Inferencia Estadística

Materia: TCL y Estimadores

Profesora: Montserrat Soto Fullá

Teorema Central del Límite (TCL)
- Sean las observaciones x1, x2, …, xn, muestras aleatorias (m.a.)
obtenidas de una población normal.

- Si Xi distribuye normal con media 𝜇 y varianza 𝜎 2 , entonces el

promedio muestral 𝑥ҧ de las muestras Xi también distribuye normal
𝜎2
con la misma media 𝜇 y varianza
𝑛
Teorema Central del Límite (TCL)
- En resumen:
Si: X~𝑁(𝜇 ; 𝜎 2 ), entonces:
Bajo el supuesto de tener una muestra suficientemente grande
𝑛 ≥ 30 , la distribución del promedio o media muestral es:

𝜎2
𝑥~𝑁
ҧ 𝜇;
𝑛
- Mientras más grande sea “n” la varianza de la media disminuye hasta
tender a límite cero
Teorema Central del Límite (TCL)
- La estandarización de la media muestral queda de la siguiente forma:

𝑥ҧ − 𝜇
𝑍=𝜎
ൗ 𝑛

El valor de Z se busca en las tablas de distribución normal estándar.

Proporción bajo el TCL
- Sea X muestras aleatorias que representan una característica cualitativa
donde ocurren 2 posibles resultados “éxito” o “fracaso”.
- En este caso, la v.a. X distribuye binomial de parámetros n y p.

𝑥~𝐵𝑖𝑛 𝑛; 𝑝
- Si la muestra es lo suficientemente grande 𝑛 ≥ 30 , y bajo el TCL la
distribución de la proporción p distribuye normal de la siguiente manera:

𝑝(1 − 𝑝) 𝑥1 + 𝑥2 + ⋯ + 𝑥𝑛
𝑝~𝑁
Ƹ 𝑝; ; 𝑝=
𝑛 𝑛
Proporción bajo el TCL
- La estandarización de la proporción muestral queda de la siguiente
forma:

𝑝Ƹ − 𝑝
𝑍=
𝑝(1 − 𝑝)
𝑛

El valor de Z se busca en las tablas de distribución normal estándar.

Ejercicio 1
Ejercicio 2
Los trabajadores de una empresa contable, en general manifiestan que
tienen dificultad para memorizar. Experiencias anteriores han
consistido en exponer 5 palabras ante los trabajadores durante 10
segundos al comienzo de las operaciones laborales, los resultados se
muestran a continuación:
N° de palabras que recuerdan (x) 0 1 2 3 4 5
frecuencia 3 10 13 16 19 3

En una muestra aleatoria de 64 trabajadores, ¿Cuál es la probabilidad

de que en promedio recuerden por lo menos 3 palabras?.
Ejercicio 2
Notar que este ejercicio es con datos agrupados
X 0 1 2 3 4 5 Total
ni 3 10 13 16 19 3 64
X*ni 0 10 26 48 76 15 175
X^2*ni 0 10 52 144 304 75 585

𝑛𝑖 ∗ 𝑥𝑖 175
𝜇=෍ = = 2,73 (𝑝𝑎𝑙𝑎𝑏𝑟𝑎𝑠)
𝑛 64
σ 2
2
𝑛 𝑖 ∗ 𝑥𝑖 2
585
𝜎 = − 𝑥ҧ = − 2,732 = 1,6877(𝑝𝑎𝑙𝑎𝑏𝑟𝑎𝑠)2
𝑛 64
Aplicando raíz, nos da la desviación estándar de la distribución de la
media
𝜎 = 1,2991 (𝑝𝑎𝑙𝑎𝑏𝑟𝑎𝑠
Ejercicio 2
Nos preguntan:
3 − 2,73
𝑃 𝑥ҧ ≥ 3 = 1 − 𝑃 𝑥ҧ < 3 = 1 − 𝑃 𝑍 < = 1 − 𝑃 𝑍 < 1,66
1,2991
ൗ
64
Buscando el valor de Z=1,66 en las tablas normal estándar:
= 1 − 𝑃 𝑍 < 1,66 = 1 − 0,9515 = 0,0485
Ejercicio propuesto
1) Una empresa de mensajería que opera en la ciudad tarda una media de 35 minutos en llevar un
paquete, con una desviación típica de 8 minutos. Supongamos que durante el día de hoy han
repartido 200 paquetes.
a) ¿Cuál es la probabilidad de que la media de los tiempos de entrega de hoy esté entre 30 y 35
minutos?.
b) ¿Cuál es la probabilidad de que, en total, para los doscientos paquetes hayan estado más de
115 horas?.
2)
Estimadores
La idea es que, en base a una muestra aleatoria de tamaño “n” vamos a
poder inferir el comportamiento de la población en estudio, mediante
estadísticos muestrales, esquemáticamente sería:

