Clase 15. Estadística I.

Clase 15. Estadística I.

Cristian Daniel Obando A.

Universidad Nacional de Colombia sede Medellín

Escuela de Estadística

Contacto: crobandoa@unal.edu.co
Clase 15. Estadística I.

Distribución de la media muestral

Proposición

X 1 , · · · , X n una muestra aleatoria de una n (µ , σ 2 ), Entonces:

n
σ2
  X
X̄ ∼ n µ , y T = Xi ∼ n (n µ , n σ 2 ) .
n
i=1

Así,

X̄ − µ T − nµ
√ ∼ n (0 , 1) y √ ∼ n (0 , 1) .
σ/ n nσ
Clase 15. Estadística I.

Teorema del Límite Central (T.L.C.)

Suponga que X 1 , . . . , X n es una m.a. de una población prove-
niente de cualquier distribución con media µ y varianza σ 2 . Sea
X̄ la media muestral (la cual depende de n), entonces cuando
X̄ − µ
n → +∞, la distribución muestral de √ es aproximada-
σ/ n
mente normal estándar. Escribimos:
aprox
X̄ − µ
→ +∞
n^ n (0 , 1) .
√σ
n

Entre mayor sea n , mejor es la aproximación. Si la distribución

de la muestra es simétrica y continua, los tamaños muestrales
relativamente pequeños, permiten obtener buenas aproximacio-
nes. Si la distribución es discreta, se requiere de tamaños mues-
trales grandes.
Clase 15. Estadística I.

Teorema del Límite Central (T.L.C.)

Así,
! !
X̄ − µ a − µ a − µ
P(X̄ ≤ a) = P < ≈ P Z < .
√σ √σ √σ
n n n

Si σ 2 es desconocida y n grande, se puede reemplazar σ 2 por

S 2 . Así:
aprox
X̄ − µ
→ +∞
n^ n (0 , 1) .
√s
n
Clase 15. Estadística I.

Intervalos de confianza o estimadores por intervalos

Un estimador por intervalo para el parámetro θ es un conjun-

to de posibles valores que puede tomar el verdadero valor del
parámetro.
Clase 15. Estadística I.

Intervalos de confianza o estimadores por intervalos

Sea X1 , X2 , . . . Xn una muestra aleatoria y sea θ un parámetro

de interés. Un estimador por intervalos tiene la forma:

L(X1 , X2 , . . . Xn ) ≤ θ ≤ U(X1 , X2 , . . . Xn )

donde:

L(X1 , X2 , . . . Xn ) es el límite inferior del intervalo.

U(X1 , X2 , . . . Xn ) es el límite superior del intervalo.

Sea θ̂ un estimador puntual de θ. L(X1 , X2 , . . . Xn ) y U(X1 , X2 , . . . Xn )

dependerán del parámetro θ̂ y de su distribución de probabili-
dad.
Clase 15. Estadística I.

Intervalos de confianza o estimadores por intervalos

Cada muestra aleatoria proporcionará valores diferentes de

L(X1 , X2 , . . . Xn ) y U(X1 , X2 , . . . Xn ), por tanto estas también

constituyen variables aleatorias.
Clase 15. Estadística I.

Intervalos de confianza o estimadores por intervalos

Usando θ̂ y su distribución es posible determinar L = L(X1 , X2 , . . . Xn )

y U = U(X1 , X2 , . . . Xn ) tales que:

P (L < θ < U) = 1 − α, α ∈ (0 , 1) , α dado.

Para una muestra particular se obtiene el intervalo (L , U) don-

de se espera esté el verdadero valor de θ. El intervalo (L , U)
será llamado un Intervalo de Confianza al 100 (1 − α) % pa-
ra θ L y U son llamados Límites de Confianza. Por notación se
escribe : I. C. al 100 (1 − α) % para θ.
Clase 15. Estadística I.

Intervalos de confianza 100 (1 − α) %

Interpretación: De todos los posibles intervalos de confianza al

100 (1 − α) % para θ se espera que el 100 (1 − α) % de ellos
contenga el verdadero valor de θ
Clase 15. Estadística I.

Tipos de intervalos de confianza del 100 (1 − α) %

Intervalo bilateral: (l , u) tal que P (l < θ < u) = 1 − α

Intervalo unilateral derecho: (l , +∞) tal que
P (l < θ) = 1 − α
Intervalo unilateral izquierdo: (−∞ , u) tal que
P (u > θ) = 1 − α
Clase 15. Estadística I.

Obtención de un I. C.

Sea X 1 , · · · , X n una m.a. de una distribución f (x; θ) que depen-

de de un parámetro θ desconocido. Sea θ̂ un estimador pun-
tual para θ. Como θ̂ es función de la m.a, se suele escribir
θ̂ = h(X 1 , · · · , X n ). Suponga además que la distribución de
θ̂ NO depende de otros parámetros desconocidos, pero puede
depender de θ. Entonces, para α ∈ (0 , 1) dado, se pueden en-
contrar constantes a y b tal que

P (a < h (X 1 , · · · , X n ; θ) < b) = 1 − α .

Esto es posible ya que la distribución de θ̂ es conocida y solo

depende posiblemente de θ.
Clase 15. Estadística I.

Suponga que de la desigualdad anterior es posible despejar a

θ, de esta manera se obtiene

P (L (X 1 , · · · , X n ) < θ < U (X 1 , · · · , X n )) = 1 − α .

Para una m.a. particular calculamos l = L (X 1 , · · · , X n ) y u =

U (X 1 , · · · , X n ). El intervalo (l , u) es un intervalo de confianza
al 100 (1 − α) % para θ.
Clase 15. Estadística I.

Precisión

En un I. C. bilateral la longitud U − L es una medida de la cali-

dad de la información obtenida. El valor max (θ − l , u − θ) se
conoce como precisión del estimador. Aquí es necesario acla-
rar que entre mayor sea la longitud de un I.C. menor será su
precisión y entre menor sea la longitud del intervalo, mayor será
su precisión. Lo ideal es tener I. C. angostos con una alta con-
fianza. En los intervalos de confianza unilaterales, no se puede
hablar de precisión.
Clase 15. Estadística I.

Para los intervalos de confianza unilaterales se procede igual,

solo que las ecuaciones probabilísticas a resolver son de la for-
ma:

P (a < h (X 1 , · · · , X n ; θ)) = 1−α y P (h (X 1 , · · · , X n ; θ) < b) = 1−α .

las cuales al despejar θ se convierten en:

P (L (X 1 , · · · , X n ) < θ) = 1−α y P (θ < U (X 1 , · · · , X n )) = 1−α

Clase 15. Estadística I.

Pasos para realizar el bootstrap

Suponga que X 1 , · · · , X n es una m.a de f (x ; θ), θ desconoci-

do. De esta muestra obtenemos θ̂ = θ 0 .
Se generan m muestras de tamaño n de f (x ; θ 0 ).
Con cada muestra se calcula θ̂ 1 , θ̂ 2 , · · · , θ̂ m y luego
m
1 X
θ̄ˆ = θ̂i .
m
i =0
Clase 15. Estadística I.

Pasos para realizar el bootstrap

Calcule θ̂ 1 − θ̄ˆ , θ̂ 2 − θ̄ˆ , · · · , θ̂ m − θ̄ˆ.

Halle el percentil 2,5 y 97,5 de los m valores obtenidos en
el paso anterior, los cuales se denotan P97,5 y P2,5 .
El intervalo Bootstrap al 95 % para θ está dado por:
 
θ̂ − P97,5 , θ̂ − P2,5 .