Este documento describe los conceptos de muestreo aleatorio, parámetros poblacionales y estadísticos muestrales. Explica que una muestra aleatoria es aquella en la que cada miembro de la población tiene la misma probabilidad de ser seleccionado. Los parámetros poblacionales son cantidades como la media y la varianza que describen completamente la distribución de probabilidad de la población. Los estadísticos muestrales como la media y varianza muestral sirven para estimar los parámetros poblacionales.
Copyright:
Attribution Non-Commercial (BY-NC)
Formatos disponibles
Descargue como TXT, PDF, TXT o lea en línea desde Scribd
Probabilidad y Estadistica-Teoria y 760 Problemas Resueltos-Murray R Spiegel
0 calificaciones0% encontró este documento útil (0 votos)
844 vistas6 páginas
Este documento describe los conceptos de muestreo aleatorio, parámetros poblacionales y estadísticos muestrales. Explica que una muestra aleatoria es aquella en la que cada miembro de la población tiene la misma probabilidad de ser seleccionado. Los parámetros poblacionales son cantidades como la media y la varianza que describen completamente la distribución de probabilidad de la población. Los estadísticos muestrales como la media y varianza muestral sirven para estimar los parámetros poblacionales.
Descripción original:
Título original
Probabilidad y Estadistica-teoria y 760 Problemas Resueltos-murray r Spiegel[1]
Este documento describe los conceptos de muestreo aleatorio, parámetros poblacionales y estadísticos muestrales. Explica que una muestra aleatoria es aquella en la que cada miembro de la población tiene la misma probabilidad de ser seleccionado. Los parámetros poblacionales son cantidades como la media y la varianza que describen completamente la distribución de probabilidad de la población. Los estadísticos muestrales como la media y varianza muestral sirven para estimar los parámetros poblacionales.
Copyright:
Attribution Non-Commercial (BY-NC)
Formatos disponibles
Descargue como TXT, PDF, TXT o lea en línea desde Scribd
Descargar como txt, pdf o txt
0 calificaciones0% encontró este documento útil (0 votos)
844 vistas6 páginas
Probabilidad y Estadistica-Teoria y 760 Problemas Resueltos-Murray R Spiegel
Este documento describe los conceptos de muestreo aleatorio, parámetros poblacionales y estadísticos muestrales. Explica que una muestra aleatoria es aquella en la que cada miembro de la población tiene la misma probabilidad de ser seleccionado. Los parámetros poblacionales son cantidades como la media y la varianza que describen completamente la distribución de probabilidad de la población. Los estadísticos muestrales como la media y varianza muestral sirven para estimar los parámetros poblacionales.
Copyright:
Attribution Non-Commercial (BY-NC)
Formatos disponibles
Descargue como TXT, PDF, TXT o lea en línea desde Scribd
Descargar como txt, pdf o txt
Está en la página 1de 6
156TEORIA DE MUESTREOlcAP.
