Estadística Inferencial

IND – 411
ESTADISTICA INFERENCIAL
Docente: Ing. Marcelino Aliaga L.
CAP. 1 INTRODUCCION A LOS MODELOS ECONOMETRICOS

CELD@ 1
IND - 411
Capitulo 1
VARIABLES ALEATORIAS
MULTIDIMENSIONALES
Objetivo.- Introducir al alumno en los conceptos básicos
sobre las variables aleatorias discretas y continuas, las
distribuciones de probabilidad, las medidas numéricas de las
variables aleatorias y la utilización de estas distribuciones para
resolver problemas prácticos.
ESTADISTICA INFERENCIAL CELD@ 2

IND - 411
Cap. 1: Contenido Analítico

1.1. Introducción
1.2. Conceptos Básicos
1.3. Variables Aleatorias Multidimensionales
1.4. Distribución de Probabilidades Conjuntas y Acumuladas
de Variables Aleatorias Discretas y Continuas
1.5. Distribuciones Marginales
1.6. Distribuciones Condicionales
1.7. Distribución Uniforme
1.8. Distribución Polinomial
1.9. Momentos Potenciales Ordinarios
IND - 411

1.10. Momentos Potenciados Centrados
1.11. Función Generatriz de Momentos
1.12. Función Característica
1.13. Independencia
1.14. Regresión y Coeficiente de Correlación
1.15. Covarianza y Matriz de Covarianza
1.16. Variables Aleatorias con Distribución Idéntica
1.17. Funciones Lineales de Variables Aleatorias

IND - 411
1.1. Introducción
La Estadística se puede definir:
• INDICES
• Reunir • INDICADORES
• Organizar • ESTADIGRAFOS
CIENCIA ENCARGADA
• Presentar
CON EL FIN DE
OBTENER
• ESTIMADORES
• Analizar • MEDIDAS RESUMEN
• Interpretar datos • MEDIDAS DE CONCLUSION
“La Estadística es la ciencia que estudia como debe emplearse

la información y dar una guía de acción en situaciones
practicas que envuelven incertidumbre”
ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 5
IND - 411
1.1. Introducción
El proceso de investigación estadística consiste en:
PROBLEMA
TOMA DE DATOS
ORGANIZACIÓN DE DATOS
ANÁLISIS E INTERPRETACIÓN
CONCLUSIONES Y DECISIONES

IND - 411
1.1. Introducción
Estadística Descriptiva.- Es la parte de la estadística
encargada de extraer y organizar los datos procedentes de un
determinado conjunto de observaciones, mediante:
• El cálculo e interpretación de los estadígrafos de posición
como: media aritmética, mediana y moda.
• El cálculo e interpretación de los estadígrafos de dispersión:
rango, varianza y desviación estándar.
• El cálculo e interpretación de los estadígrafos de asimetría y
apuntamiento.
• La representación gráfica de los datos.
IND - 411
1.1. Introducción
Estadística inferencial.- Es la parte de la estadística que
trata de estimar las características poblacionales
desconocidas, examinando la información obtenida de una
muestra, de una población.
POBLACION
Calculo
Inferir Resultados Probalilidades
MUESTRA MUESTRA ESTIMACION
Toma de Muestra Muestreo

IND - 411
1.1. Introducción
PROCESO CLAVE DE LA INFERENCIA ESTADISTICA
muestra |
||
Población
ESTUDIO CONCLUSIONES

IND - 411
1.1. Introducción
Calculo de
Proceso Muestreo
Probabilidades
INFERENCIA
Inferencial: ESTADISTICA
POBLACION MUESTRA
PARAMETRO ESTADISTICO
ESTIMACION
DOCIMA DE
HIPOTESIS
MODELO
ESTADISTICO
CONTROL PREDICCION TOMA DE

ESTADISTICA INFERENCIAL CELD@ DECISIONES CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 10
IND - 411

Experimento Aleatorio (E).-
Es un proceso perfectamente entendido cuyo resultado se
puede observar; pero por el contrario, su valor no se puede
determinar anticipadamente.
Espacio Muestral (S, Ω, U).-
Es el conjunto de todos los posibles resultados de un
experimento aleatorio.
•Espacio Discreto.- Si es numerable.
•Espacio Continuo.- Si no es numerable

IND - 411

Evento o Suceso (e).- Es cualquier subconjunto del espacio
muestral.
Suceso Elemental.- es cada uno de los resultados posibles
del experimento aleatorio; es decir, un suceso elemental
consta de un solo elemento del espacio muestral.
Suceso Compuesto.- Es el que consta de dos o mas sucesos
elementales.
Suceso Seguro.- Es aquel que ocurre siempre.
Suceso Imposible.- Es aquel que no ocurre nunca.
IND - 411
m
p(A) = lím
n → n
IND - 411

iii) Basado en la Verosimilitud.- La probabilidad de
ocurrencia de un evento A es la verosimilitud (grado de
verdad) que se le asigna a dicho evento. Por lo tanto, un
mismo evento puede tener mas de una probabilidad.
p(A) = ?
iv) Basado en una Función Real Valorada.- La
probabilidad de un evento P(A), se define como la función P
que asigna a cada evento A del espacio muestral S un valor
numérico P(A), verificando que mínimamente se cumplan los
siguientes Axiomas de Kolmogórov: P(A)=#
IND - 411

1) No negatividad: p(A) ≥ 0
2) Normalización: p(Ω) = 1
3) Aditividad: p(A ∪ B) = p(A) + p(B), Si A ∩ B = Ø
Teoremas Complementarios a los Axiomas:
i. p(Ø) = 0
ii. 0≤p(A)≤1
iii. p(AՍB)=p(A)+p(B)-p(AՌB)
iv. p(Ac )= 1 - p(A)
v. Si A  B  p(A)  p(B)
vi. Si A  B  P(B-A) = p(B) - p(AB)
vii. p(Ai)   p(Ai)
IND - 411

i) Se denomina variable aleatoria X a la función que asocia a cada
resultado del espacio muestral S de un experimento aleatorio E un valor
numérico real. S=Ω
S1
X :S →
S2
e → X (e )
S3
X(Si)
S4
4 …..
1 0 2132 43 …….
16
CELD@ 16
CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 16
IND - 411

Ejemplo.- Un experimento consiste en lanzar 3 monedas.
17
CELD@ 17
IND - 411

Características:
1. Dominio.-
2. Rango.-
3. Variable Discreta.-
4. Variable Continua.-
Si A es un subconjunto de X, entonces la:

P(A)=P(X=A) = P(s ϵ Ω/X(s) ϵ A)
La función de X(s) caracteriza a la probabilidad p.

IND - 411

Propiedades:
1. Si X es una variable aleatoria definida sobre S, y c es una

cte. Cualquiera; c·X es una v. a. sobre el mismo espacio.
2. Si X e Y son dos v. a., su suma X+Y y su producto X·Y son

también variable aleatoria.
3. En general, cualquier función medible de v. a. es también

una variable aleatoria.
IND - 411

ii) Una variable aleatoria bidimensional (X, Y) es una aplicación del
espacio muestral S en R2=R×R
X •Y
S → • =  2
w → ( X ( w),Y ( w))
Sea E un experimento aleatorio y S un espacio muestral asociada a él.
Sean X: S→R, Y: S→R, que a cada resultado w ϵ S le asigna el par de
números reales (x, y). Entonces (X, Y) son v. a. bidimensionales.
Por lo tanto, cada componente de la variable aleatoria bidimensional es

una variable aleatoria unidimensional.
20
CELD@ 20
IND - 411

Ejemplo.- Un experimento consiste en lanzar una moneda 3 veces. Si
las variables aleatorias se definen como X=“Numero de caras en las
tres tiradas” e Y=“Diferencia en valor absoluto entre el numero de caras
y el sello en las tres tiradas”.
21
CELD@ 21
IND - 411

iii) En el caso multidimensional, si se tiene:
→
X = (X1 , X 2 ,.......,X n )
Es un vector que pertenece al espacio muestral S cuyas funciones
también están definidas en S; entonces el vector X recibe el nombre de
variable aleatoria multidimensional
X 1 • X 2 •...• X n
S →  •  • ....•  =  n
w → ( X 1 ( w), X 2 ( w).....X n ( w))

22
CELD@ 22
IND - 411
1.4.1. Distribución de Probabilidad Conjunta

i) Caso Discreto Bi-variante.- Sean X e Y variables
aleatorias discretas. Su función de masa conjunta (cuantía),
es la función p(x, y) que expresa la probabilidad simultanea de
que X tome el valor x e Y tome el valor y:
p(x, y) = P(X = x, Y = y)
Propiedades: a) p(x, y) = P(X = x, Y = y)  0 x, y

b)  p(x, y) = 1
x y

IND - 411

ii) Caso Discreto Multivariante.- Sea X = (x1 , x 2 ,.....,x n )
un vector aleatorio discreto. Su función de masa conjunta
(cuantía), es la función p(x1, x2,…….., xn) que expresa la
probabilidad simultanea de que X1 tome el valor x1, X2 tome el
valor x2,……, Xn tome el valor xn:
p(x1, x2,…….., xn) = P(X1=x1, X2=x2,……, Xn=xn)
Propiedades:
a) p(x1 , x 2 ,.....,x n ) = P(X1 = x1 , X 2 = x 2 ,.....,X n = x n )  0 x i
b)  ...... p(x1 , x 2 ,.....,x n ) = 1
x1 x2 xn

IND - 411

Ejemplo.- Se lanzan dos dados y se definen las variables
aleatorias suma (S) y diferencia en valor absoluto (D) de los
resultados.
a) Encontrar la distribución conjunta.
b) Las distribuciones marginales.
c) La distribución de la diferencia entre los dados
condicionada a que la suma sea 8.
d) Ambas variables son independientes?.

