 1,...X ) b θ. El estimador es cosistete si h i Var bθ VAr[T (X 1,...X )] 0 cuado 2 Estimació de la media de ua població Sea X 1,...,X ua m.a.s. de ua variable aleatoria X co media E (X) µ y variaza Var(X) σ 2. El estimador más razoable de la media poblacioal µ es la media muestral X 1 P X i que verifica las siguietes propiedades: 1. Es u estimador isesgado de µ. E X Ã! 1 X E X i 1 X E (X i ) 1 X µ µ 2. Es u estimador cosistete e media cuadrática de µ, puesto que es isesgado y su variaza tiede a 0 cuado. Var X Ã! 1 X Var X i 1 X Var(X 2 i ) 1 X σ σ2 σ2 6

7 3. La distribució de exacta de X depede de la distribució de la població X. Por ejemplo, si X es ormal la distribució de X tambié lo será. Para muestras grades, por el Teorema Cetral del Límite, la distribució de X puede aproximarse por ua ormal ( 30). Theorem 9 Sea X 1,...,X ua m.a.s. de ua variable aleatoria X N (µ, σ), etoces µ σ X N µ, Example 10 Sea X ua població co distribució N (90,σ 20). a) Si se obtiee ua m.a.s. de tamaño 16, cuál es la probabilidad de que la media muestral X sea mayor o igual que 92? b) Determiar el tamaño muestral para que la probabilidad de que la media muestral sea meor o igual que 98 sea P X 98 0, 99. X N (µ 90,σ 20) E X µ 90 Var X r σ σ X X N (90, 5) a) P X 92 µ P (N (90, 5) 92) P N (0, 1) P Z 2 5 P (Z 0.4) 0, b) 0.99 P X 98 µ µ P N 90, 20 Ã 98 P N (0, 1) P Z , ! µ 2 2, ,

8 3 Estimació de la variaza de ua població Sea X 1,...,X ua m.a.s. de ua variable aleatoria X co media E (X) µ yvariazavar(x) σ 2. El estimador más razoable de la variaza poblacioal σ 2 es la variaza muestral S 2 X 1 P Xi X 2 1 P Xi 2 X 2 que verifica las siguietes propiedades: 1. Es u estimador cosistete de σ Es u estimador asitóticamete isesgado de σ 2 puesto que E (S 2 X) σ2 + σ2 Puesto que la variaza muestral S 2 es u estimador sesgado (auque asitóticamete isesgado), para estimar la variaza σ 2 se usa la cuasivariaza muestral: cs x X Xi X 2 1 S2 que es u estimador isesgado y cosistete de σ 2. ³ µ E bs 2 E 1 S2 1 E S 2 1 µσ 2 σ2 σ 2 3. (Teorema de Fisher) Bajohipótesisdeormalidad(X N (µ, σ)) se 8

9 verifica que S 2 σ 2 ( 1) bs 2 σ 2 P Xi X 2 σ 2 χ Si coocemos la variaza poblacioal µ, se verifica P (X i µ) 2 σ 2 χ 5. Bajo hipótesis de ormalidad (X N (µ, σ)), las variables aleatorias X y b S 2 so idepedietes. Example 11 Dada ua població X N (6,σ 2.5), y tomado ua muestra aleatoria simple X 1,...,X de tamaño 12,calcularla probabilidad de que la variaza muestral sea mayor que 4.9. µ S 2 P (S 2 > 4.9) 1 P (S 2 4.9) 1 P 4.9 σ 2 σ 2 µ 1 P χ P (χ ) E la tabla de la distribució de la χ 2 aparece los siguietes resultados P (χ ) 0.25 P (χ ) 0.5 Mediate ua iterpolació umérica se calcula la probabilidad que i- 9

10 teresa x y p y y 1 + y 2 y (x x 1 ) (x 7.58) x 2 x y 0.102x p P (S 2 > 4.9) 1 P (χ ) Estadístico t de Studet. Estimació de la media poblacioal cuado σ 2 es descoocida. Bajo hipótesis de ormalidad (X N (µ, σ)) se verifica que X N o equi-valetemete X µ σ N (0, 1) µ µ, σ, Este resultado puede ser de poca utilidad si la variaza poblacioal σ 2 es descoocida, ya que etoces o se podrá usar esta coclusió para hacer previsioes acerca de X. Cabe pesar que el resultado o será muy distito si se sustituye σ por la cuasidesviació típica muestral S, b puesto que, al meos para muestras grades, σ 2 y bs 2 tedrá valores semejates. Tal idea llevó a Studet (pseudóimo de W. Gosset) a cosiderar el estadístico X µ bs X µ S 1 t 1 10

11 Example 12 Dada ua població X N ( 1,σ), seextraeuam.a.s. de tamaño 10co los siguietes resultados: 1.08, 1.79, 2.54, 0.37, 0.6, 0.53, 0.28, 2.21, 2.66, 1.45 Calcular la probabilidad de que la media muestral X sea mayor que 1.2. P X> P X 1.2 X µ 1 P bs S µ bs P Xi 2 X ( ) [ 1 ( )] S r S b 1 S2 P X> 1.2 X µ 1 P bs 1 P t ( 1) µ bs r P t ( 1) P (t ) P (t ) 11

12 Se calcula la probabilidad aterior por iterpolació umérica x y p y y 1 + y 2 y (x x 1 )0.6+ (x ) x 2 x y x p P X> Estimació de ua proporció Se desea estimar la proporció p de idividuos de ua població que tiee ua determiada característica. Para ello se toma ua m.a.s. de elemetos de la població, aotado u 1 si dicho elemeto tiee la característica, y 0 e otro caso, es decir, se tiee ua m.a.s. X 1,...,X de ua B (1,p) ( 1 (tiee la caract.) co probab. p X, E (X) p, V ar (X) p (1 p) 0 (o la tiee) co probab. 1 p U estimador razoable de p es la proporció de elemetos de la muestra que tiee dicha característica, es decir bp X X 12

13 Propiedades µ 1 P 1. E (bp) E X i 1 µ 1 2. Var(bp) Var P E (X i ) 1 p p P X i 1 P p (1 p) 2 p (1 p) 3. La distribució de bp depede de la distribució de la població X, pero cuado es grade à r! p (1 p) bp N p, Example 13 E el proceso de producció de ua empresa, el 1% de los productos sale defectuoso. Para corroborarlo se obtiee ua m.a.s.de tamaño 25y se estima la proporció de productos defectuosos. Estimar la probabilidad de que la proporció estimada sea mayor que el 2%. P (bp >0.02) P bp p r > 0.02 p r p (1 p) p (1 p) ' P Z> 0.02 bp r bp (1 bp) P Z> r 0.01 (1 0.01) P (Z >0.50) P (bp >0.02)

14 5 Estadísticos ordeados Sea X 1,...,X ua m.a.s de ua població X co fució de distribució F (x) ydesidadf (x). Es importate estudiar etre qué valores podría estar los valores muestrales; se cosidera etoces X (1),...,X () los estadísticos de orde (los valores muestrales ordeados de meor a mayor X(1)... X (). Auque X1,...,X so idepedietes idéticamete distribuidos (i.i.d.) por tratarse de ua m.a.s., X (1),...,X () o lo so. Ejemplos X (1) mi(x 1,...,X ) X () max(x 1,...,X ) 14