Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Método de Inferencia
Permite calcular un valor especifico de
nuestros estimadores
El verdadero valor real del parámetro
nunca lo conoceremos
Determina el valor que mejor se aproxima
al parámetro
PROPIEDADES
Supongamos que tomamos una muestra de cierta variable 𝑥 con parámetro 𝜃
Tenemos un estimador 𝜃(𝑥
መ 1 , 𝑥2 … 𝑥𝑛 )
El estimador esta formado por la manera que se utilizan los valores de la muestra
El objetivo es buscar una función que provea la mejor estimación
𝜃መ es una Variable Aleatoria
Un estimador es aceptable si su distribución muestral se concentra alrededor del
parámetro
EMC(Error Medio Cuadrático)
EMC mide la dispersión alrededor del parámetro
2
El EMC esta relacionado con la varianza→ 𝑉 𝜃መ = 𝐸 𝜃መ − 𝐸 𝜃መ
𝐸𝑀𝐶 𝜃መ = 𝐸 𝜃መ 2 − 2𝜃𝜃
መ + 𝜃2
𝐸𝑀𝐶 𝜃መ = 𝐸(𝜃መ 2) − 𝐸 2𝜃𝜃
መ + 𝐸(𝜃 2)
𝐸𝑀𝐶 𝜃መ = 𝐸(𝜃መ 2) − 2𝜃𝐸 𝜃መ + 𝐸(𝜃 2 )
2
𝐸𝑀𝐶 𝜃መ = 𝐸(𝜃መ 2) − 2𝜃𝐸 𝜃መ + 𝐸 𝜃 2 + 𝐸 𝜃መ መ 2
− [𝐸(𝜃)]
𝐸𝑀𝐶 𝜃መ መ 2 − 2𝜃𝐸 𝜃መ + 𝐸 𝜃 2 + 𝐸 𝜃መ 2
= 𝐸(𝜃መ 2) − [𝐸(𝜃)]
መ 2 − 2𝜃𝐸 𝜃መ + 𝜃 2 + 𝐸 𝜃መ 2
𝐸𝑀𝐶 𝜃መ = 𝐸(𝜃መ 2) − [𝐸(𝜃)]
መ 2 + 𝐸 𝜃መ 2 − 2𝜃𝐸 𝜃መ + 𝜃 2
𝐸𝑀𝐶 𝜃መ = 𝐸(𝜃መ 2) − [𝐸(𝜃)]
2
𝐸𝑀𝐶 𝜃መ = 𝑉 𝜃መ + 𝐸 𝜃መ − 𝜃
𝐸𝑀𝐶 𝜃መ = 𝑉 𝜃መ + 𝑆𝑒𝑠𝑔𝑜 2
El mejor Estimador es aquel que tenga el mínimo EMC
PROBLEMA→ ningún estimador puede minimizar el EMC para todos
Algunos pueden minimizar el error para algunos valores de 𝜃
INSESGADEZ
• Un estimador es insesgado cuando sus datos
están cercanos al parámetro
• Ejemplo 𝑋ത → 𝜇, es decir 𝐸 𝑋ത = 𝜇
EFICIENCIA RELATIVA
Un
Estimador es eficiente en sentido relativo
con otro estimador cuando posee la varianza
mas chica
𝑉 𝜃 = 0 → 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑀𝑖𝑛𝑖𝑚𝑎
CONSISTENCIA
lim 𝑉 𝜃መ = 0
𝑛→∞
Bachini, D.; Vázquez, L.; Bianco, M. J.; García Fronti, J. (2018), Introducción a la probabilidad y
estadística, Buenos Aires, CMA-FCE-UBA
𝑛 ത
𝑋~𝑁 (𝜇
𝐸 𝑋ത = 𝜇
𝐸 𝑥1 + 𝑥2 + ⋯ + 𝑥𝑛 = 𝐸 𝑥1 + 𝐸 𝑥2 + ⋯ + 𝐸 𝑥𝑛 = 𝑛𝜇
𝜇 𝜇 𝜇
MUESTREO