IND - 411

iii) Caso Continuo Bi-variante.- Sean X e Y variables
aleatorias continuas. Su función de densidad conjunta f(x, y),
es la función que debe cumplir con las siguientes propiedades:
a) f(x, y)  0 x, y
b) 
RxRy
 f(x, y)dydx = 1

IND - 411

iv) Caso Continuo Multivariante.- Sea X = (x1 , x 2 ,.....,x n )
un vector aleatorio continuo. Su función de densidad
conjunta f(x1, x2,…….., xn), es la función que debe cumplir con
las siguientes propiedades:
a) f(x1 , x 2 ,.......xn )  0 x i
b)  
R x1 R x 2
......  f(x1 , x 2 ,.......xn )dx n .......dx2dx1 = 1
R xn

IND - 411

Ejemplo.- Sean X e Y dos variables aleatorias continuas con
función de densidad conjunta:
x+y 0 ≤ x ≤ 1, 0 ≤ y ≤ 1
f(x, y) =
0 e. o. l.

IND - 411
1.4.2. Distribución de Probabilidad Acumulada

i) Caso Discreto Bi-variante.- Para cualquier variable
aleatoria bidimensional discreta (X, Y), se define la función de
distribución acumulada bidimensional como:
x y
P(x, y) = p(X  x, Y  y) =  p(t1 , t 2 )
t1 t2
En particular:
a b
P(a, b) = p(X  a, Y  b) =  p(x, y)
x y

IND - 411

ii) Caso Discreto Multivariante.- Para cualquier vector
aleatorio multidimensional discreto X = (x1 , x 2 ,.....,x n ) , se
define la función de distribución acumulada multidimensional
como:
P(x1 , x 2 , .......,x n ) = p(X1  x1 , X 2  x 2 ,.......,X n  x n )

x1 x1 xn
P(x1 , x 2 , .......,x n ) =   ....... p(t1 , t 2 ,........,t n )
t1 t2 tn

IND - 411

iii) Caso Continuo Bi-variante.- Para cualquier variable
aleatoria bidimensional continua (X, Y), se define la función de
distribución acumulada bidimensional como:
x y
F(x, y) = f(X  x, Y  y) =   f(t , t
- -
1 2 )dt 2 dt1
Propiedades: a) F(-,-) = F(-, y) = F(x, - ) = 0

b) F(, ) = 1
2
c) f(x, y) = F(x, y)
xy
IND - 411

iv) Caso Continuo Multivariante.- Para cualquier vector
aleatorio multidimensional continuo X = (x1 , x 2 ,.....,x n ) , se
define la función de distribución acumulada multidimensional
como:
F(x1 , x 2 , .......,x n ) = f(X1  x1 , X 2  x 2 ,.......,X n  x n )

x1 x 2 xn
F(x1 , x 2 , .......,x n ) =   ...... f(t , t

- - -
1 2 ,......,t n )dt n ......dt2 dt1

IND - 411

i) Caso Discreto Bi-variante.- Sean (X, Y) v. a. b. con
distribución de cuantía conjunta p(x, y); entonces, la función
de probabilidad marginal de X, Y esta definida como :
p1 (x) = p x (x) =  p(x, y)

y
p 2 (y) = p y (y) =  p(x, y)

x

IND - 411

ii) Caso Discreto Multivariante.- Sea p(x1, x2, …….., xn) una
función de cuantía n-dimensional, se define la función de
probabilidad marginal para cualquier subconjunto de variables
(xi1, xi2, ……., xit) como:
pi1,i2,......,it (xi1 , x i2 ,......,x it ) =  ...... p(x1 , x 2 ,.......,x n )

x1 x2 xn
Donde la suma se extiende a todos los valores excepto los

elementos del subconjunto (xi1, xi2, ……., xit)

IND - 411

iii) Caso Continuo Bi-variante.- Sean (X, Y) v. a. b. con
función de densidad conjunta f(x, y); entonces, la función de
probabilidad marginal de X, Y esta definida como:
f1 (x) = g x (x) =  f(x, y)dy

Ry
f 2 (y) = h y (y) =  f(x, y)dx

Rx

IND - 411

iv) Caso Continuo Multivariante.- Sea f(x1, x2, …….., xn) una
función de densidad n-dimensional, se define la función de
probabilidad marginal para cualquier subconjunto de variables
(xi1, xi2, ……., xit) como:
f i1,i2,......,it (xi1 , x i2 ,......,x it ) =   ......  f(x , x

R X1 R X2 R Xn
1 2 ,.......,x n )dx n .......dx2 dx1
Donde la integral se extiende a todos los valores excepto los

elementos del subconjunto (xi1, xi2, ……., xit)

IND - 411

i) Caso Discreto Bi-variante.- Sean (X, Y) v. a. b. con
distribución de cuantía conjunta p(x, y) y cuantías marginales
px(x),py(y); entonces, la función de probabilidad condicional de
X, Y esta definida como :
p(x, y) p(X = x, Y = y)
p(x y) = p(X = x Y = y) = =
p y (y) p y (Y = y)
p(x, y) p(X = x, Y = y)
p(x y) = p(X = x Y = y) = =
p y (y) p y (Y = y)
IND - 411

ii) Caso Discreto Multivariante.- Sea p(x1, x2, …….., xn) una
función de cuantía n-dimensional de X = (x1 , x 2 ,.....,x n ) , se
define la función de probabilidad condicional para dos
subconjuntos disjuntos de variables (xi1, xi2, ……., xis) y (xj1, xj2,
……., xjt) como:
p(x1 , x 2 ,...xn )
p(x i1 , x i2 ,...xis x j1, x j2 ,...xjt ) =
p x j1, x j2 ,...x jt (x j1, x j2 ,...xjt )

IND - 411

iii) Caso Continuo Bi-variante.- Sean (X, Y) v. a. b. con
distribución de densidad conjunta f(x, y) y densidades
marginales fx(x), fy(y); entonces, la función de probabilidad
condicional de X, Y esta definida como :
f(x, y)
f(x y) =
f y (y)
f(x, y)
f(y x ) =
f x (x)
IND - 411

iv) Caso Continuo Multivariante.- Sea f(x1, x2, …….., xn) una
función de densidad n-dimensional de X = (x1 , x 2 ,.....,x n ) , se
define la función de probabilidad condicional para dos
subconjuntos disjuntos de variables (xi1, xi2, ……., xis) y (xj1, xj2,
……., xjt) como:
f(x1 , x 2 ,...xn )
f(x i1 , x i2 ,...xis x j1, x j2 ,...xjt ) =
f x j1, x j2 ,...x jt (x j1, x j2 ,...xjt )

IND - 411
1.7. Distribución Uniforme

1
a) f(x) = axb
b-a
1
b) f(x, y) = a  x  b, c  y  d
Area
1
c) f(x, y, z) = a  x  b, c  y  d, e  z  f
Volumen

IND - 411
1.8. Distribución Multinomial

Esta asociada con las pruebas repetidas de un suceso con mas
de dos resultados posibles.
En general, suponemos que hay k resultados posibles de un
suceso aleatorio y designamos las probabilidades respectivas
de estos resultados p1, p2,……, pk; entonces, debe verificarse
que:
n!
p(X1 = x1 , X 2 = x 2 ,......,X k = x k ) = p1x1 p 2x 2 .......pkx k
x1!, x 2!,...xk !
k k
x
i
i =n  p(X ) = 1
i
i E[X i ] = npi V[X i ] = npi (1 − pi )

IND - 411

i) Valor Esperado.- Mide el rendimiento o el valor que
esperamos en promedio de los valores correspondientes a
todos los resultados posibles ponderada por las función de
probabilidad.
Sea g(x1,x2,……, xn) una función de las variables aleatorias que
tienen función de probabilidad: p(x1,x2,……, xn) (f (x1,x2,……,
xn)). Entonces, se define el valor esperado como:
Eg(x1 , x 2 ,......,x n ) =  ...... g(x1 , x 2 ,......,x n )p(x1 , x 2 ,......,x n )
x1 x2 xn
Eg(x1 , x 2 ,......,x n ) =   ........ g(x , x1 2 ,......,x n )f(x1 , x 2 ,......,x n )dx n ......dx2 dx1
R1 R 2 Rn

IND - 411

Propiedades del Valor Esperado:
i. _EkX  = kEX 
ii. _Ek  = k
iii. _EaX + b = aEX  + b
iv. _EX + Y = EX  + EY 
v. _EX - Y = EX- EY
vi. _EXY  = EXEY

IND - 411

ii) Valor Esperado Condicional.- Sea (X,Y) una variable
aleatoria bidimensional o dos subconjuntos aleatorios
multidimensional. Se define el valor esperado condicional
como:
EX/Y =  xp(x y)
x
EX/Y =  xf(x y)dx

