Indice

4. Estimacion 2 Pagina www

4.1. Preliminares . . . . . . . . . . . . . . . . . . . . 2
4.2. Propiedades deseables de un estimador . . . . . . 4 Pagina de Abertura

4.2.1. Insesgadez . . . . . . . . . . . . . . . . . 5
4.2.2. Eficiencia relativa . . . . . . . . . . . . . 14 Contenido

4.2.3. Consistencia . . . . . . . . . . . . . . . . 27
JJ II
4.3. Metodos de estimacion puntual . . . . . . . . . . 28
4.3.1. El metodo de maxima verosimilitud . . . . 29 J I
4.4. Estimacion por intervalo . . . . . . . . . . . . . . 34
4.5. Estimacion de medias . . . . . . . . . . . . . . . 41 Pagina 1 de 71

4.5.1. Error de estimacion . . . . . . . . . . . . 41

4.5.2. Intervalos de confianza . . . . . . . . . . . 43 Regresar

4.6. Estimacion de diferencias de medias . . . . . . . . 45

4.7. Estimacion de proporciones . . . . . . . . . . . . 54 Full Screen

4.8. Estimacion de diferencias entre proporciones . . . 62

Cerrar
4.9. Estimacion de varianzas . . . . . . . . . . . . . . 68
4.10. Estimacion de la razon entre dos varianzas . . . . 70 Abandonar
4. Estimacion Pagina www

4.1. Preliminares Pagina de Abertura

Objetivo: Familiarizarse con las tecnicas estadsticas que Contenido

permiten extraer conclusiones acerca de los parametros de una

poblacion a partir de datos experimentales. JJ II

J I
Definicion 4.1.1 La inferencia estadstica es el conjunto
de metodos por los que se realizan generalizaciones acerca de una Pagina 2 de 71

poblacion.
Regresar
Definicion 4.1.2 El metodo clasico de estimacion es
aquel que basa la inferencia estadstica estrictamente en la in- Full Screen

formacion que se obtiene de una muestra.

Cerrar

Abandonar
Definicion 4.1.3 Se llama estimacion puntual al proceso Pagina www

de utilizar el valor de un estadstico para estimar un parametro Pagina de Abertura

poblacional. Al estadstico del cual se obtiene este valor se lo llama
estimador puntual, y al valor obtenido punto estimado. Contenido

Nota: Se habla de puntual para diferenciar de la estimacion

JJ II
por intervalos que se estudiara mas adelante.
J I
Ejemplos:
Utilizar el valor que toma X para estimar la media de la Pagina 3 de 71

poblacion.
Regresar
Considerar a una proporcion muestral observada como esti-
mador del parametro de una distribucion bernoulli. Full Screen

Cerrar

Abandonar
 Pagina www

4.2. Propiedades deseables de un estimador

Pagina de Abertura

Los estimadores, al ser una funcion de una muestra aleatoria

(definiciones 4.1.3 y, son variables aleatorias y por tanto no Contenido

pueden brindar informacion exacta sobre el parametro que

JJ II
tratan de estimar.
Para cada parametro existe un numero infinito de estimado- J I
res.
Pagina 4 de 71
En esta seccion se expondra un conjunto de criterios que per-
mitiran calificar los meritos de cada uno de los posibles esti- Regresar

madores de un parametro.
Full Screen

Cerrar

Abandonar
 Pagina www

4.2.1. Insesgadez
Pagina de Abertura

Definicion 4.2.1 Un estadstico

b es un estimador inses-
gado del parametro si Contenido

E()
b = JJ II

Ejemplo 4.2.1 S 2, definido como J I

Pn
X)
i=1 (Xi Pagina 5 de 71
S2 =
n1
Regresar
2
es un estimador insesgado de la varianza poblacional
Full Screen

Cerrar

Abandonar
Demostracion Como parte de la demostracion del segundo
postulado del teorema se puede establecer que Pagina www

Pn " n
#
2
2 X)
i=1 (Xi 1 X
2 2
Pagina de Abertura

S = = (Xi ) n (X )
n1 n1 i=1 Contenido

a partir de este punto JJ II

" Pn #
2
X)
i=1 (Xi J I
E(S 2) = E
n1
" # Pagina 6 de 71
n
1 X
= E(Xi )2 n E(X )2
n1 i=1
Regresar

Full Screen

y puesto que
Cerrar

Abandonar
 Pagina www

Pagina de Abertura

2 2 2 2
E(Xi ) = y E(X ) = Contenido
n
entonces JJ II

1 2
 
2 2
E(S ) = n n J I
n1 n
Pagina 7 de 71
E(S 2) = 2 // QED
Regresar

Full Screen

Cerrar

Abandonar
 Pagina www
Definicion 4.2.2 (Sesgo) Sea b un estimador de , el sesgo
del estimador esta definido como Pagina de Abertura

b(, b
b ) = E()
Contenido

b 6= 0 entonces se dice que

Si b() b es un estimador sesgado JJ II
de
J I
Definicion 4.2.3 (Insesgadez asintotica) Sea b un esti-
mador sesgado de , se dice que b es asintoticamente in- Pagina 8 de 71

sesgado si el lmite del sesgo tiende a cero cuando n tiende a

infinito Regresar

lm b(,
b ) = 0
n Full Screen

Cerrar

Abandonar
Nota: Todo estimador insesgado es tambien asintoticamente
Pagina www
insesgado.
Pagina de Abertura
Ejemplo 4.2.2 Si X1, X2, . . . , Xn constituyen una muestra
aleatoria de la poblacion dada por Contenido

e(x) para x >


JJ II
f (x) =
0 en otro caso
J I
entonces X es un estimador sesgado de
Pagina 9 de 71
Demostracion Se establece que E(X) = E(X). Por otro
lado, se tiene que la esperanza de X es igual a Regresar

Z
E(X) = xe(x) dx = 1 + Full Screen

Cerrar

Abandonar
para demostrarlo se utilizara el metodo de integracion por partes.
Z Z
u dv = uv v du

Pagina www
Sea
u=x y por tanto du = dx
(x)
dv = e dx y por tanto v = e(x) Pagina de Abertura

entonces
Z Z Contenido
(x)
xe(x)  e(x) dx

xe dx =

x  (x) 
 JJ II
= (x)  e
he x  i
= (x)  [0 1]

