Muestreo aleatorio simple

Estadística Teórica II

MUESTREO ALEATORIO SIMPLE

Santiago de la Fuente Fernández 33

 Muestreo aleatorio simple
MUESTREO ALEATORIO SIMPLE. DISTRIBUCIÓN EN EL MUESTREO

1.- Con el objetivo de analizar el rendimiento académico de una promoción de

licenciados universitarios se lleva a cabo un estudio en el que se emplea una m.a.s. de 3
licenciados. La variable que mide el rendimiento puede tomar tres valores según la
calificación final obtenida:
1 – Aprobado
2 – Notable
3 – Sobresaliente
Por otra parte, en esa promoción hubo un total de 20 aprobados, 40 notables y 140
sobresalientes.
a) Hallar las distintas muestras que pueden extraerse y la probabilidad de
obtención que tiene cada una de ellas.
b) Calcular le media de cada muestra, así como la distribución de probabilidad en el
muestreo de la media.
c) Hacer lo mismo que en el apartado anterior con las varianzas.
d) Calcular la media y la varianza muestral y compararlas con la media y la varianza
poblacionales.
e) Calcular la esperanza de la varianza muestral y compararla con la varianza
poblacional.
a)
1 (1,1,1) , (1,1,2) , (1,1,3)
1 2
3

1
1 2 2 (1,2,1) , (1,2,2) , (1,2,3)
3

1
3 2
3 (1,3,1) , (1,3,2) , (1,3,3)

1 (2,1,1) , (2,1,2) , (2,1,3)

1 2
3

1
2 2 2 (2,2,1) , (2,2,2) , (2,2,3)
3

1
3 2
3 (2,3,1) , (2,3,2) , (2,3,3)
1 (3,1,1) , (3,1,2) , (3,1,3)
1 2
3

Santiago de la Fuente Fernández 34

 Muestreo aleatorio simple
1
2 2 (3,2,1) , (3,2,2) , (3,2,3)
3

1
3 2
3 (3,3,1) , (3,3,2) , (3,3,3)

Número muestras distintas

(1,1,1) 1
(1,1,2) , (1,2,1) , (2,1,1) 3
20
(1,1,3) , (1,3,1) , (3,1,1) 3 p(1)   0,1
(1,2,3) , (1,3,2) , (2,1,3) , (2,3,1) , (3,1,2) , (3,2,1) 6 200
3 40
(2,2,1) , (2,1,2) , (1,2,2) p(2)   0,2
(2,2,2) 1 200
(2,2,3) , (2,3,2) , (3,2,2) 3 140
p(3)   0,7
(3,3,1) , (3,1,3) , (1,3,3) 3 200
(3,3,2) , (3,2,3) , (2,3,3) 3
(3,3,3) 1
27

Muestras posibles Número muestras Probabilidad xi

3
(1,1,1) 1 1 (0,1) = 0,001 1
(1,1,2) 3 3. (0,1)2 (0,2) = 0,006 4/3
(1,1,3) 3 3. (0,1)2 (0,7) = 0,021 5/3
(1,2,3) 6 6. (0,1) (0,2) (0,7) = 0,084 2
(2,2,1) 3 3. (0,2)2 (0,1) = 0,012 5/3
(2,2,2) 1 1 (0,2)3 = 0,008 2
(2,2,3) 3 3. (0,2)2 (0,7) = 0,084 7/3
(3,3,1) 3 3. (0,7)2 (0,1) = 0,147 7/3
(3,3,2) 3 3. (0,7)2 (0,2) = 0,294 8/3
(3,3,3) 1 1 (0,7)3 = 0,343 3

b) La distribución de probabilidad en el muestreo para la media:

xi P( x  xi)
1 P (x  1)  0,001
4/3 P x  4 / 3  0,006
5/3 P x  5 / 3  0,021  0,012  0,033
2 P x  2  0,084  0,008  0,092
7/3 P x  7 / 3  0,084  0,147  0,231
8/3 P x  8 / 3  0,294
1 P x  3  0,343

c) La varianza de cada muestra y la distribución en el muestreo de la varianza

muestral:

Santiago de la Fuente Fernández 35

 Muestreo aleatorio simple

Muestras  xi 2 n
xi   xi n 2   x2 n  x 2 Probabilidad
posibles xi i

(1,1,1) 1 1 1–1=0 1. (0,1)3 = 0,001

(1,1,2) 4/3 6/3 6/3 – (4/3)2 = 2/9 3. (0,1)2 (0,2) = 0,006
(1,1,3) 5/3 11/3 11/3 – (5/3)2 = 8/9 3. (0,1)2 (0,7) = 0,021
(1,2,3) 2 14/3 14/3 – (2)2 = 2/3 6. (0,1) (0,2) (0,7) = 0,084
(2,2,1) 5/3 9/3 9/3 – (5/3)2 = 2/9 3. (0,2)2 (0,1) = 0,012
(2,2,2) 2 12/3 12/3 – (2)2 = 0 1. (0,2)3 = 0,008
(2,2,3) 7/3 17/3 17/3 – (7/3)2 = 2/9 3. (0,2)2 (0,7) = 0,084
(3,3,1) 7/3 19/3 19/3 – (7/3)2 = 8/9 3. (0,7)2 (0,1) = 0,147
(3,3,2) 8/3 22/3 22/3 – (8/3)2 = 2/9 3. (0,7)2 (0,2) = 0,294
(3,3,3) 3 27/3 27/3 – (3)2 = 0 1. (0,7)3 = 0,343

La distribución de probabilidad de la varianza muestral:

2 P (2  2 )
xi x xi

0 P 2
x

 0  0,001  0,008  0,343  0,352
P 
2
2/9  2 / 9  0,006  0,012  0,084  0,294  0,396
x

P  2 / 3 
2
2/3 0,084
x

P  8 / 9 
2
8/9 0,021  0,147  0,168
x

d) La media y la varianza de la media muestral y compararlas con la media y la varianza

poblacionales:

xi P(x  xi) xi . P(x  xi) xi 2 x 2 . P(x  x )

i i

1 0,001 0,001 1 0,001

4/3 0,006 4/3 . 0,006 16/9 16/9 . 0,006
5/3 0,033 5/3 . 0,033 25/9 25/9 . 0,033
2 0,092 2 . 0,092 4 4 . 0,092
7/3 0,231 7/3 . 0,231 49/9 49/9 . 0,231
8/3 0,294 8/3 . 0,294 64/9 64/9 . 0,294
3 0,343 3 . 0,343 9 9 . 0,343

 xi . P(x  xi)  2,6  xi 2 . P(x  xi)  6,9067

E(x)   x i . P(x  x i)  2,6 


E(x2 )   x2i . P(x  x i)  6,9067 
 muestra

V (x)  E(x2 )  E(x)  6,9067  2,6
2 2
 0,1467 


   x i . P(x  x i)  1.0,1  2.0,2  3.0,7  2,6 


2 2 2 
E(x )   x .i P(x  x i) 
2 2
1 .0,1  2 .0,2  3 .0,7  7,2 
población

2  E(x 2 )  2  7,2  2,62  0,44 

Santiago de la Fuente Fernández 36

 Muestreo aleatorio simple

  E(x) 2 0,44
En consecuencia: Obsérvese que, 2x  a 0,1467 
2  V (x)  2
x
n 3

e) Calcular la esperanza de la varianza muestral y compararla con la varianza

poblacional.
2x P (2  2 ) 2 .P (2  2 )
i x xi xi x xi

0 0,352 0 . 0,352
2/9 0,396 2/9 . 0,352
2/3 0,084 2/3 . 0,352
8/9 0,168 8/9 . 0,352
  .P (2  2 )  0,2933
2
xi x xi

E(2 )  2 2
0,2933 (esperanza varianza muestral)
x  2x i .P ( x   ) 
 xi

7,2  2,6
2 2
2  E(x2)     0,44 (varianza poblacional)

(3  1) (0,44)  (n  1) 2
Se verifica la relación: E(2x)  0,2933  
3 n

Santiago de la Fuente Fernández 37

 Muestreo aleatorio simple
MUESTREO ALEATORIO SIMPLE. DISRIBUCIÓN DE LA MEDIA MUESTRAL CON VARIANZA
CONOCIDA.

