ESTADISTICA INFERENCIAL

Facultad de ciencias económicas y administrativas

 Relación temática

INTRODUCCION
FUNDAMENTOS ESTADISTICA VARIABLE INFERENCIA
A LA
MATEMATICOS DESCRIPTIVA ALEATORIA ESTADISTICA
PROBABILIDAD
 CAMPOS DE ANALISIS ESTADISTICO
Parte de los
Muestra elementos de una
población
Descriptiva
Total de elementos
Población Parámetro
que satisfacen un
Estadística (censo) conjunto de
condiciones

Parte de la población de
Muestra un tamaño adecuado y Estadístico
Inferencial representativa seleccionados al azar
con fines inferenciales
Inferencia
Es el proceso a través del cual se describe la población a partir del análisis de la
muestra.

La inferencia exige que la muestra tenga un tamaño adecuado y los elementos

independientes unos de otros para garantizar su representatividad.
Población vs muestra
¿Parámetro o estadístico?

https://www.dinero.com/internacional/articulo/cuantas-generaciones-necesita-
colombia-para-superar-la-pobreza/260664.

https://www.dane.gov.co/index.php/estadisticas-por-tema/demografia-y-
poblacion/censo-nacional-de-poblacion-y-vivenda-2018/como-vivimos.

https://www.elpais.com.co/economia/es-realmente-cali-
una-ciudad-barata-para-vivir.html.
 No probabilístico

MUESTREO Aleatorio Simple

Estratificado

Probabilístico
Conglomerado

Sistemático
ESTIMACIÓN
DEFINE UNA REGLA QUE INDICA LA FORMA DE LLEGAR A UNA
MEDIDA PARTIENDO DE LOS DATOS DE UNA MUESTRA.

ENTRE LOS PRINCIPALES METODOS DE ESTIMACION ESTAN:

• PUNTUAL
• INTERVALO
• PRUEBA DE HIPOTESIS
 ESTIMACIÓN PUNTUAL

መ
Un Valor 𝜃calculado a partir de
la muestra mediante una regla de
juego específica para describir el
parámetro Θ de dicha población.
𝜃መ 𝑒𝑠 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝑝𝑢𝑛𝑡𝑎𝑙 𝑑𝑒 Θ
Estadístico 𝜃መ

En teoría, un estadístico es una variable aleatoria cuyos valores

representan una estimación del parámetro en cada una de las
posibles muestras de tamaño n de la población.

ˆ  f ( x1, x 2,...xn)
Es el 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 puntual del parámetro Θ

2/10/2020
 ESTIMADORES PUNTUALES MAS COMUNES

X   xni , ˆ  x,
P X1  X 2 , Pˆ1  Pˆ2 ,
n
S 2  n11  ( xi  X ) 2 S 12 / S 22

Son estimadores puntuales para respectivos parámetros

Media μ Diferencia de medias μ1-μ2
Proporción P Diferencia de proporciones P1- P2

Varianza σ² Razón de varianzas 1²/2²

2/10/2020
¿Como elegir un estimador puntual?

Propiedades
 Insesgadez
 Eficiencia

Métodos
 Máxima verosimilitud
 Momentos
Propiedad de insesgadez de un estimador puntual

Un estimador puntual 𝜃መ
será insesgado si cumple
que,

𝐸 𝜃መ = Θ Estimador Estimador
insesgado sesgado
 ത 𝑃෠ y S2 serán insesgados si:
Los estimadores 𝑋,

E ( X )  1n E ( xi )   ,
 x 1 0si es fracaso
E ( P)  E    n E xi   P con xi  
ˆ
n 1 si es exito
 
E S 2   n11 E  ( xi  X ) 2   2
EJERCICIO
Pruebe si los siguientes son estimadores puntales insesgados para
los respectivos parámetros µ, P y σ2 en una distribución
 la media
 la proporción
 la varianza

En otras palabras, pruebe si para cada uno de los estimadores, se

cumple que
𝐸 𝜃መ = Θ
¿Es S2 un estimador puntual insesgado para σ²?
¿E(S² ) = σ²?