J I
e x=

x
Como (x) evaluado en x = es una indefinicion de la forma
se puede Pagina 10 de 71
e
aplicar la regla de LHopital obteniendose finalmente que
Regresar

Z   
1 
xe(x) dx = (x)  +1 Full Screen
e x=

= [0 ] + 1
Cerrar
Z
(x)
xe dx = 1 + // QED

Abandonar
Por tanto X es un estimador sesgado de , que es lo que se quera
demostrar. En particular, el sesgo esta dado por
Pagina www

b(X, ) = E(X) = (1 + ) = 1 //R

Pagina de Abertura

Nota: Del ejercicio anterior se puede concluir que Ye = X 1 Contenido

es un estimador insesgado de . Por supuesto, en la mayora

JJ II
de los casos no es posible pasar de un estimador sesgado a uno
insesgado por el simple conocimiento del sesgo.
J I

Ejemplo 4.2.3 Si X1, X2, . . . , Xn constituyen una muestra Pagina 11 de 71

aleatoria de una poblacion normal, entonces

Regresar
Pn
2
i=1 Xi X
e2 =
Full Screen
n
es un estimador sesgado de 2, pero asintoticamente insesgado. Cerrar

Abandonar
Demostracion Siguiendo un procedimiento similar al del
ejemplo 4.2.1 se tendra que
" Pn
2 # Pagina www

i=1 Xi X
e 2) = E
E(
n Pagina de Abertura

n
1X 1
E(Xi X)2 = n 2 2


= Contenido

n i=1 n
JJ II
n1
 
e 2) =
E( 2
n J I

e 2 es un estimador sesgado de 2 con sesgo

lo que demuestra que Pagina 12 de 71

igual a
Regresar

n1
 
e 2, 2
e 2 =
2
2 2



b = E
 n
Full Screen

n1 1

= 2 1 = 2 Cerrar
n n
Abandonar
No obstante, este sesgo tiende a cero cuando n tiende a infinito
1
  Pagina www
2 2
2 = 0


lm b
e , = lm
n n n Pagina de Abertura

e 2 es un estimador asintoticamente insesgado de 2 .

Por tanto Contenido

Ejemplo 4.2.4 Dada una muestra aleatoria X1, X2, . . . , Xn. El

JJ II
estimador Xe = Xi es un estimador insesgado de la media pobla-
cional , para cualquier i {1, 2, 3, . . . , n} J I

Demostracion La esperanza de un elemento cualquiera de

Pagina 13 de 71
la muestra (el elemento i) es igual a
E(Xi) = Regresar

e = Xi para cualquier i {1, 2, 3, . . . , n} es un Full Screen

En conclusion, X
estimador insesgado de . Cerrar

Abandonar
4.2.2. Eficiencia relativa
Definicion 4.2.4 Si b1 y
b 2 son dos estimadores insesgados Pagina www

del parametro de una poblacion dada y la varianza de

b 1 es
menor que la varianza de b 2 , entonces
b 1 es relativamente Pagina de Abertura

mas eficiente que b2

Contenido

Teorema 4.2.1 La varianza de todos los estimadores insesga-

JJ II
dos cumple la siguiente propiedad conocida como la Desigual-
dad de Cramer-Rao J I
 
b 1
Var " 2 # Pagina 14 de 71
ln f (X; )
nE
Regresar

donde es el conjunto de parametros que definen la poblacion, Full Screen

f (x) es el valor de la funcion de densidad en x y n es el tamano

de la muestra aleatoria. Cerrar

Abandonar
Teorema 4.2.2 Si
b es un estimador insesgado de y
Pagina www
  1
Var
b = " 2 #
ln f (X; ) Pagina de Abertura

nE
Contenido

entonces
b es un estimador insesgado de varianza mni- JJ II
ma de
J I
Nota: La cantidad en el denominador se conoce como la in-
formacion sobre que proporciona la muestra. As, mientras Pagina 15 de 71

menor sea la varianza mayor es la informacion.

Regresar

Definicion 4.2.5 Si b es un estimador de que cumple con

Full Screen
el teorema 4.2.2 entonces
b es el estimador insesgado mas efi-
ciente de . Cerrar

Abandonar
Nota: Cuando simplemente se dice que un estimador es el
mas eficiente usualmente es implcito que se esta hablando de el Pagina www
estimador insesgado mas eficiente.
Pagina de Abertura

Ejemplo 4.2.5 X es un estimador insesgado de varianza mni-

ma de la media de una poblacion normal. Contenido

Solucion: La funcion de densidad de la distribucion normal JJ II

esta dada por
J I
2 1 12 ( x )
2
f (x; , ) = e

2 2 Pagina 16 de 71

Se requiere calcular Regresar

" 2 # " 2 #
ln f (X; ) ln f (X; , 2) Full Screen
E =E

Cerrar

Abandonar
Para tal efecto se requiere hacer los siguientes calculos
h
1 x i  2
ln f (x; , 2) = ln 2 Pagina www

2
2
ln f (x; , ) 1 x
 
Pagina de Abertura
=

Contenido

Reemplazando valores
JJ II
" 2 # " 2 #
ln f (X; , 2) 1 x 1
E = E = J I
2 2
Pagina 17 de 71
Finalmente se ha obtenido que un estimador insesgado de
tendra como mnimo una varianza de Regresar

1 1 2
#= = Full Screen
2 2 1
"
ln f (X; , ) n
nE n
2 Cerrar

Abandonar
Dado que esta es justamente la varianza del estadstico X, el cual
es un estimador insesgado de , se concluye que para poblaciones Pagina www

normales X es un estimador insesgado de varianza mnima de .

