La Inferencia Estadística comprende:

 Estimación de Parámetros

Estimación Puntual

Estimación por Intervalos.

 Pruebas de Hipótesis

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

ESTIMACION DE PARAMETROS

Estimación Puntual

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

1
 Estimación Puntual:
Es la estimación de un valor único de un
parámetro de la población.
Esto es, la estimación por puntos o puntual es
una selección única para el valor de un parámetro
desconocido.

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

Comparaciones entre Estimadores

Supongamos que un dirigente deportivo debe escoger un tirador de tiro al blanco para los
próximos Juegos Olímpicos.

Para ello el dirigente convoca a 3 participantes y los somete a pruebas de tiro, obteniendo los
siguientes resultados:

Claramente el tirador 3 es nuestra mejor carta, ya que en promedio le da al blanco

y la dispersión de sus tiros es baja.

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

2
 ¿Qué sucede si se enferma este último tirador?. ¿Es claro quién es mejor
tirador entre el 1 y el 2?

Veamos por tirador:

-El tirador 1 llega menos al blanco (2 de 8 en el blanco), pero sus tiros son menos
dispersos.
-El tirador 2 llega en 4 de 8 veces al blanco, es decir, en promedio llega más al
blanco, pero sus tiros son más dispersos.

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

Este problema es análogo al tipo de problemas que vamos a

tratar:

Sean ˆ1 y ˆ 2 dos estimadores de θ, tales que ˆ1 es sesgado

pero de varianza pequeña, y ˆ 2 insesgado pero de varianza
grande.

¿Cuál escojo?

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

3
 ESTIMACION PUNTUAL

La estimación puntual consiste en utilizar datos muestrales

para estimar el valor del parámetro desconocidos de una
población mediante un solo valor obtenido de un estadístico
determinado.

Por ejemplo, si se pretende estimar la talla media de un

determinado grupo de individuos, puede extraerse una
muestra y ofrecer como estimación puntual la talla media de
la muestra de individuos.

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

Estimador Puntual: Sea X una v.a. con función de densidad de

probabilidad f(x;ɵ), (“ɵ” denota al parámetro desconocido de la población).

Sea X1, X2,…, Xn una m.a. extraída de esta población.

Un estimador puntual del parámetro “ɵ” es una función de las

observaciones X1, X2,…,Xn y se escribe:

ˆ  G( X 1 , X 2 ,..., X n )

cuyo valor numérico particular ˆ  G( x1 , x2 ,..., xn )

se toma como una aproximación de “ɵ”, este valor se llama
estimador puntual de “ɵ”.

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

4
Por ejemplo : Un estimador puntual de la media poblacional “μ” es
la estadística media muestral X cuyo valor numérico x es la
estimación puntual del parámetro, esto es: ˆ  x

Algunas observaciones a ser consideradas:

 Un estimador (en particular el estimador puntual) es una función de “n”

v.a. independientes observables (valores muestra). Las estimaciones
obtenidas de tal función variarán de una muestra a otra:

f X1 , X 2 ,...,X n ( x1 , x2 ,..., xn )  f x1  f x2 ... f xn 

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

 Puede haber varios posibles estimadores diferentes para un

parámetro.

Por ejemplo: si queremos estimar la media de una variable

aleatoria, se puede considerar. La media muestral o la
mediana muestral, como estimadores puntuales.

Entonces, para estimar “θ” debe escogerse una función de la

muestra que dé el “mejor estimador” de “θ”.

 La distribución de un buen estimador debería concentrarse lo

más cerca posible del verdadero valor del parámetro de la
población.

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

5
 Ejemplo: supongamos que “θ” es  el valor verdadero de un
parámetro poblacional y que 1 ,  2 y  3 son diferentes
estimadores de “θ” con funciones de densidad de probabilidad
que muestra en la gráfica:
f ˆ 
3

f ˆ2 
f ˆ1 

Para decidir, que estimador puntual de un parámetro particular

“ɵ” es mejor, se necesita estudiar sus propiedades estadísticas.

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

PROPIEDADES DE UN BUEN ESTIMADOR

Supongamos que tenemos dos estimadores ˆ1 y ˆ2 del mismo

parámetro poblacional “θ”.

Nos preguntamos : ¿Cuál de los dos estimadores es mejor?

Teniendo en cuenta dos situaciones :

1) No es posible conocer el verdadero valor del parámetro “θ”,

siendo así no podremos afirmar que ̂2 es más adecuado que
̂1, o viceversa
2) Si tuviéramos dos estimadores de “θ” , ˆ1 y ˆ 2 ,para
decidir entre ellos cual es el mejor, es necesario considerar
algún criterio.
Para poder determinar dichos criterios es necesario considerar
las siguientes definiciones:
ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

6
 ERROR CUADRATICO MEDIO

El error cuadrático medio tiene la siguiente definición:

Sea X1,…,Xn una m.a.s. extraída de una población con

función de densidad f(x,ɵ), y sea ˆ  T  t ( X 1 , . . . , X n )
un estimador del parámetro ɵ.

