Clase 5 Estadistica

Objetivos
Propiedades Est. Puntuales

Métodos de estimación puntual
Estadı́stica 523210
INFERENCIA
Mg. Francisco Muñoz & Ig.Mario Castro.
1
Departamento de Estadı́stica
Universidad de Concepción
October 2, 2018
Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

Estadı́stica
Objetivos
Inferencia Estadı́stica
Muestra aleatoria
Estimación puntual
Estadı́stica: Objetivos
Suponga que usted es dueño de una empresa que fabrica

cerveza de manera industrial. Usted produce cerveza en latas
de 350cc. Dado que una máquina se encarga del llenado de las
latas, ésta puede presentar fallas y no llenar las latas con
exactamente 350cc.

Estadı́stica
Objetivos
Muestra aleatoria

exactamente 350cc.
¿Cómo podemos saber si la máquina está calibrada?

Estadı́stica
Objetivos
Muestra aleatoria

exactamente 350cc.
Una solución es seleccionar todas las latas y ver cuánta
cantidad de cerveza tiene cada una...

Estadı́stica
Objetivos
Muestra aleatoria

exactamente 350cc.
cantidad de cerveza tiene cada una...pero este proceso es muy
largo y costoso (tiempo, dinero, personas, etc.)
Otra solución es seleccionar tan solo una pequeña cantidad
(muestra) de latas y ver cuánta cerveza tiene cada una...

Estadı́stica
Objetivos
Muestra aleatoria

exactamente 350cc.
cantidad de cerveza tiene cada una...pero este proceso es muy
largo y costoso (tiempo, dinero, personas, etc.)
Otra solución es seleccionar tan solo una pequeña cantidad
(muestra) de latas y ver cuánta cerveza tiene cada una...esto es
más sencillo y menos costoso.

Estadı́stica
Objetivos
Muestra aleatoria
Estadı́stica: objetivos
En base a la cantidad de cerveza que cada una de las latas de

la muestra tiene, podemos concluir si la máquina está o no
calibrada, asumiendo que aceptaremos latas con cervezas entre
340cc y 360cc.

Estadı́stica
Objetivos
Muestra aleatoria
En base a la cantidad de cerveza que cada una de las latas de

la muestra tiene, podemos concluir si la máquina está o no
calibrada, asumiendo que aceptaremos latas con cervezas entre
340cc y 360cc.
Lo anterior es lo que se hace con las herramientas estadı́sticas
que aprenderemos en el curso.

Estadı́stica
Objetivos
Muestra aleatoria
La idea principal de la estadı́stica es reunir y resumir datos para

luego ser interpretados y analizados.

Estadı́stica
Objetivos
Muestra aleatoria
La idea principal de la estadı́stica es reunir y resumir datos para

luego ser interpretados y analizados.

Estadı́stica
Objetivos
Muestra aleatoria
Estadı́stica: definiciones
POBLACION: conjunto de objetos que tienen una caracterı́stica

en común.

Estadı́stica
Objetivos
Muestra aleatoria

en común.
VARIABLE: caracterı́stica de interés que se desea medir en la
población.

Estadı́stica
Objetivos
Muestra aleatoria

en común.
VARIABLE: caracterı́stica de interés que se desea medir en la
población.
PARÁMETROS: caracterı́stica numérica de la variable en la
POBLACION. Ej: media poblacional, varianza poblacional,
proporción poblacional, etc.

Estadı́stica
Objetivos
Muestra aleatoria
MUESTRA: subconjunto de la población del cual se obtendrá

información de la variable de interés. La cantidad de
observaciones recopiladas en la muestra se llama tamaño
muestral

Estadı́stica
Objetivos
Muestra aleatoria
MUESTRA: subconjunto de la población del cual se obtendrá

información de la variable de interés. La cantidad de
observaciones recopiladas en la muestra se llama tamaño
muestral
ESTADISTICOS: caracterı́sticas numéricas de la variable en la
MUESTRA. Ej: media muestral, varianza muestral, proporción
poblacional, etc.

Estadı́stica
Objetivos
Muestra aleatoria
En el ejemplo de las cervezas, queremos ver qué pasa con el

contenido de las latas que estamos fabricando (variable de
interés).

Estadı́stica
Objetivos
Muestra aleatoria

interés).
El contenido de las latas es una variable aleatoria pues cambia
de lata en lata que midamos

Estadı́stica
Objetivos
Muestra aleatoria

interés).
de lata en lata que midamospor ende tiene una cierta
distribución de probabilidad, una media, una varianza
(parámetros desconocidos).

Estadı́stica
Objetivos
Muestra aleatoria

interés).
de lata en lata que midamospor ende tiene una cierta
distribución de probabilidad, una media, una varianza
(parámetros desconocidos).
Queremos saber cuál serı́a la distribución de probabilidad
asociada al proceso de llenado, estimar la media y la varianza.

