Documente Academic
Documente Profesional
Documente Cultură
Sea X una variable aleatoria con distribución fX. Diremos que X1, X2, X3, . . . , Xn es
una muestra aleatoria de tamaño n de la población con distribución fX, si las variables
aleatorias Xi son independientes e idénticamente distribuidas de acuerdo con fX, es decir, si
i.i.d .
Xi fX .
~
Diremos que una función de la muestra aleatoria T = h(X1, X2, X3, . . . , Xn) es un
estadístico, si tal función no depende de parámetro desconocidos, es decir, un estadístico se
define como cualquier función calculable a partir de las observaciones muestrales.
Los estadísticos pueden ser usados como estimadores puntuales de los parámetros
poblacionales. Para medir la precisión de estas estimaciones se utiliza el error estándar del
estadístico que corresponde a la desviación estándar del estadístico. La calidad de un estadístico
-1-
T como estimador puntual de un parámetro θ, también suele medirse mediante el llamado Error
Cuadrático Medio que se define como E[(T - θ)²]. Esta medida a su vez puede ser expresada
como la suma del sesgo al cuadrado bT2 = (E[T] - θ)², y la varianza V(T) del estadístico T, este
Teorema 1. Si X1, X2, X3, . . . , Xn una muestra aleatoria de tamaño n de una población infinita
con media µ = E[Xi] y varianza σ² = V(Xi) , entonces E[X] = µ , V(X) = σ²/n y E[S²] = σ².
Teorema 2. Si X1, X2, X3, . . . , Xn una muestra aleatoria de tamaño n de una población con
i.i. d .
distribución normal con media µ = E[Xi] y varianza σ² = V(Xi), es decir, X i N(µ , σ²),
~
entonces X ~ N(µ , σ²/n).
-2-
X −µ
Corolario. Bajo las condiciones del teorema anterior Z = ~ N(0, 1). Lo que también
σ
n
n
∑X
i =1
i − nµ
puede expresarse de la forma: Z = ~ N(0, 1).
σ n
Observación. Nótese que bajo las condiciones anteriores, es decir, si X1, X2, X3, . . . , Xn es una
muestra aleatoria de tamaño n de una población con distribución normal con media µ = E[Xi] y
i.i.d . n
varianza σ² = V(Xi), es decir, X i N ( µ , σ 2 ) entonces T = ∑ X i ~ N (nµ , nσ 2 ) . Un
~ i =1
Lema 1. Sean X1, X2, X3, . . . , Xn , n variables aleatorias independientes con distribución normal
indep.
con media µi = E[Xi] y varianza σi² = V(Xi), es decir, X i N ( µ i , σ i2 ), I = 1, 2, ... , n . Si se
~
n
define Y = ∑ a i X i ,donde ai son constantes reales arbitrarias, entonces Y tiene distribución
i =1
n n
normal con media µ Y = ∑ ai µ i y varianza σ = ∑ ai2 σ i2 ,
2
Y es decir,
i =1 i =1
n n n
Y = ∑ ai X i
i =1
~ N (∑ a µ , ∑ a σ
i =1
i i
i =1
2
i
2
i ).
Teorema 3. Teorema Central del Límite. Si X1, X2, X3, . . . , Xn una muestra aleatoria de
tamaño n de una población con media µ = E[Xi] y varianza σ² = V(Xi) finita, entonces la
n
X −µ
∑X
i =1
i − nµ
distribución FZn de la variable aleatoria Z n = = converge a la distribución
σ σ n
n
→ φ .
normal estándar cuando el tamaño muestral n tiende a infinito, es decir, FZn n
→∞
Observación. En el caso en que X1, X2, X3, . . . , Xn es una muestra aleatoria de tamaño n de una
población Bernoulli con media µ = E[Xi] = p y varianza σ² = V(Xi) = pq, entonces la distribución
-3-
n
∑X
i =1
i − np
FZn de la variable aleatoria Z n = converge a la distribución normal estándar cuando
npq
el tamaño muestral n tiende a infinito, este resultado indica que la distribución binomial, que es la
n
distribución exacta de T = ∑ X i , puede ser aproximada mediante la distribución normal si el
i =1
Lema 2. Si Z1, Z2, Z3, . . . , Zn es una muestra aleatoria de tamaño n de una población con
n
distribución normal estándar, entonces la variable aleatoria Y = ∑ Z i2 es una variable aleatoria
i =1
Lema 3. Si X1, X2, X3, . . . , Xn son variables aleatorias independientes con distribución chi-
cuadrado con ν1, ν2, ν3, . . . , νn grados de libertad, respectivamente, entonces la variable aleatoria
n n
Y = ∑ X i tiene distribución chi-cuadrado con ∑ν i grados de libertad.
