Está en la página 1de 3

UNIVERSIDAD TCNICA DE MACHALA

UNIDAD ACADMICA DE INGENIERA CIVIL


CARRERA DE INGENIERA CIVIL

ESTADSTICA INFERENCIAL
El campo de la inferencia de la estadstica se compone de los mtodos que se utilizan
para tomar decisiones o sacar conclusiones acerca de una poblacin. Estos mtodos
emplean informacin contenida en una muestra de la poblacin para sacar conclusiones.
La inferencia estadstica puede dividirse en dos reas principales: estimacin de
parmetros y prueba de hiptesis.

ESTIMACIN DE PARMETROS
Poblacin: El conjunto completo de individuos, objetos u observaciones de inters.
Muestra: Un subconjunto de la poblacin.
Estadstico
Las variables aleatorias (X1, X2,..., Xn) son una muestra aleatoria de tamao n si:
Las Xi son variables aleatorias independientes.
Cada Xi tiene la misma distribucin de probabilidad
Estadstico: cualquier funcin de las observaciones de una muestra aleatoria.

Estimacin Puntual: Una estimacin puntual de un parmetro poblacional es un valor


numrico particular
de un estadstico
. El estadstico es denominado estimador
puntual.

PROPIEDADES DE UN ESTIMADOR PUNTUAL


PARMETRO .

DE UN

1. Estimador insesgado:
El estimador puntual

es un estimador insesgado del parmetro si:


E( ) =

Si el estimador no es insesgado, entonces, a la diferencia E ( ) se le llama sesgo


del estimador
2. Varianza de un estimador puntual
Si se consideran todos los estimadores insesgados de al que tiene la varianza menor
se le llama el estimador insesgado de mnima varianza (MVUE).
Si X1, X2,..., Xn es una muestra aleatoria de tamao n de una distribucin normal con
media y varianza 2, entonces la media muestral es el MVUE para la .
La media muestral y una simple observacin de la muestra son estimadores insesgados
de . La varianza de:
Media muestral es 2/n.
Una simple observacin es 2
Puesto 2 / n < 2, se selecciona la media muestral.
3. Error estndar
El error estndar de un estimador

El error estndar estimado de

es su desviacin estndar, dada por

es

4. Error cuadrado medio


El error cuadrado medio de un estimador
MSE ( ) = E(

del parmetro se define como


)2 = V( ) + sesgo2

El MSE es un criterio importante para comparar dos estimadores de un mismo parmetro.


Entonces, la eficiencia relativa de

con respecto a

MSE(

) / MSE(

se define como:

Si esta eficiencia relativa es menor que uno, se concluira que


eficiente de que

es un estimador ms

, en el sentido que tiene un error cuadrado medio menor.

MTODO DE MXIMA VEROSIMILITUD

Uno de los mejores mtodos para obtener un estimador puntual de un parmetro es el


mtodo de mxima verosimilitud. Como su nombre lo indica, el estimador ser el valor del
parmetro que maximiza la funcin de verosimilitud.
Definicin
Definicin:
Suponga que X es una variable aleatoria con distribucin de probabilidad f (x; ); donde
es un solo parmetro desconocido.
Sean X1, X2,..., Xn los valores observados en una muestra aleatoria de tamao n.
Entonces la funcin de verosimilitud de la muestra es:
L() = f(x1; ) f(x2; )...f (xn; )
El estimador de mxima verosimilitud de es el valor de que maximiza la funcin de
verosimilitud L().
Objetivo:
Obtener un estimador puntual

de un parmetro .

Procedimiento:
Encontrar la funcin de mxima Verosimilitud
L() = f (x1; ) f (x2; )...f (xn; )
Expresar la funcin ln (L())
Derivar la funcin ln (L()), e igualar a 0.

dln( L())
=0
d

DISTRIBUCIN DE MUESTREO
La distribucin de probabilidad de un estadstico se llama distribucin de muestreo.

TEOREMA DE LMITE CENTRAL


La distribucin de probabilidad de un estadstico se llama distribucin de muestreo.
Definicin:
Si X1, X2,..., Xn es una muestra aleatoria de tamao n tomada de una poblacin (sea finita
o infinita) con media y varianza 2, y si es la media muestral, entonces la forma lmite
de la distribucin de

/n
Z=
Cuando n , es la distribucin normal estndar.