Rx

IND - 411

iii) Momentos Ordinarios Bivariantes.- Sea (X,Y) una
variable aleatoria bidimensional, y (r, s) números naturales. Se
llama momento de orden (r, s) al valor, cuando existe (es decir
si la suma que lo define o la integral que converge):

mrs = E Xr Ys 
m rs =  x r ys p(x, y)
x y
m rs =   x y f(x, y)dydx
r s
RxRy

IND - 411

iv) Momentos Ordinarios Multivariantes.- Sea un vector
aleatorio multidimensional, X = (X 1 , X 2 ,......, X n ) y (r1 , r2 ,......, rn )
números naturales. Se llama momento ordinario multivariante
al valor, cuando existe (es decir si la suma que lo define o la
integral que converge):

mr1r2 ......rn = E X1r1 Xr22 ......Xrnn 
m r1r2 ......rn =  ...... x1r1 x r22 ......xrnn p(x1 , x 2 ,......,x n )
x1 x2 xn
m r1r2 ......rn =   ........ x

r1 r2 rn
1 x ......x f(x1 , x 2 ,......,x n )dx n ......dx2 x1 )
2 n
R1 R 2 Rn
IND - 411
1.10. Momentos Potenciales Centrados

i) Momentos Centrados Bivariantes.- Sea (X,Y) una
variable aleatoria bidimensional, y (r, s) números naturales. Se
llama momento centrado de orden (r, s) al valor, cuando existe
(es decir si la suma que lo define o la integral que converge):

μ rs = E (X - X ) (Y - Y )
r s

μ rs =  (x - x ) (y - y ) p(x, y)
r s
x y
μ rs =   (x - x ) (y - y ) f(x, y)dydx
r s
RxRy

IND - 411
1.10. Momentos Potenciales Centrados

ii) Momentos Centrados Multivariantes.- Sea un vector
aleatorio multidimensional, X = (X 1 , X 2 ,......, X n ) y (r1 , r2 ,......, rn )
números naturales. Se llama momento centrado multivariante
al valor, cuando existe (es decir si la suma que lo define o la
integral que converge):

μ r1r2 ......rn = E (X1 − X1 ) (X 2 − X2 ) ......(X n − Xn )
r1 r2 rn

μ r1r2 ......rn =  ...... (x1 − x1 ) (x 2 − x 2 ) ......(x n − x n ) p(x1 , x 2 ,......,x n )
r1 r2 rn
x1 x2 xn
μ r1r2 ......rn = ........ (

  1 1 2 2x − x ) 1
(x − x
r
) 2
(
r
...... x n − x n ) n r
f(x1 , x 2 ,......,x n )dx n ......dx2 x1 )
R1 R 2 Rn
IND - 411

Se define como:
 
M x, y (t, μ ) = E e tx +μy =  e tx +μy p(x, y)
x y
M x, y = E e tx +μy =   e tx + μy
f(x, y)dydx
RxRy
 
M x1 ,x 2 ,......,x n (t1 , t 2 ,......,t n ) = E e t1x1 + t 2 x 2 +......+ t n x n = ...... e t1x1 + t 2 x 2 +......+ t n x n p(x1 , x 2 ,......,x n )
x1 x 2 xn
 
M x1 ,x 2 ,......,x n (t1 , t 2 ,...,t n ) = E e t1x1 + t 2 x 2 +......+ t n x n =   ...  e t1x1 + t 2 x 2 +......+ t n x n f(x1 , x 2 ,...,x n )dx n ...dx2 x1 )
R1 R 2 Rn

IND - 411

Propiedades:
_ x (t ) es la f.g.m. de x; además si a y b son constantes
i. Si M
≠ 0, entonces:
t
at
M x +a (t ) = e M x  ; → b  0
b
b b
ii. Si existe una f.g.m. infinitamente derivable, entonces se

tiene:  r +s
m rs = M x, y (t, μ )l t =0,μ =0
t μ
r s

IND - 411
1.12. Función Característica

Se define como:
 
φ x, y (t, μ ) = E ei(tx +μy ) =  ei(tx +μy )p(x, y)
x y

φ x, y = E e i(tx +μy ) =   e i(tx + μy )
f(x, y)dydx
RxRy
 
φ x1 ,x 2 ,......,x n (t1 , t 2 ,......,t n ) = E ei(t1x1 + t 2x 2 +......+ t n x n ) = ...... ei(t1x1 + t 2 x 2 +......+ t n x n ) p(x1 , x 2 ,......,x n )
x1 x 2 xn
 
φ x1 ,x 2 ,......,x n (t1 , t 2 ,...,t n ) = E ei(t1x1 + t 2 x 2 +......+ t n x n ) =   ...  ei(t1x1 + t 2 x 2 +......+ t n x n ) f(x1 , x 2 ,...,x n )dx n ...dx2 x1 )
R1 R 2 Rn

IND - 411
1.13. Independencia
Se dice que dos variables (X,Y) son independientes si se
verifica que las siguientes propiedades:
i. _p(x, y) = px (x)py (y) f(x, y) = f1 (x)f 2 (y)
ii. _p(x y ) = p x (x) p(y x ) = p y (y)
iii. _f (x y ) = f1 (x) f (y x ) = f 2 (y)
iv. _Ex, y = Ex Ey
v. _Mx + y (t ) = Mx (t )My (t )
vi. _Vx + y = Vx  + Vy

IND - 411
1.14. Covarianza
Para dos variables (X,Y) se define la covarianza como:
Cov(X,Y) = E( X − μ X )(Y − μY )
Cov(X,Y) = EXY  − EX EY 
Propiedades:
i. Si X,Y son independientes  _ Cov( X , Y ) = 0
ii. _VX + Y = VX + VY  2Cov (X, Y )
iii. _μ11 = m11 − m10 m01
iv. _Cov( X , Y ) =  V X V Y 

IND - 411
1.15. Matriz de Covarianza


La matriz de covarianza para un vector X = (X 1 , X 2 ,......, X n )

Se define como: V X = E ( X-μ)( X-μ)T   
V11 V12 ... V1n   11  12 ...  1n 
V  
V2 n   21  22 
 2n 
 

V X =  21
 
V22

...
...
=
    
...
...  
   
Vn1 Vn 2 ... Vnn   n1  n2 ...  nn 

IND - 411
1.16. Medida de Asociación Lineal

i. Regresión.- Se define la regresión de una variable X sobre
otra Y al valor medio de la primera condicionada a un cierto
valor de la segunda:
E y x  = 1 (x) = a + bx
Ex y  = 2 (y) = c + dy
ˆ 11
b=
m01 = a + bm10 20
m11 = am10 + bm20 11
aˆ = m01 − m10
20

IND - 411
1.16. Medida de Asociación Lineal

ii. Correlación.- Se define como la medida de la asociación
existente entre (x,y); mediante el siguiente coeficiente:
Cov( x, y ) 11
= =
V xV  y   20 02
-1 -0,5 0 0,5 1
ρ = 1 Directamente proporcional perfecto.
ρ ˃ 0 Directamente proporcional.
ρ = 0 Incorrelación.
ρ ˂ 0 Inversamente proporcional.
ρ = -1 Inversamente proporcional perfecto.
IND - 411
1.17. Media y Varianza de Variables Aleatorias

Propiedades:
i. _EX  Y = EX  EY
ii. _VX  Y = VX + VY  Cov(X, Y)
iii. _EX1 + X 2 + ...... + X n  = EX1  + EX 2  + ...... + EX n 
iv. _EX1 − X 2 − ...... − X n  = EX1  − EX 2  − ...... − EX n 
v. _VX1 + X 2 + ...... + X n  = VX1  + VX 2  + ...... + VX n 
vi. _VX1 - X 2 − ...... − X n  = VX1  + VX 2  + ...... + VX n 

IND – 411
Docente: MSc. Ing. Marcelino Aliaga L.

CELD@ 1
IND - 411
Capitulo 2
DISTRIBUCIONES
EN EL
MUESTREO
Objetivo.- Presentar al alumno los métodos para la obtención
de las distribuciones de probabilidad de
estadísticas muestrales y la identificación de las
distribuciones en el muestreo para algunas
estadísticas útiles.
CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 2
IND – 411

2.1. Distribuciones de Funciones de Variables Aleatorias
2.2. Distribución de la Media Muestral para Densidades
Normales
2.3. Distribución de la Media Muestral para Densidades no
Normales
2.4. Distribución Ji-cuadrado
2.5. Distribución T-Student
2.6. Distribución F-Snedecor
2.7. Desigualdad de Chebychev
2.8. Ley de los Grandes Numeros
IND - 411

2.9. Teoría Central del Límite
2.10. Aproximación Normal a la Binomial y Poisson
2.11. Distribución de la Varianza Muestral
2.12. Distribución de la Diferencias Medias Muestrales
2.13. Distribución de la Relación de Varianzas

IND - 411
2.1. Introducción
La estadística inferencial, mediante la información
contenida en una muestra, pretende obtener información
sobre la población de la que procede la muestra, relacionadas
con la distribución de probabilidad poblacional o sobre los
parámetros contenidos en ella.
El objetivo de la estadística inferencial es generalizar las

observaciones de una parte hacia un todo, en este proceso,
toman relevancia los conceptos de representatividad y
aleatoriedad de la muestra.
IND - 411
2.2. Población y Muestra

Población: Conjunto de individuos, elementos o cosas que se
desea estudiar a partir de algunas características que tienen
en común.
Muestra: Parte o subconjunto representativo de la población
que se toma para el estudio.
Censo: Estudio de la totalidad de elementos de la población.
Muestreo: Procedimiento seguido para extraer una muestra
de una población.
Encuesta: Proceso para obtener información de la muestra.
IND - 411
2.2. Población y Muestra

Problema: Conocemos o suponemos la distribución de
probabilidades de una variable aleatoria en particular, pero
desconocemos el valor del parámetro (o los parámetros) de
dicha distribución.
Solución: Tomamos una muestra aleatoria de la distribución

de probabilidades conocida y, a partir de los estimadores
muestrales conocidos, inferimos los parámetros poblacionales
desconocidos.

