Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Parámetro n
θ (x1,x2,…..,xn)
=(x1,x2,…,xn)
𝜽
Introducción a la Inferencia
Estadística
Población Espacio Muestral Rn
F(x;σ2) (X1,X2,…..,Xn)
Muestreo
Parámetro n
σ2 (x1,x2,……,xn)
𝟏
ෝ 2=s2 =
𝝈 σ𝒏𝒊=𝟏(𝒙𝒊 ഥ)2
−𝒙
𝒏−𝟏
Estimador
Introducción a la Inferencia
Estadística
• Cualquier inferencia o conclusión obtenida de
la población, necesariamente estará basada
en un estadístico muestral, es decir, en la
información proporcionada por la muestra.
• El valor verdadero del parámetro será
desconocido y un objetivo será estimar su
valor, por lo que tal estadístico se denomina
estimador.
Introducción a la Inferencia
Estadística
Las inferencias sobre el valor de un parámetro
poblacional θ se pueden obtener básicamente
de dos maneras:
1. Por estimación
– Estimación puntual
– Estimación por intervalos
2. Por contrastación de hipótesis
ESTIMACIÓN PUNTUAL
Definición: Consiste en obtener un único
número, calculado a partir de las observaciones
muestrales y que es utilizado como estimación
del valor del parámetro θ.
Se le llama estimación puntual porque a ese
número, que se utiliza como estimación del
parámetro θ, se le puede asignar un punto
sobre la recta real.
ESTIMACIÓN PUNTUAL
Parámetro n
θ (x1,x2,….,xn)
=g(x1,x2,…,xn)
𝜽
Inferencia
Estimación Puntual
ESTIMACIÓN PUNTUAL
• ESTIMADOR
= g(X1,X2,……Xn)
𝜽
• ESTIMACIÓN
= g(x1,x2,…,xn)
𝜽
Parámetros poblacionales,
estimadores y estimaciones
Parámetro poblacional Estimador Estimación
𝑛 ത 𝑛
Varianza 𝜎 2 2 2
σ𝑖=1 𝑋𝑖 − 𝑋
2 σ𝑖=1 𝑥𝑖 − 𝑥ҧ
2
𝜎ො = 𝑆 = 𝑠2 =
𝑛−1 𝑛−1
Proporción P 𝑋 𝑁º 𝑑𝑒 é𝑥𝑖𝑡𝑜𝑠 𝑥
𝑝Ƹ = 𝑝𝑋 = 𝑛=𝑁º 𝑑𝑒 𝑝𝑟𝑢𝑒𝑏𝑎𝑠 𝑝Ƹ = 𝑝𝑥 =
𝑛
Ejemplo
Las ventas de una muestra aleatoria de 10
grandes establecimientos comerciales de Lima,
el día 2 de enero de 2013 fueron
respectivamente : 16, 10, 8, 12, 4, 6, 5, 4, 10, 5
miles de nuevos soles. Obtener estimaciones
puntuales de la venta media, de la varianza de
las ventas de todos los establecimientos
comerciales y de la proporción de éstos cuyas
ventas fueron superiores a 5 mil nuevos soles.
Solución
• Estimación puntual de la media poblacional:
σ10
𝑖=1 𝑥𝑖 80
𝜇Ƹ = 𝑥ҧ = = =8
10 10
• Estimación puntual de la varianza poblacional:
σ10 𝑥 −𝑥ҧ 2 σ10 2
𝑖=1 𝑥 −10𝑥ҧ
2
𝜎ො 2 = 𝑠 2 = 𝑖=1 𝑖
=
10−1 9
1
= 782 − 10. 82 = 15,8
9
• Estimación puntual de la proporción poblacional:
𝑥 6
𝑝Ƹ = 𝑝𝑥 = = = 0,6
𝑛 10
ERROR CUADRÁTICO MEDIO
Definición: ECM 𝜽
𝟐
=𝑽𝒂𝒓 𝜽
𝑬𝑪𝑴 𝜽 + 𝒔𝒆𝒔𝒈𝒐 𝜽
Donde:
2
𝑉𝑎𝑟 𝜃መ =𝐸 𝜃መ 2 − 𝐸 𝜃መ
2 2
𝑠𝑒𝑠𝑔𝑜 𝜃መ = 𝐸 𝜃መ − 𝜃
Ejemplo
Sea 𝑋1 , 𝑋2 , 𝑋3 , una muestra aleatoria simple de
tamaño 3, cuyos valores son siempre positivos y
procedentes de una población con media 𝜇 y
varianza 𝜎 2 = 25 . Consideremos como posibles
estimadores de 𝜇 los estadísticos:
1
𝜇ො1 = 𝑋1 + 2𝑋2 + 𝑋3
4
1
𝜇ො2 = 𝑋1 + 2𝑋2 + 𝑋3
5
Obtener los errores cuadráticos medios de 𝜇ො1 y
𝜇ො2 y comparar sus valores para diferentes valores
del parámetro poblacional 𝜇
Propiedades de los estimadores
puntuales
1. Insesgadez
2. Eficiencia
3. Consistencia
4. Suficiencia
5. Invarianza
6. Robustez
1. INSESGADEZ
= g(X1,X2,……Xn)
Definición: El estadístico 𝜽
es un estimador insesgado o centrado del
parámetro si:
=𝜽
E(𝜽)
para todos los valores de 𝜽, y entonces:
= b(𝜽
sesgo(𝜽) ) = E(𝜽)
-𝜽=0
1. INSESGADEZ
) = E(𝜽)
Casos: b(𝜽 -𝜽
) > 0: 𝜽
1. Si b(𝜽 sobreestima el valor de 𝜽
) < 0: 𝜽
2. Si b(𝜽 subestima el valor de 𝜽
) = 0: 𝜽
3. Si b(𝜽 es estimador i nsesgado de 𝜽
Ejemplo
Demostrar que los estadísticos:
1 𝑛
1. 𝑆 = 𝑛 σ𝑖=1 𝑋𝑖 − 𝑋ത 2 es un estimador sesgado de
∗2
𝜎2
1
2. 𝑆 = 𝑛−1 σ𝑛𝑖=1 𝑋𝑖 − 𝑋ത 2 es un estimador insesgado
2
de 𝜎 2
1 𝑛
3. 𝑆 = 𝑛 σ𝑖=1 𝑋𝑖 − 𝜇 2 es un estimador insesgado de
∗∗2
𝜎2
NOTA: La desviación típica muestral NO es un estimador
insesgado de la desviación típica poblacional, es decir:
𝐸 𝑆 ≠𝜎
Ejemplo
Sea una población formada por los elementos
(1,2,3). Obtener 𝐸 𝑆 2 y 𝐸 𝑆 .
