Unidad 4

ESTIMADORES. INFERENCIA ESTADÍSTICA

Estimadores Puntuales
 Contenidos de la Unidad
Estimadores Propiedades de los estimadores.

Distribución en el muestreo de la media. Distribución en el muestreo de la

proporción. Distribución de la diferencia entre dos medias

Teorema Central del Limite (T.C.L.)

Inferencia Estimación Puntual y por Intervalo de Confianza.

estadística

Distribución “t” de Student: Inferencia respecto de la media y de la diferencia entre dos

medias.

Distribución ji cuadrada. Test de Hipótesis.

Intervalos de Intervalo de confianza para la esperanza ()

confianza Con σ conocido
Con σ desconocido
Intervalo de confianza para la Varianza (2)
Con µ conocido
Con µ desconocido
 Estadística Estadística
Probabilidad
Descriptiva Inferencial

Estudiar los resultados de las

Recoleccion de datos Probabilidad Elemental
muestras.

Distribuciones de Probabilidad
Obtener Estimadores para
Relevamiento Muestral Discretas
Continuas
Probabilidad

Organizar los Datos Medidas poblacionales Realizar pronósticos confiables de

Procesarlos para obtener Información Esperanza y Varianza las variables de interés para la
toma de decisiones

Presentar los datos

Tablas Distribuciones de Frecuencias
Gráficos. Medidas numéricas Descriptivas
 ¿Cuando conocemos una Población?
Se considera que se conoce una población cuando conocemos la
distribución de probabilidad f(x) de la variable aleatoria asociada X y
sus parámetros poblacionales

• A cada distribución se le asocian determinados parámetros

conocidos como “Parámetros Poblacionales”. Por ej.
Distribución Parámetros
Poblacionales
Binomial ρ
Poisson λ
Normal µ, σ
Exponencial λ
Geométrica ρ
• Si estas cantidades no se conocen entonces se tienen que estimar.
 Estadísticos Muestrales o Estimadores
Un estadístico muestral o Estimador

 Es cualquier cantidad obtenida de una muestra con el propósito de estimar un

parámetro poblacional.
 El estimador es otra variable aleatoria.
 Matemáticamente definimos a un estimador como una función de n variable
que son las variables aleatorias correspondientes a las muestras:
Estimador = g(X1, X2, X3, ......., Xn)
 Al ser el estimador una variable aleatoria entonces podemos estudiar su
distribución.

“Distribución Muestral”
•Es la distribución de un estadístico muestral
•Nótese que X1, X2, X3, ......., Xn, son variables aleatorias independientes.

Se usarán letras griegas (, , , ) para los parámetros poblacionales, y letras romanas (m, s,
etc.) para los estadísticos muestrales.
Propiedades de los Estimadores
 “El valor del estimador es distinto para cada muestra (porque depende de la muestra) por eso hay
que fijar un criterio para ver cual es el estimador más conveniente”
Θ = cualquier parámetro poblacional que quiera estimar con un Estimador = g(X1, X2, X3, ......., Xn )

Estimador Un estimador es consistente si al crecer el tamaño de la muestra

el estimador tiende al parámetro poblacional.
Consistente
lim g X1, X2, X3, . . . . . . . , Xn = 𝜃
𝑛→∞

Estimador Un estimador o estadístico muestral se llama estimador Insesgado

Insesgado de un parámetro poblacional si la esperanza (valor esperado) del
estadístico es igual al parámetro.
𝐸 g X1, X2, X3, . . . . . . . , Xn =𝜃

Estimador Si tengo mas de un estimador, el estimador de menor Varianza se

Eficiente llama estimador eficiente.
VAR g X1, X2, X3, . . . . . . . , Xn ≤ 𝑉AR 𝑓 X1, X2, X3, . . . . . . . , Xn
¿Qué hay que estimar?
 Si observamos la esperanza y varianza de las distribuciones estudiadas
hasta el momento notaremos que las mismas están relacionadas a los
parámetros poblacionales, por lo tanto estimar un parámetro poblacional
es estimar su Esperanza y Varianza.

Distribución Parámetros Esperanza Varianza

Poblacionales
Binomial ρ nρ nρq
Poisson λ λ λ
Geométrica ρ 1/ρ q/ρ2
Normal µ, σ µ σ2
Exponencial λ 1/λ 1/λ2
Uniforme α, β 𝛼+𝛽 (𝛽 − 𝛼)2
2 12
:

Estimador media aritmética o Muestral

MEDIA MUESTRAL
• Sean X1, X2, X3, .......Xn, las variables aleatorias para una muestra de tamaño n. Entonces la
“Media Muestral” es una variable aleatoria que se define de la siguiente forma 𝑚 = 𝑋ሜ =
σ𝑛
𝑖=1 𝑋𝑖
𝑛