IND - 411
2.3. Muestra Aleatoria

Una muestra m aleatoria de tamaño n (X1, X2, X3, ……………….., Xn) de
una población P con función de probabilidad f(X), es una sucesión de n
variables aleatorias, independientes, X1, X2, X3, ……………….., Xn , con
idéntica ley de probabilidad que f(X).

IND - 411
2.4. Distribuciones de Funciones de Variables Aleatorias
Si se tiene una muestra m de tamaño n con variables aleatorias: X1, X2,

X3, ……………….., Xn de una población P con distribución f(X);
entonces, la distribución conjunta de la muestra será:
g(X1, X2, X3,……, Xn)= f(X1)f(X2)f(X3)……f(Xn)

IND - 411
2.5. Parámetro y Estadístico

Parámetro.- Es una medida resumen numérica Ө que se calcularía
usando todas las unidades de la población N.
Es una caracterización numérica de la distribución de la población de
manera que describe, parcial o completamente, la función de densidad
de probabilidad de la característica de interés.
Un parámetro es una constante fija cuyo valor se desconoce.

IND - 411

Los parámetros poblacionales son:
a) Media Poblacional: 1 = 
b) Varianza Poblacional: 2 =  2
c) Proporcionalidad Poblacional:  3 = 
d) Coeficiente de Correlación: 4 = 

IND - 411

Estadístico.- Es una medida de resumen numérica 𝜽
෡ que se calcula de
las n unidades de la muestra.
Un estadístico es una función de los valores muéstrales y varia de
muestra a muestra.
෡ 𝒊 X1, X2, X3, ………., Xn
𝑻𝒊 = 𝜽

IND - 411

Los estadísticos muestrales son:
a) Media Muestral: ˆ1 = X
b) Varianza Muestral: ˆ2 = S 2
c) Cuasivarianza Muestral: ˆ3 = s2
d) Proporcionalidad Muestral: ˆ4 = p̂
e) Coeficiente de Correlación: ˆ5 = r

IND - 411

Inferencia
Inductiva
muestra Población
Muestreo
IND - 411
2.6. Esperanza y Varianza de la Media Muestral

Sea una muestra m aleatoria de tamaño n (X1, X2, X3, ………………..,
Xn); entonces, la Media y Varianza Muestral son:
 X 1 + X 2 + ...... + X n 
X =
X 1 + X 2 + ...... + X n V X  =  
n  n 
a) Media de la Media Muestral: E X  = ?
b) Varianza de la Media Muestral: V X  = ?
c) Varianza de la Media Muestral: V X  = ?

IND - 411

Ejemplo.- Se eligen muestras ordenadas de tamaño 2, con reemplazo,
de la población de valores 0, 2, 4 y 6. Encuentre:
a) La media poblacional.
b) La desviación estándar poblacional.
c) La media de las medias muestrales.
d) La desviación estándar de las medias muestrales.

IND - 411

Ejemplo.- Se eligen muestras ordenadas de tamaño 2, con reemplazo,
de la población de valores 0, 2, 4 y 6.
Distribucion
Población muestra Muestral de Medias
(X)
• 0
0 • 1
2 • 2
4 • 3
6 • 4
• 5
• 6

IND - 411
2.7. Distribución de la Media Muestral

Si se tiene una muestra m de tamaño n con variables aleatorias: X1, X2,
X3, ……………….., Xn extraídas de una población P con f.g.m. dada por
M X (t ) = E e Xt   . Entonces, la f.g.m. de la media muestral esta dada
por:
M X (t ) = M X 1 + X 2 +......+ X n (t ) = ?
n

IND - 411

Permite medir en términos de probabilidad la manera en que los valores
de la varianza se dispersan alrededor de la media. Proporciona un
resultado sobre una cota inferior a la probabilidad de que el valor de
una variable aleatoria con varianza finita esté a una cierta distancia de
su esperanza matemática.
2
p( x −   k )  2
k
p ( x −   c )  2
1
c
p ( x −   c )  1 − 2
1
c

IND - 411

Ejemplo.- El número de periódicos vendidos diariamente en un
quiosco es una variable aleatoria de media 200 y desviación típica 10.
¿cuántos ejemplares diarios debe encargar el quiosquero para tener
seguridad de al menos un 99% de no quedarse sin existencias?
p ( x −   c )  1 − 2
1
c

IND - 411
2.9. Teorema de los Grandes Números

Sean X1,X2,……,Xn; n variables aleatorias independientes idénticamente
distribuidas con media µ y varianza σ2. Entonces, cualquiera que sea
k > 0, se tiene entonces:
 X 1 + X 2 + ...... + X n  1 2
Lim p −   k   2 =0
n →
 n  k n
( 1
)
Lim p X −   k  2  X2 = 0
n → k

IND - 411
2.10. Teorema del Límite Central

TEOREMA: Sean X1,X2,……,Xn; n variables aleatorias independientes
idénticamente distribuidas con media µ y varianza σ2 ambas finitas. La
suma de esas variables Sn = X1+X2+……+Xn es una variable aleatoria
con media nµ y varianza nσ2, entonces:
− n
Z= S se distribuye como una normal N(0;1).
n
n 2
Si las variables no son idénticamente distribuidas, se podría demostrar

x 
- 
igualmente que: z =  se distribuye como una normal N(0;1),
i i
2
es decir que la suma de variables independientes tiende a ser normal

i
con media suma de medias y varianza suma de varianzas.

IND - 411

Ejemplo.- Los pesos de las personas que suben a un ascensor se
distribuyen normalmente con media igual a 125 libras y desviación
estándar de 30 libras. Un grupo de 9 personas sube al ascensor:
a) ¿Cuál es la probabilidad de que el peso promedio del grupo sea
menor de 100 libras?.
b) El ascensor tiene una capacidad máxima de 1400 libras. ¿Cuál es la
probabilidad de que se exceda ésta capacidad con un grupo de 9
personas?.

IND - 411

TEOREMA: Sea X1,X2,……,Xn ;una muestra aleatoria de tamaño n de
una población con media μ y varianza σ2. Si n es grande, entonces:
X =
 x i
 n(  ,

)  Lim Z =
X −
 n(0,1)
n n n → X

IND - 411
2.11. Grados de Libertad

Se denomina Grados de Libertad al numero de valores de un conjunto
de observaciones, que pueden ser asignados de forma arbitraria, antes
de que el resto de las variables tomen un valor automáticamente.
a+b
X =8=
2
a+b+c
X = 20 =
3

IND - 411
2.12. Relación Entre Modelos Probabilisticos

1. Aproximación de una Binomial por una Poisson.- Sea X una
variable aleatoria discreta que se distribuye como una
Binomial con parámetros (n,p) donde n→∞ y p→0.
Entonces:
X  P ( = np)
2. Aproximación de una Binomial por una Normal.- Sea X una

Binomial con parámetros (n,p), cuando n→∞ y p≈0,5.
Entonces: X  n(  = np,  = npq )
IND - 411
2.12. Relación Entre Modelos Probabilisticos

3. Aproximación de una Poisson por una Normal.- Sea X una
Poisson con parámetro (λ). Entonces, cuando λ es muy
grande (λ→∞): 𝑿 ≈ 𝒏(𝝁 = 𝝀, 𝝈 = 𝝀) → 𝝀 > 𝟏𝟔
4. Distribución de Proporciones Muestrales.- Esta distribución

se genera al extraer muestras de la población considerando
𝑿
proporciones 𝒑ෝ = 𝒏 , donde X es la cantidad de éxitos en la
muestra. Entonces: 𝑷(𝟏 − 𝑷)
𝑿 ≈ 𝒏(𝝁 = 𝑷, 𝝈 = )
𝒏
IND - 411
2.13. Distribución Ji-Cuadrado

Sean X1,X2,……,Xn una muestra aleatoria de tamaño n, de una
distribución normal con media μ y varianza σ2. Entonces:
𝑿𝒊 − 𝝁
𝒁𝒊 = ≈ 𝒏(𝟎, 𝟏)
𝝈
y la variable definida como: 𝒏 𝒏 𝟐
𝑿𝒊 − 𝝁𝒊
𝑼= 𝒁𝟐𝟏 + 𝒁𝟐𝟐 +. . . . . . +𝒁𝟐𝒏 = ෍ 𝒁𝟐𝒊 =෍ ≈ 𝝌𝟐𝒏;𝜶
𝝈𝒊
Cuya densidad es: 𝒊 𝒊
𝟏 𝒏Τ𝟐 −𝟏 𝒆−𝑿Τ𝟐
𝒇(𝒙) = 𝒏 𝒏Τ𝟐 𝑿 →𝑿>𝟎
𝜞 𝟐
𝟐
Con E[X]=n y V[X]=2n

