Está en la página 1de 19

ESTIMACION DE PARAMETROS POR

INTERVALOS DE CONFIANZA

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

ESTIMACION DE PARAMETROS POR INTERVALOS


DE CONFIANZA

En vez de estimar el parámetro θ a partir de un valor del θˆ (estimación


puntual) ahora se trata de encontrar para una probabilidad prefijado (1-α)
(nivel
( de confianza)) un intervalo [L
[ 1,L2] llamado intervalo de confianza, que
q
contiene el parámetro θ, en base a una m.a.s, la misma que esta definida
como:
P(L1 ≤ ɵ ≤ L2)=1-α
Estimador puntual Parámetro
L1 L2
θ

El intervalo [L1,L2] es un intervalo aleatorio ya que sus extremos son variables


aleatorias.

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

1
Nivel de Confianza Gráficamente :
L1 L2
θ Podemos considerar el nivel de confianza (1-α) que
hemos prefijado para la expresión anterior como la
probabilidad que existe (antes de tomar la muestra) de
que el intervalo a construir a partir la muestra
incluya el verdadero valor del parámetro a estimar.

Refleja “la confianza” en la “construcción del


intervalo” y de que este, tras concretar la muestra,
contendrá el verdadero valor del parámetro, de
ahí que en términos numéricos dicho nivel toma
niveles altos (0.90, 0.95, 0.99).

p
El complementario del “nivel de confianza”,, es “α”,, denominado nivel de significancia,
g ,
supone la probabilidad de cometer el error de concluir que el intervalo no contiene el
verdadero valor del parámetro cuando realmente si esta contenido.

De ahí dado que se trata de un error posible a cometer, su cuantificación en términos


de probabilidad sea muy pequeña (0.10, 0.05, 0.025).

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

INTERVALO DE CONFIANZA PARA LA MEDIA CON VARIANZA


CONOCIDA, MUESTRA GRANDE

Sea X una población distribuida con media μ desconocida y varianza σ2


conocida.

Debemos hallar un intervalo de confianza para μ, es decir, encontrar 2


estadísticos θ1 y θ2 tal que:

P(θ1 ≤ μ ≤ θ 2 ) = 1 − α

Con (1-α) conocido y establecido por el investigador

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

2
Entonces :

1)Establecemos el nivel de confianza (1-α)

2)S X1, …,X


2)Sea Xn una m.a. de
d tamaño
t ñ “n”
“ ” de
d X,
X y X la
l media
di muestral.
t l

3)Sabemos que X es adecuada para estimar μ, por lo tanto podemos


usar la distribución muestral de X para establecer un intervalo de
confianza para μ.

4)Para “n”
4)P “ ” suficientemente
fi i t t grande
d (n≥30)
( ≥30) por ell teorema
t central
t l del
d l limite
li it
se tiene que:
σ2
X ≈ N ( μ, )
n

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

Si X es una población normal, entonces X es normal para todo “n”.


Además se obtiene:

( X − μ) n
Z= ≈ N (0,1)
σ

Se observa que si bien la v.a. depende del parámetro “μ” su distribución


no. Por lo tanto bajo un nivel de confianza elegido puede determinarse:

P ( − z0 ≤ Z ≤ z0 ) = 1 − α , …….. (*)

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

3
Por la simetría de la curva normal se tiene:

P(− z0 ≤ Z ≤ z0 ) = 2 P[ Z ≤ z0 ] − 1 = 1 − α
Es decir:

2 P[ Z ≤ z0 ] = 1 + 1 − α
2 −α
P[ Z ≤ z0 ] =
2
2 −α α
P[ Z ≤ z0 ] = f ( z0 ) = = 1−
2 2

Usando tabla de la distribución normal, se encuentra el valor de


“z0”.

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

5) Luego se sustituye “z0” (ya conocido) y el estadístico “Z” construido para la


distribución de la media muestral, donde X es un estimador de µ

( X − μ) n
Z= ≈ N (0,1)
σ

en la siguiente expresión: P (− z0 ≤ Z ≤ z0 ) = 1 − α

( X − μ) n
P(− z0 ≤ Z ≤ z0 ) = P(− z 0 ≤ ≤ z0 ) = 1 − α
σ
z0σ zσ
P(− ≤ X − μ ≤ 0 ) = 1−α
n n
z0σ zσ
P(− X − ≤ −μ ≤ − X + 0 ) = 1 − α
n n

z0σ zσ
P( X − ≤ μ ≤ X + 0 ) = 1−α
n n
ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

4
z0σ zσ
P(− X − ≤ −μ ≤ − X + 0 ) = 1 − α
n n

z0σ zσ
P( X − ≤ μ ≤ X + 0 ) = 1−α
n n

De donde se obtiene el intervalo

z0σ zσ
[X − ,X + 0 ]
n n

del 100(1-α)% de confianza para el parámetro μ.