5Una población finita muestreada con remplazamiento pue
de teóricamente considerarse infinitaya qqe pueden extraerse mueshas de cualquier tamaño sin agotar la población. Para la mayoría depropósitos prácticos el muestreo de una población finita que er *úy grande puede "otrrideturr"como muestreo de una población infinita. MUESTRAS ALEATORIAS. NUMEROS ALEAT'IORIOSLógicamente, la confiabilidad de las conc lusiones extraídas concemientes a una población de- penden de si la mqestra .se ha escogido de tal modo que represente la población lo suficientemente bien; unó de los proble de la i4ferencla estádística es "3-o "."og",un a muestra. Una forma de hacer esto para poblaciones finit¿s es asegurarse de que cada miembro de lapoblación tenga igual oportunidad de encontrarse en la mueslra, lo cual J" c o.o"e comó muestraales,toria-El muestreo aleatorio puede efectuarse para poblacion es relativamente pequeñas extrayen- do lotes o, en forma equivalente, utilizando una tablá de númerosaleatorios 1epénaice I)especial- mente construida para tales propósitos. Véase Problema 5.48. _ Debido a que la inferencia de la muestra a la población no puede ser cierta debe mos emplear ellenguaje de probabilidad en cualquier proposición áe conclusionés. PARAMETROS POBLACIONALES-_ Se-consjdera que se conoce una población cuando conocem os la disbibución de probabilidad/(r) (función de probabilidad o función de densidad) de la variable aleatoria asoóiada X. porfjemplo, en el Ejemplo 5.1 si X es una var iable aleatoria cuyos valores son las estaturas (o pesos) delos 12 000 estudiant es entonces X tiene una distribución de probabilidad f(r). Si, por ejemplo, X está normalmente distribuida decimos que la población está normalme ntedistribuida o que tenemos wa población normaL En forma semejante, si X está binom ialmentedistribuida, decimos que la población estÁ binomialmente distribuida o que t enemosunapoblaciónbínomial. Existi¡án ciertas cantidades que aparecen en f(r), como p y o en el caso de la distr ibuciónnormal o p en el caso de la distribución binomial. Otras cantidades tales com o la mediana, momen- tos, sesgo, etc., pueden determinarse en terminos de estos. Todas estas cantidad es se conocen comopanímetros pobhcíonales. Cuando nos dan la población, de modo que co nocemos /(r), entonces losparámetros poblacionales también son conocidos. robabilidad f(r) de lamenos poder formularpodemos tener algunasabríamos uno o ambo s de los valores rt y o yasí desearíamos estimarlos. mente' En tal caso noESTADISTICOS MUESTRALESPodemos tomar muéstras aleatorias de l a población y entonces emplearlas para obtener valoresque sirven para estimar los parámetros poblacionales. Como ejemplo ilustrativo, consideremos el Ejemplo 5.1 donde X es una variable al eatoria cuyosvalores son las diferentes estaturas. Para obtener una muestra de t amaño 100 debemos primLroescoger un individuo aleatoriamente de la población. Este i ndividuo puede tener cualquier valor, porejemplo rr, de las diferentes estaturas posibles y llama¡nos r, el válor de la variablé aleatoriaX,, donde el subíndice 1 se emplea ya que corresponde al primer individuo seleccionado . De la misma156TEORIA DE MUESTREOlcAP. 