IND - 411

Gráfica de distribución
Chi-cuadrada. df=10
0,10
0,08
0,06
Densidad
0,04
0,02
0,00
0 5 10 15 20 25 30
X

IND - 411

Teorema: Sea X1,X2,……,Xn ;una muestra aleatoria de tamaño
n de una población con media μ y varianza σ2. Si
X =
 x i
 n(  ,

)
n n
𝒏 𝒏 𝟐
Entonces: 𝑿𝒊 − 𝑿ሜ
෍ 𝒁𝟐𝒊 = ෍ = 𝑼 ≈ 𝝌𝟐𝒏−𝟏;𝜶
𝝈
𝒊=𝟏 𝒊=𝟏
Propiedades:
1. Sean dos variables aleatorias ji-cuadrado que se distribuyen como 𝑿 ≈ 𝝌𝟐𝒎;𝜶 ; 𝒀 ≈ 𝝌𝟐𝒏;𝜶
respectivamente. Si se define U=X+Y, Entonces: 𝐔 ≈ 𝝌𝟐𝒎+𝒏;𝜶
2. Cuando el número de variables aleatorias es muy grande, es decir cuando n→∞, la
variable se puede aproximar por una normal.
IND - 411

Teorema: Sea X1,X2,……,Xn una muestra aleatoria de tamaño
n de una población normal con media μ y varianza σ2.
Entonces:
𝒏 ഥ
σ𝒊=𝟏(𝑿𝒊 − 𝑿) 𝟐 𝒏−𝟏 s 𝟐
𝟐
𝑼= 𝟐
= 𝟐
≈ 𝝌 𝒏−𝟏;𝜶
𝝈 𝝈
La X y s2 son también variables aleatorias independientes.

IND - 411
2.14. Distribución t-Student

Sea Z una variable aleatoria que se distribuye como n(0,1)

y sea U otra variable aleatoria que se distribuye como n; .
2
Entonces: 𝒕 = 𝒁 ≈ 𝒕𝒏
𝜶
𝝌𝟐𝒏;𝜶
𝒏+𝟏 𝒏+𝟏
𝒏 𝜞
𝟐 𝑿𝟐 𝒏
Cuya densidad es: 𝒇(𝒙) = 𝒏 𝟏+
𝒏
→ −∞ ≤ 𝑿 ≤ ∞
𝒏𝝅𝜞
𝟐
Con E[X]=0 y V[X]=n/(n-2)

IND - 411

Gráfica de distribución Gráfica de distribución
T. df=20
0,4
0,4
0,3
0,3
Densidad
Densidad
0,2
0,2
0,1 0,1
0,0 0,0
-4 -3 -2 -1 0 1 2 3 4 -5,0 -2,5 0,0 2,5 5,0 7,5
X X

IND - 411

Teorema: Sea X1,X2,……,Xn ;una muestra aleatoria de tamaño
n de una población con media μ y varianza σ2. Si
X =
 x i
 n(  ,

)  Z  n(0,1) → U   n2−1;
n n
Entonces: 𝒁
𝒕= ≈ 𝒕𝒏−𝟏
𝜶
𝝌𝟐𝒏−𝟏;𝜶
𝒏−𝟏
Propiedad:
Cuando el número de variables aleatorias es muy grande, es decir cuando n →∞ , la
variable se puede aproximar por una normal.
IND - 411

Si U y V son dos variables aleatorias independientes que
tienen distribución Ji cuadrada con m y n grados de libertad,
respectivamente. 𝑼ൗ
Entonces, la variable aleatoria: 𝑭 = 𝑽 𝒎 ≈ 𝑭𝒎,𝒏
𝜶
ൗ𝒏
𝒎+𝒏 𝒎 𝒏
𝜞 𝒎 𝟐 𝒏𝟐 𝒎 𝒎+𝒏
Cuya densidad es: 𝒇(𝒙) = 𝟐
𝒎 𝒏 𝑿 𝟐 −𝟏 𝒏 + 𝒎𝑿 − 𝟐
→𝑿>𝟎
𝜞 𝜞
𝟐 𝟐
 n   m 2 (2n + 2m − 4) 
Con E X  =   y V X  =  
m − 2  n ( m − 2) 2
( m − 4) 
IND - 411

Gráfica de distribución
F. df1=10. df2=10
0,8
0,7
0,6
0,5
Densidad
0,4
0,3
0,2
0,1
0,0
0 1 2 3 4 5
X

IND - 411


Teorema: Considerando dos muestras aleatoria X = mx i
;Y =
y
n
i
respectivamente; entonces, si se define dos variables en base

a dichas muestras U y V aleatorias independientes con
distribución Ji cuadrada con m-1 y n-1 grados de libertad,
respectivamente. Entonces, la variable aleatoria:
𝑼ൗ
𝒎−𝟏
𝑭= ≈ 𝑭𝒎−𝟏,𝒏−𝟏
𝜶
𝑽ൗ
𝒏−𝟏
Propiedades:
1. Si m →∞ entonces la distribución X  F 
m,n
 n2;
2. Si X  F m,n  1  F n ,m
 1−
X
. CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. Ing. Marcelino Aliaga 37
IND - 411
2.16. Distribución de la Media Muestral

i. Si:  2 = conocido X −μ
f(X)  Z =  n( 0 ,1 )
n  30 σx
ii. Si:  2 = conocido X −μ
f(X)  Z =  n( 0 ,1 )
n  30 σx
iii. Si:  2 = ? X −μ
f(X)  Z =  n( 0 ,1 )
n  30 σx
iv. Si:  2 = ? X −
f (X )  t =  tn −1
n  30 x

IND - 411
2.17. Distribución de la Varianza Muestral

Si:
ˆ = S 2
(n − 1)σ̂ 2
f(S )  U =
2
 χ n −1,α
2
σ 2

IND - 411
2.18. Distribución de Proporciones Muestrales

Si:
ˆ = p̂ f(p̂)  𝒏(𝑷,
𝑷(𝟏 − 𝑷)
)⇒𝐙=
ෝ−P
𝐩
≈ 𝒏(𝟎, 𝟏)
𝒏 𝝈𝐩ෝ

IND - 411
2.19. Distribución de Diferencia de Medias

i. Caso Normal

Si: 1
2
  2
2
θˆ = x1 − x 2
( x1 − x2 ) − ( 1 −  2 )
σ 12 = conocido, σ 22 = conocido f ( x1 − x2 )  Z =  n(0,1)
 x −x
σ = ?σ = ? y n1  30, n 2  30
2
1
2
2
1 2
ii. Caso Normal

 12   22
Si:
ˆ = x1 − x2 ( x1 − x2 ) − ( 1 −  2 )
f ( x1 − x2 )  t =  tn1/+2n2 − 2
 12 = ?, 22 = ?  x −x
1 2
n1  30, n2  30
IND - 411
2.19. Distribución de Diferencia de Medias

iii. Caso Especial
Si:
ˆ = x1 − x2
( x1 − x2 ) − ( 1 −  2 )
f ( x1 − x2 )  Z =  n(0,1)
σ = σ = σ = conocido
2
1
2
2
2
 x −x
1 2
iv. Caso Especial

Si: ˆ = x1 − x2 ( x1 − x2 ) − ( 1 −  2 )
f ( x1 − x2 )  t =  tn1/+2n2 − 2
σ =σ =σ =?
2
1
2
2
2
 x −x
1 2
CAP. 2 DISTRIBUCIONES EN EL MUESTREO CELD@ Doc. MSc Ing. Marcelino Aliaga 42

IND - 411
2.20. Distribución de Diferencia de Proporciones

Si: p 1  p2
(ෝ ෝ𝟐 ) − (𝑷𝟏 − 𝑷𝟐 )
𝒑𝟏 − 𝒑
ˆ = p̂ 1 − p̂ 2 f ( pˆ 1 − pˆ 2 )  𝒁 = ≈ 𝒏(𝟎, 𝟏)
𝝈𝒑ෝ𝟏−ෝ𝒑𝟐

IND - 411
2.21. Distribución de Relación de Varianzas

Si:  12   22 𝟐 𝟐
𝑼𝟏 ෝ
𝝈 𝟏 s𝟏
𝟐 𝟐
𝒏 𝝈 𝝈
ˆ = s 1 / s 2 f ( S12 / S 22 )  𝑭 = 𝑼𝟏 = 𝟏𝟐 = 𝟐𝟏 ≈ 𝑭𝒏𝜶𝟏−𝟏,𝒏𝟐−𝟏
𝟐 ෝ𝟐
𝝈 s𝟐
𝒏 𝟐 𝝈𝟐 𝝈𝟐
𝟐 𝟐

IND – 411

CELD@ 1
IND - 411
Capitulo 3
INTRODUCCIÓN AL MUESTREO
PARTE I
Objetivo.-
Introducir al alumno en los conceptos básicos y la

metodología para la selección de una muestra con el
propósito de obtener estimadores de los parámetros
poblacionales e ilustrar su empleo en situaciones de
muestreo práctico.
AL CAP. 3 INTRODUCCION AL MUESTREO CELD@ Doc. MSc Ing. Marcelino Aliaga 2
IND - 411

3.1. Introducción
3.2. Determinación del Tamaño de la Muestra
3.3. Tipos de Muestreo
3.4. Muestreo Aleatorio Simple
3.5. Muestreo Aleatorio Secuencial
3.6. Muestreo Estratificado
3.7. Muestreo por Conglomerado
3.8. Muestreo de Poblaciones Finitas
CAP. 3 INTRODUCCION AL MUESTREO CELD@ Doc. MSc Ing. Marcelino Aliaga 3

IND - 411
3.1. Introducción
Uno de los propósitos de la estadística inferencial es estimar
las características poblacionales desconocidas, examinando la
información obtenida de una muestra, de una población.
El punto de interés es la muestra, la cual debe ser
representativa de la población objeto de estudio.
La principal razón de que el Método Estadístico se haya
desarrollado ampliamente en los últimos años dentro de las
Ciencias Experimentales es que éstas están sujetas a
razonamientos de tipo inductivo que van de lo particular a lo
general.
IND - 411
3.1. Introducción
Los análisis estadísticos que se realizan en el mundo real
tienen como objetivo estudiar las propiedades características
de las poblaciones (cuyos individuos pueden ser personas,
animales o cosas).
Pero estudiar todos los individuos de la población supone:

➢ Altos costos.
➢ Mucho tiempo de trabajo.
➢ Errores de medición.