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

Para un valor particular de la muestra x1, …,xn sustituyendo


el valor de xde X en el intervalo aleatorio, se obtiene el
siguiente intervalo de 100(1-α)% de confianza para µ :

z0σ zσ
x− ≤μ≤x+ 0
n n

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

5
Teorema que resume y formaliza el resultado anterior:

Si x es la media de una muestra de tamaño n (n≥30) tomada de una


población distribuida con media μ (desconocida) y varianza σ2 conocida,
entonces :
z0σ zσ
μ ∈ IC [ x − ,x + 0 ]
n n

Con un nivel de confianza de 100(1-α)% para la media μ.

Donde z0 es tal que: P(Z ≤ z0)=1-α/2

α
f ( z0 ) = 1 −
2

Nota: Si la v.a. X (población) se distribuye normalmente con media μ y varianza


σ2 (conocida), entonces, el teorema anterior se cumple también para n≤30.

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

Este teorema es aplicable al siguiente caso:


Si se desconoce σ y n≥30, se puede usar la desviación estándar muestral
“S” para aproximar σ.

En el intervalo de confianza será:

z0 S zS
μ ∈ IC [ x − ,x + 0 ]
n n
Con un nivel de confianza del 100(1
100(1-α)%.
α)%.

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

6
3)Cuando el muestreo es sin reemplazo en poblaciones finitas de N
elementos se usa el factor de corrección :
( N − n)
( N − 1)
i. Entonces, para una población finita de N elementos y un muestreo
sin reposición, además siendo la desviación estándar poblacional
σ conocida y n ≥ 30, el intervalo que contiene el parámetro ”µ” es:

⎡ σ ( z0 ) N − n σ ( z0 ) N − n ⎤
μ ∈ IC ⎢ X − ,X + ⎥
⎣ n N −1 n N −1 ⎦

con un nivel de confianza del 100(1-α)% para μ.

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

ii. Para una población finita de N elementos y un muestreo sin


reposición, si la desviación estándar poblacional “σ” es
desconocida por lo indicado en el punto (1) n≥30, el intervalo de
confianza es:

⎡ S ( z0 ) N −n S ( z0 ) N −n⎤
μ ∈ IC ⎢ X − ,X + ⎥
⎣ n N −1 n N −1 ⎦

con un nivel de confianza del 100(1-α)% para μ.

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

7
Observaciones:

1) Cuanto mayor sea el nivel de confianza prefijado la amplitud del


intervalo de estimación será también mayor y por tanto la estimación
será menos precisa.

2) El tamaño de la muestra aparece en el denominador de σ(z0),


entonces muestras más grandes darán intervalos de confianza mas
cortos, por lo tanto información más precisa.

Muestra grande ⎡ σ ( z0 ) N −n σ ( z0 ) N −n⎤


μ ∈ IC ⎢ X − ,X + ⎥
reduce el N −1 N −1 ⎦
⎣ n n
intervalo

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

Ejemplo: Construir un intervalo del 95% de confianza para la media de


una población con σ=10, siendo el tamaño de la muestra n=64 y el
resultado de la media muestral X = 48.5

Solución:
Del enunciado (1-α)=0.95

Sabemos: P ( Z ≤ z0 ) = f ( z0 ) = 1 − α , reemplazando:
2

0.05
P( Z ≤ z0 ) = f ( z0 ) = 1 − = 0.975
2
De tabla de la distribución normal se obtiene:

z0 = 1.96

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

8
Dado que conocemos σ =10 y n=64, entonces:

z0σ zσ
μ ∈ IC [ x − ,x + 0 ]
n n
Calculando los limites:

(1.96)(10)
L1 = 48.5 − = 46.05
8

(1.96)(10)
L2 = 48.5 + = 50.95
8

Luego [46.05 ,50.95] es el intervalo encontrado.

Por lo tanto concluimos que el valor real del parámetro μ se encuentra


dentro del intervalo de confianza [46.05 ,50.95] con un nivel de confianza
del 95%.