Se denomina error cuadrático medio (E.C.M) del estimador

“T” al valor dado por:

ECM [ T ]= Var[ T ] + (E( T ) - ɵ)2

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

Dicha expresión se obtiene de :

ECM [T]= E[e2]=E[(T- θ)2] =
Luego:
Luego:

= E[[(T-E(T
-E(T))+E(T)
(
+E(T)-θ) ]2]= E[ 2+
(T-E(T))
(T-E(T)) 2(T-E(T))(E(T)-θ) + (E(T)-θ) ] =
2 + 2(T-E(T)) (E(T)-θ) + (E(T)-θ)22

constante

E[(T - E(T))22]] ++ 22 (E(T)-θ)

=E[(T-E(T)) (E(T)-θ)E[E[(T-E(T))] (E(T)-θ)22= E[( T - E(T) )2] + ( E(T) - θ )2
( T - E(T))] ++ (E(T)-θ)
=0

E[(T2T
= E(T –- 2E(T)
2-2TE(T)+E
)2] 2++
T E(T) (T) - θ )2 - θ )2 = (E(T
2(T) )+ ( E(T)
(EE(T) {E(T22)-E
)-E22(T)) (E(T)-θ)22
(T)}++(E(T)-θ)

Entonces: ECM [T]= Var[T] + (E(T) - θ)2

Donde : Sesgo(T) = E[T] - θ , (sesgo del estimador)

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

7
 ECM [T]= Var[T] + (E(T) - θ)2

Lo que buscamos es mínimizar ECM ( ˆ  T ) y esto se obtiene si:

mín V( ˆ  T ) y

(E(T)-θ)2 =0

Sesgo(T) = E[T] - θ = 0 ,.. insesgado

Entonces estaremos interesados en un estimador con mínima varianza y que

sea insesgado.

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

MEDIA Y VARIANZA DE LA FUNCION DE

DISTRIBUCIÓN X 2

 Distribución Chi-cuadrado (X2) : Sea “X” una v.a. que

tiene una distribución Chi-cuadro con “r” grados de libertad.

La media y varianza de la variable aleatoria chi-cuadrado con

“r” grados de libertad son:

  E( 2 )  E( X )  r

 2  V (  2 )  Var ( X )  2r

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

8
 PROPIEDADES DE UN BUEN ESTIMADOR

Un buen estimador, es aquel que está más cerca del parámetro

que se estima.

Para que un estimador puntual sea un buen estimador debe

cumplir con ciertas propiedades, 3 de las cuales son:

 Insesgabilidad,

 consistencia,

 eficiencia

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

ESTIMADOR INSESGADO

Definición :

Sea X1, X2,…,Xn una m.a.s extraída de una población con

función de densidad f(x;ɵ).

Sea ˆ  T  t ( X 1 , X 2 ,..., X n ) un estimador puntual de “ɵ”.

Se dice que el estadístico ˆ  T es un estimador insesgado

del parámetro “ɵ” si:

E ˆ    ,  

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

9
 Ejemplo:

Sea X1,X2,…,Xn una m.a.s extraída de una población N(μ,σ2)

a) Probar que X es un estimador insesgado de μ

 (X i  X )2
b) Probar si S 2  i 1 es un estimador sesgado de σ2
n 1
n

 (X i  X )2
c) Probar si ˆ  2 i 1
es un estimador sesgado de σ2
n

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

a) Sabemos X1,X2,…,Xn una m.a.s extraída de una población N(μ,σ2)

 n 
 Xi  1  n 
E  X   E  i 1   E  X i  
 n  n  i 1 
 

1 n 1 n n
 E  X i     
n i 1 n i 1 n

X es un estimador insesgado de μ

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

10
 b) Sabemos que : ( n  1) S 2
  (2n 1 )
 2

Donde el Esperado de una variable que se distribuye como una

chi-cuadrado es: n-1

Entonces:

 
E S  E
2  ( n  1)( 2 ) S 2    2 ( n  1) S 2 
  E n 1  2 
 ( n  1)
2
  
2  ( n  1) S 2  2
E   ( n  1)   2
( n  1)   2
 ( n  1)

Por tanto, S2 es un estimador insesgado de σ2

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

ESTIMADOR CONSISTENTE

Generalmente, un estimador puntual no es idéntico al

parámetro que se estima, esto debido a la presencia del error
de muestreo : e  ˆ  

Pero esperamos que un buen estimador tenga su valor muy

cercano al valor verdadero del parámetro o por lo menos tenga
una alta probabilidad de acercarse.