2.- Se sabe que el peso de los jóvenes entre 14 y 18 años sigue una distribución normal
con media 50 kg y desviación típica 25 kg. Para llevar a cabo un estudio del control de
peso se seleccionan aleatoriamente 100 jóvenes cuyas edades se encuentran
comprendidas en el intervalo señalado. Si el peso medio muestral está entre 45 y 70 kg
se considera que están dentro de los límites normales. ¿Cuál es la probabilidad de que el
peso esté fuera de control?

Solución:
v. a. X = “ peso entre 14 y 18 años”

P x  45  x  70  P x  45  P x  70 

 x  50 45  50   x  50 70  50 
  P  P 
    
 2,5 2,5   2,5 2,5  
 P z   2  P z  8  P z  2  P z  8  0,0228  0 
 0,0228

Santiago de la Fuente Fernández 38

 Muestreo aleatorio simple
MUESTREO ALEATORIO SIMPLE. DISRIBUCIÓN DE LA MEDIA MUESTRAL CON VARIANZA
CONOCIDA Y CON VARIANZA DESCONOCIDA.

3.- Los barcos que hacen visitas guiadas por el Sena disponen de 60 asientos por barco
y una capacidad máxima de 4.200 kg por viaje. Los dueños de la empresa de barcos
saben por experiencia que los pesos de los turistas tienen una media de 71 kg y una
dispersión, medida a través de la desviación típica, de 10 kg.
a) ¿Cuál es la probabilidad de que un grupo de 60 turistas, escogidos aleatoriamente
en uno de los viajes, tenga un peso medio superior al total de la carga límite
permitida?
b) ¿Cuál sería el resultado si la varianza poblacional fuera desconocida?. (Suponga
que la desviación típica muestral es de 5 kg).

Solución:

a) Peso = 4200/60 = 70 kg v. a. X = “ peso medio turistas”

P  x  70    x  71 70  71 
 P  z   0,77  P  z  0,77 
 P 
 
 

 1,29 1,29 

 1  P  z  0,77  1  0,2206  0,7794

b) En el muestreo de una población normal con varianza desconocida, y desviación típica

x  
muestral x , la variable:  tn1
x
n 1

P  70
x   P  x  71  70  71   P  t59   1,53 
 n
0
3

 P  z   1,53 
5 59 
 5 59 
 P  z  1,53  1  P  z  1,53  1  0,063  0,937

 Interpolando: P  t59   1,53  P  t59  1,53  1  P  t59  1,53  1  0,069  0,931

P  t59   1,53  P  t59  1,53  1  P  t59  1,53  1  0,069  0,931

Santiago de la Fuente Fernández 39

 Muestreo aleatorio simple
Abscisas Áreas Abscisas Áreas
P  t60  1,53  x 1,296 – 1,671 0,1 - 0,05 0,37 0,05
1,53 - 1,671 x – 0,05 0,14 x – 0,05

0,14 . 0,05
x  0,05   0,069
0,37

Santiago de la Fuente Fernández 40

 Muestreo aleatorio simple
4.- La empresa Grano Sol vende galletas ecológicas en paquetes de 60 unidades. Los dueños
saben que el peso de cada galleta es una variable aleatoria que tienen una media de 71 gr. y una
dispersión, medida a través de la desviación típica, de 10 gr.
a) ¿Cuál es la probabilidad de que en un paquete de 60 galletas escogidas aleatoriamente, el
peso medio de las galletas sea superior a 70 gramos?
b) ¿Cuál sería el resultado si la varianza poblacional fuera desconocida? (Suponga que la
desviación típica muestral es de 5 kg, y una cuasidesviación típica de 5,04).

Solución:

a) v. a. X = “ peso de las galletas”

P  x  70    x  71 70  71 
 P  z   0,77  P  z  0,77 
 P 
 
 

 1,29 1,29 

 1  P  z  0,77  1  0,2206  0,7794

b) En el muestreo de una población normal con varianza desconocida, y desviación típica

x  
muestral x , la variable:  tn1
x
n 1

P  70
x   P  x  71  70  71   P  t59   1,53 
 n
0
3

 P  z   1,53 
5 59 
 5 59 
 P  z  1,53  1  P  z  1,53  1  0,063  0,937

 Interpolando: P  t59   1,53  P  t59  1,53  1  P  t59  1,53  1  0,069  0,931

Abscisas Áreas Abscisas Áreas

P  t60  1,53  x 1,296 – 1,671 0,1 - 0,05 0,37 0,05
1,53 - 1,671 x – 0,05 0,14 x – 0,05

0,14 . 0,05
x  0,05   0,069
0,37

Santiago de la Fuente Fernández 41

 Muestreo aleatorio simple

Adviértase que, si la varianza poblacional 2 es desconocida, la media muestral x sigue

una t-Student con (n-1) grados de libertad, entonces:

x   x  
  tn1 y es una cantidad pivotal para 
x sx
n 1  n 


recordemos que n. 2  (n  1). s2

 x  71 70  71 
P  x  70   P   P  t59   1,5369 P  t59  1,5369 


 5,04 60 
5,04 60 

1 P  t59  1,5369  1  x  1  0,06789  0,09321

Abscisas Áreas Abscisas Áreas

P  t60  1,5369  x 1,2961 – 1,6711 0,1 - 0,05 0,375 0,05
1,5369 - 1,6711 x – 0,05 0,1342 x – 0,05

0,1342 . 0,05
x  0,05   0,06789
0,375

Santiago de la Fuente Fernández 42

 Muestreo aleatorio simple
MUESTREO ALEATORIO SIMPLE. DISRIBUCIÓN DE LA VARIANZA MUESTRAL.

5.- Se sabe por los datos censales que la variabilidad de la altura de alumnos de una
clase medida a través de la varianza es de 15,3. No obstante, para estudiar la
variabilidad en el muestreo de la varianza muestral se decide tomar una m.a.s. de 15
alumnos. ¿Cuál es la probabilidad de que la varianza muestral sea mayor que 15?
Nota: Suponer que la estatura es una variable aleatoria normalmente distribuida.

Solución:

Para el análisis de la varianza muestral se

2
utiliza el estadístico n1 de Pearson con
(n - 1) grados de libertad.

2  varianza poblacional
2x  varianza muestral
s2x  cuasivarianza muestral

v.a. X =”estatura”: X  N ; 15,3    N  ; 3,91 



2 n . 2x n  15 2 15 . 2x
n1    14 
2 15,3


P 2  15
x
  P 15 . 
x
2

2

15 . 15   P   14,7  
 0,4835
 15,3 15,3 


14




Abscisas Áreas Abscisas Áreas


P 214  14,7  x  7,790 – 21,064
14,7 - 21,064
0,90 - 0,10
x – 0,10
13,274
6,364
0,80
x – 0,10

6,364 . 0,80
x  0,10   0,4835
13,274

(n  1) . s2 n15 2 14 . s2
De otra parte, 2  x
 

n1 x
2 14
15,3


P s2  15   P  14 .s 2

14 . 15   P 
2

 13,725    0,5423
x 
x  15,3 14
15,3 
 

Santiago de la Fuente Fernández 43

 Muestreo aleatorio simple
MUESTREO ALEATORIO SIMPLE. DISRIBUCIÓN DE LA DIFERENCIA DE MEDIAS MUESTRALES
CON VARIANZAS CONOCIDAS.

6.- Se desea analizar las diferencias de las calificaciones entre dos grupos de alumnos.
Unos proceden del Grupo b1 y otros del Grupo b2. Para estudiar la distribución en el
muestro de la diferencia de medias se toman m.a.s. independientes de ambas
poblaciones obteniéndose la siguiente tabla:

Grupo b1 Grupo b2
Tamaño de la población 200 150
Tamaño de la muestra 100 75
Media de la población 4,10 5,18
Media de la muestra 4,2153 5,3247
Desviación típica de la población 1,55 1,95
Desviación típica de la muestra 1,5635 1,8238

¿Cuál es la probabilidad de que la diferencia de medias muestrales sea mayor que uno?