(Recuerdese que no se puede generalizar que X sea el estimador Pagina de Abertura

mas eficiente de la media de cualquier poblacion)

Contenido

Definicion 4.2.6 (Eficiencia asintotica) Un estimador

b
es asintoticamente eficiente si su varianza tiende a cero JJ II

cuando n tiende a infinito

J I

lm Var()
b =0
n Pagina 18 de 71

Observaciones 4.2.1 Sean

b1 y
b 2 dos estimadores insesgados
Regresar

de
Full Screen
La eficiencia relativa de b 1 respecto a
b 2 no implica que
b1
sea el estimador mas eficiente de . Cerrar

Abandonar
 Si b 1 es el estimador mas eficiente entonces
b 1 tambien
sera asintoticamente eficiente.
Pagina www
Si
b 1 no es asintoticamente eficiente entonces
b 1 tampoco
puede ser el mas eficiente. Pagina de Abertura

Los dos puntos anteriores requieren que la informacion que

la muestra provee sobre el parametro sea diferente de cero. Contenido

Ejemplo 4.2.6 X e = Xi para cualquier i {1, 2, 3, . . . , n} es JJ II

un estimador insesgado de pero no es asintoticamente eficiente.

J I
Demostracion La varianza de X
e esta dada por
Pagina 19 de 71
2
Var(X)
e = Var(Xi ) =
Regresar

Dado que la varianza del estimador no tiende a cero a medida que

n tiende a infinito se concluye que el estimador no es eficiente. Full Screen

e = lm 2 = 2 6= 0
lm Var(X) Cerrar

n n
Abandonar
Ejemplo 4.2.7 Si X1, X2, . . . , Xn constituyen una muestra
aleatoria de una poblacion normal, entonces Pagina www

Pn
2
i=1 Xi X
S2 = Pagina de Abertura

n1
Contenido
es un estimador insesgado de 2, su varianza no es mnima (es
mayor al lmite inferior de Cramer-Rao), pero es asintoticamente JJ II
eficiente.
J I
Solucion En el ejemplo 4.2.1 ya se demostro que S 2 es un esti-
mador insesgado de 2. Queda por demostrar que este estimador Pagina 20 de 71

no es de varianza mnima para una poblacion normal. En parti-

cular, se necesitara calcular Regresar

" 2 # "
2 2 #
ln f (X; ) ln f (X; , ) Full Screen

E =E
2 Cerrar

Abandonar
Para esto, se tiene que
2
1   1 (x )
ln f (x; , 2) = ln 2 2
2 2 2 " #
2
ln f (x) 1 1 2 1 (x )
= + (x ) = 1 Pagina www
2 2 2 2 4 2 2 2
Pagina de Abertura

por lo que
Contenido
( #)2
"
2 2 # " 2
ln f (X; , ) 1 (x ) JJ II
E = E 1
2 2 2 2
( ) J I
4 2
1 (x ) (x )
= E 2 +1 Pagina 21 de 71
4 4 4 2
h 4
i h
2
i
1 E (x ) E (x ) Regresar

= 4 2 +1
4 4 2 Full Screen

 4 2
1 3 1

= 2 + 1 = (2) Cerrar

4 4 4 2 4 4
1 Abandonar

= 4
2
Se concluye que para una poblacion normal, un estimador inses-
gado de varianza mnima de 2 tendra una varianza de
Pagina www

1 1 2 4
#= = Pagina de Abertura
2 2 1
"
ln f (X; , ) n
nE n
2 2 4 Contenido

Se procede ahora a calcular la varianza de S 2, y se sabe que JJ II

(n 1)S 2
  h i J I
2
Var = Var (n1)
2 Pagina 22 de 71
(n 1)2 2
Var(S ) = 2(n 1)
4 Regresar

por lo tanto Full Screen

2 2 4 2 4
Var(S ) = 6 =
n1 n Cerrar

Abandonar
finalmente se calcula el lmite de la varianza del estimador cuando
n tiende a infinito. Pagina www

2 2 4
lm Var(S ) = lm =0 Pagina de Abertura

n n n 1
Contenido
Lo cual demuestra que S 2 es un estimador insesgado que no tiene
varianza mnima pero que es asintoticamente eficiente. (o S 2 solo JJ II
es eficiente asintoticamente)
J I

Nota: Si la media poblacional fuera conocida, entonces un

Pagina 23 de 71
estimador insesgado de varianza mnima para una poblacion nor-
mal sera n 2 Regresar
2
X (Xi )

b =
i=1
n Full Screen

Cerrar

Abandonar
Definicion 4.2.7 El error cuadratico medio de un estima-
dor
b se define como Pagina www

 2 
ECM()
b =E b
Pagina de Abertura

Contenido
Observaciones 4.2.2
JJ II
El ECM es diferente a la varianza de
b la cual esta definida
por    2 J I
Var()
b =E b E()
b
Pagina 24 de 71

La diferencia entre ambos es que la Var()b mide la dispersion

Regresar

de la distribucion de
b alrededor de su valor esperado, mien-
tras que ECM() b mide la dispersion alrededor del verdadero Full Screen

valor del parametro.

Cerrar

Abandonar
La relacion entre ambos esta dada por
 2 
ECM()
b =E b
Pagina www

h   i2 
=E b E()
b
b + E() Pagina de Abertura

 2     2 
=E b E()
b b E()
+2 b b + E()
E() b Contenido

 2       2 
=E b E()
b b E()
+E 2 b b
E() +E b
E() JJ II

y dado que E()

b y son constantes J I
 2       2
=E b E()
b b E
+ 2 E() b E()
b b
+ E()
Pagina 25 de 71

de donde se obtiene que

Regresar
h i2
ECM()
b = Var()
b + b(,
b )
Full Screen

Es decir, el error cuadratico medio de

b es igual a la varianza de
b mas el sesgo
Cerrar
de al cuadrado.
b

Abandonar
 Pagina www
Definicion 4.2.8 El criterio de mnimo ECM consiste en
seleccionar un estimador cuyo ECM sea el menor en un conjunto Pagina de Abertura

de estimadores comparables.
Contenido
Observaciones 4.2.3
Si el sesgo es igual a cero el critero de mnimo ECM es equi- JJ II

valente al criterio de mnima varianza, pues en ese caso

J I

ECM()
b = Var()
b
Pagina 26 de 71

En la practica el criterio de mnimo ECM se utiliza cuando Regresar

los estimadores insesgados son incapaces de cumplir con el
criterio de varianza mnima. Full Screen

