A eman ta zabal zazu

Universidad Euskal Herriko

del Paı́s Vasco Unibertsitatea

Facultad de Economı́a y Empresa. Sección Sarriko

ESTADÍSTICA APLICADA A LA EMPRESA Y

ESTADÍSTICA APLICADA AL MARKETING

CURSO 2017-2018

FÓRMULAS

Departamento de Economı́a Aplicada III

(Econometrı́a y Estadı́stica)
Avda. Lehendakari Agirre 83
48015 BILBAO
 Parámetro Estadı́stico Intervalo de Confianza
 
X−m
m √σ
∈ N (0, 1) IC = x ± t α2 √σn
n
(σ 2 conocida)
 
X−m s
m √S
∈ tn−1| IC = x ± tn−1| α √n−1
n−1 2

(σ 2 desconocida)
r !
σ12 σ22
m1 − m2 q−(m1 −m2 )
X−Y
∈ N (0, 1) IC = x − y ± t α2 +
σ2 σ2 n1 n2
1+ 2
n1 n2

(σ12 , σ22 conocidas)

r !
n1 s21 +n2 s22
q
X−Y −(m
q 1 −m2 ) 1 1
m1 − m2 q n1 S 2 +n2 S 2
∈ tn1 +n2 −2| IC = x − y ± tn1 +n2 −2| α n1
+ n2 n1 +n2 −2
1 2
n1
+ n1 1
n1 +n2 −2
2
2

(σ12 , σ22 desconocidas pero iguales)

!
nS 2 ns2 ns2
σ2 σ2
∈ χ2n−1| IC = χ2
, χ2
n−1| α
2 n−1|1− α
2

 
σ12 n1 S12 (n2 −1)σ22 n1 s21 (n2 −1) 1 n1 s21 (n2 −1) 1
σ22 n2 S22 (n1 −1)σ12
∈ Fn1 −1,n2 −1| IC = n2 s22 (n1 −1) Fn
, n2 s22 (n1 −1) Fn
1 −1,n2 −1|α/2 1 −1,n2 −1|1−α/2

Z
 q 
−p z(n−z)
p √
n
pq → N (0, 1) IC = z
n
± t α2 n3
n

Z1 Z
− n2 −(p1 −p2 )
 r 
n1 z1 z2 z1 (n1 −z1 ) z2 (n2 −z2 )
p1 − p2 q 2
p1 q1 p2 q2
→ N (0, 1) IC = n1
− n2
± t α2 n31
+ n32
n1
+ n
2
 m.a.s. con reemplazamiento
Parámetro Estimador Var(estimador) n

σ2 t2α/2 σ 2
m X n δ2

N 2 σ2 N 2 t2α/2 σ 2
Nm NX n δ2

Z p(1−p) t2α/2 p(1−p) t2α/2

p n n δ2
= 4δ 2

N 2 t2α/2 p(1−p) N 2 t2α/2

Np NZ
n
N 2 p(1−p)
n δ2
= 4δ 2
 m.a.s. sin reemplazamiento
Parámetro Estimador Var(estimador) n

σ2

n−1

σ ∗2

n
 N t2α/2 σ ∗2 N t2α/2 σ 2
m X n
1− N −1
= n
1− N N δ 2 +t2α/2 σ ∗2
= (N −1)δ 2 +t2α/2 σ 2

N 2 σ2

n−1

N 2 σ ∗2

n
 N 2 t2α/2 σ ∗2 N 3 t2α/2 σ 2
Nm NX n
1− N −1
= n
1− N δ +N t2α/2 σ ∗2
2 = (N −1)δ 2 +N 2 t2α/2 σ 2

Z p(1−p)

n−1
 N t2α/2
p n n
1− N −1 4(N −1)δ 2 +t2α/2

 
p̂(1−p̂) n
σ̂ 2 (p̂) = n−1
1− N

NZ N 2 p(1−p)

n−1
 N 3 t2α/2
Np n n
1− N −1 4(N −1)δ 2 +N 2 t2α/2

N 2 p̂(1−p̂)
 
n
σ̂ 2 (N p) = n−1
1− N
 Muestreo estratificado
Parámetro Estimador Var(estimador) n

Ph W 2 ∗2
i σ
σi∗2
Ph Ph Ph  
Ni 2 ni i=1 wi i
m i=1 N X i = i=1 Wi X i i=1 Wi 1− Ni ni
n= P h
Wi σ ∗2
δ2 i
2 + i=1N
t
α/2

Ph N 2 ∗2
i σ
σi∗2
Ph Ph Ph  
Ni 2 ni i=1 wi i
Nm N i=1 N X i =N i=1 Wi X i i=1 Ni 1− Ni ni
n= δ2
Ph
+ i=1 Ni σi∗2
t2
α/2

Ph W2
  i p (1−p )
Ph Ni Ph Ph 2 ni p̂i (1−p̂i ) i=1 wi i i
p i=1 N p̂i = i=1 Wi p̂i i=1 Wi 1− Ni ni −1
n= h
P
W p (1−p
δ2 i i i)
+ i=1 N
t2
α/2

Ph N2
  i p (1−p )
Ph Ni Ph Ph 2 ni p̂i (1−p̂i ) i=1 wi i i
Np N i=1 N p̂i =N i=1 Wi p̂i i=1 Ni 1− Ni ni −1
n= δ 2 h
P
+ i=1 Ni pi (1−pi )
t2
α/2

Wi σi∗ Wσ ∗
Afijación óptima ni = n Ph ni = C √ Ph i i √
i=1
Wi σi∗ ci i=1
Wi σi∗ ci

Ph Ph Ni −1 ∗2 Ph Ni
Varianza y cuasivarianza σ2 = i=1 Wi (σi2 + (mi − m)2 ) σ ∗2 = i=1 N −1 σi + i=1 N −1 (mi − m)2
 Muestreo por conglomerados en dos etapas
Parámetro Estimador Var(estimador) n
q
 ∗2 c1 σ o2
σ ∗2
  
1 Pn1 Pn2 n1 1 Pn1 σ c2 σ ∗2
m m̂b = n1 n2 i=1 j=1 xij 1− N1 n1
+ n21
1 − n2 i
i=1 N2 n2
n2 = q o2
1− σ ∗2
N2 σ

Muestreo por conglomerados

Parámetro Estimador Var(estimador)

σ ∗2
Pn1 PN2  
1 n1
m m̂c = n1 N2 i=1 j=1 Xij 1− h n1