1. Construir todas las muestras posibles de
tamaño n=2 CON REEMPLAZAMIENTO.
2. Calcular lo solicitado y comprobar la
propiedad de insesgadez para 𝑆 2 y S.
𝟐
𝟐 𝟐 𝟐
𝟏 𝟐
Muestras ഥ
𝒙 ഥ
𝒙𝟏 − 𝒙 ഥ
+ 𝒙𝟐 − 𝒙 𝑺 = ഥ
𝒙𝒊 − 𝒙 𝑺= 𝑺𝟐
𝟐−𝟏
(x1,x2) 𝒊=𝟏
𝜃 = λ𝜃1 + 1 − λ 𝜃2
≥
Var (𝜽) 1
𝜕𝑙𝑛𝑓(𝑥;𝜃) 2
𝑛𝐸
𝜕𝜃
1. INSESGADEZ
NOTA:
) = 𝐶𝑜𝑡𝑎 𝐹.𝐶.𝑅.
eff.(𝜽
𝑉𝑎𝑟(𝜽)
) ≤ 1.
verificándose que eff.(𝜽
2. EFICIENCIA
Eficiencia Relativa:
) )
𝑉𝑎𝑟(𝜽 𝑒𝑓𝑓.(𝜽
eff.relativa (𝜽1 , 𝜽2 ) = 𝑉𝑎𝑟(𝜽 ) = 𝑒𝑓𝑓.(𝜽1)
2
1 2
Proposición
• Dada una población 𝑁 𝜇, 𝜎 se verifica que la
media muestral 𝑋ത es un estimador eficiente de la
media poblacional 𝜇 .
• Se demostrará que se cumple la igualdad de la
cota F-C-R, es decir:
1 𝜎2
𝑉𝑎𝑟 𝜇ො = 𝑉𝑎𝑟 𝑋ത = 2 =
𝜕𝑙𝑛𝑓 𝑥, 𝜃 𝑛
𝑛𝐸
𝜕𝜃
Ejemplo
Dada una población 𝑁 𝜇, 7 y los estimadores de la media
poblacional 𝜇 para muestras aleatorias simples de tamaño
n=3:
1
𝜃1 = 𝑋1 + 𝑋2 + 𝑋3
3
1 1 1
𝜃2 = 𝑋1 + 𝑋2 + 𝑋3
2 3 4
Se pide:
1. Comprobar si los estimadores 𝜃1 y 𝜃2 son o no insesgados.
2. Calcular la varianza de ambos estimadores.
3. ¿Son ambos estimadores eficientes?
2. EFICIENCIA
Estimador asintóticamente eficiente:
Diremos que un estimador 𝜽 , del parámetro 𝜽,
es asintóticamente eficiente si se verifica:
𝑉𝑎𝑟(𝜽)
lím 𝐶𝑜𝑡𝑎 𝑑𝑒 𝐹.𝐶.𝑅
=1
n→∞
3. CONSISTENCIA
Estimador consistente:
Una sucesión de estimadores 𝜽 𝑛 es consistente si
la sucesión converge en probabilidad hacia el
parámetro 𝜽, es decir, si para todo ε > 0 se verifica:
𝑛 − 𝜽 < ε) = 1
lím P( 𝜽
n→∞
y cada elemento de la sucesión se dirá que es un
estimador consistente.
3. CONSISTENCIA
Consistencia en media cuadrática:
Una sucesión de estimadores 𝜽 𝑛 es consistente en
media cuadrática para el parámetro 𝜽, cuando se
verifica:
𝑛 − 𝜽 2 = 0
lím E 𝜽
n→∞
y cada elemento de la sucesión se dirá que es un
estimador consistente en media cuadrática.
Teorema
𝒏 = 𝜽 )= 1
P(lím 𝜽
n→∞
y cada elemento de la sucesión se dirá que es un
estimador consistente casi seguro.
Ejemplo
Sea (X1,X2,…..,Xn) una muestra aleatoria de
tamaño n procedente de una población 𝑁 𝜇, 𝜎 .
Demostrar que la media muestral 𝑋ഥ y la
varianza muestral 𝑆 2 son estimadores
consistentes de la media y varianza poblacional,
respectivamente.
4. SUFICIENCIA
Intuitivamente:
𝑇1 = 𝑋1 + 𝑋2 + 𝑋3
𝑇2 = 𝑋1 + 2𝑋2 + 𝑋3
i1 ,…..,Xin) = 𝜃(X
𝜃(X 1,….,Xn)