Curso de Probabilidad y Estadı́stica

Inferencia estadı́stica

D.Bertsekas. Tsitsiklis. IntroductionProbability

wackerly . Mendenhall. Sheaffer. MathematicalStatistics

April 29, 2022

Explorando TLC
Suponga n variables aleatorias iid, con Xi ∼ exp(λ = 0.01)

Supongamos n=10. Veamos como se comporta la variable

X¯n − µ
Zn = √
σ n

Usando R, generemos k=50 observaciones para Zn y veamos su

distribución gráfica (histograma)
Supongamos n=10. Veamos como se comporta la variable

X¯n − µ
Zn = √
σ n
Supongamos n=60. Veamos como se comporta la variable

X¯n − µ
Zn = √
σ n
Supongamos n=500. Veamos como se comporta la variable

X¯n − µ
Zn = √
σ n
Distribuciones usuales en el muestreo

▶ Sea Z ∼ N(0, 1) y sea X := Z 2 la distribución de la nueva

variable aleatoria X se conoce como χ2(1)
▶ Si Z1 , Z2 , ...Zn son variables aleatorias todas independientes
con distribución N(0, 1) y

X := Z1 + Z2 + .. + Zn

, entonces X ∼ χ2(n)
▶ Si Z ∼ N(0, 1) y X ∼ χ2(n) independientes entre si. Entonces
Z
la nueva variable aleatoria Y := p ∼ T T- student con n
x/n
grados de libertad.
La distribución T student tiene una gráfica similar a la normal
(colas más pesadas). Es una distribución asintótica que tiende
a la Normal cuando n → ∞
Distribuciones usuales en el muestreo

▶ Si X1 ∼ χ2(n) y X2 ∼ χ2(m) y X1 , X2 son variables aleatorias

independientes, a la distribución de la variable aleatoria

X1 /n
X2 /m

se le llama distribución F. F de fisher Snedecor con n,m

grados de libertad.

Ejemplo Determine la función de densidad de una Variable

aleatoria con distribución χ2(1) ( caso 1 de las distribuciones de
muestreo mencionadas)
Distribución T-student
Curva suave y simétrica con
media de cero
Se define a partir de los g.l que
están relacionados con el tamaño
muestral.
Es útil para tamaños muestrales
pequeños, cuando la desviación
estándar de la población no se
conoce, o ambos.
Distribución Chi cuadrado
Es la distribución de la suma del
cuadrado de k variables
aleatorias independientes con
distribución normal estándar.
Es un caso especial de la
distribución gamma y es una de
las distribuciones de probabilidad
más usadas en inferencia.
Definición

Un estimador θ̂ para el parámetro θ es una función de la muestra

θ̂(X1 , X2 , ...Xn ) que no depende de θ. El valor que tome θ̂ va a
depender de la muestra que se obtenga (método de muestreo
probabilı́stico).
De cómo sea la distribución del estimador, va a depender que tan
”bueno” sea el mismo.
▶ Decimos que θ̂ es insesgado para θ, si y solo si E (θ̂) = θ.
Además
sesgo(θ̂) = θ − E (θ̂)
▶ si θˆ1 y θˆ2 son estimadores insesgados de θ, entonces decimos
que θ̂1 es más eficiente que θ̂2 si y solo si

var (θ̂1 ) < var (θ̂2 )

▶ Error cuadrático medio (ECM)

ECM(θ) = E [(θ − θ̂2 ]

El criterio del ECM es elegir entre varios estimadores el de

menor valor de ECM
Ejemplo:

Sea Y1 , Y2 , ..., Yn una muestra aleatoria uniforme en (0, θ). Sean

n + 1
θˆ1 = 2Ȳ y θˆ2 = Ymax
n
donde Ymax = max{Y1 , Y2 , ..., Yn }.
1. Muetsre que θˆ1 y θˆ2 son insesgados
2. CUál es el más eficiente?
▶ Considere una muestra de tamaño n. Decimos que θ̂n es
consistente, si ∀ε > 0

lim P(|θ̂n − θ| ≤ ε) = 1
n→∞
lim P(|θ̂n − θ| > ε) = 0
n→∞
...

Teorema: Sea θ̂n un estimador insesgado, θ̂n es consistente

si: limn→∞ var (θ̂n ) = 0

Corolario: Sea Y1 , ..., Yn una muestra aleatoria de una

variable con distribución particular, con media µ y varianza σ 2
finita. Entonces Y¯n es un estimador consistente de µ