E (S 2 )  E  ( x  x ) /(n 1)

i
2

 (n 1) E  ( x  x )  (n 1) E  ( x    x   )
   
2 2
1 1
 i  
i

 

 (n 1) E  ( x   )  ( x   )
   
2
1
 
i
 


(n 1) E  ( x   )  2( x   ) ( x   )  n( x   )
 
2
1
2
  i i 
 
 E ( S2 )
E(S ) (n 1) E  ( x   )  2( x   ) ( x   )  n( x   ) 
 2
2  1
2

 i i
 

con 2n( x   ) 1n  ( xi   )  2n( x   ) 2

E (S 2 )  E  ( xi   ) 2  nE ( x   ) 2 /(n  1)
 E( x   )  nE( x   ) /(n  1)
i
2 2

 n    /(n  1)

2 2

 2
 Error cuadrático medio de un estimador puntual

De un grupo de estimadores para un mismo parámetro, es más

EFICIENTE aquel estimador con menor ECM o menor varianza si
se trata de estimadores insesgados.
El Error cuadrático medio,
ECM (ˆ)  E[(ˆ  ) 2 ]

mide la cercanía del estimador puntal al parámetro.

መ Var(𝜃)
Otra expresión para este es ECM(𝜃)= መ + Sesgo2

B 𝜃መ = 𝑆𝑒𝑠𝑔𝑜= 𝐸 𝜃መ − 𝛩
Cuando 𝐵 𝜃መ = 0, se dice que el estimador puntual es insesgado
 Valor Esperado y Varianza para algunos
Estimadores Puntuales

E( X )   Var ( X )  1n  x2

E ( Pˆ )  P Var ( Pˆ )  1n pq

En E( X  X )    
1 2 1 2 Var ( X  X )  
1 2
2
X1
  X2 2

muestras  1
n1  x2
1
1
 n
2
 x22
Indepen-
dientes ˆ P
ˆ) 1
E ( Pˆ  Pˆ )  P  P Var ( P 1
n 2
p1 q1  n1 p2 q2
1 2 1 2 1 2
Ejercicio

1. Sea X1, X2. . . Xn una muestra aleatoria de una población con media
 y varianza 2. Considere los siguientes estimadores para :

𝜃መ 3 = 𝑋ത

X  4X 2  X3
1  1  2  14 X 1  34 X 3
6

• Determine si los estimadores 𝜃෠i son insesgados

• Cuál de los tres estimadores es más eficiente?
2. Sea Y1, Y2. . . Yn una muestra aleatoria de una población exponencial.
Encuentre un estimador para  a partir del método
• de momento
• de máxima verosimilitud
¿CÓMO OBTENER UN ESTIMADOR PUNTUAL?

Existen métodos que conllevan a estimar los parámetros en una

población si se conoce su distribución de probabilidad. Los más
conocidos son, el estimador

MOMENTOS
MAXIMO VEROSIMIL
MINIMOS CUADRADOS
¿Qué es un MOMENTO de orden k en la población?

Es el valor esperado de Xk. Teniendo en cuenta el tipo de

variable y de existir las esperanzas, el momento k será:

σ𝑥 𝑥 𝑘 𝑝 𝑥 𝑠𝑖 𝑥 𝑒𝑠 𝑣. 𝑎. 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎
𝐸 𝑋𝑘 = ൞
∞ 𝑘
‫׬‬−∞ 𝑥 𝑓 𝑥 𝑑𝑥 𝑆𝑖 𝑥 𝑒𝑠 𝑣. 𝑎. 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎

En una muestra aleatoria x1. x2, … , xn el 𝑛

𝑋𝑖𝑘
෍
momento k se obtiene de la expresión, 𝑖=1
𝑛
 ESTIMACIÓN POR MOMENTOS
Los estimadores de Momento k Población Muestra

momento poblacional se
obtienen al igualar el K=1 E(X)=µ
 xi1  X
n
momento muestral con
E(X2)= Var(X) +
el respectivo momento [E(X)]2
de la población. Esto es, K=2  xi2
𝑛 n
𝑋𝑖𝑘
෍ = 𝐸(𝑋 𝑘 ) Debe conocerse la función de distribución de X
𝑛
𝑖=1
Volviendo al ejercicio
2. Sea Y1, Y2. . . Yn una muestra aleatoria de una población
exponencial. Encuentre un estimador de momento para 

Para la distribución El primer momento en la muestra,

exponencial, 𝑛
𝑋𝑖1
𝐸 𝑋 = 𝛽1 𝑦 𝑉𝑎𝑟 𝑋 = 𝛽12 ෍
𝑛
= 𝑋ത
𝑖=1

Al igualar el primer momento de la muestra con el de la población se tendrá:

𝑛
𝑋𝑖
෍
𝑛
= 𝐸(𝑋) 𝑋ത = 𝛽1 Para concluir que: 𝛽መ = 𝑋1ത 𝛽መ = 𝑋ത −1
𝑖=1
 ESTIMACIÓN MÁXIMO VEROSÍMIL
Siendo Θ el parámetro de la función 𝑓(𝑥, Θ) de donde se extrae la
muestra aleatoria X1, X2, …, Xn y siendo las Xi independientes unos de
otros, la distribución conjunta de las variables Xi estará dada por

𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ; Θ) = 𝑓 𝑥1 ; Θ ∗ 𝑓 𝑥2 ; Θ ∗ ⋯ ∗ 𝑓 𝑥𝑛 ; Θ

La cual representa la función de verosimilitud L(Θ ) de la muestra

especifica de valores X1, X2, …, Xn

El estimador máximo verosímil para el parámetro 𝜆 en una distribución

exponencial con función 𝑓 𝑋 = 𝜆𝑒 −𝜆𝑥 se logra con los siguientes
procedimientos:
1. La función de verosimilitud L(θ): 𝐿 𝑥1 , 𝑥2 … 𝑥𝑛 , λ = ς𝑛1 𝜆𝑒 −𝜆𝑥𝑖 = 𝜆𝑛 𝑒 −𝜆 σ 𝑥𝑖

2. Con el logaritmo de la función se obtiene el máximo de la función de manera

sencilla.
L(θ), log 𝐿(𝑥1 , 𝑥2 … 𝑥𝑛 , λ) = 𝑛𝑙𝑜𝑔 𝜆 − 𝜆 σ 𝑥𝑖

3. Igualando a cero la derivada de la función logaritmo de L(𝜆) con respecto de 𝜆

se alcanza el estimador que maximiza la probabilidad de ocurrencia en la
muestra.
𝑑(ln 𝐿(𝑥1 , 𝑥2 … 𝑥𝑛 , λ))
= 𝑛𝜆1−σ 𝑥𝑖
𝑑λ

4. Despejando 𝜆, se obtiene el estimador puntual para el parámetro. Esto es,

෠λ = 𝑛 el cual que representa la inversa de la media en la muestra.
σ 𝑥𝑖
DISTRIBUCIÓN MUESTRAL
Es la distribución de probabilidad de una variable
cuyos valores provienen de la muestra, lo que
equivale a la distribución de un estadístico.
Las mas conocidas son las distribuciones
Normal
Chi cuadrada
T-student
F
 DISTRIBUCIÓN MUESTRAL DE LA MEDIA
Teorema de Limite Central Casos especiales de Características en la
aplicación del Teorema distribución de la
media
Si 𝑋ത es el promedio de una muestra
𝜎2
aleatoria seleccionada de una Muestra pequeña, 𝑋ത ≈ 𝑁 𝜇, ,
𝑛
población con media µ y varianza σ², distribución poblacional 𝜎
normal y  conocida 𝜎𝑥ҧ =
la distribución de la media en el 𝑛

