INFERENCIA ESTADISTICA 2: Distribución de los estimadores

Distribución de la media muestral cuando la población madre es normal

Desvío poblacional conocido

∑𝒏𝒊=𝟏 𝒙𝒊
𝒙𝒊 ~𝑵(𝝁, 𝝈) ̅=
𝑿
𝒏
∑𝑛1 𝑥𝑖 1 𝑛 1 𝑛 1 𝑛 1
𝐸 (𝑋̅ ) = 𝐸 ( ) = ∙ 𝐸 (∑ 𝑥𝑖 ) = ∙ ∑ 𝐸 (𝑥𝑖 ) = ∙ ∑ 𝜇 = ∙ 𝑛 ∙ 𝜇
𝑛 𝑛 1 𝑛 1 𝑛 1 𝑛

̅ ) = 𝝁 → 𝑬𝒔 𝒊𝒏𝒔𝒆𝒔𝒈𝒂𝒅𝒐
𝑬(𝑿

∑𝑛1 𝑥𝑖 1 𝑛 1 𝑛
𝑉𝑎𝑟(𝑋̅) = 𝑉𝑎𝑟 ( ) = 2 ∙ 𝑉𝑎𝑟 (∑ 𝑥𝑖 ) = 2 ∙ ∑ 𝑉𝑎𝑟(𝑥𝑖 )
𝑛 𝑛 1 𝑛 1
1 𝑛 1
= 2 ∙ ∑ 𝜎2 = 2 ∙ 𝑛 ∙ 𝜎2
𝑛 1 𝑛

𝝈𝟐
𝑽𝒂𝒓(𝑿 ̅) =
𝒏
→ 𝐶𝑢𝑎𝑛𝑑𝑜 𝑛 𝑡𝑖𝑒𝑛𝑑𝑒 𝑎 𝑖𝑛𝑓𝑖𝑛𝑖𝑡𝑜, 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑡𝑖𝑒𝑛𝑑𝑒 𝑎 0: 𝑬𝒔 𝒄𝒐𝒏𝒔𝒊𝒔𝒕𝒆𝒏𝒕𝒆
𝑌 𝑡𝑎𝑚𝑏𝑖é𝑛 𝑒𝑠 𝑒𝑙 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝑑𝑒 𝑚𝑒𝑛𝑜𝑟 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑝𝑎𝑟𝑎 𝑋̅ : 𝑬𝒔 𝒆𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒆

𝝈
̅ ~ (𝝁;
𝑿 )
√𝒏

Antes de continuar con la distribución de la media muestral veremos la distribución de la varianza

muestral
Distribución de la varianza muestral cuando la población madre es normal

𝟐
∑𝒏𝒊=𝟏(𝒙𝒊 − 𝝁)𝟐
𝒙𝒊 ~𝑵(𝝁, 𝝈) 𝑺 =
𝒏

Si la población se distribuye normalmente, se puede probar que

𝒏 ∙ 𝑺𝟐
𝟐
~𝝌𝟐𝒏−𝟏
𝝈

𝑛 ∙ 𝑆2 𝑛 2 2
(𝑛 − 1) ∙ 𝜎 2
𝐸 ( 2 ) = 𝑛 − 1 ⇒ 2 ∙ 𝐸 (𝑆 ) = 𝑛 − 1 ⇒ 𝐸 (𝑆 ) =
𝜎 𝜎 𝑛
𝟏
𝑬(𝑺𝟐 ) = (𝟏 − ) ∙ 𝝈𝟐 ⇒ 𝐥𝐢𝐦 𝑬(𝑺𝟐 ) = 𝝈𝟐
𝒏 𝒏→∞
→ 𝑬𝒔 𝑨𝒔𝒊𝒏𝒕ó𝒕𝒊𝒄𝒂𝒎𝒆𝒏𝒕𝒆 𝑰𝒏𝒔𝒆𝒔𝒈𝒂𝒅𝒐

𝟐 ∑𝒏
𝒊=𝟏(𝒙𝒊 −𝝁)
𝟐
Pero si se le hace una corrección al estimador de manera que se calcule 𝑺 =
𝒏−𝟏
(𝒏 − 𝟏) ∙ 𝑺𝟐
𝟐
~𝝌𝟐𝒏−𝟏
𝝈

(𝑛 − 1) ∙ 𝑆 2 (𝑛 − 1)
𝐸( )=𝑛−1 ⇒ ∙ 𝐸 (𝑆 2 ) = 𝑛 − 1
𝜎2 𝜎 2

2
(𝑛 − 1) ∙ 𝜎 2
⇒ 𝐸 (𝑆 ) =
(𝑛 − 1)

𝑬(𝑺𝟐 ) = 𝝈𝟐 → 𝑬𝒔 𝒆𝒙𝒂𝒄𝒕𝒂𝒎𝒆𝒏𝒕𝒆 𝑰𝒏𝒔𝒆𝒔𝒈𝒂𝒅𝒐

 (𝑛 − 1) ∙ 𝑆 2 (𝑛 − 1)2
𝑉𝑎𝑟 ( ) = 2 ∙ (𝑛 − 1) ⇒ ∙ 𝑉𝑎𝑟(𝑆 2 ) = 2 ∙ (𝑛 − 1)
𝜎 2 (𝜎 )
2 2