Cerrar

Abandonar
4.2.3. Consistencia Pagina www

Definicion 4.2.9 El estadstico b es un estimador consis-

Pagina de Abertura
tente del parametro si y solo si para cada c > 0
Contenido
  
lm P   < c = 1
b 
n
JJ II
Interpretacion: Para cada numero positivo c, existe un valor
de n lo suficientemente grande a partir del cual podemos estar J I

practicamente seguros que la diferencia entre el estimador y el

Pagina 27 de 71
parametro no excedera a c.
Teorema 4.2.3 Si b es un estimador insesgado del parametro Regresar

y Var()
b desciende hacia cero conforme n asciende a infinito,
Full Screen
entonces
b es un estimador consistente de .
Cerrar

Abandonar
 Pagina www

4.3. Metodos de estimacion puntual Pagina de Abertura

Existe un numero infinito de estimadores para un mismo

Contenido
parametro de una poblacion.
Por las propiedades que cumplen, algunos de los metodos de JJ II

estimacion mas conocidos son:

J I
Metodo de momentos.
Metodo de maxima verosimilitud. Pagina 28 de 71

Estimacion bayesiana. Regresar

Metodo de mnimos cuadrados.

Full Screen

Cerrar

Abandonar
4.3.1. El metodo de maxima verosimilitud
Pagina www
Los estimados hallados por este metodo maximizan la proba-
bilidad de obtener la muestra observada. Pagina de Abertura

Los estimadores de maxima verosimilitud son asintoticamen-

te insesgados de varianza mnima. Contenido

Propiedad de invarianza: Si b es un estimador de maxi- JJ II

ma verosimilitud del parametro y la funcion dada por g() es

J I
continua, entonces g()b tambien es un estimador de maxima
verosimilitud de g(). Pagina 29 de 71

Definicion 4.3.1 Si x1, x2, . . . , xn son los valores observados

en una muestra aleatoria de una poblacion con parametro , la Regresar

funcion de verosimilitud de esta muestra esta dada por Full Screen

L() = f (x1, x2, . . . , xn; ) Cerrar

Abandonar
 Pagina www

Pagina de Abertura

Donde se encuentra dentro de un dominio dado y

f (x1, x2, . . . , xn; ) es el valor de la distribucion de probabili- Contenido

dad conjunta de las variables aleatorias X1, X2, . . . , Xn cuando

JJ II
X1 = x1, X2 = x2, . . . , Xn = xn.
Ejemplo 4.3.1 La probabilidad de que llueva en un da esta da- J I

da por . Hubo lluvia en 5 de los 7 das de la semana pasada.

Cual es el valor de que maximiza la probabilidad de que suceda Pagina 30 de 71

lo observado?
Regresar

Full Screen

Cerrar

Abandonar
Solucion: La probabilidad de que llueva en 5 de los 7 das de
la semana pasada cuando la probabilidad de lluvia para cada da
es puede ser calculada a traves de la funcion de probabilidad
binomial   Pagina www

n x nx
(1 )
x Pagina de Abertura

donde n es el total de das en analisis y x representa el numero Contenido

de das en los que efectivamente llovio. Reemplazando valores se

tiene que la probabilidad en cuestion es igual a JJ II
 
7 5 75 2
(1 ) = 21 5 (1 ) J I
5
Pagina 31 de 71

Esta probabilidad es una funcion de y corresponde a la defini-

cion de funcion de verosimilitud L(). Regresar

2
L() = 21 5 (1 ) Full Screen

Interesa encontrar el valor que maximice esta probabilidad (que Cerrar

maximice la funcion de verosimilitud)

Abandonar
 = arg max L() = 21 5(1 )2

este problema de maximizacion es equivalente a

Pagina www

= arg max ln L() = ln 21 + 5 ln + 2 ln(1 )

Pagina de Abertura

para encontrar el valor de en cuestion se deriva la expresion Contenido

anterior con respecto a y se iguala a cero, obteniendo as la

condicion que debe cumplir . JJ II

5 2 J I
=0
1
Pagina 32 de 71

y por tanto
5 Regresar
=
7
Full Screen
Se concluye que la probabilidad de que se hayan observado 5 das
con lluvia la semana pasada se maximiza cuando la probabilidad Cerrar
de lluvia para un da es igual a 5/7. Al valor obtenido se lo llama
estimado de maxima verosimilitud. Abandonar
 Pagina www

Observaciones 4.3.1
Pagina de Abertura

es el estimado de maxima verosimilitud del parametro ,

es decir el valor que se hallo para una muestra en particular. Contenido

El estimado de maxima verosimilitud del parametro es JJ II

aquel valor de que maximiza la funcion de verosimilitud
o, dicho de otro modo, el valor de que hace maxima la J I
probabilidad de observar una muestra en particular.
Pagina 33 de 71

b es el estimador de maxima veromilitud del parametro ,
es decir la formula que indica como a partir de los datos de Regresar

una muestra calcular el estimado.

Full Screen

Cerrar

Abandonar
4.4. Estimacion por intervalo
Definicion 4.4.1 Una estimador por intervalo de es un Pagina www
intervalo de la forma
Pagina de Abertura

bL < <
bU
Contenido
donde bL y
b U son estadsticos elegidos de tal forma que la pro-
babilidad de que el parametro se encuentre en el intervalo es JJ II
un valor dado 1 .
J I
Prob( bU) = 1
bL < <
Pagina 34 de 71

Observaciones 4.4.1
Regresar
Al igual que los estimadores puntuales, los estimadores por
intervalo de un parametro no son unicos. Full Screen

Tanto
b L como b L son variables aleatorias que dependen de
la muestra aleatoria y de la probabilidad 1 . Cerrar

Abandonar
Definicion 4.4.2 Un intervalo de confianza del (1
)100 % para el parametro Pagina www

L < < U Pagina de Abertura

es el valor que toma el estimador por intervalo de Contenido

bL < <
bU JJ II

para una probabilidad 1 dada. J I

Definicion 4.4.3 Al valor 1 se lo conoce con el nombre de

Pagina 35 de 71
nivel de confianza. A se lo suele llamar nivel de signifi-
cancia. Regresar

Definicion 4.4.4 A los lmites inferior L y superior U de un

Full Screen
intervalo de confianza se los llama lmites de confianza infe-
rior y superior respectivamente. Cerrar