Solución:
 v.a. X =”calificación del Grupo b1” X  N(4,10, 1,55)
 v.a. Y =”calificación del Grupo b2” Y  N(5,18 , 1,95)

Siendo X e Y independientes, la nueva variable (X  Y) sigue también una distribución

normal N( x  y ; 2x  2y )

 
Con lo cual, (x  y)  N  4,10  5,18 ; 0,155 2  0,225 2  N   1.08 ; 0,2732
 


P x y 1  P  x  y  1  P  x  y   1 

 1  1,08  
 
  1  1,08  
 
P z  7,61  P  z  0,2928 
P z  P z 
 0,2732   0,2732 
  0   1  P  z  0,2928    1  0,3859  0,6141
o también,

P  x y 1  1P  x y 1   1  P  1  (x  y)  1  

Santiago de la Fuente Fernández 44

   1  1,08 (x  y)  1.08 1  1,08  Muestreo aleatorio simple
1 P   1P  0,2928  z  7,61   0,6141
 
 0,2732 0,2731 0,2732 
MUESTREO ALEATORIO SIMPLE. DISRIBUCIÓN DE LA PROPORCIÓN MUESTRAL

7.- Un concesionario vende dos tipos de vehículos, unos de gama alta y otros de gama
media. Los coches de gama alta suponen el 30% del total de los coches vendidos. ¿Cuál
es la probabilidad de que entre los 100 últimos vehículos vendidos más del 35% sean de
gama alta?

Solución:

La variable poblacional
X = 'venta de coches gama
alta' es una variable
binomial B(100; 0,3), que
sigue aproximadamente una
distribución normal tal que
X  N(np ; npq )

X Teorema Central Límite   pq 


p̂             p̂  N  p ,
n  n 


0,3. 0,7 

para n  100, p̂  N  0,3;  N 0,3; 0,0458
 100 
 

 p̂  0,3 0,35  0,3 
P (p̂  0,35)  P      P z  1,0917  0,1375
 0,0458  0,0458 

Interpolando:

Abscisas Áreas Abscisas Áreas

0,1379 – 0,1357 1,09 – 1,1 0,0022 0,01
P z  1,0917  x
x - 0,1357 1,0917 – 1,1 x - 0,1357 0,0083


0,0022 . 0,0083
x  0,1357   0,1375
0,01

Santiago de la Fuente Fernández 45

 Muestreo aleatorio simple

MUESTREO ALEATORIO SIMPLE. DISRIBUCIÓN DE LA DIFERENCIA DE PROPORCIONES

MUESTRALES.

8.- Se sabe que los sábados por la noche un 70% de los conductores superan la tasa de
alcoholemia permitida por la ley. Sin embargo esta cifra se reduce a un 40% los
domingos por la noche. Durante un fin de semana, se quiere realizar un control de
alcoholemia y comparar los resultados de los dos días. Se decide elegir al azar 40
vehículos de los que circulan el sábado por la noche y 35 del domingo. Calcular la
probabilidad de que la proporción muestral de conductores que superan la tasa de
alcoholemia permitida por la ley haya descendido más de un 10% del sábado al domingo.

Solución:

Sean las variables poblacionales:

X = ”tasa de alcoholemia sábado”, con p x  0,7

Y = ”tasa de alcoholemia domingo”, con p y  0,4

 
X Teorema Ce
nta
rL
lm
í te
i p xq
p̂ x  N  p x , 
p̂ x      
   x
nx  nx 
 



Y Teorema Ce
nta
rL
lm
í te
i p yq y
p̂ y      
   p̂ y  N  p y , 
ny  ny 
 

 
 p x q x   p y q y 
 p̂ x  p̂  
 N p p  ;y 
 n
 
  n
 
 
  x   y 

x y

siendo las muestras: n x  40 , n y  35

 
 ˆx  p
p ˆ  
 N  0,7  0,4 ;y
 0,7. 0,3   0,4. 0,6 
      N(0,3 ; 0,11)
  40   35   

 0,1  0,3 
P ( p̂ x  p̂ y   0,1)    P  z   1,82 
 1  P  z  1,82  1  0,0344  0,9656
Pz 
 0,11 

Santiago de la Fuente Fernández 46

 Muestreo aleatorio simple


9.- Según los resultados de un estudio exhaustivo de la población un 80% de las

mujeres entrevistadas afirman utilizar algún producto cosmético todos los días,
mientras que en el caso de los hombres este porcentaje en la actualidad asciende 55%.
Una pequeña firma de cosmética se plantea sacar al mercado una crema hidratante de
uso específico para hombres, pero antes de crear esa nueva línea de negocio, decide
realizar su propia encuesta sobre una pequeña muestra aleatoria: selecciona a 50
mujeres y a 60 hombres y les pregunta sobre sus hábitos cosméticos. Calcule la
probabilidad de que la diferencia entre la proporción de mujeres que utiliza cosméticos
respecto a la proporción de hombres que los utiliza sea inferior al 20%.

Solución:

Sean las variables poblacionales:

X = ”mujeres utilizan algún producto cosmético”, con px  0,8

Y = ”hombres utilizan algún producto cosmético”, con py  0,55

 
X Te orema C
e
ntraL
lím
te
i p qx 
p̂ x  N  p x ,
p̂ x          x

nx  nx 
 


Y Te orema C
e
ntraL
lím
te
i p y q y 
p̂ y          p̂ y  N  p y , 
ny  n y 
 


 p x q x   p y q y 
 
 p̂ x  p̂   N
 p  p  ;y 
 n
 
  n
  siendo
  las muestras: nx  50 , ny  60
  x   y 

x y

 
 pˆx  pˆ   N  0,8  0,55 ;y  0,8. 0,2   0,55. 0,45  
      N(0, 25 ; 0, 0856)
  50   60  



 

P ( px  py )  0, 20  P  z  
0, 0856
  P z   0,58  P z  0,58  0,2810
 

 
Como la P ( p̂x  p̂ y )  0, 20  1  0,2810  0,719 es bastante probable, se aconsejaría
sacar el producto del mercado.

Santiago de la Fuente Fernández 47

 Muestreo aleatorio simple

CÁLCULO DE PROPIEDADES BÁSICAS DE LOS ESTIMADORES (INSESGADEZ y EFICIENCIA)

10.- La variable aleatoria poblacional "renta de las familias" del municipio de Madrid se
distribuye siguiendo un modelo N(,  2 ) . Se extraen muestras aleatorias simples de
tamaño 4. Como estimadores del parámetro , se proponen los siguientes:

x12 x23 x3
̂ 1 
6
x 3  4 x2
̂ 2 
3
̂ 3  x
Se pide:
a) Comprobar si los estimadores son insesgados
b) ¿Cuál es el más eficiente?
c) Si tuviera que escoger entre ellos, ¿cuál escogería?. Razone su respuesta a partir
del Error Cuadrático Medio.

Solución:

a) Un estimador ̂ es insesgado (o centrado) cuando se verifica E(̂)  


 E(̂ x 12 x 23 x 3
) E  
1
E x  2x  3 x   

1  

1 2 3
 6  6
1

1
6

E( x 1)  2 E( x 2 )  3 E( x 3 ) 
6
 6     

E(̂
) E
 x 1  4 x 2   
1
E x  4x    1
 E( x 
)  4 E( x ) 

2  


1 2 1 2
 3  3 3
1
    3    
3

 E(̂

x 1x 2x 3x 4
) E   
1
E x  x  x  x   
3 1


2 3 4
 4  4
1

1
4

E( x 1)  E( x 2 )  E( x 3)  E( x 4 ) 
4
 4     

Los tres estimadores son insesgados o centrados.

b) El estimador más EFICIENTE es el que tenga menor varianza.