IND - 411
3.1. Introducción
3.1.1. Muestreo.- Se denomina Muestreo al procedimiento
de obtención de la muestra.
3.1.2. Elemento.- Unidad sobre la que se necesita

información.
Ejemplo.- Personas, productos, tiendas, empresas.
3.1.3. Unidad de Muestreo.- Elementos disponibles para su

selección en alguna etapa del proceso de muestreo. Número
de elementos de la población.
IND - 411
3.1. Introducción
3.1.4. Población Objetivo del Estudio.- Conjunto de
elementos identificados sobre los que se desea tomar la
muestra.
3.1.5. Marco Muestral- Lista de todas las unidades de

muestreo disponibles para su selección en alguna etapa del
proceso de muestreo.
1.1.6. Proceso del Muestreo.- El proceso de extraer una

muestra de una población consiste en los siguientes pasos:

IND - 411
3.1. Introducción
Definir la Población Objetivo
Identificar el Marco Muestral
Seleccionar un procedimiento Muestral
Selección de la Muestra Física
Construcción de Elementos Muestrales
Conclusiones

IND - 411
3.1. Introducción
Ejemplo.-
Elemento: Jóvenes entre 18 y 25 años.
Unidad de Muestreo: Jóvenes varones de las distintas carreras

de la Facultad de Ingeniería.
Población Objetivo: Jóvenes varones que estudian la carrera

de Ingeniería Industrial.
Marco Muestral: Registro de alumnos matriculados en la

Carrera de Ingeniería Industrial.
IND - 411
3.2. Tamaño de la Muestra

3.2.1. Error de Muestreo.- Se denomina error de muestreo
a la diferencia entre un estimador y su parámetro
correspondiente.
𝜽(par) = 𝜽(𝒆𝒔𝒕) ± 𝜺
෡−𝜽
±𝜺=𝜽
±𝜺 = 𝑽𝒆 − 𝑽𝒑
Un estimador será más preciso en cuanto y tanto su error sea

más pequeño.
IND - 411

3.2.2. Error Cuadrático Medio.- Se denomina error
cuadrático medio de un estimador al valor esperado de la
diferencia del estimador menos el parámetro al cuadrado.
𝑬𝑪𝑴 𝜽(𝒆𝒔𝒕) = 𝑬 (𝜽(𝒆𝒔𝒕) − 𝜽(𝒑𝒂𝒓))𝟐

𝟐
෡
𝑬𝑪𝑴 = 𝑬[ 𝜽 − 𝜽 ]
𝑬𝑪𝑴 𝜽(𝒆𝒔𝒕) = 𝑽 𝜽(𝒆𝒔𝒕) + 𝑺𝒆𝒔𝒈𝒐𝟐 (𝜽(𝒆𝒔𝒕))

IND - 411

3.2.3. Estimación Considerando una Población Infinita.-
(
1
p X − μ  cσ X  1 − 2
c
)
(
p X −μ  Z
α/2
σ
X
) = 1− α
(
p X−Z
α/2 X
σ μX+Z
α/2
σ
X
) = 1− α
 σ σ 

p X − Z μX+Z  = 1 − α
 α/2 n α/2 n 
 
IND - 411

σ
 ε = X − μ = Z
α/2 n
2
 σ
n = Z 
 α/2 ε 

IND - 411

Ejemplo.- Una empresa eléctrica fabrica focos que tienen una
duración aproximadamente normal con una desviación
estándar de 40 horas. ¿De qué tamaño se necesita una
muestra si se desea tener 96% de confianza, con un error de
10 horas?

IND - 411

3.2.4. Estimación Considerando una Población Finita.-
( )
p X − μ  Z α/2 σ E x  = 1 − α
p(X − Z α/2 σ X  μ  X + Z α/2 σ X ) = 1 − α
σX =
σ ( N − n)
n (N − 1)
 ε = X − μ =  Z α/2
σ ( N − n)
n (N − 1)
n =
 (Z α/2 ) σ 2 N
2


 ε 2 (N − 1) + (Z )2 σ 2 
 α/2 
IND - 411

Ejemplo.- Una empresa eléctrica fabrica focos que tienen una
duración aproximadamente normal con una desviación
estándar de 40 horas. ¿De una población de 300 focos se
desea tomar una muestra con 96% de confianza, con un error
de 5 horas?

IND - 411

3.2.5. Estimación Considerando Proporciones y una
Población Infinita.-
Si :
  = p −  = Z  p
2
p = 0.5
pq q = 0.5
p = 2
n  
 Z 
Z  pq  
n=  2 
n= 2 4 2
 CELD@ CAP. 3 INTRODUCCION AL MUESTREO 17
IND - 411

Ejemplo.- En una muestra aleatoria de 500 familias que
tienen televisores en la Ciudad Feliz, se encuentra que 340
están suscritas a HBO. ¿Qué tan grande se requiere que sea
una muestra si se quiere tener 95% de confianza para que la
estimación de la proporción no difiera de la verdadera
proporción en más de 0.02?
Una empresa manufacturera desea estimar con un 99% de
confianza, el número de artículos defectuosos que se producen
en un martillo de forja. Si se desea que el error no exceda al
5%.
IND - 411

3.2.4. Estimación Considerando Proporciones y una
Población Finita.-  (N − n )
  = p −  = Z
p
2 n (N − 1)
 E x  =
p (N − n )
n ( N − 1)
  
2

  Z   pqN 
   
n=  2  
2
 2   
  ( N − 1) +  
 Z   pq 
  2  
ESTADISTICA INFERENCIAL CELD@ CAP. 3 INTRODUCCION AL MUESTREO 19
IND - 411

Ejemplo.- Se desea determinar el tamaño de una muestra para un
estudio de 60.000 personas estableciendo un nivel de confianza de
95% y un error de el 3%.
Una compañía de productos alimenticios contrató a una empresa de

investigación de mercadotecnia , para muestrear dos mercados, I y II, a
fin de comparar las proporciones de consumidores que prefieren la
comida congelada de la compañía con los productos de sus
competidores. No hay información previa acerca de la magnitud de las
proporciones P1 y P2. Si la empresa de productos alimenticios quiere
estimar la diferencia dentro de 0.04, con una probabilidad de 0.95,
¿cuántos consumidores habrá que muestrear en cada mercado?
IND - 411
Capitulo 3
PARTE II
Objetivo.-

muestreo práctico.
IND - 411

Tipos de
Muestreo
Muestreo
Muestreo
No Probabilistico
Probabilístico
Muestreo de Muestreo de Muestreo por Muestreo Muestreo Muestreo por

Muestreo
Conveniencia Juicio Cuotas Bola de Nieve Aleatorio Grupo ó
Estratificado
Simple Conglomerado
Muestreo Muestreo por

Sistemático Áreas

IND - 411

3.3.1. Muestreo No Probabilístico.- Consistente en que la
selecciona de la muestra, que se supone sea la más
representativa, se realiza utilizando un criterio subjetivo y en
función del objetivo del muestreo.
En este tipo de muestreo, la elección de los elementos no

depende de la probabilidad sino de las condiciones que
permiten hacer el muestreo (acceso o disponibilidad,
conveniencia, el juicio, etc.).

IND - 411
3.3.1. Muestreo no Probabilístico

Características:
• Supone un procedimiento de selección informal.
• La selección de la muestra no es aleatoria, se basa en el

juicio de un experto o de un responsable del muestreo.
• No se basa en ninguna teoría de la probabilidad y por lo

tanto, no es posible calcular la precisión o el error de
muestreo cometido.

IND - 411

Características:
• No es posible calcular los errores ni el nivel de confianza de
las estimaciones que además, no siempre se reducen
aumentando el tamaño de la muestra.
• Los costos y la dificultad del diseño son más reducidos (al no

ser necesario disponer de un marco). Este muestreo puede
dar buenos resultados, pero también apareja el riesgo de
proporcionar una información errónea.