Abandonar
Observaciones 4.4.2
Mientras mas alto sea 1 , mayor sera la amplitud del in- Pagina www

tervalo
Pagina de Abertura

Mientras mas grande sea el intervalo mas imprecisa sera la

informacion que se proporciona. Contenido

Ejemplo: Que es preferible? Saber con un nivel de con-

JJ II
fianza del 90 % que un parametro se encuentra entre 2 y 4
o saber con un nivel de confianza del 99,99 % que el mismo J I
parametro se encuentra entre -10000 y 10000?
Una propiedad deseable de un intervalo de confianza es que Pagina 36 de 71

la longitud del intervalo, dado un nivel de confianza 1 , Regresar

sea la menor posible.
bU
Otra propiedad deseable es que la longitud esperada, E( Full Screen

b L ), sea tan corta como sea posible.
Cerrar

Abandonar
Ejemplo 4.4.1 Para una muestra aleatoria X1, X2, . . . , Xn Pagina www

donde n > 30 se define el siguiente estimador por intervalo para

la media poblacional : L < < U , donde L = X 2 X Pagina de Abertura

y U = X + 2 X Cual es la probabilidad 1 de que la

media poblacional se encuentre dentro de este intervalo? (pro- Contenido

babilidad de que la media poblacional se encuentre dentro de dos

JJ II
desviaciones estandar de la media muestral)
Solucion: Considerese que efectivamente se encuentra den- J I

tro del intervalo

Pagina 37 de 71

x 2 X < < x + 2 X
Regresar

Reordenando terminos la expresion anterior tambien indica que

Full Screen
x se encuentra a dos desviaciones estandar de
Cerrar

Abandonar
 Pagina www
x 2 X < < x + 2 X
x + 2 X > > x 2 X Pagina de Abertura

2 X > x > 2 X Contenido

+ 2 X > x > 2 X JJ II

2 X < x < 2 X
J I

Pagina 38 de 71
Para determinar la probabilidad de que esto ocurra se definira la
siguiente variable aleatoria Regresar

X X
Z= /n
= Full Screen

X
Cerrar

Abandonar
muestra es mayor a 30. Por tanto
P (L < < U ) = P ( 2 X < X < 2 X ) Pagina www

= P (2 < Z < 2)
Pagina de Abertura
= 0,955 //R
Contenido

En conclusion la probabilidad de que el verdadero valor de la JJ II

media poblacional se encuentre a dos desviaciones estandar de la

media muestral es 0,955. J I

Pagina 39 de 71

Nota: En el ejemplo se ha podido asumir que X se distribuye Regresar

aproximadamente normal, por tanto, la esperanza de la media
muestral es la media poblacional y esta se encuentra ubicada Full Screen

en el centro de la curva normal.

Cerrar

Abandonar
Observacion 4.4.3 Por lo general se trabajara con dos tipos
de intervalos de confianza:
b U ) = y Prob( <
Pagina www

Los de dos colas, en los que Prob( >

2 Pagina de Abertura

b L) = ; y
2 Contenido

Los de una cola, en los que Prob( >

bU) = y b L = ,
b U = . JJ II
o Prob( < b L) = y

Su uso dependera del problema a tratarse. J I

Definicion 4.4.5 Dado un estimador b del parametro , el Pagina 40 de 71

error de estimacion es un valor d tal que la probabilidad

de que la diferencia maxima entre
b y sea a lo mucho d es al Regresar

menos 1 . Esto puede ser expresado por

Full Screen
  
Prob   d 1
 
Cerrar

Abandonar
4.5. Estimacion de medias
4.5.1. Error de estimacion Pagina www

Teorema 4.5.1 Si X, la media de una muestra aleatoria de Pagina de Abertura

tamano n de una poblacion normal con varianza conocida 2,
se va a usar como un estimador de la media  poblacional

, la Contenido

probabilidad de que el error de estimacion X  sea menor

a Z/2 /n es 1 , donde Z/2 es tal que la integral de la funcion JJ II

de densidad normal estandar desde Z/2 hasta es igual a /2.

J I
Corolario 4.5.1 Para muestras grandes (n > 30) los resultados
del teorema se aplican de manera aproximada independientemen- Pagina 41 de 71

te de la distribucion que siga la poblacion.

Regresar

Corolario 4.5.2 Si la poblacion no sigue una distribucion nor-

mal y el tamano de la muestra es pequeno (n < 30), entonces se Full Screen

requiere de mas informacion sobre la poblacion para poder decir

algo acerca del error de estimacion. Cerrar

Abandonar
 Pagina www

Observacion 4.5.1 (el tamano del error de estimacion)

Manipulando el tamano de la muestra n es posible conseguir un Pagina de Abertura

error de estimacion arbitrariamente pequeno para un nivel de

confianza 1 dado. Contenido

Teorema 4.5.2 Si la media muestral X se va a usar como un JJ II

estimador de la media de una poblacion normal, y la varianza

J I
poblacional 2 es desconocida,
 
entonces la probabilidad de que el
S
error de estimacion X sea menor a t 2 ,n1 n es 1 ;
 
Pagina 42 de 71

donde S es la desviacion estandar muestral y t 2 ,n1 es tal que la

integral de la funcion de densidad t-student desde t 2 ,n1 hasta Regresar

es igual a /2.
Full Screen

Cerrar

Abandonar
4.5.2. Intervalos de confianza Pagina www

Los errores de estimacion y los intervalos de confianza suelen

Pagina de Abertura
hallarse ntimamente relacionados. La causa es que se pueden
construir intervalos de confianza a partir del conocimiento del Contenido
error de estimacion.
JJ II
Teorema 4.5.3 Si x es el valor de la media de una muestra
aleatoria de tamano n de una poblacion normal con varianza J I
conocida 2, entonces
Pagina 43 de 71

x Z/2 < < x + Z/2

n n Regresar

es un intervalo de confianza al (1 )100 % de la media

Full Screen
poblacional.
Cerrar

Abandonar
Demotracion Se sabe que

 
 