Es decir un buen estimador debe tener la propiedad de

consistencia.

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

11
 Consistencia: se dice que ˆ n  T n  t ( X 1 , X 2 ,..., X n )
es una sucesión consistente de estimadores de “ɵ” si:

1) lim E ˆn    2) lim V a r ˆn   0

n  n 

Si ̂n es un estimador insesgado, obviamente la primera

condición estará satisfecha.

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

Ejemplo:

Sea X1,X2,…Xn una m.a.s extraída de una población N(μ,σ2).

n

 (X i  X )2
a) Demostrar que S  2 i 1
es un estimador
n 1
consistente de σ2.
n

 (X i  X )2
b) Demostrar que ˆ 
2 i 1
es un estimador
n
consistente de σ2.

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

12
a) i)    ( n  1)( 2 ) S 2 
E S 2  E 
  2 ( n  1) S 2 
 E 
 ( n  1)  n 1 
2 2
 

2  ( n  1) S 2  2
 ( n  1)   2
( n  1)   2  ( n  1)
E

Entonces, aplicando el limite:

n 
 
lim E S 2  lim  2  
n 
2

Cumple con la primera condición:

Ahora analizaremos si cumple con la segunda condición:

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

 2 ( n  1) 2 4 ( n  1) S 2
ii) Va r [ S 2 ]  Va r [ S ] Va r [ ]
n 1  2
( n  1) 2
2

( n  1) S 2 ( n  1) S 2
Sabemos que   (2n 1 ) , entonces V ar [ ]  2 ( n  1)
 2 2

Luego:
4 2 4
V ar [ S 2 ]  [ 2 ( n  1 )] 
( n  1) 2 n 1
Aplicando limite:

2 4
lim V ar [ S ]  lim 2
0
n  n  n  1

Por tanto, S2 es un estimador consistente.

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

13
 ESTIMADOR EFICIENTE

Definición:

Sea X1,X2,…,Xn una m.a.s. extraída de una población con

función de densidad de probabilidad f(x,θ).

Sean ˆ1  T n y ˆ 2  T n' dos estimadores insesgados del mismo

parámetro . 
Se dice que el estimador ̂1 es más eficiente que ̂2
Si y sólo si :
V a r [ ˆ1 ]  V a r [ ˆ 2 ]

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

Ejemplo:

Sea X1,X2,…,Xn una m.a.s. extraída de una población N(μ,σ2).

  M ed [x] (media Poblacional = mediana Poblacional, simetría)

ˆ  X y ˆ  X~ (media muestral, mediana muestral dos Estimadores

de la media poblacional).

Además se sabe que la mediana muestral es aproximadamente

~  2
X  N ( M ed [ X ], )
2 n

¿Cuál de los dos estimadores es más eficiente para la media

poblacional?

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

14
 Por el enunciado sabemos que:
2  2
X  N ( , ) X~  N ( M ed [ X ], )
n 2 n
Luego:
E(X )   Son estimadores insesgados
E ( X~ )   de la mediana poblacional

Usando la razón de varianza:

 2
Var[ X~ ] 2 n 
  1
Var[ X ]  2
2
n

~
entonces, V a r [ X ]  V a r [ X ] , luego X es un estimador más
eficiente que X~

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

METODOS DE ESTIMACION PUNTUAL DE PARAMETROS

1.Método de Máxima verosimilitud

Consiste en tomar como valor estimado de “θ” , el valor que hace

máxima la función de verosimilitud L(θ).

Definición: Sea X una variable aleatoria cuya función de probabilidad

f(x) depende de un parámetro “θ” (f(x;θ)).

Sea X1,…,Xn una m.a.s de X y sean x1,x2,…,xn los valores observados

de la muestra. La función de verosimilitud de la muestra se define asi:
n

L(θ)=f(x1,x2,…,xn;ɵ)=f(x1;ɵ) f(x2;ɵ)… f(xn;ɵ)= f ( x i ;  )

i 1

Observación: si  hace máxima a L(ɵ), entonces también hace máxima

a su logaritmo ln(L(ɵ)).

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

15
 Para convertir el producto de la función de máxima verosimilitud en
suma, se aplica la función L=ln(L(ɵ)) y determinar “θ” por la
ecuación :

L n
 ln f ( x i ;  )

 
i 1 
0

Si, la distribución de probabilidad tiene varios parámetros

desconocidos,  1 ,  2 ,...,  k , entonces en lugar de una ecuación,
tendremos k ecuaciones.

L L L
 0,  0 ,..., 0
1  2  n

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

En resumen:
para hallar el Estimador Máximo verosímil (EMV) se procede del
siguiente modo:
1º) Hallamos la función de verosimilitud L(θ):
n
L ( )   f ( x i ,  )
i 1

2º)Se observa que si ̂ hace máxima la función de verosimilitud

L(θ), entonces también hace máxima a su logaritmo
natural, entonces se toma ln(L(θ)).