IND - 411

3.3.1.1. Muestreo de Conveniencia.- Consiste en
seleccionar la muestra según un criterio de accesibilidad o
comodidad más fácil de la población.
Características:
• La muestra estará formada por unidades accesibles o
favorables.
• Se suele utilizar cuando se realiza una prueba de un
cuestionario o en un estudio exploratorio.
• Es un método de reducido costo.
• Los estimadores no coincidirán con los parámetros.
IND - 411
3.3.1.1. Muestreo de Conveniencia

Ejemplo.-
Se desea conocer la preferencia del electorado sobre un

determinado candidato con el propósito de establecer una
tendencia del voto.
Para ello se decide encuestar a las personas que acudan a un

lugar publico como un centro comercial, terminal de buses,
buses, etc.

IND - 411

3.3.1.2. Muestreo de Juicio.- Consiste en seleccionar la
muestra según un propósito específico, bajo el juicio y
experiencia de un experto. Se emplea en muestras pequeñas
donde se piensa que estos elementos son representativos de
la población y sirven a un objetivo específico.
Característica:
Consiste en acudir a expertos para que nos ayuden a
determinar una muestra representativa.

IND - 411
3.3.1.2. Muestreo de Juicio

Ejemplo.-
En un estudio de mercado para introducir un nuevo producto,
se toma en consideración la opinión de un experto sobre su
juicio en relación a que ciudades y de que áreas de
concentración poblacional son necesarias para el propósito del
estudio.

IND - 411

3.3.1.3. Muestreo de Cuotas.- Consiste en seleccionar una
muestra cubriendo una “cuota” o cantidad determinada de
elementos. Tiene por objetivo asegurar que los diversos
subgrupos de una población estén representados en la
muestra respecto de las características pertinentes de la
muestra y con la proporción exacta que se requiera la cuota,
en la que se busca y entrevista a un número determinado de
personas en cada una de varias categorías.

IND - 411
Capitulo 3
PARTE III
Objetivo.-

muestreo práctico.
IND - 411
3.3.1.3. Muestreo de Cuotas

Características:
• Construye una muestra a escala de la población objeto de
estudio fijándose las condiciones que deben cumplir los
elementos muéstrales.
• Se selecciona una característica importante a estudiar y se

determina la parte del universo que tiene cada categoría de
características. Es decir, se segmenta la muestra en
pequeños grupos específicos.

IND - 411
3.3.1.3. Muestreo de Cuotas

Ejemplo.-
Considerando una característica de control de la población como la
edad de los encuestados, se puede llevar a cabo la mitad de unas
entrevistas con personas mayores o iguales a 30 años y la otra
mitad con personas menores de 30 años.
Se puede complementar el estudio considerando también como

otra variable el sexo.

IND - 411

3.3.1.4. Muestreo Bola de Nieve.- Consiste en seleccionar
una muestra inicial o básica de individuos y establecer en cada
entrevista qué nuevas personas de la población en estudio han
de incorporarse para integrar la muestra completa.
Este modelo es particularmente útil cuando se muestrean

poblaciones cuyos componentes, por motivos morales,
ideológicos, legales o políticos tienden a ocultar su identidad.

IND - 411
3.3.1.4. Muestreo Bola de Nieve

Características:
• La primera selección se hace en forma probabilística,
mientras que las siguientes entrevistas quedan determinadas
por las anteriores.
• La primera muestra puede seleccionarse en forma
intencional o estar constituida por voluntarios.
• Se elige una submuestra y se pide a sus componentes que
elijan a otros a partir de unas condiciones.

IND - 411
3.3.1.4. Muestreo Bola de Nieve

Ejemplo.-
Un estudio para cuantificar los usuarios de drogas en las
Universidades Públicas.
Para adquirir un grupo de estudio que se aproxime a una muestra

aleatoria, una condición muy importante es que el primer grupo de
encuestados (en la etapa cero) debe ser seleccionado
aleatoriamente.
Los siguientes elementos son consecuencia de los primeros.

IND - 411

3.3.2. Muestreo Probabilístico.- Se basa en que se conoce la
probabilidad de que un elemento de la población pueda ser
tomado en cuenta en la muestra.
Asimismo, cada elemento de la población tiene la misma

posibilidad de ser elegido dentro de la muestra, esto implica que la
selección de los componentes muéstrales es independiente, es
decir que son escogidos estrictamente al azar.

IND - 411
3.3. Muestreo Probabilístico

Características:
• Todas las unidades tienen igual probabilidad de participar en
la muestra.
• La elección de cada unidad muestral es independiente de las
demás.
• Se puede calcular el error muestral.
• Se pueden realizar buenas estimaciones poblacionales
conociendo el error estándar que se comete en dicha
estimación.

IND - 411

Es aquel muestreo donde cada elemento de la población tiene
una probabilidad conocida e igual de ser tomada en cuenta en
la muestra.
Consiste en que se asigna un número a cada elemento de la

población y a través de algún medio mecánico (bolas dentro
de una bolsa, tablas de números aleatorios, números
aleatorios generados con una calculadora u ordenador etc.) se
eligen los elementos muéstrales.

IND - 411

Características:
• Se eligen individuos de la población de estudio, de manera
que todos tienen la misma probabilidad de aparecer, hasta
alcanzar el tamaño muestral deseado.
• Se puede realizar partiendo de listas de individuos de la
población, y eligiendo individuos aleatoriamente con un
ordenador.
• Normalmente tiene un coste bastante alto su aplicación.

IND - 411

Ventajas:
• Sencillo y de fácil comprensión.
• Cálculo rápido de medias y varianzas.
• Se basa en la teoría estadística, y por tanto existen paquetes
informáticos para analizar los datos.
Desventajas:
• Requiere que se posea de antemano un listado completo de
toda la población.
• Cuando se trabaja con muestras pequeñas es posible que no
represente a la población adecuadamente.
IND – 411

CELD@ 1
IND - 411
Capitulo 4
ESTIMACIÓN PUNTUAL
Objetivo.-
Presentar al alumno los conceptos básicos y la
metodología para la estimación estadística, mediante
la observación de una muestra para estimar
puntualmente las características de la población e
ilustrar su empleo en situaciones de muestreo
práctico.
CAP. 4 ESTIMACION PUNTUAL CELD@ Doc. MSc. Ing. Marcelino Aliaga 2
IND - 411

4.1. Estadística Inferencial
4.2. Poblaciones Y Muestras
4.3. Verosimilitud de la Muestra
4.4. Elementos Básicos
4.5. Estimación Puntual
4.6. Estadísticas Muestrales
4.7. Error Muestral
4.8. Métodos de Estimación
4.9. Propiedades de los Estimadores

IND - 411
4.1. Introducción
La estimación de parámetros tiene por finalidad asignar
valores a los parámetros poblacionales desconocidos a partir
de los estadísticos obtenidos en las muestras.
Dicho de otra manera, la finalidad de la estimación de

parámetros es caracterizar las poblaciones a partir de la
información de las muestras.

IND - 411
4.1. Introducción
La estimación puntual consiste en asignar un valor estimado
(aproximado) al parámetro poblacional mediante los
estadísticos muestrales.
Si la muestra es representativa de la población, podemos
esperar que los estadísticos calculados en las muestras tengan
valores aproximados o semejantes a los parámetros
poblacionales.
Los estadísticos con que obtenemos las estimaciones
poblacionales se denominan estimadores.
IND - 411

Estimador.- Se llama estimador a cualquier función de n
variables en la que, después de sustituir los valores muestrales,
el resultado obtenido puede servir como sustituto del valor de
un parámetro poblacional. El estimador es una cantidad
numérica calculada sobre una muestra.
Estimación.- Se denomina estimación al valor numérico

concreto que resulta de un estimador, cuando se calcula éste
sobre una muestra.

IND - 411

Estimación Puntual.- La estimación puntual del valor de un
parámetro poblacional desconocido es un numero que se utiliza
para aproximar al verdadero valor de dicho parámetro
poblacional.
En general, definir un proceso de estimación puntual equivale

a definir para cada uno de los parámetros incógnita una
función.
ෝ = 𝝋 X1, X2, X3, ……….., Xn = 𝜽

𝝎 ෡ x1, x2, x3, ………., xn
IND - 411

Muestra Aleatoria.- Una muestra aleatoria de tamaño n de
la función de distribución f(X) de la variable aleatoria X es una
colección de n variables aleatorias independientes: X1, X2, X3,
……………….., Xn; cada una con la misma función de
distribución f(X) de la variable aleatoria X.
Las variables aleatorias X1, X2, X3,……………….., Xn (o la variable
aleatoria multidimensional 𝑋Ԧ (X1, X2, X3,……………….., Xn)),
constituirán entonces una muestra aleatoria simple de la
población f(x) con valores numéricos x1, x2, x3, ……………….., xn
IND - 411

Definición.- Si 𝑋Ԧ =(X1, X2, X3, ……………….., Xn) es una
muestra aleatoria de tamaño n, la densidad o cuantía conjunta
de la muestra se denomina. verosimilitud de la muestra:
𝐧
𝐋(𝐗; 𝛉) = 𝐋(X1, X2, X3, ……………….., Xn; 𝛉) = ෑ 𝐟(𝐗 𝐢 )

𝐢=𝟏
𝐋(𝐗; 𝛉) = 𝐟(X1;θ)f(X2;θ)f(X3;θ)………..f(Xn;θ)
𝐧
𝐋(𝐗; 𝛉) = 𝐋(X1, X2, X3, ……………….., Xn; 𝛉) = ෑ 𝐩(𝐗 𝐢 )

𝐢=𝟏
𝐋(𝐗; 𝛉) = p(X1;θ)p(X2;θ)p(X3;θ)………..p(Xn;θ)
IND - 411

Ejemplo.- Determine la función de verosimilitud para una
muestra X=(x1, x2, x3,………, xn) de tamaño n con
distribución de Poisson con parámetro λ.