Prob X  < Z/2 = 1
n Pagina www

 
Prob Z/2 < X < Z/2 = 1 Pagina de Abertura
n n

 
Prob Z/2 > X > Z/2 = 1 Contenido

n n
JJ II

 
Prob Z/2 < X < Z/2 = 1
n n J I

 
Prob X Z/2 < < X + Z/2 = 1
n n Pagina 44 de 71

Regresar

Lo que demuestra que

Full Screen

x Z/2 < < x + Z/2

n n Cerrar

es el intervalo de confianza en cuestion. Abandonar

4.6. Estimacion de diferencias de medias Pagina www

Establecida la relacion entre el error de estimacion y los intervalos Pagina de Abertura

de confianza que se estan presentando, a partir de esta parte solo
se trabajara con los intervalos de confianza. Contenido

Teorema 4.6.1 Si x1 y x2 son los valores de las medias de mues-

JJ II
tras aleatorias independientes de tamano n1 y n2 de poblaciones
normales con varianzas conocidas 12 y 22, entonces J I
s s
12 22 12 22 Pagina 45 de 71
(x1 x2)Z 2 + < 1 2 < (x1 x2)+Z 2 +
n1 n2 n1 n2
Regresar

es un intervalo de confianza al (1 )100 % de la diferencia entre

Full Screen
las dos medias poblacionales.
Cerrar

Abandonar
 Pagina www

Demostracion Se sabe que X1 y X2 se distribuyen normal-

Pagina de Abertura
mente y que su combinacion lineal tambien sera normal, por tanto
(X1 X2) (1 2) Contenido

Z= q
12 2

n1
+ n22 JJ II

J I

Pagina 46 de 71

sigue una distribucion normal estandar. Si en

Regresar

Prob(Z/2 < Z < Z/2)

Full Screen

Cerrar

Abandonar
se reemplaza Z se obtendra
 
(X1 X2 )(1 2 )
Prob Z/2 < q < Z/2 = 1 Pagina www
12 22
n1
+ n2
Pagina de Abertura
 q
12 22
Prob Z/2 n1
+ n2
< (1 2) Contenido

q 
12 22 JJ II
(X1 X2) < Z/2 n1
+ n2 =1
J I
 q
12 2
Prob (X1 X2) Z/2 n1
+ n22 < (1 2) Pagina 47 de 71

q 
12 22 Regresar
< (X1 X2) + Z/2 n1
+ n2
=1
Full Screen

Obteniendo a partir de aqu el intervalo de confianza que propone Cerrar

el teorema.
Abandonar
Corolario 4.6.1 Para muestras grandes (n1 y n2 mayores a 30), Pagina www

si las poblaciones de donde provienen X1 y X2 no son normales,

Pagina de Abertura
los resultados del teorema siguen siendo aplicables de manera
aproximada. Contenido

Demostracion Se sabe que para cualquier distribucion que

JJ II
sigan X1 y X2
(X1 X2) (1 2) J I
Z= q
12 2

n1
+ n22 Pagina 48 de 71

se distribuye aproximadamente como una normal estandar. A Regresar

partir de aqu el resto de la prueba es igual que la del teorema.

Full Screen

Cerrar

Abandonar
Corolario 4.6.2 Para muestras grandes (n1 y n2 mayores a 30), Pagina www
si las poblaciones son normales y las varianzas poblacionales 12
y 22 no son conocidas pero se puede disponer de las varianzas Pagina de Abertura

muestrales (s21 y s22 respectivamente), entonces

s s Contenido

s21 s22 s21 s22

(x1 x2)Z 2 + < 1 2 < (x1 x2)+Z 2 + JJ II
n1 n2 n1 n2
J I
es aproximadamente un intervalo de confianza al (1 )100 % de
la diferencia entre las dos medias poblacionales. Pagina 49 de 71

Teorema 4.6.2 Si x1, x2, s1 y s2 son los valores de las medias y

Regresar
las desviaciones estandar de variables aleatorias independientes
de tamano n1 y n2 de poblaciones normales con varianzas iguales Full Screen
(12 = 22 = 2), entonces
Cerrar

Abandonar
 Pagina www

s
1 1 Pagina de Abertura
(x1 x2) t 2 ,n1+n22 sp + < 1 2
n1 n2
s Contenido

1 1
< (x1 x2) + t 2 ,n1+n22 sp + JJ II
n1 n2
J I
donde s
(n1 1)s21 + (n2 1)s22
sp = Pagina 50 de 71

n1 + n2 2
Regresar
es un intervalo de confianza al (1 )100 % de la diferencia entre
las dos medias poblacionales Full Screen

Cerrar

Abandonar
Demostracion Se sabe que para poblaciones normales
(X1 X2) (1 2)
Z= q Pagina www
12 22
n1
+ n2
Pagina de Abertura

sigue una distribucion normal estandar, y por tanto si las varian-

zas poblaciones son iguales la misma distribucion normal aplica Contenido

para
JJ II
(X1 X2) (1 2)
Z= q
n11 + n12 J I

donde es un parametro desconocido que sera estimado por Sp. Pagina 51 de 71

Aparte se sabe que

Regresar

(n1 1)S12 (n2 1)S22

y
2 2 Full Screen

siguen distribuciones chi-cuadrado con n1 1 y n2 1 grados de Cerrar

libertad, y por tanto su suma

Abandonar
 Pagina www

(n1 1)S12 (n2 1)S22(n1 + n2 2)Sp2

Y = + = Pagina de Abertura
2 2 2
sigue una distribucion chi-cuadrado con n1 + n2 2 grados de Contenido

libertad. Z y Y son independientes (lo cual no se demostrara)

tenemos que JJ II

Z J I
T = q
Y
n1 +n2 2 Pagina 52 de 71

(X1 X2) (1 2)
T = q Regresar
1
Sp n1
+ n12
Full Screen

Cerrar

Abandonar
 Pagina www
sigue una distribucion t con n1 + n2 2 grados de libertad. Re-
emplazando este valor en Pagina de Abertura