2
2 ∙ (𝑛 − 1) ∙ (𝜎 2 )2
⇒ 𝑉𝑎𝑟(𝑆 ) =
(𝑛 − 1)2

𝟐 ∙ (𝝈𝟐 )𝟐𝟐)
𝑽𝒂𝒓(𝑺 =
(𝒏 − 𝟏)
→ 𝐶𝑢𝑎𝑛𝑑𝑜 𝑛 𝑡𝑖𝑒𝑛𝑑𝑒 𝑎 𝑖𝑛𝑓𝑖𝑛𝑖𝑡𝑜, 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑡𝑖𝑒𝑛𝑑𝑒 𝑎 0: 𝑬𝒔 𝒄𝒐𝒏𝒔𝒊𝒔𝒕𝒆𝒏𝒕𝒆

𝑌 𝑡𝑎𝑚𝑏𝑖é𝑛 𝑒𝑠 𝑒𝑙 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝑑𝑒 𝑚𝑒𝑛𝑜𝑟 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑝𝑎𝑟𝑎 𝑺𝟐 : 𝑬𝒔 𝒆𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒆

Entonces vamos a utilizar siempre el 𝑆 2 insesgado.

Continuamos con la distribución de la media muestral

Distribución de la media muestral cuando la población madre es normal

Desvío poblacional desconocido y muestras pequeñas
Como no conocemos el desvío poblacional vamos a considerar la siguiente construcción:

𝑋̅ − 𝜇
𝜎
√𝑛 𝑁(0,1) ̅−𝝁
𝑿
~ ~𝑡𝑛−1 ⇒ ~𝒕𝒏−𝟏
2 𝑺
(𝑛 − 1) ∙ 𝑆2 √ 𝜒𝑛−1
√ 𝜎2 𝑛−1 √𝒏
𝑛−1

Desvío poblacional desconocido y muestras grandes

Teorema Central del Límite:
La suma de n variables aleatorias independientes tiende a distribuirse normalmente cuando el n es
suficientemente grande.
Como 𝑋̅ es una suma de n variables aleatorias independientes, cuando el n > 30 por el teorema central
del límite:

𝑺
̅ → 𝑵 (𝝁;
𝑿 )
√𝒏

Distribución de la media muestral cuando la población madre no es normal

Muestras pequeñas
Si la muestra es menor a 30 no sabremos con que distribución trabajar para 𝑋̅.

Muestras Grandes ( > 30)

Por el teorema central del límite:

𝝈
Desvío poblacional conocido ̅ → 𝑵 (𝝁;
𝑿 )
√𝒏

𝑺
Desvío poblacional desconocido ̅ → 𝑵 (𝝁;
𝑿 )
√𝒏

Distribución de la proporción muestral

∑𝒏𝒊=𝟏 𝒙𝒊
𝒙𝒊 ~𝑩𝒆𝒓𝒏𝒖𝒍𝒍𝒊(𝒑) ̅=
𝒑 𝒔𝒊𝒆𝒏𝒅𝒐 𝒙 = 𝟎 𝒐 𝒙 = 𝟏
𝒏

∑𝑛1 𝑥𝑖 1 𝑛 1 𝑛
̅
𝐸 (𝑃) = 𝐸 ( ) = ∙ 𝐸 (∑ 𝑥𝑖 ) = ∙ ∑ 𝐸 (𝑥𝑖 )
𝑛 𝑛 1 𝑛 1
1 𝑛 1
= ∙∑ 𝑃 = ∙𝑛∙𝑃
𝑛 1 𝑛

̅ ) = 𝑷 → 𝑬𝒔 𝒊𝒏𝒔𝒆𝒔𝒈𝒂𝒅𝒐
𝑬(𝑷
 ∑𝑛1 𝑥𝑖 1 𝑛 1 𝑛
𝑉𝑎𝑟 (𝑃̅) = 𝑉𝑎𝑟 ( ) = 2 ∙ 𝑉𝑎𝑟 (∑ 𝑥𝑖 ) = 2 ∙ ∑ 𝑉𝑎𝑟(𝑥𝑖 )
𝑛 𝑛 1 𝑛 1
1 𝑛 1
= 2∙∑ 𝑃∙𝑄 = 2∙𝑛∙𝑃∙𝑄
𝑛 1 𝑛

𝑷∙𝑸
̅) =
𝑽𝒂𝒓(𝑷
𝒏
→ 𝐶𝑢𝑎𝑛𝑑𝑜 𝑛 𝑡𝑖𝑒𝑛𝑑𝑒 𝑎 𝑖𝑛𝑓𝑖𝑛𝑖𝑡𝑜, 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑡𝑖𝑒𝑛𝑑𝑒 𝑎 0: 𝑬𝒔 𝒄𝒐𝒏𝒔𝒊𝒔𝒕𝒆𝒏𝒕𝒆

𝑌 𝑡𝑎𝑚𝑏𝑖é𝑛 𝑒𝑠 𝑒𝑙 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝑑𝑒 𝑚𝑒𝑛𝑜𝑟 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑝𝑎𝑟𝑎 𝑃̅: 𝑬𝒔 𝒆𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒆

Considerando muestras grandes (mayor a 30) y utilizando el teorema central del límite

𝑷∙𝑸
̅ → (𝑷; √
𝑷 )
𝒏