i =1 i =1
Teorema 4. Si X1, X2, X3, . . . , Xn es una muestra aleatoria de tamaño n de una población con
i.i.d .
distribución normal con media µ = E[Xi] y varianza σ² = V(Xi), es decir, X i N (µ ,σ 2 ) ,
~
entonces X y S2 son estadísticos independientes y la variable aleatoria
n
(n − 1) S 2
∑(X i − X )2
V= ~ χ 2 (n − 1) , es decir, la variable V = i =1
tiene distribución Chi-
σ2 σ2
cuadrado con ν = n - 1 grados de libertad.
-4-
Lema 5. Si Z es una variable aleatoria con distribución normal estándar, independiente de la
variable aleatoria V que tiene distribución chi-cuadrado con ν grados de libertad, entonces la
Z
variable aleatoria T definida por T = , es una variable aleatoria con distribución t de
V ν
Teorema 5. Si X1, X2, X3, . . . , Xn es una muestra aleatoria de tamaño n de una población con
i.i.d .
distribución normal con media µ = E[Xi] y varianza σ² = V(Xi), es decir, X i N (µ ,σ 2 ) ,
~
X −µ
entonces la variable aleatoria T = ~ t (n − 1) , es decir, la variable aleatoria T definida
S
n
anteriormente tiene distribución t de Student con ν = n - 1 grados de libertad.
Teorema 6. Si X1, X2, X3, . . . , Xn1 es una muestra aleatoria de tamaño n1 de una población con
i.i.d .
distribución normal con media µ1 = E[Xi] y varianza σ1² = V(Xi), es decir, X i N ( µ1 , σ 12 ) , y
~
si Y1, Y2, Y3, . . . , Yn2 es una muestra aleatoria de tamaño n2 de una población con distribución
i.i.d .
normal con media µ2 = E[Yj] y varianza σ2² = V(Yj), es decir, Y j N ( µ 2 , σ 22 ) , y las dos
~
X − Y − ( µ1 − µ 2 )
poblaciones son independientes, entonces la variable aleatoria Z = ~ N (0,1) .
σ 12 σ 22
+
n1 n2
Teorema 7. Si X1, X2, X3, . . . , Xn1 es una muestra aleatoria de tamaño n1 de una población con
i.i.d .
distribución normal con media µ1 = E[Xi] y varianza σ1² = V(Xi), es decir, X i N ( µ1 , σ 12 ) , y
~
si Y1, Y2, Y3, . . . , Yn2 es una muestra aleatoria de tamaño n2 de una población con distribución
i.i.d .
normal con media µ2 = E[Yj] y varianza σ2² = V(Yj), es decir, Y j N ( µ 2 , σ 22 ) , y las dos
~
poblaciones son independientes, sus varianzas son desconocidas pero supuestamente iguales,
-5-
X − Y − ( µ1 − µ 2 )
entonces la variable aleatoria T= ~ t (n1 + n 2 − 2) , donde
1 1
Sp +
n1 n 2
varianza común.
Teorema 8. Si X1, X2, X3, . . . , Xn1 es una muestra aleatoria de tamaño n1 de una población con
i.i.d .
distribución normal con media µ1 = E[Xi] y varianza σ1² = V(Xi), es decir, X i N ( µ1 , σ 12 ) , y
~
si Y1, Y2, Y3, . . . , Yn2 es una muestra aleatoria de tamaño n2 de una población con distribución
i.i.d .
normal con media µ2 = E[Yj] y varianza σ2² = V(Yj), es decir, Y j N ( µ 2 , σ 22 ) , y las dos
~
S12 σ 12
poblaciones son independientes, entonces la variable aleatoria F = 2 2 ~ f (n1 − 1, n 2 − 1) , es
S2 σ 2
decir, esta variable tiene distribución f de Fisher (o de Snedecor) con ν1 = n1 - 1 grados de libertad
en el numerador y con ν2 = n2 - 1 grados de libertad en el denominado.
Corolario. Si bajo las condiciones del teorema anterior se supone además homocedasticidad u
homogeneidad de varianza, es decir, σ1² = σ2², entonces el cuociente de las varianzas muestrales
S12
tiene distribución f de Fisher, o sea, F = 2 ~ f (n1 − 1, n2 − 1) .
S2
-6-