5Una población finita muestreada con rempl azamiento puede teóricamente considerarse infinitaya qqe pueden extraerse mueshas de cualquier tamaño sin agotar la población. Para la mayoría depropósitos prácticos el mue streo de una población finita que er *úy grande puede "otrrideturr"como muestreo de una población infinita. MUESTRAS ALEATORIAS. NUMEROS ALEAT'IORIOSLógicamente, la confiabilidad de las conc lusiones extraídas concemientes a una población de- penden de si la mqestra .se ha escogido de tal modo que represente la población lo suficientemente bien; unó de los proble de la i4ferencla estádística es "3-o "."og",un a muestra. Una forma de hacer esto para poblaciones finit¿s es asegurarse de que cada miembro de lapoblación tenga igual oportunidad de encontrarse en la mueslra, lo cual J" c o.o"e comó muestraales,toria-El muestreo aleatorio puede efectuarse para poblacion es relativamente pequeñas extrayen- do lotes o, en forma equivalente, utilizando una tablá de númerosaleatorios 1epénaice I)especial- mente construida para tales propósitos. Véase Problema 5.48. _ Debido a que la inferencia de la muestra a la población no puede ser cierta debe mos emplear ellenguaje de probabilidad en cualquier proposición áe conclusionés. PARAMETROS POBLACIONALES-_ Se-consjdera que se conoce una población cuando conocem os la disbibución de probabilidad/(r) (función de probabilidad o función de densidad) de la variable aleatoria asoóiada X. porfjemplo, en el Ejemplo 5.1 si X es una var iable aleatoria cuyos valores son las estaturas (o pesos) delos 12 000 estudiant es entonces X tiene una distribución de probabilidad f(r). Si, por ejemplo, X está normalmente distribuida decimos que la población está normalme ntedistribuida o que tenemos wa población normaL En forma semejante, si X está binom ialmentedistribuida, decimos que la población estÁ binomialmente distribuida o que t enemosunapoblaciónbínomial. Existi¡án ciertas cantidades que aparecen en f(r), como p y o en el caso de la distr ibuciónnormal o p en el caso de la distribución binomial. Otras cantidades tales com o la mediana, momen- tos, sesgo, etc., pueden determinarse en terminos de estos. Todas estas cantidad es se conocen comopanímetros pobhcíonales. Cuando nos dan la población, de modo que co nocemos /(r), entonces losparámetros poblacionales también son conocidos. robabilidad f(r) de lamenos poder formularpodemos tener algunasabríamos uno o ambo s de los valores rt y o yasí desearíamos estimarlos. mente' En tal caso noESTADISTICOS MUESTRALESPodemos tomar muéstras aleatorias de l a población y entonces emplearlas para obtener valoresque sirven para estimar los parámetros poblacionales. Como ejemplo ilustrativo, consideremos el Ejemplo 5.1 donde X es una variable al eatoria cuyosvalores son las diferentes estaturas. Para obtener una muestra de t amaño 100 debemos primLroescoger un individuo aleatoriamente de la población. Este i ndividuo puede tener cualquier valor, porejemplo rr, de las diferentes estaturas posibles y llama¡nos r, el válor de la variablé aleatoriaX,, donde el subíndice 1 se emplea ya que corresponde al primer individuo seleccionado . De la misma t74TEORIA DE MUESTREO[cAP.66.19. Solucionar el problema anterior para el caso en que el muestreo sea sin remplazamiento. (o) Hay 10 mueetrae cuyas varianza¡ vienen dadas por los nfrmeros pot encima (o po r debajo) de la diagonatde cerog de la tabla del Problema 5.1g(a). Entoncesu.' = 6'25+16'00+1'00+6:25+2'26l0 = o.7óEste es un ca.o particular del gener ' / N \ /" -t\ 'ar p.r = \ñ=/\T)" [ecuación (re), página 160], como secomprueba haciendo N: 5, n: 2 y o2 : 10.8 el segundo miembro pasa a ser rs, : (f )({)(10.8) : 6.75. (Ó) Rertando 6.75 de cada uno de los 10 números por encima de la diagonal de ceros d e la tabla delProblema 6.18(o), elevando al cuadrado estos nfrmeros, sumándolor y ái "idiéttdolos por 10, se tieneo!: =39.676 ó o"r =6.30.5.20. Demostrar queE'(S') = |cd on{e S2 es la varianza mu stral _para una muestra aleatoria de tamaño n, como se def ine enla página 160, y a2 es la varianza de la población. Método 1. Teneno¡ x,-* = x,-itxr+...+xtr) = *t"-l)xr-x2-...-x^l: *f"-r)(Xr -tl -(Xz-ti -.. . -(xn- p\) Entonce¡ (x,-f,¡r = #U"-1)2(Xr-ú2t(xz-pl2+ '..+ (x. -tl2 +témino¡deproductocruzado] Pue¡to que las X eon independiente¡ la eqreranza de cada término de producto cruzado e s ceror por tanto setieneE[(Xr-*¡21 = #U"-L)2 El(Xt-t)r) + El(Xz-d2) + ... + El(X, -p)2]] I= fr{("-L)znz * o2 * ... I o2l= fiu"-l)-zoz* (n-L)oz) = #", Análogamente, El(X*-*¡21 = @ -lloz/n para k : 2, . .., z. por tanto1- ¿'(S2) = ;nt<Xr-X)2 + . .' + (X"-X\21lfn-l ", ¿-1 "l n-L ^-nL " o-r"'- " o-) = -o'Método z. Tenemos X¡-* = (X¡-ü-G-¡). Entoncesg,-X¡z = (xt-p)2 -2(x¡-p\(* -r) + {i -,,¡zv(r) )1x,-i¡, p)2 -z(X-p))1x¡-r) +.)1x-u¡zdonde lá su¡na es desCe j : t hasta n. [.o que puede escribi r¡e comot74TEORIA DE MUESTREO[cAP.66.19. Solucionar el problema anterior para el c aso en que el muestreo sea sin remplazamiento. (o) Hay 10 mueetrae cuyas varianza¡ vienen dadas por los nfrmeros pot encima (o po r debajo) de la diagonatde cerog de la tabla del Problema 5.1g(a). Entoncesu.' = 6'25+16'00+1'00+6:25+2'26l0 = o.7óEste es un ca.o particular del gener ' / N \ /" -t\ 'ar p.r = \ñ=/\T)" [ecuación (re), página 160], como secomprueba haciendo N: 5, n: 2 y o2 : 10.8 el segundo miembro pasa a ser rs, : (f )({)(10.8) : 6.75. (Ó) Rertando 6.75 de cada uno de los 10 números por encima de la diagonal de ceros d e la tabla delProblema 6.18(o), elevando al cuadrado estos nfrmeros, sumándolor y ái "idiéttdolos por 10, se tieneo!: =39.676 ó o"r =6.30.5.20. Demostrar queE'(S') = |cd on{e S2 es la varianza mu stral _para una muestra aleatoria de tamaño n, como se def ine enla página 160, y a2 es la varianza de la población. Método 1. Teneno¡ x,-* = x,-itxr+...+xtr) = *t"-l)xr-x2-...-x^l: *f"-r)(Xr -tl -(Xz-ti -.. . -(xn- p\) Entonce¡ (x,-f,¡r = #U"-1)2(Xr-ú2t(xz-pl2+ '..+ (x. -tl2 +témino¡deproductocruzado] Pue¡to que las X eon independiente¡ la eqreranza de cada término de producto cruzado e s ceror por tanto setieneE[(Xr-*¡21 = #U"-L)2 El(Xt-t)r) + El(Xz-d2) + ... + El(X, -p)2]] I= fr{("-L)znz * o2 * ... I o2l= fiu"-l)-zoz* (n-L)oz) = #", Análogamente, El(X*-*¡21 = @ -lloz/n para k : 2, . .., z. por tanto1- ¿'(S2) = ;nt<Xr-X)2 + . .' + (X"-X\21lfn-l ", ¿-1 "l n-L ^-nL " o-r"'- " o-) = -o'Método z. Tenemos X¡-* = (X¡-ü-G-¡). Entoncesg,-X¡z = (xt-p)2 -2(x¡-p\(* -r) + {i -,,¡zv(r) )1x,-i¡, p)2 -z(X-p))1x¡-r) +.)1x-u¡zdonde lá su¡na es desCe j : t hasta n. [.o que puede escribi r¡e como Apéndice DPercentilrr (tr) de l¡ di¡tribsción f de Studentcon z grador de libertadFuente: R.A. Fistrer y F. Yate.s, S totistícal T¿bles for Bíological, AgriculturalondMedí- col Recearch, publicado por l.ongman Group Ltd., (previamente pubücado