muestreo se aproxima a la 𝑆2
distribución normal a medida que Muestra grande con  𝑋ത ≈ 𝑁 𝜇, ,
desconocida, sin 𝑛
va creciendo el tamaño de la importar la distribución 𝑆
𝜎𝑥ҧ =
muestra. poblacional 𝑛
𝜎2
Esto es, 𝑋ത ≈ 𝑁 𝜇, , 𝑛→∞
𝑛
Tarea: distribución muestral de la media y de la proporción

El precio promedio del galón gasolina corriente en una región es de $9780 con
desviación estándar de $540. Al seleccionar una muestra de 40 estaciones de gasolina
y calcular el promedio en el precio del galón de gasolina corriente, determine
a) el error estándar de la media
b) La probabilidad de que la media muestral este por encima de $10020
c) La probabilidad de que el promedio se ubique entre 9720 y 9840
d) La probabilidad de que la diferencia entre la media muestral y la media
poblacional sea inferior a 0,01
 EJERCICIO
Se toma una muestra aleatoria de 25 pastelitos de la planta X donde el peso
se distribuye normal con media 80gr y desviación estándar 5gr. De la planta Y,
se toma otra muestra aleatoria de 36 pastelitos producidos con peso
promedio de 75gr, desviación estándar 3gr y distribución normal.
Que tan probable es que
a. La muestra de pastelitos de la planta X tenga media mayor a 78gr
b. La muestra de pastelitos en X pese más de 2075gr
c. El promedio de los pastelitos de la planta X exceda el promedio de los
pastelitos Y en mas de 3.4gr, pero menos de 5.9gr
Distribución muestral de la proporción
Población en cada caso,

5.3 5.0 5.6 5.1 5.5 • Establecer la población de muestras y

calcular la media y proporción de
Analice y compare la valores por encima de 5.5 de cada una
distribución de la media y
• Calcular la media, la varianza de
de la proporción muestral
medias y de proporciones
cuando se seleccionan al
azar 2 elementos, • Comparar estos resultados con los
esperados.
a. Sin repetición
• Analizar la incidencia del tamaño y el
b. Con repetición
tipo de muestreo en la varianza de la
media y de la proporción
RESULTADOS EN LA DISTRIBUCION MUESTRAL DE MEDIA Y PROPORCIÓN

Resultado de la simulación

Parámetro Estadístico Tipo de muestreo

Media Varianza

Sin repetición µ 𝜎2 𝑁 − 𝑛
𝑛 𝑁−1
µ 𝑥ҧ

Con repetición µ 𝜎2
𝑛

𝑃(1 − 𝑃) 𝑁 − 𝑛
Sin repetición P
𝑛 𝑁−1
P 𝑝Ƹ
𝑃(1 − 𝑃)
Con repetición P
𝑛
DISTRIBUCIÓN DE LA PROPORCIÓN MUESTRAL
Ejercicio
El director de una empresa piensa que 30% de los pedidos provienen de nuevos
compradores. Para verificar esto, usará una muestra aleatoria simple de 100 pedidos.
Suponiendo que el director está en lo cierto y que p =0,30,
a. ¿Cuál es la distribución muestral de la proporción en este estudio?
b. ¿Cuál es la probabilidad de que la proporción muestral esté entre 0.20 y 0.40?
c. ¿Cuál es la probabilidad que la proporción muestral esté por encima de 0.35?

Realiza el ejercicio 36 del capitulo 7, del texto referenciado enseguida.

https://www.upg.mx/wp-content/uploads/2015/10/LIBRO-13-Estadistica-para-administracion-y-economia.pdf
Tomado de
https://www.upg.mx/wp-content/uploads/2015/10/LIBRO-13-Estadistica-para-administracion-y-economia.pdf