Supongamos una Poblacion Normal
𝜇 𝑋ത
𝑥~𝑁(𝜇; 𝜎)
𝜎
𝑛 ത
𝑋~𝑁 (𝜇 ; )
𝑛
𝜎
𝑉 𝑋ത =
𝑛
2
𝑉 𝑥1 + 𝑥2 + ⋯ + 𝑥𝑛 = 𝑉 𝑥1 + 𝑉 𝑥2 + ⋯ + 𝑉 𝑥𝑛 = 𝑛𝜎
𝜎2 𝜎2 𝜎2
𝑛𝑋ത − 𝑛𝜇 = 𝑛 𝑋ത − 𝜇
𝑥~𝑁(𝜇; 𝜎)
𝑛→∞
𝑛 ≥ 30
𝜎
𝜇 𝑋ത ~𝑁(𝜇; ) ~𝑡𝑛−1 𝑔𝑙
𝑛 𝑛 ≥ 30
𝜎
Se define a la Proporcion como una parte de la población que cumple con ciertas
caracteristicas
𝑥~𝑁(𝜇; 𝜎)
𝑥
𝑝ҧ = 𝑝Ƹ = ~𝑁( 𝑃;
𝑛
𝑥
1−𝑃=1− =1−𝜋=𝑄
𝑁
𝑥
𝐸 𝑝Ƹ = 𝐸 = 𝑃
𝑛
𝑥
𝑉 𝑝Ƹ = 𝑉 =
𝑛
𝜎 𝑋ത − 𝜇
𝜎 𝑁 𝜇;
𝑛
𝑧=𝜎
ൗ 𝑛
𝑆𝑛
𝑆𝑛−1 𝑋ത − 𝜇 𝑋ത − 𝜇
𝑋ത σ 𝑡𝑛−1(𝜇; = ) 𝑡𝑛−1 = =
𝜇 𝑛 < 30
𝑛−1 𝑛 𝑆𝑛
൘
𝑆𝑛−1
൘ 𝑛
𝑛−1
𝑋ത − 𝜇
𝑛 ≥ 30 𝑁(𝜇; 𝑆ൗ ) 𝑧=
𝑛 𝑆ൗ
𝑛
𝜎2
𝑝ҧ − 𝑃
𝑥 ) 𝑧=
𝑃 𝑃∗𝑄
𝑁
𝑛
CRITERIO DE LA PRECISION POR INSESGADEZ
• Supongamos una población con 3 elementos {1; 2; 3}
• Si tomo muestras aleatorias de tamaño 2
• Si tomo todos promedios y saco un promedio entre ellos
𝒙𝟏 ; 𝒙𝟐 ഥ
𝑿
1;1 1
• El promedio de todos los estimadores es igual al
1; 2 3/2 parámetro
1;3 2 • Si analizo la muestra con un estimador menos, estoy
dando la libertad al resto de los estimadores a tomar
2;1 3/2 cualquier valor, es decir el estimador que no utilizamos
2;2 2 tomara el valor que se requiere para ser igual al
2;3 5/2 parámetro.(No tiene sesgo)
• Este es el concepto de grados de libertad de una
3;1 2 muestra
3;2 5/2 • Es un concepto teorico que se cumple numéricamente
3;3 3 • En la varianza se toma el mismo concepto
DIFERENCIA DE
𝑥 ~𝑁(𝜇 ; 𝜎 )
MEDIAS
1 1 1 𝑥2~𝑁(𝜇2; 𝜎2 )
𝜇1 − 𝜇2
2 𝑆 2 (𝑛2 − 1)
𝑆𝑛1 −1 (𝑛1 − 1) 𝑛 −1
ത 2
𝑉 𝑋1 ~𝜒𝑛1 −1 = 𝑉 𝑋ത2 ~𝜒𝑛2−1 =
2 2
𝜎12 𝜎22
𝑃1 − 𝑃2
𝑝Ƹ 1 − 𝑝Ƹ 2 ~𝑁 (𝑃1 − 𝑃2;
𝑃1 ∗ 𝑄1 𝑃2 ∗ 𝑄2
𝑉(𝑝1Ƹ − 𝑝Ƹ2 ) = 𝑉(𝑝1Ƹ ) + 𝑉(𝑝Ƹ 2 ) = +
𝑛1 𝑛2
DIFERENCIA DE VARIANZAS
2 𝑆 2 ∗ (𝑛2 − 1)
2 2
𝑆𝑛1 −1 ∗ (𝑛1 − 1) 2 2 𝑛 2 −1
𝑆𝑛1 −1~𝜒𝑛1−1 𝑔𝑙 = 𝑆𝑛2 −1~𝜒𝑛2−1 𝑔𝑙 =
𝜎12 𝜎22
𝑋ത1 − 𝑋ത2 − 𝜇 − 𝜇2
𝜎 𝑧=
𝜎12 𝜎22
𝑛1 + 𝑛2
𝑝1Ƹ − 𝑝2Ƹ − 𝑃1 − 𝑃2
𝑃1 − 𝑃2 𝑝1Ƹ − 𝑝Ƹ 2 𝑧=
𝑃1 ∗ 𝑄1 𝑃2 ∗ 𝑄2
𝑛1 + 𝑛2
BIBLIOGRAFÍA
Bachini, D.; Vázquez, L.; Bianco, M. J.; García Fronti, J. (2018), Introducción a la probabilidad y
estadística, Buenos Aires, CMA-FCE-UBA