Professional Documents
Culture Documents
DISTRIBUCIONES MUESTRALES
Jorge I. Paolini R., Ing, PhD
Universidad Nacional Experimental de Guayana. Venezuela.
jpaolini1@hotmail.com
Campo: Probabilidades y Resolucin de Problemas. Nivel: Superior y Postgrado
RESUMEN
Se presenta el Mtodo Bootstrap como un modelo de solucin al problema de determinar la
distribucin muestral de un estadstico cuando se desconoce la funcin de probabilidades de
la variable aleatoria considerada. El Mtodo Bootstrap es un mtodo basado en simulacin
de muestreos para hacer inferencia estadstica, tiene como objetivo reemplazar el anlisis
estadstico por clculos intensivos sobre las muestras generadas por simulacin de Monte
Carlo. El Mtodo Bootstrap es un mecanismo no paramtrico para el clculo de
estimaciones a travs del muestreo realizado sobre una muestra (resampling). Utilizando
este mtodo resuelve el problema de estimacin y distribucin prescindiendo del supuesto
de una funcin de densidad de probabilidades para la variable aleatoria muestreada. Con
este mtodo se logra sintetizar un conjunto de tcnicas como la simulacin, el muestreo y
la inferencia estadstica en un sistema constructivo que genera distribuciones muestrales
aproximadas independientes de alguna suposicin acerca de la distribucin muestreada,
brindndole al alumno la solucin de un problema a partir de la experiencia directa.
1. INTRODUCCIN.
La eficacia del computador como elemento de apoyo a la estadstica ha permitido mostrar
algunos enfoques emergentes para abordar los problemas de distribucin y estimacin. Las
inferencias en buena medida eran posibles solamente a travs del enfoque tradicional o
mtodo normal. Con el advenimiento del computador podemos obtener y visualizar algunos
resultados que slo eran posibles a travs de mtodos analticos y las deducciones rigurosas
de teoremas lmites. La utilizacin del computador en el campo de la estadstica
matemtica y las probabilidades ha incorporado un elemento de aprendizaje para las nuevas
generaciones de estudiantes y docentes. Stewart (1998) dice que el advenimiento de una
nueva generacin de computadores, con gran capacidad de memoria, clculos aritmticos
muy rpidos y sobre todo grficas precisas de alta resolucin ha cambiado todo el
panorama. Actualmente podemos utilizar el computador como herramienta experimental
en la solucin de problemas, el profesor Stewart comenta que tenemos la posibilidad de
efectuar un recorrido a travs de grandes cantidades de ejemplos de los fenmenos que nos
interesan a travs de las respuesta que ofrece el computador.
El problema de transferencia en los conceptos e ideas acerca de las distribuciones
muestrales ha estado centrada en las aplicaciones de teoremas lmites. Para determinar la
distribucin muestral de un estadstico se utilizan, por ejemplo, los resultados de la
convergencia a la distribucin Normal o Gaussiana. Un alumno recibe un conjunto de
teoremas para enfrentar el problema de determinar la distribucin muestral de un estadstico
DIRECTA
PARA
DETERMINAR
[
(Tb T * ) 2 ] 2 ,
Para obtener el error estndar de T basta calcular
T
B 1 b 1
B
1
donde T* se calcula as
T *
Tb* .
B b1
La distribucin muestral permite hacer inferencias acerca T. El mtodo Bootstrap no se
reduce a distribucin de sumas de variables aleatorias sino que se extiende a cualquier
estadstico. Para determinar inferencias podemos utilizar la distribucin generada GB , por
ejemplo si se desea obtener un intervalo confidencia al (1-).100% se calculan las
siguientes cantidades:
1
a * GB ( )
2
b * G B (1
)
2
Se cumple que:
{ a } / B 2 y { b } / B 1 2
*
Donde la funcin (.) determina la frecuencia de las veces que se cumple la desigualdad,
para determinar las probabilidades el estudiante tiene acceso por la va de frecuencias
relativas, que es un modo vivencial de obtener las probabilidades. En Paolini (1999b y
2000) pueden observarse otros modos de hacer inferencia a travs del Bootstrap, as mismo
se desarrolla un mecanismo basado en la experiencia directa para caracterizar poblaciones
estadsticas.