Estadı́stica
Objetivos
Muestra aleatoria
Suponga que consideramos solo 15 de las latas de cerveza

producidas un dı́a y medimos la cantidad de cerveza en cada
lata...es decir tenemos las observaciones de la muestra...

Estadı́stica
Objetivos
Muestra aleatoria

¿Qué información es relevante en la muestra? ¿Cómo podemos
utilizar la información de una muestra para hablar acerca del
proceso en general?

Estadı́stica
Objetivos
Muestra aleatoria

¿Qué información es relevante en la muestra? ¿Cómo podemos
utilizar la información de una muestra para hablar acerca del
proceso en general?
Con esas 15 observaciones...¿cómo podemos decir si el
proceso de llenado está bien calibrado o no?...

Estadı́stica
Objetivos
Muestra aleatoria
Todas esas preguntas las responde la Inferencia Estadı́stica.

Estadı́stica
Objetivos
Muestra aleatoria
Todas esas preguntas las responde la Inferencia Estadı́stica.

La Inferencia Estadı́stica contempla un conjunto de herramientas
que nos permite dilucidar caracterı́sticas de la población en base
a la información que las muestras puedan tener.

Estadı́stica
Objetivos
Muestra aleatoria
Inferencia
Las herramientas que la inferencia entrega, podemos

clasificarlas en dos grandes grupos:
Estimación puntual e intervalar
Pruebas de hipótesis

Estadı́stica
Objetivos
Muestra aleatoria
El objetivo es entregar posibles valores para los parámetros

desconocidos de la población en base a la información que la
muestra tenga.

Estadı́stica
Objetivos
Muestra aleatoria
El objetivo es entregar posibles valores para los parámetros

desconocidos de la población en base a la información que la
muestra tenga.
Buscaremos valores que tengan buenas propiedades para
considerarlos como posibles valores de los parámetros.
Además, podremos entregar un intervalo de valores para el
parámetro.

Estadı́stica
Objetivos
Muestra aleatoria
Def: Muestra aleatoria
Sea X la variable de interés. Denotemos por fX (x; θ) la función

de densidad de probabilidad de X, la cual depende del
parámetro θ.
Denotemos por Xi al valor de la variable X en el i-ésimo objeto
de la población.

Estadı́stica
Objetivos
Muestra aleatoria
Sea X la variable de interés. Denotemos por fX (x; θ) la función

de densidad de probabilidad de X, la cual depende del
parámetro θ.
Denotemos por Xi al valor de la variable X en el i-ésimo objeto
de la población.
La colección de variables aleatorias X1 , X2 , . . . , Xn se dice una
muestra aleatoria tamaño n de X si:
1 Xi ∼ f (x; θ) ∀i = 1, . . . , n
2 Xi es independiente de Xj , ∀i, j = 1, . . . , n, tal que i 6= j.

Estadı́stica
Objetivos
Muestra aleatoria
Notemos que las Xi son variables aleatorias, para todo

i = 1, . . . , n.
Luego de observar los valores de la muestra,
x1 , x2 , . . . , xn
entonces las Xi dejan de ser aleatorias.

Estadı́stica
Objetivos
Muestra aleatoria
Estimación puntual: Estimador
El objetivo de la estimación puntual es seleccionar un número,

en base a los datos de la muestra, que sea lo más parecido al
verdadero parámetro de la población θ.
Denotaremos como ESTIMADOR a un estadı́stico que
especifica cómo utilizar los datos de la muestra para estimar un
parámetro desconocido de la población.

Estadı́stica
Objetivos
Muestra aleatoria
Estimador puntual
Si X es una v.a. con función de probabilidad fX (x) caracterizada

por un parámetro desconocido θ.
Sea X1 , . . . , Xn una muestra tamaño n de X , entonces la
estadı́stica
θ̂ = h(X1 , . . . , Xn )
recibe el nombre de estimador puntual de θ.
Notemos que θ̂ es una v.a. ya que es función de variables
aleatorias.

Estadı́stica
Objetivos
Muestra aleatoria
Estimador puntual: ejemplo
Siguiendo con el ejemplo del negocio de cervezas... la variable

aleatoria que se quiere medir es X : cantidad de cerveza.

Estadı́stica
Objetivos
Muestra aleatoria

La variable Xi indica la cantidad de cerveza de la i−ésima lata.