Prob(t 2 ,n1+n22 < T < t 2 ,n1+n22) = 1 Contenido

se obtiene JJ II
 
(X1 X2 )(1 2 )
Prob t 2 ,n1+n22 < < t 2 ,n1+n22 = 1 J I
Sp n1 + n1
1 2

Pagina 53 de 71

de donde es facil ver que se obtiene el intervalo de confianza que

Regresar
propone el teorema
Full Screen

Cerrar

Abandonar
4.7. Estimacion de proporciones
Una proporcion puede ser entendida como el parametro de una
poblacion Bernoulli con funcion de probabilidad Pagina www

f (y) = y (1 )1y y {0, 1} Pagina de Abertura

representa en esta poblacion la probabilidad de exito, es decir, Contenido

la probabilidad de que X = 1.
JJ II
Si Y1, Y2, Y3, . . . , Yn es una muestra aleatoria de esta poblacion,
entonces el total de exitos dentro de la muestra J I

n
X Pagina 54 de 71
X= Yi
i=1
Regresar

constituye una variable aleatoria binomial cuya funcion de pro-

babilidad es la siguiente Full Screen

 
n x Cerrar

f (x) = (1 )nx x {0, 1, 2, . . . , n}

x
Abandonar
Teorema 4.7.1 Si X es una variable aleatoria que tiene una
distribucion binomial con los parametros n y , entonces la dis-
tribucion de
X n
Z=p Pagina www

n(1 )
Pagina de Abertura
se aproxima a la distribucion normal estandar cuando n
Observacion 4.7.1 Los resultados del teorema solo son validos Contenido

cuando n , sin embargo a menudo se usa la distribucion nor-

JJ II
mal para aproximar probabilidades binomiales. Una buena regla
emprica es usar esta aproximacion solo cuando n y n(1 ) son J I
ambos mayores a 5.
Pagina 55 de 71
Teorema 4.7.2 Si X es una variable aleatoria binomial con
parametros n y , n es grande y = x/n, donde x es el valor Regresar
que toma la variable aleatoria X, entonces podemos afirmar con
un (1 )100 % de confianza que el error de estimacion es menor Full Screen

a s
(1 ) Cerrar

Z 2
n Abandonar
Demostracion Se sabe por el teorema 4.7.1 que para mues-
tras grandes
X n Pagina www
Z=p
n(1 ) Pagina de Abertura

se distribuye aproximadamente como una normal estandar. Z

puede ser re-escrito de la siguiente manera Contenido

X n X n JJ II
Z = p =q 2
n(1 ) n (1)
n J I

X
X n n

= q =q Pagina 56 de 71

(1) (1)
n n n Regresar

b
Full Screen
Z = q
(1)
n Cerrar

Abandonar
Es facil ver que (1)/n es la varianza de b = X/n lo cual implica
que b tambien se distribuye aproximadamente normal en mues-
tras grandes. Se observa que el error de estimacion que plantea el Pagina www

teorema utiliza la version muestral de la desviacion estandar de

Pagina de Abertura
,
b esto es (1
b )
b
/n. Si utilizamos esta version tendremos una nueva
variable aleatoria Z 0 definida por Contenido

b

0 JJ II
Z =q
(1
b )
b
n J I

La pregunta es si Z 0 sigue alguna distribucion conocida. Para Pagina 57 de 71

responder se puede decir que Z 0 se distribuye aproximadamente
como una normal estandar para muestras grandes. Regresar

A partir de lo expuesto anteriormente se tiene que Full Screen

 
0
Prob |Z | < Z 2 = 1 Cerrar

Abandonar
Reemplazando Z 0 se encuentra que
  Pagina www
 
 b 

Prob  q  < Z 2 = 1
 Pagina de Abertura

 (1
b )
b 
n
 
Contenido

1  
JJ II
Prob q   < Z 2 = 1
b 
(1
b )
b
n J I
s
  b )
(1 b
Prob 
 b  < Z = 1 Pagina 58 de 71
2
n
Regresar
q
(1 )
De donde se puede ver que | | < Z/2 con un
b b
Full Screen
n
(1 )100 % de confianza
Cerrar

Abandonar
 Pagina www

Pagina de Abertura
Teorema 4.7.3 Si X es una variable aleatoria binomial con
parametros n y , n es grande y el estimado de la proporcion Contenido

es = x/n, donde x es el valor que toma la variable aleatoria

X, entonces JJ II

s s
J I
(1 ) (1 )
Z 2 < < + Z 2
n n Pagina 59 de 71

es un intervalo de confianza aproximado al (1 )100 % para . Regresar

Full Screen

Cerrar

Abandonar
Demostracion En la prueba del teorema 4.7.2 ya se argu-
Pagina www
mento las condiciones bajo las cuales
Pagina de Abertura
b

Z0 = q
(1
b )
b Contenido
n
JJ II
sigue aproximadamente una distribucion normal estandar, y a
partir de este hecho se establecio que J I
s
  b )
(1 b Pagina 60 de 71
Prob   < Z 2 =1
b 
n
Regresar

Ahora se manipulara la expresion anterior para que la desigualdad Full Screen

haga referencia solo a .

Cerrar

Abandonar
 Pagina www

s
  b )
(1 b Pagina de Abertura

b  < Z
Prob  =1

2
n Contenido

s s
b )
(1 b b )
(1 b JJ II
Prob Z 2 <
b < Z =1
n 2
n J I
s s
b )
(1 b b )
(1 b
Pagina 61 de 71
b Z
Prob b + Z
<< =1
2
n 2
n
Regresar

Este resultado demuestra el teorema. Full Screen

Cerrar

Abandonar
 Pagina www
4.8. Estimacion de diferencias entre proporciones
Para establecer intervalos de confianza para la diferencia de pro- Pagina de Abertura

porciones entre poblaciones Bernoulli independientes con parame-

Contenido
tros 1 y 2 es necesario primero determinar cual es la distribucion
del estimador a usarse. En esta seccion se trabajara con el esti- JJ II
mador b1 b 2 que esta definido por
J I
b 1 = X1
y b 2 = X2

n1 n2 Pagina 62 de 71

donde n1 y n2 son los tamanos de las muestras aleatorias de cada Regresar

poblacion y, X1 y X2 representan el total de exitos encontrados

en cada una de las dos muestras en cuestion. Full Screen

Cerrar

Abandonar
 b1
De b 2 se puede demostrar que
  Pagina www

b1
E b2 = 1 2
Pagina de Abertura

b1
 1(1 1) 2(1 2)
Var b2 = +
n1 n2 Contenido

y puesto que tanto 1 como 2 se distribuyen aproximadamente JJ II

normal para muestras grandes (ver la primera parte de la demos-

J I
tracion del teorema 4.7.2) entonces tambien su diferencia lo hara,
esto implica que Pagina 63 de 71