 
V ̂ 
V
 x1  2x 2  3x 3  
1
V x  2 x  3 x   
1

 

1 2 3
 6  36

1

V ( x 1)  4 V ( x 2 )  9 V ( x 3 ) 
1
14  2 
14 2

  0,39  2  
36 36 36

Santiago de la Fuente Fernández 48

 Muestreo aleatorio simple

   V  x 1  4 x 2  
V ̂

1
V x  4x   1
V(x )  16 V ( x )  
 


2 1 2 1 2
 3 9 9

1
9

17  2

17 2
9

  1,89  2

   V  x 1  x 2  x 3  x 4  
V ̂
1

V x  x x x  

3   

1 2 3 4
 4  16

1
 V ( x 1)  V ( x 2 )  V ( x 3 )  V ( x 4 )  
1
4   
2 4
 2  0,25  2
16 16 16

El estimador ̂ 3 es el más eficiente.

c) Escogería el estimador que presentase menor Error Cuadrático Medio (ECM)

2
 
ECM(̂)  E(̂  ) 2  V (̂)  E(̂ )   
 1424 3 

sesgo b (̂)  E(̂ )   
 sesgo 
Si E(̂)    ECM(̂)  V (̂)
1424 3
insesgado

Como los tres estimadores son insesgados (centrados), me decido por el que
menor varianza presenta, puesto que coincidirá con el que menor ECM tiene, es
decir, escojo el estimador ̂ 3

Adviértase que si el estimador ̂ es insesgado: ECM( ̂)  V ( ̂)

Santiago de la Fuente Fernández 49

 Muestreo aleatorio simple

ESTIMADORES SESGADOS: CÁLCULO SESGO Y ESTIMACIÓN PUNTUAL

11.- La variable aleatoria X representa los gastos mensuales de una empresa, cuya
función de densidad es f (, x)   x  1 con   0 y 0  x  1 . Se realiza una m.a.s. de
tamaño 3, y se proponen tres estimadores:

̂ 1  x
2 2 2
x 2 x 3 x
1 2 3
̂ 2 
6
x32 x14 x2
̂ 3 
6
a) Calcule los sesgos
b) Si la muestra que se obtiene es (0,7 ; 0,1 ; 0,3), calcule las estimaciones
puntuales.
c) ¿Cuáles son las funciones estimadas para las estimaciones anteriores?

Solución:

Un estimador ̂ es insesgado (centrado) cuando E(̂)   .

Un estimador ̂ es sesgado cuando E(̂)    b(
{
̂)  b(̂)  E(̂)  
sesgo

X = ”gastos mensuales de la empresa”

f (, x)   x  1 con   0 y 0  x  1 m.a.s. con n = 3

 Sesgo del estimador ̂ 1  x

̂  x  E(̂ )  x1  x 2  x 3 
E 
1

E x x x   1
(3 )   (media poblacional)
1 1

 

1 2 3
 3  3 3
1
 1 1 1   x1 


donde     x f (x, ) dx  0 x f (x, ) dx  0 x  x  1 dx  
0
 x dx    
   1 0 1
 2
El sesgo: b (̂1)  E(̂1)        
1 1

x 2 2 x 23 x 2
1 2 3
 Sesgo del estimador ̂ 2 
6

2 2  
1x 2  2 x  3 x 1 2 2 2  1
E(̂ )  E 2 3 E(x )  2 E(x )  3E(x )  (6  )   ()
 
 1 2  3

2 2
2  6
 

6 6  123 123 123 

  2 
  2 2


donde  2 es el momento de orden 2 respecto al origen.

Santiago de la Fuente Fernández 50

 Muestreo aleatorio simple
2  2 1 2 1 2 1 1
 2  E(x )   x f (x, ) dx   x f (x, ) dx   x  x dx    x1 dx 
 0 0 0
1
  x2  
   
   2 0 2

entonces,

2 2  
 1x 2  2 x
  3x  1 2 2  
2
E(̂ )  E 2 3  E(x )  2 E(x )  3 E(x )    
  3 
 
2  1 2 2
 

 6 
6  123 123 123  2
  2 2 2 

2  
El sesgo: b (̂ )  E ̂   
 
2 2



 2 2

x32 x14 x2
 Sesgo del estimador ̂ 3 
6

E(̂

x 3  2x1  4x 2  
) E  
1

E x  2x  4 x   1
(3 ) 
1

3 

3 1 2
 6  6 6 2
1
 1 1 1   x1  
1 
  x f (x, ) dx   x f (x, ) dx   x  x dx 
0  x dx    
 0 0
   1 0 1

ˆ ˆ 1    2  2  
 
El sesgo: b(3)  E(3)    
     2 (  1)


2 
1

b) Si la muestra que se obtiene es (0,7 ; 0,1 ; 0,3), calcule las estimaciones puntuales.

0, 7  0,1  0, 3
̂ 1   0, 367
3
0, 7 2  2.0,1 2  3.0, 3 2
̂ 2   0,13
6
0,3  2.0, 7  4.0,1
̂ 3    0,117 a no puede ser, puesto que ̂  0
6

c) ¿Cuáles son las funciones estimadas para las estimaciones anteriores?

̂ 1  f (0, 367, x)  0, 367 x0, 367  1  0, 367 x 0, 633

̂ 2  f (0,13, x)  0,13 x0,13  1  0, 367 x 0, 87

Santiago de la Fuente Fernández 51

 Muestreo aleatorio simple
CÁLCULO EFICIENCIA RELATIVA Y ERROR CUÁDRATICO MEDIO

12.- Sea una población con media  de la que se extraen m.a.s. de tamaño n. Considere
los siguientes estimadores de la media:
n
1
̂ 1  x ̂ 2  x
n  1 i1 i
a) Estudie la insesgadez, la eficiencia relativa y la consistencia de ambos
estimadores.
b) Elija uno de los dos en término del error cuadrático medio.

Solución:

a) Insesgadez

Un estimador ̂ es insesgado (o centrado) cuando se verifica E(̂)  

Un estimador ̂ es sesgado cuando E()ˆ    {
b ()ˆ  b{
(̂)  E(̂)  
sesgo sesgo

Un estimador ̂ es asintóticamente insesgado si su posible sesgo tiende a cero al

~
aumentar el tamaño muestral que se calcula: lim b ()  0
n 

1n 1 n
1 1
E(̂ )  E(x)  E( x )  E( x) n (n )  
E(x ) 
  



1 i i i
n i1 n i1 n i1 n
b (̂ 1 )  E(̂ 1)        0

1n 1 n
1 1
E(̂ )  E( x )  E( x) n
E(x ) 
(n )  n 
2
n  1 i1
 i
n 1
 i
n  1 i1
 i
n 1 n 1
i1

    06
cu4
an4
do
7'n4
' a4
u8
menta
n n   n    
b (̂ 2 )  E(̂ 2 )        
n 1 n 1 14n241
3
sesgado
asintoticamente

 Eficiencia

Sean ̂ 1 y ̂ 2 dos estimadores insesgados de un parámetro desconocido  .

Decimos que ̂ 1 es más eficiente que ̂ 2 si se verifica que Var (̂ 1)  Var (̂ 2 )
Var (̂ 1 )
La eficiencia relativa se mide por el ratio:
Var (̂ 2 )

1 n
V (̂ )  V (x)  V ( x )  1 n 1 2
2
 V (xi )  ( n  ) 





1
n i1 i n 2 i1 n 21 n
1n
V (̂ )  V ( x )  n ( n  2 )  n
1
V (x )  2
2
n 1
 i
(n  1)2 i1
 i
(n  1)2 (n  1) 2
i1

Santiago de la Fuente Fernández 52

 Muestreo aleatorio simple
Var (̂ 1 )  2 2
 n (n  1)
eficiencia relativa    1 a Var (̂ 1 )  Var (̂ 2 )
2 2
Var (̂ 2 ) n (n  1) n2
El estimador ̂ 2 tiene menor varianza, por lo que es más eficiente que ̂ 1

 Consistencia

Un estimador ̂ consistente es un estimador asintóticamente insesgado cuya varianza

tiende a cero al aumentar el tamaño muestral.
 lim E(̂)  
 n 
El estimador ̂ es consistente cuando  
 lim V (̂)  0
n  


 lim E(̂ 1 )  lim E(x)  

 n   n  
̂ 1   2
es consistente
 lim V (̂ 1 )  lim 0
 n   n   n

 1  
lim E (̂ )  lim     
 2   


 n   n    
̂ 2    n1  es consistente
 lim V (̂ 2 )  lim  n  2 0
2 

 n   n    (n  1) 


c) Elegir uno de los dos en término del error cuadrático medio.