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA POBLACION


NORMAL CON VARIANZA POBLACIONAL DESCONOCIDA, PARA
MUESTRA PEQUEÑA (n<30)

Sea X v.a
v a con distribución aproximadamente normal con media μ y
varianza σ2 (desconocida). Sabemos que cuando σ2 es desconocida se
usa el estimador puntual s2.

Entonces:
1. Establecemos el nivel de significación para el análisis.
2. Consideramos una m.a. X1,X2,…,Xn de tamaño n (n<30), y sus
respectivas media muestral X y desviación típica muestral “S”.

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

9
3. Sabemos que X es adecuada para estimar μ, pero como σ2 es
desconocida usaremos la distribución muestral de la variable aleatoria

(X − μ) n
T = ≈ t ( n −1 ) g .l .
s
4 T v.a.
4. v a que depende de μ pero su distribución no,
no entonces establecido
el nivel de confianza (1-α), podemos determinar dos valores t1 y t2 tal
que:

P[t1 ≤ T ≤ t 2 ] = 1 − α

5. Utilizando la simetría de la distribución “t”, tenemos: t1=-t2=t0 :

P[−t0 ≤ T ≤ t0 ] = 1 − α P[−t0 ≤ T ≤ t0 ] = 2 P[T ≤ t0 ] − 1 = 1 − α


α ... t 0 = t
P [T ≤ t 0 ] = f ( t 0 ) = 1 − α
2 1− , ( n −1) g .l .
2

donde: “t0” es el valor encontrado en tabla de distribución t-student.


ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

6. Sustituyendo T:
(X − μ) n t0 s ts
P[ −t 0 ≤ T = ≤ t0 ] = 1 − α P[− ≤ X − μ ≤ 0 ] = 1−α
s n n2
ts ts
P[ X − 0 ≤ μ ≤ X + 0 ] = 1 − α Donde: t0 = t α
1− ,( n −1) g .l .
n n2 2

Entonces obtenemos que:


t0 s t s
μ ∈ IC [ X − ;X + 0 ]
n n
Con un (1-α)100% de confianza para μ.

Observación: Cuando el muestreo es sin reemplazo en poblaciones finitas, se debe utilizar el


factor de corrección,
corrección entonces el intervalo con un (1-α)100%
(1 α)100% de confianza para la media
poblacional es:

t0 s N −n ts N −n
μ ∈ IC [ X − ;X + 0 ]
n N −1 n N −1
ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

10
ERROR DE ESTIMACIÓN Y MÁXIMO ERROR DE ESTIMACIÓN

El intervalo de confianza para μ con coeficiente de confianza (1-α)100%


proporciona una estimación de la exactitud del estimador puntual X .

que la X es un valor estimado no es exactamente igual a μ, es


Sabemos que,
decir hay un error de estimación dado por e = X − μ puede tener una
confianza de(1-α)100% de que tal diferencia será menor que z 0 σ
n

Error

z0σ μ X z0σ
x− x+
n n

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

Entonces, denominaremos e= X −μ error de estimación.

Sabemos: X −μ
− z0 ≤ ≤ z0
σ
Máximo error de estimación
n (e0)

σ σ σ
− z0 ≤ X − μ ≤ z0 X − μ ≤ z0
n n n
Error de estimación
(e)

Con esta notación, un intervalo de confianza para la media resulta:

P( X − e0 ≤ μ ≤ X + e0 )
σ s
Donde: e
0 = z0 ó e0 = t0 según las condiciones del
problema. n n
ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

11
TAMAÑO DE MUESTRA PARA ESTIMAR LA MEDIA DE LA POBLACIÓN (µ)

Para determinar el tamaño de una muestra para estimar µ, empleando el muestreo aleatorio
simple, es necesario partir de dos supuestos:

1° El nivel de confianza (1-α) al que queremos trabajar; y

2° Cual es el error máximo (e) que estamos dispuestos a admitir en nuestra estimación.

Determinamos dicho tamaño a partir del:

⎛zσ ⎞
2
σ zσ n≤⎜ 0 ⎟
e ≤ e0 e ≤ z0 n≤ 0
n e ⎝ e ⎠

En la situación probable que σ sea desconocido,


zσ puede estimarse mediante la desviación estándar
n = ( 0 )2 muestral S, utilizando una muestra piloto de cualquier
e tamaño razonable (n≥30) o en todo caso
considerando algún estudio similar realizado
anteriormente.