Nombre Muestral Poblacional

Promedio 𝑥ҧ ó 𝜇Ƹ 𝜇
Varianza 𝑠 2 ó 𝜎ො 2 𝜎2
Proporción 𝑝Ƹ 𝑝
Estimadores
Para realizar estimaciones, se utilizan dos tipos:

Estimación Puntual: Es cuando se utiliza un único valor extraído de

la muestra para estimar el parámetro desconocido de la población

Estimación por Intervalos: se obtienen límites de confianza (límite

inferior y límite superior) en el cual se encuentre el estimador
puntual, dado un nivel de confianza.
Estimadores
Un estimador puntual debe cumplir con las siguientes propiedades:
1) Insesgado: Se refiere a que, en promedio, el valor estimado sea
igual al valor poblacional.

𝐸 𝜃መ = 𝜃
 Sesgo(𝜃)
෠ = 𝐸 𝜃෠ − 𝜃
𝑒𝑠 𝑙𝑎 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 𝑒𝑥𝑖𝑠𝑡𝑒𝑛𝑡𝑒 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎 𝑒𝑠𝑝𝑒𝑟𝑎𝑛𝑧𝑎 𝑑𝑒𝑙 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟
𝑦 𝑒𝑙 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑟𝑜.

ERROR CUADRATICO MEDIO (E.C.M)

𝐸𝐶𝑀 𝜃෠ = 𝑉 𝜃෠ + 𝑠𝑒𝑠𝑔𝑜2 (𝜃)

෠

Utilizamos el error cuadrático medio para seleccionar el mejor

candidato a estimador entre:
Todos los estimadores insesgados o todos los estimadores sesgados.
El mejor estimador será el que tenga menor error cuadrático medio.
Estimadores
2) Eficiente: Un estimador 𝜃෡ es eficiente si su varianza es mínima, la cual se
puede analizar de 2 formas:

Eficiencia Relativa: Se utiliza cuando hay mas de un estimador, comparando

entre ellos el que tenga menor varianza.

El estimador de 𝜃1 es eficiente ya que posee menor variabilidad que la

distribución de 𝜃2 .
Eficiencia mediante la Cota de Cramer-Rao: Se utiliza cuando solo existe
un estimador propuesto. La cota de Cramer-Rao (C.C.R) debe ser menor o
igual a la varianza del estimador.
−𝟏
𝑪. 𝑪. 𝑹 =
𝝏𝟐 𝒍𝒏𝒇(𝒙𝒊 , 𝜽)
𝒏𝑬
𝝏𝟐 𝜽

෡ ≥ 𝑪. 𝑪. 𝑹
El estimador es eficiente si 𝑽 𝜽
Estimadores
3) Consistente: Se dice que un estimador es consistente si el
insesgamiento y la eficiencia puede sostenerse al aumentar el
tamaño de la muestra, esto se realiza mediante los siguientes
limites:
lim 𝐸 𝜃መ = θ
𝑛→∝

lim 𝑉 𝜃መ = 0
𝑛→∝

Ambos limites deben cumplirse.

Estimador de Máxima Verosimilitud
El estimador de máxima verosimilitud (E.M.V) es un método de estimación puntual
el cual se utiliza para estimar parámetros, mediante el valor que maximice la
función.
Para encontrar el estimador se deben seguir los siguientes pasos:
1.- ς𝑛𝑖=1 𝑓(𝑥𝑖 ; 𝜃)
2.- L = ln ς𝑛𝑖=1 𝑓(𝑥𝑖 ; 𝜃)
𝜕𝐿
3.- =0→ 𝜃෠ =?
𝜕𝜃