El Error Cuadrático Medio (ECM) de un estimador ̂ viene definido:

2
 
ECM(̂)  E(̂  ) 2
 V (̂)  E(̂ )    sesgo b (̂)  E(̂ )  
 1424 3 
 sesgo 
Si E(̂)    ECM(̂)  V (̂)
1424 3
insesgado

  2 2

ECM(̂ 1 )  V (̂ 1)  b (̂ 1 )  
2
n
 0
n
 2 n

2
 
 1


2
2
n 22
ECM(̂ 2 )  V (̂ 2 )  b (̂ 2 )  2 n  1
(n  1)   (n  1)

El estimador ̂ 1 será el que presenta menor ECM cuando ECM(̂ 1 )  ECM(̂ 2 )

En esta línea,

2  n 22 n 2 2 2 n 2 2
      
2
n (n  1) 2 (n  1) (n  1) 2 n (n  1) 2 (n  1) 2

Santiago de la Fuente Fernández 53

 Muestreo aleatorio simple
2 2
(n  1) 2
 2
n  2 2 2 (n  1) n
 2
  2   2 
2 (n  1) n
n(n  1)

2 n1 2  2n1 2
   2 
n n 2

 2 n  1 2
S  a ̂ 1 se elige antes que ̂ 2
i n 2

 2 n  1 2
  a ̂ 2 se elige antes que ̂ 1
S n 2

i


Santiago de la Fuente Fernández 54

 Muestreo aleatorio simple
CÁLCULO INSESGADEZ E EFICIENCIA

13.- El peso en kilos de los jamones vendidos por una empresa sigue una distribución
normal con varianza 4 y peso medio desconocido. Se conoce que el peso medio de los
jamones vendidos es superior a 5 kg, y se toman m.a.s. de tamaño 4 para estimar  .
¿Cuál de los dos estimadores sería el mejor respondiendo a la insesgadez y eficiencia?

X 1X 2X 3 X 1  X2
̂ 1  ̂ 2 
4 2
Solución:

- Un estimador es insesgado (centrado) si E(̂)  

Un estimador es sesgado si E(̂)    b(̂) a b(̂)  E(̂)  
{
sesgo

La v.a Xi 'peso en kg de los jamones' sigue una distribución normal de varianza 4

Para estudiar la insesgadez de los estimadores hallamos sus esperanzas:

 E(̂
) E
X 1X 2X 3

1
E(X )  E(X )  E(X )   3 

1  

1 2 2
 4  4 4
El sesgo del estimador ̂ 1 será: b(̂ 1 )  E(̂ 1 )    3      1 
 4 4


 1
 E(̂

X 1X 2
) E  
E(X )  E(X )   2
  
2 

1 2
 2  2 2


El estimador ̂ 2 es insesgado, b(̂ 2 )  0

Atendiendo al sesgo se elige ̂ 2

- Para analizar la eficiencia relativa de los dos estimadores se calculan las
respectivas varianzas
  

V (̂ ) 

X1  X 2  X 3  
V  
1 
V (X X

 X ) 
1
 V (X )  V (X )  V (X )  
1 

 
4 

1 2 3 1 2 2
 16 las
144 424 443  16
 observaciones 
 son independientes 
V (X i)  4
} 1 12 3
 12  
16 16 4

 
1

 V (X  V (X i)  4 1 8  2
  }
V (̂ )  X 1X 2 1   X )  )
 V  V (X 1 2  1)  V (X 2
2  

1442443 4 
2   4
  4  
las observaciones
son 
independientes  

Respecto a la varianza se elige el estimador ̂ 1 por ser el de menor varianza.

Santiago de la Fuente Fernández 55

 Muestreo aleatorio simple
Tenemos propiedades contrapuestas, de modo que el estimador insesgado ̂ 2 es el de
mayor varianza. Elegiremos el estimador en base al error cuadrático medio (ECM):
2
 3    2  12
 ˆ   
ECM( 1)  4  4  16
2
ECM  Varianza  (sesgo)   
 2 0  2
ECM(̂ 2 ) 

Se analiza cuando es mayor el ECM del primer estimador ̂ 1 : ECM(̂ 1)  ECM(̂ 2 )


 2  12  2
 2    20    20  4,47
16

Si  es en valor absoluto mayor que 4,47, el error cuadrático medio de ̂ 1 es mayor, con
lo que se elige el estimador ̂ 2 .
Como sabemos que el peso medio de los jamones es superior a 5 kg, no queda duda que
el estimador a elegir (con menor error cuadrático medio) es ̂ 2 .

Santiago de la Fuente Fernández 56

 Muestreo aleatorio simple
14.- La distribución del peso de las manzanas de una determinada cosecha sigue una
distribución normal, cuyo peso medio es desconocido y cuya desviación típica es 7
gramos. Se pide:

a) Analizar cuál de los estimadores ̂ 1 , ̂ 2 del peso medio es mejor respecto del
sesgo y de la eficiencia, para una muestra aleatoria simple de tamaño cinco.
5
Xi
b) Si ̂ 1 
i1
y ̂ 2  X 1  2 X 2  3 X 3  4 X 4  X 5 , obtener los pesos medios
5
estimados a partir de la siguiente muestra (125, 135, 130, 137, 142).

Solución.-

a) El peso de las manzanas sigue una distribución N(, 7)

Calculamos las esperanzas de los estimadores para analizar el sesgo de los estimadores
 5  15

1
E X  E X E (X i)  μ 1
(5 μ)  μ

5 }
E(μ̂ )  E X
1  i 5   i   i 
i1  5 i1  5 i1 5

E(μ̂ 2)  E(X 1  2 X 2  3 X 3  4 X 4  X 5)  E(X 1)  2 E( X 2)  3E( X 3)  4 E( X 4)  E( X 5) 

 μ  2 μ  3μ  4 μ  μ  μ

Los estimadores ̂ 1 , ̂ 2 son insesgados (centrados).

b) Para analizar la eficiencia de los estimadores calculamos sus varianzas:

 1   V (X }i)  7 2 1
 V X 
5 5 1 5 49
X 5  V 
V (̂ )  V  X 
 
(5. 49) 
1  i  i  i
i1  25 i1  25 i1 25 5

V (μ̂ 2)  V (X 1  2 X 2  3 X 3  4 X 4  X 5)  V (X 1)  4 V ( X 2)  9 V ( X 3)  16 V ( X 4)  V ( X 5) 
 (49)  4 (49)  9 (49)  16 (49)  (49)  31 (49)  1519

Como los dos estimadores son insesgados y V (̂ 1 )  V (̂ 2 ) se elige como mejor el
estimador ̂ 1 , que es el peso medio de la muestra de las cinco manzanas.

Santiago de la Fuente Fernández 57

 Muestreo aleatorio simple
15.- Supongamos que la distribución de ingresos de una cierta población es una variable
aleatoria con media  desconocida y varianza 2 también desconocida. Si queremos
estimar el ingreso medio de la población mediante una m.a.s. de tamaño n, respecto de la
insesgadez y de la eficiencia. ¿Cuál de los dos estimadores elegiríamos?
n n
 Xi Xi
̂ 1  i1 ̂ 2  i1
n 1 n
Solución:

 Un estimador es insesgado (centrado) si E(̂)  

Un estimador es sesgado si E(̂)    b(̂) a b(̂)  E(̂)  
{
sesgo

La v.a Xi 'ingresos de cierta población'' sigue una distribución normal N(, )

Para analizar el sesgo de los estimadores, hallamos la esperanza:

1 n
E(̂ )  E( n X n  1)  n (n )  
1 E( n X )  1 E(X )  
1  i 
n  1 i1 i


 i n  1 n 1
i1 n  1 i1

n 1
El sesgo del estimador ̂ 1 será: b(̂ 1 )  E(̂ 1 )     
  n 1 n 1

 E(̂ )  E( n X
1
E(X )  (n )  
n

1 E( n X ) 1 
2  i n)  n  i  n  i n 

i1 i1 i1

El estimador ̂ 2 , que es la media muestral, es insesgado (centrado).