porOliver y Boyd, Edinburgh), con permieo dé lo¡ autores y editorea. vúss¿oot.zot.zsüeotsoúest.szstset.sgsI, 3466891011t213141516I71819202l2223242526oa2829304060t20 .158.t42.137.134.L32.131.130.130.t2s.r29.L29.r28.128.L28.L28.128.128.r27.L27.727 .L27.L27.L27.L27.L27.t27.L27.L27.t27.t27.t26.L26.126.L26.325.289.277.27L.267.266 .263.262.261.260.260.255.259.258.258.258.257.257.257.257.257.256.256.256.256.256 .256.256.256.266.255.254.254.263.727.61? .584.569.669.563.649.546.643.542.540.539.538.537.536.535.534.534.633.533.532.532 .532.531.531.531.531.530.630.630.629.627.626.62 1.000.816.765.74L.727.?18.711.706.703.700.697.696.694.692.691.690.689.688.688.68 7.686.686.685.686.684.684.684.683.683.683.681.6?9.677.6741.3?61.061.978.941.920. 906.896.889.883.879.876.873.8?0.868.866.865.863.862.861.860.869.858.858.857.856. 856.856.856.854.864.861.848.846.8423.081.891.641.631.48t.441.421.401.381.371.361 .361.351.341.341.341.331.331.33I.32L.32t.32L.32L.32t.32L.321.311.311.311.311.301 .30L.29L.286.312.922.362.r32.021.941.901.861.831.811.801.?8r.771.76L.761.75L.741 .731.731.72t.721.721.711.?l1.71L.7L1.701.701.701.701.68L.671.661.645t2.7L4.303.1 82.782.672.452.562.3L2.262.232.202.182.t62.142.t32.t22.112.L02.092.092.082.072.0 72.062.062.062.052.062.042.042.022.001.981.9631.826.964.543.763.363.143.002.902. 822.762.722.682.662.622.60.582.572.662.642.532.622.5L2.502.492.482.482.472.472.4 62.462.422.392.362.3363.669.926.844.604.033.713.503.363.253.173.113.063.0 2.982.962.922.902.882.862.842.832.822.812.802.792.782.772.762.762.762.702.662.62 2.68Apéndice DPercentilrr (tr) de l¡ di¡tribsción f de Studentcon z grador de libertadFuente: R.A. Fistrer y F. Yate.s, S totistícal T¿bles for Bíological, AgriculturalondMedí- col Recearch, publicado por l.ongman Group Ltd., (previamente pubücado porOliver y Boyd, Edinburgh), con permieo dé lo¡ autores y editorea. vúss¿oot.zot.zsüeotsoúest.szstset.sgsI, 3466891011t213141516I71819202l2223242526oa2829304060t20 .158.t42.137.134.L32.131.130.130.t2s.r29.L29.r28.128.L28.L28.128.128.r27.L27.727 .L27.L27.L27.L27.L27.t27.L27.L27.t27.t27.t26.L26.126.L26.325.289.277.27L.267.266 .263.262.261.260.260.255.259.258.258.258.257.257.257.257.257.256.256.256.256.256 .256.256.256.266.255.254.254.263.727.61? .584.569.669.563.649.546.643.542.540.539.538.537.536.535.534.534.633.533.532.532 .532.531.531.531.531.530.630.630.629.627.626.62 1.000.816.765.74L.727.?18.711.706.703.700.697.696.694.692.691.690.689.688.688.68 7.686.686.685.686.684.684.684.683.683.683.681.6?9.677.6741.3?61.061.978.941.920. 906.896.889.883.879.876.873.8?0.868.866.865.863.862.861.860.869.858.858.857.856. 856.856.856.854.864.861.848.846.8423.081.891.641.631.48t.441.421.401.381.371.361 .361.351.341.341.341.331.331.33I.32L.32t.32L.32L.32t.32L.321.311.311.311.311.301 .30L.29L.286.312.922.362.r32.021.941.901.861.831.811.801.?8r.771.76L.761.75L.741 .731.731.72t.721.721.711.?l1.71L.7L1.701.701.701.701.68L.671.661.645t2.7L4.303.1 82.782.672.452.562.3L2.262.232.202.182.t62.142.t32.t22.112.L02.092.092.082.072.0 72.062.062.062.052.062.042.042.022.001.981.9631.826.964.543.763.363.143.002.902. 822.762.722.682.662.622.60.582.572.662.642.532.622.5L2.502.492.482.482.472.472.4 62.462.422.392.362.3363.669.926.844.604.033.713.503.363.253.173.113.063.0 2.982.962.922.902.882.862.842.832.822.812.802.792.782.772.762.762.762.702.662.62 2.68