Estadı́stica
Objetivos
Muestra aleatoria

La variable Xi indica la cantidad de cerveza de la i−ésima lata.
Tal como mencionamos antes, la población corresponde a
TODAS las latas de cerveza que fabricamos. Ya vimos que es
muy costoso medir todas las latas que fabricamos.
Por ello se considera la información de solo una MUESTRA de
estas latas:

Estadı́stica
Objetivos
Muestra aleatoria
Inferencia: objetivos

Estadı́stica
Objetivos
Muestra aleatoria
Asumamos que la distribución de probabilidad de X es N (µ, σ 2 ),

donde θ = (µ, σ 2 ) es desconocido.
Si estamos interesados en estimar la media, recordemos que
E(X ) = µ
Pn
Xi
por lo que un estimador para µ puede ser X̄ = i=1
n

Estadı́stica
Objetivos
Muestra aleatoria
Inferencia: ejemplo

Objetivos
Insesgamiento
Varianza y ECM
Estimador Insesgado
Decimos que un estimador θ̂ es un estimador insesgado de θ si
E(θ̂) = θ
Esto equivale a decir que la media de la distribución de

probabilidad de θ̂ es igual a θ

Objetivos
Insesgamiento
Varianza y ECM
Estimador Insesgado
¿Qué significa que un estimador sea insesgado?: Consideremos

el ejemplo anterior del contenido de cerveza de las latas que
fabricamos... 2
Consideremos µ̂ = X̄ . Notemos que X̄ ∼ N µ, σn

Objetivos
Insesgamiento
Varianza y ECM
Inferencia: objetivos

Objetivos
Insesgamiento
Varianza y ECM
Estimador insesgado
En general, el sesgo de un estimador se define como
Sesgo(θ̂) = E(θ̂) − θ
Ası́, si E(θ̂) 6= 0, decimos que el estimador NO es insesgado.

Objetivos
Insesgamiento
Varianza y ECM
Observaciones
Notemos que
Pn−1 Pn−2
Xi Xi
µ1 = µ2 =
n−1 n−2
son también estimadores insesgados de µ
Ası́ que estimadores insesgados NO son únicos.
Necesitamos algun método que nos permita elegir entre los
estimadores insesgados.

Objetivos
Insesgamiento
Varianza y ECM
Error cuadrático medio
El ECM de un estimador θ̂ de θ se define como
E[(θ̂ − θ)2 ] = V (θ̂) + [Sesgo(θ̂)]2
Es un criterio importante para poder compara los estimadores

(insesgados o no). Si tenemos θ̂1 y θ̂2 estimadores de θ,
podemos obtener la eficiencia relativa de θ̂2 respecto de θ̂1 como
ECM(θ̂1 )
ER =
ECM(θ̂2 )
Ası́, θ̂2 será mejor que θ̂1 si la ER es mayor a 1 en términos de

que ECM(θ̂2 ) será menor que el de θ̂1

Objetivos
Insesgamiento
Varianza y ECM
ECM: ejemplo
Considere Xi ∼ N (µ, σ 2 ) i = 1, . . . , n. Considere los estimadores

Pn Pn−1
i=1 Xi i=1 Xi
µ̂1 = µ̂2 =
n n−1
como estimadores de µ, ¿cuál es mejor?
Notemos que ambos son insesgados, por lo que el sesgo de
ambos es 0. Luego,
σ2 σ2
V (µ̂1 ) = < V (µ̂2 ) =
n n−1
ECM(µ̂1 ) < ECM(µ̂2 )
por lo que µ̂1 es mejor estimador que µ̂2 para µ

Objetivos
Insesgamiento
Varianza y ECM
Varianza y Estimador EIVUM
Suponga que cuenta con dos estimadores insesgados de θ,

donde las varianzas de estos estimadores es diferente. ¿Cuál de
los dos selecciono?
Serı́a lógico seleccionar aquel que tenga menor varianza. Al
mejor estimador del grupo de los insesgados se le conoce como
EIVUM: estimador insesgado de varianza uniformemente
mı́nima y es aquel que, dentro de los insesgados, tiene menor
varianza.

Objetivos
Propiedades Est. Puntuales Estimador Máximo Verosı́mil
Estimador Máximo Verosı́mil: EMV
Considere una muestra aleatoria X1 , . . . , Xn de X , donde
X ∼ fX (x; θ)
.
La función de densidad de la muestra aleatoria está dada por:
n
Y
f (x1 , . . . , xn ; θ) = f (xi ; θ)
i=1
.

Objetivos
Cuando los valores de la muestra son observados: x1 , . . . , xn son

valores fijos, la función de densidad de la muestra depende
solamente del parámetro θ
La función de verosimilitud de la muestra corresponde a la
función de densidad de la muestra aleatoria, cuando ésta ya ha
sido observada, ası́
n
Y
L(θ) = f (x1 , . . . , xn ; θ) = f (xi ; θ)
i=1
es una función que depende solamente de θ.