 La eficiencia de los estimadores se analiza a través de su varianza:

n n
1 1 1
V (̂ )  V ( n X n  1)  V( X) V (X )  (n  2 )  n 2
1  i
(n  1) 2
 i 
(n  1) 2 i1
i
(n  1) 2
i1 i1 (n  1) 2

1 1 2
V (̂ )  V ( n X n)  n n (n  2) 
V ( X i)  1 V (X ) 
2  i 2


 i
i1 n i1 n i1 n2 n

El estimador más eficiente será el de menor varianza. Comparando las varianzas de los
estimadores:
2 n 2
V (̂2 )    V (̂ 1) puesto que (n  1) 2  n 2
n (n  1) 2

El estimador ̂ 2 , que es la media muestral, es el mejor tanto al sesgo como a la

eficiencia.
COMPRENSIÓN DE LA VEROSIMILITUD

Santiago de la Fuente Fernández 58

 Muestreo aleatorio simple
CÁLCULO DE LOS ESTIMADORES MÁXIMO VERSOSÍMILES. PROPIEDADES

16.- Una urna contiene bolas blancas y negras. Sea p la probabilidad de extraer una
bola blanca cuando se realiza una extracción al azar. Asociado a este experimento
aleatorio tenemos la variable aleatoria X que puede tomar los valores:

X = 1 si la bola extraída es blanca

X = 0 si la bola extraída es negra

La distribución de probabilidad será una B(1; p): P(X  x)  p x (1  p) 1 x

Se selecciona una muestra aleatoria con reemplazamiento de tamaño 3 (x1, x 2 , x 3 ) ,

siendo xi la variable aleatoria a la extracción i-ésima, y suponemos que ha resultado la
siguiente relación (B, N, B). Como el parámetro p es desconocido pretendemos saber,
entre los valores, p  0,65 y p  0,73 qué valor hace más probable la aparición de dicha
extracción.

Solución.-
 P(B)  p
Si la muestra (B, N, B) es independiente, siendo 
P(N)  1  p

P(B, N, B)  P(B  N  B)  P(B).P(N).P(B)  p.(1  p).p  p 2. (1  p)

p  0,65 :
P(B, N, B)  0,65 2 .0,35  0,1479

entonces  
 p  0,73: P(B, N, B)  0,73 2 .0,27  0,1439


Resulta más probable (p = 0,65), siendo más verosímil.

FUNCIÓN DE VEROSIMILITUD DE LA MUESTRA.- Sea (X 1, L, X n) una muestra

aleatoria de una población X con función de masa (o función de densidad f  ) donde
  ( 1, L ,  n). El estimador de máxima verosimilitud de  es el formado por los
valores (̂ 1, L , ̂ n ) que maximizan lo que llamaremos función de verosimilitud de la
muestra (x 1, L, x n ) obtenida:
 P (x 1 , ) L P (x n , ) caso discreto
L ()  L ( x 1, L, x n ;  ) 
f (x )1 L f (x
 ) ncaso continuo

Si consideramos la m.a.s. (x 1, x 2, x 3 ) , siendo las variables aleatorias x i independientes,

tomando los valores 0, 1, con distribución B(1, p), la distribución de probabilidad
asociada será:

Santiago de la Fuente Fernández 59

 Muestreo aleatorio simple
x1  1 x 1
P ( x 1 , p)  P ( X  x 1)  p (1  p)
 
x2 1x2
P ( x 2 , p)  P ( X  x 2 )  p (1  p)  x i  1, 0 sea bola blanca o negra

x3

1 x3 
P ( x 3 , p)  P ( X  x 3)  p (1  p) 



La función de verosimilitud será:

3
x1 1 x 1 x2 1 x 2 x3 1 x 3
L (p)   P (x i, p)  p (1  p) .p (1  p) .p (1  p) 
i1
x 1 x 2 x 3 3 ( x 1 x 2 x 3 )
p (1  p)

En la muestra (B, N, B) el valor que toma la función de verosimilitud será:

L (p)  p 1  0  1 (1  p) 3  (1  0  1)  p 2. (1  p)

Santiago de la Fuente Fernández 60

 Muestreo aleatorio simple
17.- Un atleta olímpico de salto de altura se enfrenta a un listón de 2,3 metros. Su
entrenador desea estudiar el comportamiento del saltador. Sabe que el número de
saltos fallidos por hora es una variable aleatoria distribuida como una Poisson de
parámetro .
a) Calcular el estimador máximo verosímil del parámetro .
b) Analizar sus propiedades.

Solución.-

a)

FUNCIÓN DE VEROSIMILITUD DE LA MUESTRA (EMV).- Sea (x 1, L, x n) una

muestra aleatoria de una población X con función de masa P (o función de densidad f )
donde   ( 1, L ,  n). El estimador de máxima verosimilitud de  es el formado por los
valores (̂ 1, L , ̂ n ) que maximizan lo que llamaremos función de verosimilitud de la
muestra (x 1, L, x n ) obtenida:
 P (x 1 , ) L P (x n , ) caso discreto
L ()  L(X; )  L ( x ,1L, x ; n) 
f (x )1 L f (x
 ) ncaso continuo

En muchas ocasiones, la forma más cómoda de encontrar el estimador de máxima

verosimilitud es considerar lnL () en vez de L () , ya que es más fácil de manejar y
presenta los mismos máximos y mínimos, y despejamos   ( 1, L ,  n) de la ecuación:
 lnL ()
0
 

Sea la v.a. X = 'número de saltos fallidos por hora'

x   E(X)  
En la distribución de Poisson: P (X  x)  e 
x!  V (X)  

En una muestra aleatoria simple de tamaño n, la función de verosimilitud L(X, ) :
n

  x xn  xi
 1
e L 
n
L ()  L (X , )   P (xi , )  e
  i1
 n e n 
i1 x1! xn!
xi!
i1
n x  n  n
 i  xi  xi n
 i1   i1  n  
e n   lnL (X , )  ln  n
i1
e   ln( )  ln( x i !)  ln(e
n 
L (X , )  n ) 
  i1
 x i!  x i ! 
i1  i1  
n n
  x i Ln    Ln(x i !)  n 
i1 i1

Santiago de la Fuente Fernández 61

 Muestreo aleatorio simple
n n
ln L (X , )   x i Ln  
i1
 Ln(x i !)  n 
i1
n
 lnL (X , ) n 1  xi
i
̂  1  x
x i  n  0 
 i1  n
 

Lo que nos dice que el Estimador de Máxima Verosimilitud (EMV) del parámetro 
vendría dado por la media muestral: EMV ()  x

b) Analizar las propiedades

 Insesgadez

El estimador sería insesgado (centrado) si E(̂)  

 n 
x
ˆE()  E i 1 i   1 E(  n
n x i)  1  E(x )  1
n i1 i (n )  
 n  n i1 n
 
 


 Eficiencia

Para que un estimador sea eficiente tiene que ser centrado y de varianza mínima.
La varianza mínima se analiza en virtud de la acotación de Cramer-Rao:
1
V (̂)  2 acotación de Cramer - Rao
  ln f(x , )
nE 
   

x 
Ahora bien, f (x , )  e
x!
x 
 

ln f (x , )  ln  e   x ln   ln(x!)  
x!
 
 ln f (x , )  x x  
  1 


   
2 2
  ln f (x , )  x   1 2 1 2 1  1
E(x  ) E(x  x) V (x)  
E    E     2  2  2 
      2

1 
En consecuencia, V (̂)   
1 n
n



El resultado nos dice que el menor valor de la varianza del estimador sería  n .

̂  x (calculado por el EMV). Sabemos V (x)  , lo que muestra que el estimador
n
empleado es eficiente.

Santiago de la Fuente Fernández 62

 Muestreo aleatorio simple
n
x
i i
1n 1 
V (x)  V ( 1 )  V (x i) 
n 2i1 n2
(n ) 
n
n

 Consistencia

Un estimador ̂ consistente es un estimador asintóticamente insesgado cuya varianza

tiende a cero al aumentar el tamaño muestral.
 lim E(̂)  
n 
El estimador ̂ es consistente cuando  
 lim V (̂)  0
n  


lim E(̂)  lim   

n   n  
   
lim V (̂)  lim 0
n   n n

El estimador ̂ es consistente

Santiago de la Fuente Fernández 63

 Muestreo aleatorio simple
18.- En una gran piscifactoría hay una proporción desconocida de peces de una especie
A. Para obtener información sobre esta proporción, vamos a ir sacando peces al azar.

a) Si la proporción de peces de la especie A es p., ¿cuál es la probabilidad de que el

primer pez de la especie A sea el décimo que extraemos?.
b) Tres personas realizan, independientemente unas de otras, el proceso de sacar
peces al azar hasta encontrarse con el primero de tipo A:
- La primera persona obtiene el primer pez tipo A en la décima extracción.
- La segunda persona obtiene el primer pez tipo A en la decimoquinta extracción.
- La tercera persona obtiene el primer pez tipo A en la decimoctava extracción.