Distribución Muestral de Medias

Para estudiar la distribución de la Media Muestral X, se va a calcular el valor esperado
(Esperanza) y la Varianza de la función Media Muestral.
Sean X1, X2, X3,.......Xn, las variables aleatorias para una muestra de tamaño n, con E(Xi) = u
y Var(Xi) =  2
• la esperanza de la Media Muestral es 𝝁
𝑋1 +𝑋2 +..........+𝑋𝑛 σ𝑛
𝑖=1 𝐸[𝑋𝑖 ] 𝐸[𝑋𝑖 ]
𝐸 𝑋ത = 𝐸 = =𝑛 =𝜇
𝑛 𝑛 𝑛
𝝈𝟐
• La Varianza de la Media Muestral es
𝒏
𝑋1 + 𝑋2 +. . . . . . . . . . +𝑋𝑛 σ𝑛𝑖=1 𝑉𝐴𝑅[𝑋𝑖 ] 𝑛𝑉𝑎𝑟[𝑋𝑖 ] 𝜎 2
𝑉𝑎𝑟 𝑋ത = 𝑉𝐴𝑟 = = =
𝑛 𝑛2 𝑛2 𝑛
:

La media aritmética es el mejor estimador de

la media poblacional
Sean X1, X2, X3,.......Xn, las variables aleatorias para una muestra de tamaño n, con E(Xi) = u
y Var(Xi) =  2 entonces “La función Media aritmética o Muestral es el mejor estimador”
σ 𝑛
𝑋𝑖
g(X1, X2, X3, ......., Xn )=𝑋ሜ = 𝑖=1
𝑛

Estimador Consistente
σ𝑛𝑖=1 𝑋𝑖
lim =𝜇
𝑛→∞ 𝑛

Estimador Insesgado
𝐸 𝑋ത =𝜇

Estimador Eficiente
𝜎2
𝑉𝑎𝑟 𝑋ത =
𝑛
VAR 𝑋ത ≤ 𝑉AR 𝑓 X1, X2, X3, . . . . . . . , Xn
:

Estimador Varianza Muestral

Varianza Muestral
• Sean X1, X2, X3, .......Xn, las variables aleatorias para una muestra de tamaño n. Entonces la
“Varianza Muestral” es una variable aleatoria que se define de la siguiente forma 𝑆 2 =
σ𝑛 ത 2
𝑖=1(𝑋𝑖 −𝑋)
𝑛

Distribución Muestral de Varianzas

Para estudiar la distribución Muestral de la Varianza X, se va a calcular el valor esperado y la
Varianza de la función Varianza Muestral.
Sean X1, X2, X3,.......Xn, las variables aleatorias para una muestra de tamaño n, con E(Xi) = u
y Var(Xi) =  2
𝑛−1 2
• la esperanza de la Varianza Muestral es 𝑬 𝑆 2 = 𝜎
𝑛
𝑛
෡2 =
Se observa que no es insesgado, entonces construimos un estimador insesgado 𝑺 𝑆2;
𝑛−1
𝑛 𝑛 𝑛−1 2
𝒑𝒓𝒐𝒃𝒂𝒓𝒆𝒎𝒐𝒔 𝒒𝒖𝒆 𝒍𝒐 𝒆𝒔 𝑬 ෡
𝑺2 = 𝐸 𝑆2 = . 𝜎 = 𝜎2
𝑛−1 𝑛−1 𝑛
:

La Varianza muestral modificada es el mejor

estimador de la varianza poblacional

Sean X1, X2, X3,.......Xn, las variables aleatorias para una muestra de tamaño n, con
E(Xi) = u y Var(Xi) =  2 Entonces la función “Varianza Muestral insesgada ”
𝒏
σ (𝑿 −𝑿) ഥ 𝟐
𝑺෠ 𝟐 = 𝒊=𝟏 𝒊 es el mejor estimador”
𝒏−𝟏

σ𝑛 ത 2
𝑖=1(𝑋𝑖 −𝑋)
Si n >30 se podría usar la Varianza muestral 𝑆 2 = ,
𝑛
𝑛−1
Ya que 𝑙𝑖𝑚 =0
𝑛→∞ 𝑛
 TEOREMA CENTRALDEL LÍMITE (TCL)

El teorema central del límite nos dice que cuando el tamaño de la muestra es grande, la
distribución muestral de la media tiene una distribución aproximadamente normal.

❖ Esto es válido sin importar la forma de la distribución de los valores individuales en la

población.
❖los especialistas en estadística han encontrado que cuando el tamaño de la muestra es de
por lo menos 30, la distribución muestral de la media es aproximadamente normal.
❖ No obstante, si la distribución poblacional tiene una forma aproximada de campana, se
aplica el teorema del límite central incluso con tamaños de la muestra menores.
❖Ante el improbable caso de que la distribución sea extremadamente asimétrica o tenga
más de una moda, necesitará tamaños de la muestra mayores de 30 para garantizar la
normalidad
 Teorema Central del limite (TCL)

Sean X1, X2, X3, .......Xn, las variables aleatorias para una muestra de tamaño
ത
𝑋−𝜇
n, con E(Xi) = u y Var(Xi ) =  , entonces 𝑍 = 𝜎 es Normal (0,1)
2
𝑛