b1
( b 2 ) (1 2 )
Z= q Regresar

1 (11 ) 2 (12 )
n1
+ n2 Full Screen

es aproximadamente una variable aleatoria normal estandar. Cerrar

Abandonar
Teorema 4.8.1 Si X1 es una variable aleatoria binomial con Pagina www

parametros n1 y 1, X2 es una variable aleatoria binomial con

parametros n2 y 2, n1 y n2 son grandes, y 1 = x1/n1 y 2 = x2/n2, Pagina de Abertura

donde x1 y x2 son los valores que toman las variables aleatorias

Contenido
X1 y X2 respectivamente, entonces
JJ II
s
1(1 1) 2(1 2)
(1 2) Z 2 + <
n1 n2 J I
s
1(1 1) 2(1 2) Pagina 64 de 71
1 2 < (1 2) + Z 2 +
n1 n2
Regresar

es un intervalo de confianza aproximado al (1 )100 % para

1 2. Full Screen

Cerrar

Abandonar
Demostracion Dado que 1 y 2 son desconocidos no pode- Pagina www

mos valernos del hecho que

Pagina de Abertura

b1
( b 2 ) (1 2 )
Z= q Contenido
1 (11 ) 2 (12 )
n1
+ n2
JJ II

sigue aproximadamente una distribucion normal estandar para

J I
muestras grandes para construir un intervalo de confianza. Pode-
mos llegar a la conclusion de que si reemplazamos los parametros
Pagina 65 de 71
desconocidos 1 y 2 por sus versiones muestrales 1 y 2 res-
pectivamente, la variable aleatoria resultante tambien se distri- Regresar

buira aproximadamente como una normal estandar para muestras

grandes. Full Screen

Cerrar

Abandonar
Es decir,
b1
( b 2 ) (1 2 ) Pagina www
0
Z = qb
1 (1b 1)
+ 2(1 2 )
b b
Pagina de Abertura
n1 n2

sigue aproximadamente una distribucion normal estandar para Contenido

muestras grandes.
JJ II
Partiendo de este hecho tenemos que
J I
 
0
Prob |Z | < Z 2 = 1 Pagina 66 de 71

  Regresar
 
 b b 2 ) (1 2 ) 
 ( 1
Prob  q b b  < Z 2 = 1

Full Screen
1 (11 )
b 2 (1b 2) 
+

n1 n2
 
Cerrar

Abandonar
 Pagina www
 
Prob (1 2) (
b1
b 2 )

Pagina de Abertura

q 

b 1 (1b 1)
b 2 (1b 2) Contenido
< Z 2 n1
+ n2
= 1
JJ II
 q

b 1 (1b 1)
b1
Prob ( b 2) Z + 2(1 2 )
<
b b
J I
2 n1 n2
q 
Pagina 67 de 71

b 1 (1b 1)
b 2 (1b 2)
1 2 < (
b1
b 2) + Z
2 n1
+ n2
= 1
Regresar

lo cual completa la prueba. Full Screen

Cerrar

Abandonar
4.9. Estimacion de varianzas
Teorema 4.9.1 Si s2 es el valor de la varianza de una muestra Pagina www

aleatoria de tamano n de una poblacion normal, entonces Pagina de Abertura

(n 1)s2 2 (n 1)s2
< < 2 Contenido

2/2 ; n1 1/2 ; n1
JJ II
2
es un intervalo de confianza al (1 )100 % para .
J I
Demostracion Si S 2 es la varianza muestral de una poblacion
normal con varianza 2 y n representa el tamano de la muestra, Pagina 68 de 71

entonces
(n 1)S 2 Regresar

2
es una variable aleatoria que sigue una distribucion chi-cuadrado Full Screen

con n 1 grados de libertad. As Cerrar

Abandonar
 (n 1)S 2
 
Prob 21/2 ; n1 < < 2
/2 ; n1 = 1
2 Pagina www

!
2 Pagina de Abertura
1 1
Prob > > = 1
21/2 ; n1 (n 1)S 2 2/2 ; n1 Contenido

!
2 2
(n 1)S 2 (n 1)S JJ II
Prob < < = 1
2/2 ; n1 21/2 ; n1 J I

Lo cual implica que Pagina 69 de 71

(n 1)s2 2 (n 1)s2
< < 2 Regresar

2/2 ; n1 1/2 ; n1
Full Screen
2
es un intervalo de confianza al (1 )100 % para , tal como lo
plantea el teorema. Cerrar

Abandonar
4.10. Estimacion de la razon entre dos varianzas
Pagina www

s21 s22
Teorema 4.10.1 Si y son los valores de las varianzas de
muestras aleatorias independientes de tamano n1 y n2 de pobla- Pagina de Abertura

ciones normales, entonces

Contenido

s21 1 12 s21
< < f ; n 1 ; n11 JJ II
s22 f 2 ; n11 ; n21 22 s22 2 2
J I
es un intervalo de confianza al (1 )100 % para 12/22.
Demostracion Si S12 y S22 son las varianzas de muestras alea- Pagina 70 de 71

torias independientes de tamano n1 y n2 de poblaciones normales, Regresar

entonces
22S12
F = 2 2 Full Screen

1 S2
Cerrar

Abandonar
es una variable aleatoria que tiene una distribucion F con n1 1
y n2 2 grados de libertad (teorema 1.6.1). As, se puede decir
que Pagina www

22S12
 
Prob f1 2 ; n11 ; n21 < 2 2 < f 2 ; n11 ; n21 = 1 Pagina de Abertura

1 S2
Contenido
lo cual puede ser re-escrito en virtud del 3.6.2 como
! JJ II
1 22S12
Prob < < f 2 ; n11 ; n21 =1
f
2 ; n2 1 ; n1 1 12S22 J I

Ordenando la desigualdad para que exprese un intervalo para 12/22 Pagina 71 de 71

se obtiene
Regresar
!
S12 1 12 S12
Prob < < f ; n 1 ; n11 =1 Full Screen
S22 f 2 ; n11 ; n21 22 S22 2 2
Cerrar
lo que demuestra la veracidad del teorema.
Abandonar