Escribir la función de verosimilitud y obtener la estimación de máxima verosimilitud de

la proporción p.

Solución.-

El objetivo fundamental del ejercicio es estimar, por máxima verosimilitud, el

parámetro p = "proporción de peces de la especie A".

a) P(primer pez tipo A en la décima extracción) = (1  p) 9 p

b) La función de verosimilitud L(p) = P(Resultados muestrales obtenidos)

L(p) = P(primer pez tipo A en la décima extracción y primer pez tipo A en la

decimoquinta extracción y primer pez tipo A en la decimoctava extracción)


L(p)  (1  p) 9 p (1  p) 14 p (1  p) 17 p  (1  p) 40 p 3


logL(p)  log (1  p) 40
p 3
  log(1  p) 40
 logp 3  40 log(1  p)  3 logp

3
logL(p)   40 3 a p̂ 
  0
dp 1p p 43

Santiago de la Fuente Fernández 64

 Muestreo aleatorio simple
19.- Las personas de un país se clasifican según dos características: color de los ojos
(claros u oscuros) y sexo (hombre o mujer). Las dos características son independientes.

a) Obtenemos una muestra al azar de la población con los siguientes resultados:

- 200 mujeres con ojos claros
- 150 hombres con ojos claros
- 350 mujeres con ojos oscuros
- 300 hombres con ojos oscuros

Obtener la estimación de máxima verosimilitud de p = P(hombres) y q = P(ojos

oscuros)

b) Si tomamos 8 personas al azar de ese país, ¿cuál es la probabilidad de encontrar

alguna mujer de ojos oscuros?. Y si la muestra que tomamos es de 200 personas,
¿cuál es la probabilidad de que haya más de 60 mujeres de ojos oscuros?

Solución.-

a) Las probabilidades de los cuatro posibles resultados muestrales son:

- P(mujer con ojos claros) = (1  p) q

- P(hombre con ojos claros) = p q
- P(mujer con ojos oscuros) = (1  p)(1  q)
- P(hombre con ojos oscuros) = p (1 q)

La función de verosimilitud L(p, q) = P(resultados muestrales obtenidos)

L(p, q)   (1  p) q   p q 150  (1  p)(1  q)  350  (p (1  q)  300  p 450 (1  p) 550 q 350 (1  q) 650

200

 
log L(p, q)  log p 450 (1  p) 550 q 350 (1  q) 650  450 logp  550 log(1  p)  350 log q  650 log(1  q)

 log L(p, q) 450 550

  0 a p̂  0,45
p p 1 p
 log L(p, q) 350 650
  0 a q̂  0,35
q q 1 q

b) Conocemos que P(mujer con ojos oscuros) =(1  p)(1  q)  0,24

La variable aleatoria X = "número de mujeres con ojos oscuros, entre 8" sigue una
distribución binomial B(n  8; p  0,24)

 8 0 8
P(X  1)  1  P(X  0)  1    (0,24) (0,76)  0,89
0 

Santiago de la Fuente Fernández 65

 Muestreo aleatorio simple
La variable Y = "número de mujeres con ojos oscuros, entre 200" sigue una
distribución binomial B(n  20; p  0,24) , que por ser el tamaño de la muestra grande
(n = 200) y p no próximo a cero (p = 0,24) aproximamos por la distribución normal

B(n  20; p  0,24)  N(  np  48;   np q  200 (0,24)(0,76)  6,04)

 Y  48 60  48 
P(Y  60)  P    P(z  1,99)  0,0233
 6,04  6,04 

Santiago de la Fuente Fernández 66

 Muestreo aleatorio simple
20.- Calcular el estimador máximo verosímil del parámetro 'a' de las siguientes
funciones:
a) f(x; a)  a 2 e ax siendo x  0 en muestras aleatorias simples de tamaño n.
b) f(x; a)  ae  ax para x  0 , a  0 en muestras aleatorias simples de tamaño 2.

Solución.-

a) f(x; a)  a 2 e ax donde x  0 en m.a.s. de tamaño n

La función de verosimilitud
n
a xi
L  L (x 1, x 2, L , x n ; a)  (a 2 e  a x1 ).(a 2 e  a x2 ) L (a 2 e  a xn )  a 2 n e i 1

n
a xi n
aplicando logaritmos neperianos: log L  log (a 2 n e i1
)  2 n log a  a  x i
i1
derivando respecto de 'a' e igualando a cero:

n 2
d(log L) 2n  0  â  2 n 2 â 
  x 
 i n x x
da a i 1 x i
i 1

b) Sea f(x; a)  ae  ax para x  0 , a  0 en m.a.s. de tamaño 2

La función de verosimilitud L  L (x 1, x 2 ; a)  (ae  a x1 ).(ae  a x2 )  a 2 e  a(x1  x2 )

aplicando logaritmos neperianos: log L  log (a 2 e  a(x1  x2 ))  2 log a  a(x1  x2)

derivando respecto de 'a' e igualando a cero:

d(log L) 2 2 1
  (x1  x2)  0  â  
da a x1  x2 x

Santiago de la Fuente Fernández 67

 Muestreo aleatorio simple
21.- Sea la distribución N( ; ) , con media  conocida y varianza desconocida.
Calcular la estimación máximo-verosimíl de la varianza en muestras aleatorias simples
de tamaño n.

Solución.-

La función de verosimilitud es:

 (x1 ) 2  
 (x2 ) 2   (xn )2 
 
  

2  1  1   1 2 2  
 

 )    
L (X; , e 2 2   e 2 2  L  e
 2   2   2   2   2   2 
  n 2   
(x )
 i
 i1
1 2 2
 n n
e
(2 ) 2 ( 2 ) 2

tomando logaritmos neperianos, se tiene: 


n
(x ) 2
 n
 

 
i 2
1  i1  (xi  )
2  n n
e
log L (X; ,  2)  log 2 
    2 log(2 )  2 log( 2 )  i1
 n
2
n  2 2
 (2 )2 ( ) 2 
  


y derivando respecto a  2 e igualando a cero:

  n
(x  )2
2 n
d log L (X; ,  )  
d 2 2 2  i n
 i1 0 (x  )2
24  i
2 2 2
como   0 , el estimador máximo verosímil de  será: ̂  i1
n

Conviene observar que el estimador no es la varianza muestral, dado que las

desviaciones de los valores muestrales lo son con respecto a la media poblacional  y no
respecto a la media muestral x .

Santiago de la Fuente Fernández 68

 Muestreo aleatorio simple
22.- Sea la distribución N( ; ) , con la media y varianza desconocidas. Calcular los
estimadores máximo-verosímiles de  y  2 .

Solución.-

La función de verosimilitud es:

 (x1 ) 2  
 (x2 ) 2   (xn )2 
 
  

2  1   1


   1 2 2  


L (X; ,  )   e 2   e 2  L  e
2 2
 2   2   2   2   2   2 
  n 2   

(x )
 i
 i1
1 2 2
 n n
e
(2 ) 2 ( 2 ) 2

tomando logaritmos neperianos, se tiene: 


n
(x ) 2
 n
 

 
i 2
1  i1  (xi  )
2  n n
e
log L (X; ,  2) 2  2
 log     2 log(2 )  2 log( )  i1
 n
2
n  2 2
(2 )2 ( )2 
  


y derivando respecto a  y  2 , e igualando a cero:



 log L (X; ,  2 )  n
i (xi  )

 1 2


0

  n
(x  )2
2 n
 log L (X; ,  )  
2 22  i
 i1 0
24 n
(x  x)2
 i
resolviendo el sistema resulta: ̂  x y ̂ 2  i1 2
x
n

Los estimadores máximo-verosímiles de  y  2 son la media y la varianza muestrales.

Santiago de la Fuente Fernández 69

 Muestreo aleatorio simple
CÁLCULO DE ESTIMADOR POR EL MÉTODO DE LOS MOMENTOS

23.- Sea una población definida por:

1 
P(  1)  

2 
P(  0) 

  0    1

2  0    1
1  
P(  1)   
2 


Estimar los parámetros  y  por el método de los momentos, estudiando si son

insesgados.