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

Observación: Cuando la población es finita de tamaño “N” y el tamaño de la


muestra constituye más del 5% del tamaño de la población, se debe usar el
factor de corrección de población finita para modificar las desviaciones estándar
de las formulas:

σ N −n z02σ 2 N
e ≤ z0 n=
n N −1 z0σ 2 + e 2 ( N − 1)

S ú las
Según l condiciones
di i d
dell problema
bl se usara σ ó s

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

12
Aplicación 1:

En un laboratorio 100 estudiantes de ingeniería miden


separadamente
p el calor específico
p del aluminio obteniéndose un
promedio de 0.2210 calorías y una de desviación estándar de 0.0240.

a) Construir un intervalo de confianza del 95% para el verdadero calor


específico del aluminio.

b) ¿Qué puede decirse con una probabilidad de 0.95 acerca del


posible tamaño del error de estimación si el promedio muestral es
usado para estimar el verdadero calor específico del aluminio.

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

Solución:
n=100, X = 0.2210 , s=0.0240, 1-α=0.95
s s Donde: z0=z1-α/2
a) P [ x − z 0 ≤ μ ≤ x − z0 ]
n n valor de tabla zo.975=1.96

s ( 0 . 0240 )
z0 = 1 . 96 = 0 . 0047
n 100

Reemplazando:

P [ 0 . 2210 − 0 . 0047 ≤ μ ≤ 0 . 2210 + 0 . 0047 ] = 0 . 95

μ ∈ I .C .[ 0 . 2163 ;0 . 2257 ]

Se tiene con un 95% de confianza que el intervalo aleatorio


[0.2163;0.2257] incluye a μ (el verdadero calor específico del aluminio).

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

13
b) X − μ ≤ e0 X − μ ≤ z0
s
= 0 . 0047
n

e ≤ 0.0047

Con una probabilidad de 0.95 de confianza podemos decir:


1) El error de estimación no excederá a 0.0047 ó
2) El máximo error de estimación será 0.0047 ó
3) El error de estimación será menor o igual a 0.0047.

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

Aplicación 2:
Un ingeniero mecánico cree haber perfeccionado un programa de
adiestramiento que puede reducir considerablemente el tiempo de
montaje de ciertos mecanismos empleados por los trabajadores. Para
comprobar esta creencia, escoge 10 trabajadores al azar y realiza
estudios de tiempo antes y después del adiestramiento, obteniendo
como resultado las siguientes reducciones de tiempo en minuto:

TABAJADOR 1 2 3 4 5 6 7 8 9 10
REDUCCION
DE TIEMPO 3 5 -1 0 7 4 8 3 -1 2

Halle un intervalo de confianza del 95% para la medida de la reducción


del tiempo de montaje, si la reducción del tiempo sigue una distribución
normal.

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

14
Solución:
10
(1-α)=0.95
∑x i
30
x = i =1
= =3
n 10
s 2
=
∑ (x − x) i
2

=
88
= 9.778
n −1 9
s = 3. 127
Calculamos: t 0 = t 0 .975 ;( 9 ) g . l = 2 . 262

t0 s ( 2 . 262 )( 3 . 127 )
= = 2 . 237
n 10

L 1 = 3 − 2 . 237 = 0 . 763
L 2 = 3 + 2 . 237 = 5 . 237

Por lo tanto, el I.C. , al 95% , para μ es: [0.763;5.237]


ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

INTERVALO DE CONFIANZA PARA LA VARIANZA POBLACIONAL


I. Caso de población normal y muestra pequeña (n<30).
Sea X una v.a. distribuidas normalmente con media μ y varianza σ2
desconocido. Consideremos una m.a. X1,X2,…,Xn , de tamaño n de X.
Sea X media muestral y S2 la varianza muestral.

(n − 1)S 2
Sabemos que la v.a. ≈ χ(2n−1) g .l entonces consideramos dos
σ2
cuantiles de esta distribución que nos dejen una probabilidad (1-α) en la
zona central de la distribución, luego se puede encontrar L1 y L2 tal que:

α⎫
P[χ 2 < L1 ] =
2 ⎪⎪
⎬ ⇒ P[L1 ≤ χ ≤ L2 ] = 1− α
2

α
P[χ 2 > L2 ] = ⎪⎪
2⎭
L1 L2

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

15
Entonces:
P [ χ α2 ≤ χ2 ≤ χ2α ] = 1−α
, ( n −1 ) g . l . 1− , ( n −1 ) g . l .
2 2

( n − 1) s 2
P[ χ α2 ≤ ≤ χ2 α ] = 1−α
2
,( n −1) g .l . σ2 1− ,( n −1) g .l .
2

1 σ 2
1
P[ ≥ ≥ ] = 1−α
χα 2
( n − 1) s 2
χ 2
α
, ( n −1 ) g . l . 1− , ( n −1 ) g . l .
2 2