IND - 411

4.4.1 Método de Máxima Verosimilitud.- Consiste en la
seleccionar los valores que hacen máximo la función de
verosimilitud para identificarlos como estimadores de los
parámetros.
En algunos casos se debe utilizar la función isomorfa que

consiste en aplicar el operador logaritmo neperiano (ln) a la
función de verosimilitud.

IND - 411

𝐦𝐚𝐱 𝐋(𝐗; 𝛉1, 𝛉2, 𝛉3, ………………..,𝛉k)
𝐦𝐚𝐱 𝐋∗ (𝐗; 𝛉1, 𝛉2, 𝛉3, ………………..,𝛉k); 𝐋∗ Función Isomorfa
𝐦𝐚𝐱 𝒍𝒏[𝐋(𝐗; 𝛉1, 𝛉2, 𝛉3, ………………..,𝛉k)]
𝝏𝐋∗ (𝐗; 𝛉1, 𝛉2, 𝛉3, ………………..,𝛉n)

=𝟎
𝝏𝛉1
𝝏𝐋∗ (𝐗; 𝛉1, 𝛉2, 𝛉3, ………………..,𝛉n)
=𝟎
𝝏𝛉2
……………………………..……..……………
𝝏𝐋∗ (𝐗; 𝛉1, 𝛉2, 𝛉3, ………………..,𝛉n)
=𝟎
𝝏𝛉k
IND - 411

Ejemplo.- Determinar el estimador de máxima verosimilitud
del parámetro de una distribución exponencial.
f(X; θ) = θe−θX ; X > 0

IND - 411

4.4.2 Método de Momentos.- Consiste en igualar los k
primeros momentos ordinarios de la población con los k
primeros momentos ordinarios de la muestra.
𝑚1 = 𝑀1 = 𝐸[𝑋1 ]
𝑚2 = 𝑀2 = 𝐸[𝑋 2 ]
𝑚3 = 𝑀3 = 𝐸[𝑋 3 ]
……………………
𝑚𝑘 = 𝑀𝑘 = 𝐸[𝑋 𝑘 ]
IND - 411

Ejemplo.- Determinar el estimador de momentos del
parámetro de una distribución exponencial.
f(X; θ) = θe−θX ; X > 0

IND - 411

4.4.3 Metodo de Bayes.- Si el parámetro a estimar es θ con
función de probabilidad φ(θ); al emplear en lugar de θ su
estimador 𝜃,
෠ se produce una perdida que se define por la
función:
෡
𝝅(𝜽; 𝜽)
Para cada valor tendremos una perdida media que se
denomina riesgo:
෡ = 𝑬[𝝅(𝜽; 𝜽)]
𝑹(𝜽; 𝜽) ෡
IND - 411

En este sentido, se define el riesgo medio como:
෡ = 𝑬[𝑹(𝜽; 𝜽)]
ഥ (𝜽; 𝜽)
𝑹 ෡ = 𝛃(𝜽)
෡
El valor de 𝜃෠ que hace mínimo la función anterior se

denomina estimador de Bayes:
𝛉
෡ = න 𝛑 𝛉; 𝛉
𝐦𝐢𝐧 𝛃 𝛉 ෡ 𝐡 𝐝𝛉
𝐑𝛉 X1, X2, X3, ……….., Xn

IND - 411

4.5.1 Insesgamiento.- Se dice que un estimador es insesgado si
se cumple que:
 
E θ̂ = θ
De lo contrario es sesgado:
Sesgo = E θ̂ - θ 
Un estimador es cumple:

Lim E θ̂ = θ
n →
IND - 411

Ejemplo.- Dada la siguiente función de probabilidad, demostrar
que propiedades cumple el estimador: ̂
-λ X
e λ
f (X; λ ) = ;X  0
X!

IND - 411

4.5.2 Consistencia.- Se dice que un estimador es
consistente cuando a medida que crece el tamaño de la
muestra n →  el θ̂ converge al θ .
Para verificar la Consistencia en probabilidad se debe cumplir:

Lim p( θ̂ - θ  k) = 0
n →
o
Lim p( θ̂ - θ  k) = 1
n →

IND - 411

También se puede verificar el cumplimiento de la Consistencia
si se cumple simultáneamente las siguiente condiciones:
෡ =𝜃
𝑖) lim 𝐸[𝜃]
𝑛→∞
෡ =0
𝑖𝑖) lim 𝑉[𝜃]
𝑛→∞

IND - 411

4.5.3 Suficiencia.- Se dice que un estimador es suficiente si
utiliza toda la información muestral.
Para verificar la suficiencia se debe factorizar la función de

verosimilitud en dos funciones no negativas de acuerdo a lo
siguiente:
(

) ( )
L X; θ = L(x1 , x 2 ,..........., x n ; θ) = g θ̂, θ h(x1 , x 2 ,..........., x n )

IND - 411

4.5.4 Eficiencia.- Se dice que un estimador es eficiente si se
cumple con las siguientes condiciones:
i) Que el estimador sea Insesgado:

E θ̂ = θ
ii) Que el estimador posea varianza mínima:

V θ̂ = mínima = V θ̂ CCR
IND - 411

4.5.5 Desigualdad de Cramer Ro.- Proporciona una cota
inferior para la varianza que garantiza que por debajo de su
valor no es posible encontrar otro valor.

V θ̂ 
1 + f¨(X; θ )2
 lnf (X; θ ) 
CCR 2
nE  
 θ 
Si el estimador es insesgado, entonces:

V θ̂ CCR 
(
1
)
 lnf X; θ 
2
nE  
 θ 
IND - 411

4.5.6 Eficiencia Relativa.- Si dos estimadores θ̂1 y θ̂ 2 de un
parámetro θ , son insesgados de Vθ̂1  y Vθ̂ 2  .
Entonces la eficiencia relativa se mide como la razón siguiente:
ε =
 
V θ̂ 2
 
V θ̂1
Si ε > 1 entonces θ̂1 es más eficiente.

Si ε < 1 entonces θ̂ 2 es más eficiente.

Estadística Inferencial

Cargado por

Copyright:

Formatos disponibles

Estadística Inferencial

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estadística Inferencial

Cargado por

Copyright:

Formatos disponibles

IND – 411

CAP. 1 INTRODUCCION A LOS MODELOS ECONOMETRICOS

ESTADISTICA INFERENCIAL CELD@ 2

Cap. 1: Contenido Analítico

Cap. 1: Contenido Analítico

ESTADISTICA INFERENCIAL CELD@ 4

“La Estadística es la ciencia que estudia como debe emplearse

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 6

MUESTRA MUESTRA ESTIMACION

Toma de Muestra Muestreo

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 8

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 9

CONTROL PREDICCION TOMA DE

1.2. Conceptos Básicos

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 11

1.2. Conceptos Básicos

1.2. Conceptos Básicos

1.2. Conceptos Básicos

1.2. Conceptos Básicos

1.3. Variables Aleatorias Multidimensionales

1.3. Variables Aleatorias Multidimensionales

1.3. Variables Aleatorias Multidimensionales

Si A es un subconjunto de X, entonces la:

La función de X(s) caracteriza a la probabilidad p.

1.3. Variables Aleatorias Multidimensionales

1. Si X es una variable aleatoria definida sobre S, y c es una

2. Si X e Y son dos v. a., su suma X+Y y su producto X·Y son

3. En general, cualquier función medible de v. a. es también

1.3. Variables Aleatorias Multidimensionales

Por lo tanto, cada componente de la variable aleatoria bidimensional es

1.3. Variables Aleatorias Multidimensionales

1.3. Variables Aleatorias Multidimensionales

w → ( X 1 ( w), X 2 ( w).....X n ( w))

1.4.1. Distribución de Probabilidad Conjunta

Propiedades: a) p(x, y) = P(X = x, Y = y)  0 x, y

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 23

1.4.1. Distribución de Probabilidad Conjunta

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 24

1.4.1. Distribución de Probabilidad Conjunta

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 25

1.4.1. Distribución de Probabilidad Conjunta

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 26

1.4.1. Distribución de Probabilidad Conjunta

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 27

1.4.1. Distribución de Probabilidad Conjunta

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 28

1.4.2. Distribución de Probabilidad Acumulada

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 29

1.4.2. Distribución de Probabilidad Acumulada

P(x1 , x 2 , .......,x n ) = p(X1  x1 , X 2  x 2 ,.......,X n  x n )

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 30

1.4.2. Distribución de Probabilidad Acumulada

Propiedades: a) F(-,-) = F(-, y) = F(x, - ) = 0

1.4.2. Distribución de Probabilidad Acumulada

F(x1 , x 2 , .......,x n ) = f(X1  x1 , X 2  x 2 ,.......,X n  x n )

F(x1 , x 2 , .......,x n ) =   ...... f(t , t

ESTADISTICA INFERENCIAL CELD@ CAP. 1 VARIABLES ALEATORIAS MULTIDIMENSIONALES 32

1.5. Distribuciones Marginales