Objetivos
El estimador máximo verosı́mil de θ corresponde al valor que θ

que maximiza la función de verosimilitud de la muestra.
Denotaremos por θ̂EMV al estimador máximo verosı́mil de θ, el
cual satisface que
θ̂EMV = max L(θ)
θ

Objetivos
EMV: Ejemplo
Supongamos que una caja contiene 4 cartas, de las cuales θ de

ella son rojas y el resto, 4 − θ son negras. Se extraen al azar 3
cartas y se cuenta X : número de cartas rojas de la muestra.
La distribución de probabilidad de X está dada por...
θ 4−θ

x 3−x
P(X = x) = 4

3
Suponga que seha observado X = 2, ¿qué valor de θ hace

máxima la probabilidad de este evento?
En primer lugar note que x ≤ θ
3−x ≤4−θ ⇔θ−x ≤1

Objetivos
EMV: ejemplo
Ası́,
P(X = 2 | θ = 0) = 0
P(X = 2 | θ = 1) = 0
P(X = 2 | θ = 2) = 0.5
P(X = 2 | θ = 3) = 0.75
P(X = 2 | θ = 4) = 0
Por lo tanto θ = 3 hace máxima la probabilidad de la muestra

que se observó, por lo que el estimador máximo verosı́mil de θ
de
θ̂EMV = 3

Objetivos
Est. Máx. Verosı́mil: EMV
Por simplicidad del cálculo, se usa maximizar el logaritmo de la

función de verosimilitud (¿porqué?) pues se llega al mismo
resultado que la maximización directa.
La función de log-verosimilitud corresponde al logaritmo de L(θ).
A esta función la denotamos por
n
X
l(θ) = log L(θ) = log f (xi ; θ)
i=1

Objetivos
EMV: observaciones
Los estimadores máximo verosı́miles no son necesariamente

insesgados.
Los EMV poseen la propiedad de invarianza, es decir si
θ̂1 , . . . , θ̂k son estimadores máximo verosı́miles de θ1 , . . . , θk ,
entonces, los estimadores máximo verosı́miles de h(θ1 , . . . , θk )
serán
h(θ1\
, . . . , θk ) = h(θ̂1 , . . . , θ̂k )

Objetivos
Error estándar de un estimador
Def:
El error estándar de un parámetro (estadı́stico en general)
corresponde a la desviación estándar de éste, la cual se deduce
desde la densidad muestral des estadı́stico.
Si el error estándar incluye parámetros desconocidos, pero que
se pueden estimar, la sustitución de éstas estimaciones en el
error estándar, da como resultado un error estándar estimado.
El error estándar da una idea de la presición de la estimación.

Objetivos
Gracias por su atención

Clase 5 Estadistica

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase 5 Estadistica

Cargado por

Copyright:

Formatos disponibles

Objetivos

Propiedades Est. Puntuales

Mg. Francisco Muñoz & Ig.Mario Castro.

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

Suponga que usted es dueño de una empresa que fabrica

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

Suponga que usted es dueño de una empresa que fabrica

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

Suponga que usted es dueño de una empresa que fabrica

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

Suponga que usted es dueño de una empresa que fabrica

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

Suponga que usted es dueño de una empresa que fabrica

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

En base a la cantidad de cerveza que cada una de las latas de

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

En base a la cantidad de cerveza que cada una de las latas de

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

La idea principal de la estadı́stica es reunir y resumir datos para

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

La idea principal de la estadı́stica es reunir y resumir datos para

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

POBLACION: conjunto de objetos que tienen una caracterı́stica

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

POBLACION: conjunto de objetos que tienen una caracterı́stica

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

POBLACION: conjunto de objetos que tienen una caracterı́stica

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

MUESTRA: subconjunto de la población del cual se obtendrá

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

MUESTRA: subconjunto de la población del cual se obtendrá

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

En el ejemplo de las cervezas, queremos ver qué pasa con el

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

En el ejemplo de las cervezas, queremos ver qué pasa con el

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

En el ejemplo de las cervezas, queremos ver qué pasa con el

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

En el ejemplo de las cervezas, queremos ver qué pasa con el

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

Suponga que consideramos solo 15 de las latas de cerveza

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

Suponga que consideramos solo 15 de las latas de cerveza

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

Suponga que consideramos solo 15 de las latas de cerveza

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

Todas esas preguntas las responde la Inferencia Estadı́stica.

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

Todas esas preguntas las responde la Inferencia Estadı́stica.

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

Las herramientas que la inferencia entrega, podemos

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

Estimación puntual e intervalar

El objetivo es entregar posibles valores para los parámetros

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

Estimación puntual e intervalar

El objetivo es entregar posibles valores para los parámetros

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

Def: Muestra aleatoria

Sea X la variable de interés. Denotemos por fX (x; θ) la función

Mg. Francisco Muñoz & Ig.Mario Castro. Estadı́stica 523210

Def: Muestra aleatoria

Sea X la variable de interés. Denotemos por fX (x; θ) la función