1 σ2 1
P[ ≤ ≤ ] = 1−α
χ 2
α ( n − 1) s 2
χα 2
1− ,( n −1) g .l . ,( n −1) g .l .
2 2

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

Entonces:

( n − 1) s 2 ( n − 1) s 2
P[ ≤σ2 ≤ ] = 1−α
χ2α χ α2
1− ,( n −1) g .l . ,( n −1) g .l .
2 2

( n − 1) s 2 ( n − 1) s 2
Luego: L1 = L2 =
χ2α y χ α2
,( n −1) g .l .
1− ,( n −1) g .l . 2
2

El intervalo aleatorio [L1,L2] debe contener σ2 con (1-α)100% de


confianza.

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

16
II. Caso de Población normal o no y muestra grande (n≥30).
Si n es grande : la distribución muestral de S se aproxima a la
normal N(σ;σ2/2n), entonces :

S −σ
Z = ≈ N ( 0 ;1 )
σ
2n
Si n es grande : la distribución muestral de “S” se aproxima a
la normal N(σ;σ2/2n), entonces :

P[− z0 ≤ Z ≤ z0 ] = 1 − α

S −σ
P[ − z0 ≤ ≤ z0 ] = 1 − α Recordar: Z0=z(1-α/2)
σ
2n

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

2n S
P[ − z0 ≤ − 2n ≤ z 0 ] = 1 − α
σ

2n S
P[ 2n − z0 ≤ ≤ z0 + 2n ] = 1 − α
σ

1 σ 1
P[ ≥ ≥ ] = 1−α
2n − z 0 2n S z0 + 2n

1 σ 1
P[ ≤ ≤ ] = 1−α
z 0 + 2n 2n S 2n − z 0

2n S 2n S
P[ ≤σ ≤ ] = 1−α
z0 + 2n 2n − z0

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

17
S S
P[ ≤σ ≤ ] = 1−α
z z
1+ 0 1− 0
2n 2n

S2 S2
P[ 2
≤σ 2 ≤ 2
] = 1−α
⎛ z ⎞ ⎛ z ⎞
⎜1 + 0 ⎟ ⎜1 − 0 ⎟
⎝ 2n ⎠ ⎝ 2n ⎠

Entonces : S2 S2
L1 = y L2 = 2
⎛ z ⎞
2
⎛ z ⎞
⎜1 + 0 ⎟ ⎜1 − 0 ⎟
⎝ 2n ⎠ ⎝ 2n ⎠

El intervalo aleatorio [L1,L1] contiene σ2 con (1-α)100% de


confianza.

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

Aplicación:
Los siguientes números son las notas de 15 estudiantes del curso de
Estadística No Parametrica.

13, 08, 10, 12, 15,07, 16, 09, 14, 11, 08, 11, 17, 13, 11

Suponiendo que la población de notas esta normalmente distribuida,


distribuida
construir el intervalo de confianza del 95% para σ2 y σ.

Solución:
Para un nivel de confianza (1-α)=0.95 α=0.05
Haciendo cálculos encontramos: S =9.09524
2

Valores de tabla:

χ2α = χ 02.975,(14) g .l . = 26.1 y χ α2 = χ 02.025 , (14 ) = 5 . 63


1− ,( n −1) g .l . , ( n −1 ) g . l .
2 2

ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

18
Reemplazando en:
( n − 1) s 2 (14)(9.09524)
L1 = = = 4.879
χ 2
0.975,(14 ) g .l . 26.1

( n − 1) s 2 (14)(9.0952)
L2 = = = 22.617
χ 2
0.025,(14 ) g .l . 5.63

El intervalo aleatorio [4.879 ; 22.617] contiene σ2 con 95% de confianza.

En forma similar, el intervalo de confianza para σ:


( n − 1) s 2 (14 )( 9 . 09524 )
L1 = = = 4 . 879 = 2 . 209
χ 2
0 . 975 , ( 14 ) g . l . 26 . 1

( n − 1) s 2 (14 )( 9 . 0952 )
L2 = = = 22 . 617 = 4 . 756
χ 02. 025 , ( 14 ) g . l . 5 . 63

El intervalo aleatorio [2.209 ; 4.756] contiene σ con 95% de confianza.


ESTADISTICA NO PARAMETRICA LIC. RITA GUZMAN LOPEZ

19

También podría gustarte