Solución.-

MÉTODO DE LOS MOMENTOS.- El procedimiento consiste en igualar momentos

poblacionales respecto al origen ( r ) a los correspondientes momentos muestrales
respecto al origen (a r ) , formando así tantas ecuaciones como parámetros
poblacionales se pretenden estimar:
 n
 xi
 i1
  1  E(X)    ̂ 1  a 1  n  x

 n
  x2i
  2  E(X 2 )  ̂ 2  a 2  i1
 n
LLLLLLLLLLLLLLL

 n
  x ri
   E(X r )  ̂  a  i1
r r r
 n

Puesto que hay que estimar dos parámetros hay que calcular los dos primeros
momentos.
644444444444444444m 4o4
mentos poblaciona les
41 7
44  4444444444444444444444 8
    E()  x P(  x )   (1) 
   1       
 (0)   (1)  
1  i i 
 2 
 

 2 



 2 


2
i
  E( 2 )  x 2 P(  x )  (1) 2  1     (0) 2       (1) 2  1     2    
 i
   
2 i      
2 2 2 2
  

i      

6444m4
om
4e4
nt4
os7m4
ue4
st4
ral4
es4448

xi  xi 2
a1  x  i a2  i
n n

Santiago de la Fuente Fernández 70

 Muestreo aleatorio simple
 1  a 1    2 x 
 x 

 
2 2x  ̂ 1  a 2  x


2    
 
      2 a 2  2

 ̂ 1  a 2  x

 2  a 2   a 2      2 a 22 
2 

 Insesgadez

Un estimador ̂ es insesgado (o centrado) cuando se verifica E(̂)  

E(̂)   E(1  a  x)  1  E(a )  E(x)  1       2   

1  

   

 

2 2 2
 

 2   2 
E(̂)  E(1  a  x)  1  E(a )  E(x)  1      1   2             

   

 

2 2 2
 

 2   2 

Los estimadores  y  son insesgados.

Santiago de la Fuente Fernández 71

 Muestreo aleatorio simple
CÁLCULO DE ESTADÍSTICOS. FUNCIÓN DE DENSIDAD

24.- Una muestra aleatoria (X1 , L , Xn ) de la población tiene como función de

densidad f θ (x)  
θ x θ 1
 si x  ( 0,1) >0
 0 en el resto
a) Hallar un estadístico suficiente
b) Estimador de máxima verosimilitud de 
c) Estimador de  por el método de los momentos

Solución.-

a)

Un estimador ̂ es suficiente cuando no da lugar a una pérdida de información. Es

decir, cuando la información basada en ̂ es tan buena como la que hiciera uso de toda
la muestra.
Para identificar estadísticos suficientes se utiliza el teorema de factorización, que
dice que dada una muestra aleatoria (x 1 , L , x n) de una población X con función de
masa P (o función de densidad f ) un estadístico ̂ es suficiente para  si y sólo sí:

 θ 1  
 P (x , L , x n)  g θ̂ (x 1 , L , x n), θ . h(x 1 , L , x n) caso discreto

 θ 1 1
 f (x , L , x )  g θ̂ (x , L , x ), θ . h(x , L , x )
n n 1  n caso continuo

Para encontrar un estadístico suficiente ̂ hay que factorizar la función de

verosimilitud de la forma: L ()  g(θ̂ , θ) . h(x 1 , L , x n)

θ1 θ1 θ1 n

L (θ)  f θ (x 1) f θ (x 2) L f θ (x n)  (θ x ) (θ x ) L (θ x )  θ (x 1 L x ) θ  1
1 2 n n

Por tanto, θ̂  x 1 , L , x n es un estadístico suficiente.

b) L (θ)  θ n (x 1 L x n ) θ  1
n n
n θ1 n θ 1
lnL (θ)  ln θ n (x 1 L x n ) θ  1  ln θ  ln  x  ln θ   ln( x )
  i i
i 1 i1

 n n n
 lnL (θ) n  θ̂  
lnL (θ)  n ln θ  (θ  1)i  ln(x i)   θ  θ x i 0 a n
1 i 1  ln (x i)
i 1

c) Se plantea la ecuación E(X)  x

Santiago de la Fuente Fernández 72

 Muestreo aleatorio simple
1
1 1
1 1  x  1  
 x  dx 
x  E(X)  0 x f (x) dx  0 x  x dx 
0   
 1   0   1
x
x (  1)    ̂ 
1 x

Santiago de la Fuente Fernández 73

 Muestreo aleatorio simple
25.- Una muestra aleatoria (X 1 , L , X n) de la población tiene como función de
e x θ
densidad f θ (x)   si x  0
 0 en el resto

a) Hallar un estimador por el método de los momentos de 

b) Estudiar si el estimador encontrado en el apartado anterior es insesgado para
estimar el parámetro 

Solución.-

a) Se plantea la ecuación: E X  x

in6
t e4
gra
4c4
ió7
n p4
or4
p4
a8
rtes
 
x  E X   x f (x) dx   x e
 x   dx
 1  ̂  x  1

b) Un estimador es insesgado o centrado cuando su valor probable coincide con el

valor
del parámetro a estimar. Es decir, E(̂)  

E(̂)  E( x  1)  E( x )  1  (   1)  1  



 x θ
x { e
1424d3 x  x ( e  x  θ )   e  x  θ dx   x e  x  θ  e  x  θ 
{  {
 u dv 14243 14243
u v v du

integración   x θ    1  x 
  (1  x) e 
e  
   e x

por partes  1 x  
 

 x e  x  θ dx   e      1  
 x
 e 


Santiago de la Fuente Fernández 74

 Muestreo aleatorio simple

26.- Una muestra aleatoria (X 1 , L , X n ) de la población tiene como función de

densidad f θ (x)  
θ 2 x e  θx
 si x  0
 0 en el resto
Hallar el estimador de máxima verosimilitud de 

Solución.-

La función de verosimilitud L (θ):

  θ x1  θ x2 θ x n
L (θ)  f θ (x 1) f θ (x 2) L f θ (x n)  (θ 2 x 1 e ) (θ 2 x 2 e ) L (θ 2 x n e )
n

 (θx 1  θx 2  L  θx n ) θ  x i
 θ 2 n (x 1 L x n) e  θ 2 n (x 1 L x n) e i1

 
 n
θ  x i 


n
 θ  x i 


L (θ)  θ 2n (x 1 L x n) e i  1  lnL (θ)  ln θ 2n (x 1 L x n) e i  1
 
 
 
  n n  n n
lnL (θ)  (2n) ln θ  ln  x i  θ  x i  lnL (θ)  (2n) ln θ   ln x i  θ  x i
i1 i 1 i1 i 1

n
 lnL (θ)  2 n 2n
θ    x i  0  θ̂ 
θ n
i1
 x
i 1 i

Santiago de la Fuente Fernández 75

 Muestreo aleatorio simple

27.- El coseno X del ángulo con el que se emiten los electrones en un proceso
radioactivo es una variable aleatoria con función de densidad

f (x)  (1  θ x ) 2  1  x 1 1 θ 1
θ 
 0 en el resto

Consideremos una muestra aleatoria (X 1 , L , X n ) de esta variable aleatoria

a) Obtener el estimador  por el método de los momentos
b) Calcular la varianza de este estimador y demostrar que es consistente

Solución.-

a) Se plantea la ecuación E  X  x
1
1 1  θx x2 x3 
x  E X   x dx       ̂  3 x
1 2 2
 6  3
1

V (X)  9
b) V (̂)  V (3 x)  9 V (x)  9  V (X)
n n

2 1 2
2
 2 1 2 1  θx  x3 x4  3 2
V (X)  E(X )  E(X)  x  
1 dx   3     8   3 
2   6
 1   9

9 2 2
de donde, V (̂)  V (X)  9  3     3  
 
n n  9  n
 lim E(̂)  
 n  
Para probar que ̂ es consistente para estimar  es suficiente probar 
 lim V (̂)  0
n  

lim E(̂)  lim E(3 x)  lim 3E(x)  3E(X)  3  
n   n   n   3

  
3 2
lim V (̂)  lim V (3 x)  lim 0
n   n   n   n

Por tanto, queda probado que ̂ es consistente para estimar 

Santiago de la Fuente Fernández 76