❖Este teorema asegura que la distribución del muestreo de la media se aproxima

a la distribución Normal al agrandarse el tamaño de la muestra (mayor a 30)
❖La importancia de este teorema es que nos permite hacer inferencias de los
parámetros poblacionales sin saber nada sobre la distribución de probabilidad de
la población, solamente con saber la media y varianza muestral.
❖La distribución de la media de la población, es una distribución Normal con una

media poblacional = μ y una desviación = 𝐧 donde n es el tamaño de la
muestra
:

Aplicación del TCL

Esta imagen ilustra la aplicación del

teorema del límite central a diferentes
poblaciones .
Se muestran las distribuciones
muestrales de tres distribuciones
continuas distintas (normal, uniforme y
exponencial) para distintos tamaños de
la muestra (n = 2, 5, 30).
Estimación por Puntos y Estimación por
Intervalos
Estimación Cuando efectuamos una estimación y nos da como resultado un
Puntual único valor puntual estamos en presencia de una estimación por
puntos
Se obtiene una estimación puntual seleccionando un estadístico
apropiado y calculando su valor con los datos de las muestras

El estadístico seleccionado se llama estimador puntual de θ

Estimación por El resultado de la estimación un parámetro poblacional, se

intervalos da entre dos números, entre los cuales consideramos que se
encuentra dicho parámetro, esto se llama estimar por
intervalos
 Percentiles

Los percentiles son una Son los valores del eje de la En el gráfico siguiente se
medida de posición , son los ordenada (x), que marcan algunas percentiles
valores de la variable que corresponden al porcentaje de de la curva Norma standard
dividen a un conjunto de datos área bajo la curva que hay (media igual a cero y Varianza
ordenados en 100 hasta ese punto. igual 1)
subconjuntos iguales; cada
conjunto de datos tiene 99
percentiles. El k-ésimo
percentil, Zk, es un valor que a
la izquierda hay un k% del los
datos y a la derecha hay (100
- K) % de los datos.
 𝑋−𝜇
Distribución t de STUDENT
𝑇=
𝑆መ
𝑛

Sean X1, X2, X3 .......Xn, las variables aleatorias para una muestra de tamaño n. Con E(Xi) =  y Var(Xi) = 2
𝑋−𝜇
entonces la variable aleatoria T definida como, 𝑇 = 𝑆෡ Tiene distribución t de Student con n-1 grados de
𝑛
libertad

con

Esta distribución también se la conoce como

distribución t, con  grados de libertad si  es grande
(mayor o igual a 30) se aproxima esta distribución
estrechamente a la curva Normal.

• Los valores de percentiles de la distribución t para  grados de libertad se

denotan como T1 -
• Pueden notar que la curva es simétrica con respecto al eje x. En
consecuencia, t1- = - t Por ejemplo t0.05 = - t0.95
 Distribución Ji- Chi o χi cuadrado
Sean X1, X2, X3, .......Xn, las variables aleatorias para una muestra de tamaño n, distribuidas
normalmente, con E(Xi) = 0 y Var(Xi) = 1 entonces la variable aleatoria 2 definida como
ℵ2 = 𝑋12 + 𝑋22 + 𝑋32 . . . . . . . . . . . +𝑋𝑛2 = σ𝑛𝑖=1 𝑋𝑖 2 Tiene distribución Ji- cuadrado con n grados de
libertad

con

Esta distribución también se la conoce como

distribución 2, con  grados de libertad.

• Los valores de percentiles de la distribución Ji-cuadrado para  grados de libertad se

denotan como X21 - 
la curva no es simétrica y el dominio de la función es: los Reales mayores o iguales a cero,
por consecuencia X21 -   X2 .
 Revisión Conceptual
Enuncie por lo menos tres parámetros poblacionales conocidos.

Describí por lo menos dos formas para obtener un estadístico muestral de la Esperanza de una variable
aleatoria X.
Explique que es un estimador

Describa un estimador insesgado. De como ejemplo 2 estimadores insesgados

Enuncia algunas propiedades de los estimadores.

Enuncia con palabras propias que es la distribución muestral de la media.

Enuncia con palabras propias que es la distribución muestral de la Varianza

¿Cuáles son las características de la Distribución t de Student?

¿Cuáles son las características de la Distribución Ji- Cuadrado?

¿Por qué la media muestral es un estimador sin sesgo de

¿Por qué se reduce el error estándar de la media conforme aumenta el tamaño de la muestra n?

¿Cuál es la diferencia entre una distribución de probabilidad y una distribución muestral?

¿En qué circunstancias la distribución muestral de la proporción sigue una distribución aproximadamente
normal?
Tarea Domiciliaria

“Introducción a la teoría de Probabilidades y

Estadísticas” · de Lucia Gonzalez
•Capitulo 4 – Teoría de Muestreo. Ejercicio 1 al 10
•Capitulo 5 – Teoría de Estimación Ejercicio 1 y 2
Preguntas