4. PRESENTACIN DE UN CASO DE ESTUDIO.
Queremos determinar la distribucin muestral del promedio para una muestra aleatoria de
tamao n =16 mineros que contenan valores de mercurio en sangre. Una vez ejecutado el
algoritmo Bootstrap con B= 2500 iteraciones, se encontr la distribucin muestral del
Promedio del contenido de mercurio en Sangre que se muestra en el grfico HGSANG.
450
1.00
400
350
0.80
300
250
0.60
200
0.40
150
100
0.20
67.68
62.90
58.13
53.35
48.58
43.80
39.02
34.25
29.47
24.69
50
0.00
a*
b*
LB
100
250
1.000
2.500
30,19
30,19
30,63
30,50
53,40
53,58
54,50
55,40
23,21
23,39
23,87
24,90
Error Estndar
*
5,9477
6,0523
6,1635
6,3962
6. CONCLUSIONES
A travs de la aplicacin del Mtodo Bootstrap el estudiante puede ver como se construye
la distribucin GB del estadstico, de la misma manera puede apreciar el patrn de variacin
del estadstico T en la medida que se ejecuta el algoritmo.
Este mtodo se presenta como un modo de ensear la solucin de un problema a travs de
la experiencia vivencial y como una alternativa de inters para el desarrollo profesional.
El Mtodo Bootstrap es un modo de resolver el problema de estimacin cuando se
desconoce la distribucin de probabilidades de la variable aleatoria en la muestra, en este
sentido el alumno puede prescindir del supuesto de normalidad para construir sus
inferencias.
Las inferencias a partir de la distribucin GB garantizan la estructura de la poblacin
muestreada y permiten la comparacin con los resultados obtenidos por las distribuciones
lmites.
Podemos prescindir de un tamao de muestra especificado para realizar inferencias a travs
del Mtodo Bootstrap.
REFERENCIAS BIBLIOGRFICAS.
1. Efron, B and Tibshirani, R. (1998). An Introduction to the Bootstrap. Boca Raton:
Chapman & Hall/CRC.
2. Gumila, O y Soriano, M. (1998). Aula Mgica. Una enseanza compatible con el
cerebro. Editorial Galac: Caracas. Venezuela.
3. Paolini, J. (1993). El Mtodo Bootstrap: un paradigma en la Computacin
Estadstica. Actas de las Primeras Jornadas de Investigacin UNEG. Ciudad
Guayana. Venezuela.
4. Paolini, J. (1999a). El Mtodo Bootstrap: un paradigma en la formacin de los
ingenieros en Computacin, Informtica y Sistemas. Actas de la III Conferencia
Latinoamericana de Facultades de Ingeniera y Escuelas de Ingeniera de Sistemas y
Ciencias de la Computacin CONLATI 99. Barquisimeto. Venezuela.
5. Paolini, J. (1999b). Fundamentos del Mtodo Bootstrap. Corporacin Aluminios de
Venezuela. Tutorial CONLATI 99. Barquisimeto. Venezuela
6. Paolini, J. (2000). Caracterizacin de Poblaciones Estadsticas a travs del Mtodo
Bootstrap. Ponencia invitada de la III Asamblea del Departamento de Ciencia y
Tecnologa. Universidad Nacional Experimental de Guayana. Venezuela.
7. Santos, L. (1997). Principios y Mtodos de la Resolucin de Problemas en el
Aprendizaje de las Matemticas. . Mxico: Grupo Editorial Iberoamrica.
8. Stewart, I. (1998). De aqu al Infinito. Las matemticas de hoy. Editorial Drakontos:
Barcelona. Espaa.