3º) derivamos e igualamos a cero, a fin de calcular el valor del

estimador :
 ln L ( )
0

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

16
 Ejemplo:
Sea X una v.a. con f.d.p f ( x )   e x , x > 0 , ɵ>0

n n
1º) L ( )  i 1
f ( xi )   e 
i 1
 xi
  e   x1  e   x 2 ... e   x n

n
  xi
L ( )   n e i 1

n
  xi n
2º) ln [ L ( )]  ln [ n e i 1
]  n ln ( )    x i
i 1

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

n n
 ( n ln     x i )  (  x i )
3º)  ln[ L ( )]  i 1

 ( n ln  )
 i 1

n n
 x 0
     i 1 i

n n
 x 0 ˆ 
n

1

1
 i 1 i n n

x i x
i 1
i
x
i 1
n
por lo tanto:
1
ˆ 
x

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

17
 METODO DE LOS MOMENTOS
Es el método más intuitivo. Consiste en utilizar la relación que tienen los parámetros con
los “momentos” de la población

1º) Sea X una v.a. con función de densidad f(x; θ1,θ2,…,θk) o con distribución de
probabilidad p(x;θ1,θ2,…,θk) caracterizado por “k” parámetros desconocidos.

Donde los primeros k momentos de la variable poblacional alrededor del origen son
respectivamente :

- Si X es continua :

 r'  E ( X r )  x f ( x ;  1 ,  2 ,..., k )  x
r
, r = 1,2,3,..,k
Rx

- Si X es discreta :

 r'  E ( X r )  x
RX
r
p ( x ;  1 ,  2 ,..., k ) , r = 1,2,3,..,k

Los momentos μ’r (r = 1,2,3,…,k) de la población son en general función de los k parámetros
desconocidos θ1,θ2,..,θk.

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

2º)Sea X1, X2, … ,Xn una m.a.s de tamaño n, los primeros k momentos
muestrales alrededor del origen se define como:

n
1
M r' 
n
X
i 1
i
r
, r = 1,2,3,..,k

El método de los momentos consiste en igualar los momentos muestrales y

momentos poblacionales, obteniendo k ecuaciones simultaneas, con k
parámetros desconocidos θ1,θ2,..,θk.

Es decir : μ’r=M’r , r = 1,2,3,.. ,k

Las soluciones de las ecuaciones en μ’r=M’r denotados por ˆ1 , ˆ 2 , . . . ,ˆ k constituyen
los momentos estimados de  1 ,  2 , . . . , k respectivamente.

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

18
 Ejemplo:
Sea X1, X2, … ,Xn una m.a.s de tamaño n, donde los X i ~ N (  ,  2 ) , con
μ y σ2 desconocidos. Encuentre los estimadores para μ y σ2 por el
método de los momentos.

Entonces , del enunciado sabemos que X i ~ N (  ,  ) , por lo tanto:

2

E (X )   corresponde al 1er. momento poblacional, sabemos también que:

V (X )  E(X 2)  E 2(X ) , expresión que contiene el 2do. momento:

E (X 2)  V (X )  E 2(X )   2   2 , 2do. Momento poblacional

Luego de la muestra obtendremos los momentos muestrales:

1 n
M 1'   Xi
n i 1
M 2' 
1 n 2
 Xi
n i 1

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

Igualando los momentos poblacionales y muestrales obtendremos un

sistemas de ecuaciones mediante el cual hallaremos los estimadores de
los parámetros: 1 n
M 1' 
n
X
i 1
i  E(X )  
n
1
M 2' 
n
X
i 1
i
2
 E(X 2)   2   2

1 n
Luego la primera ecuación obtenemos: ̂   Xi X
n i 1
de la segunda ecuación : 1 n

n i 1
X i2   2   2

1 n
 X i2  ˆ 2  X 2
n i 1

1 n
 X i2  X 2 
n
ˆ 2 
1
n
 (X i  X )2  Sn
2

n i 1 i 1

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

19
 Observación:
a r t if ic io :  n X 2  n X 2

1 n 2 1 n 2 1 n 2
ˆ 2   i
n i 1
X  X 2
 [  i
n i 1
X  n X 2
]  [ X i  2nX 2  nX 2 ] 
n i 1
n
 Xi
1 n n
 [  X i2  2 n X ( i 1n )  (  X 2 )
n i 1 i 1

1 n 2 n n
 [ X i  2 X  X i   X 2 ]
n i 1 i 1 i 1

n
1

n
 (X
i 1
i
2
 2 XX i  X 2 )

n
1

n
 (X
i 1
i  X ) 2  S n2

ESTADISTICA APLICADA II LIC. RITA GUZMAN LOPEZ

20