Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema3 Métodos de Inferencia Estadstica Los Estimadores Puntuales
Tema3 Métodos de Inferencia Estadstica Los Estimadores Puntuales
Estadística II
Métodos de inferencia
estadística: los
estimadores puntuales
Índice
Esquema 3
Ideas clave 4
2.1. Introducción y objetivos 4
2.2. Inferencia estadística: algunos conceptos
previos 6
© Universidad Internacional de La Rioja (UNIR)
A fondo 26
Test 28
© Universidad Internacional de La Rioja (UNIR)
MÉ T O D O S D E I N F E R E N C I A E S TA D Í S T I C A : L O S E S T I MA D O R E S P UN T UA L E S
Métodos:
Inferencia estadística: a partir de un conjunto
Estimación puntual
alcanzable y manejable de datos, obtenemos
Intervalos de confianza
información sobre determinadas características de
Contrastes de hipótesis
interés que hacen referencia a toda la población.
o Caso particular de los contrastes de especificación
LA ESTIMACION Introducción:
PUNTUAL Se trata de un método que calcula valores aproximados para los parámetros a partir
de la muestra tomada.
Los cálculos se realizarán con las medidas de estadística descriptiva que ahora
Para la media pasarán a ser tratadas variables aleatorias.
Conceptos básicos:
Parámetro: características desconocidas de la población. Trabajamos con media,
varianza y proporción.
∑𝑛𝑛𝑖𝑖=1 𝑋𝑋𝑖𝑖
𝑋𝑋� =
Para la varianza
dichos parámetros.
Estimaciones: se trata de el valor concreto del estimador para una muestra dada.
Distribución muestral: es el modelo de probabilidad seguido por el estimador
2
puntual.
∑ 𝑥𝑥𝑖𝑖 − 𝑋𝑋�
𝑆𝑆̂ 2 =
𝑛𝑛 − 1
Tema 2. Esquema
Estadística II
Esquema
3
Ideas clave
Por ejemplo, ¿verdad que has escuchado en los medios de comunicación decir que el
salario medio de un trabajador español es de, por ejemplo, 2.100 euros? Y, ¿no te
has cuestionado si habrá sido necesario ir de uno en uno a preguntar a todos los
trabajadores españoles para después calcular la media de todas esas observaciones?
Por supuesto que NO, solo es necesario aproximarnos a una muestra o subconjunto
representativo de la población. La extrapolación al resto de la población es cosa de la
inferencia estadística. Pero debes saber que es importante que la muestra o
subconjunto de la población seleccionado sea representativo de la población para
evitar sesgos en la información dada.
Otro ejemplo, ¿qué harías si en tu puesto de trabajo, imaginemos que, desde el que
controlas la labor de 2.500 trabajadores tuvieses que analizar el tiempo en promedio
que estos se retrasan al incorporarse a su puesto de trabajo? ¿Crees que deberías
revisar las llegadas de estos 2.500 trabajadores? De nuevo la respuesta es negativa.
© Universidad Internacional de La Rioja (UNIR)
Si aprendes las técnicas de inferencia estadística que te vamos a mostrar, bastará con
que analices las llegadas de un subconjunto de trabajadores escogidos de modo
aleatorio.
Estadística II
4
Tema 2. Ideas clave
Por tanto, este capítulo tiene como objetivo principal mostrar cómo, a partir de una
conjunto alcanzable y manejable de datos, obtenemos información sobre
determinadas características de interés que hacen referencia a toda la población. En
los ejemplos anteriores queríamos averiguar la media del salario de los españoles o
el tiempo promedio de los retrasos que sufren los trabajadores al incorporarse a su
puesto de trabajo en una gran empresa, siendo por tanto dicha media o promedio la
característica de interés a analizar, e incluso podríamos calcular la dispersión de los
datos como medida de fiabilidad de la media calculada.
Estadística II
5
Tema 2. Ideas clave
Detallamos a continuación los objetivos que nos planteamos:
Referencia bibliográfica
Inferencia estadística
nombre de muestra.
Así, si queremos analizar por ejemplo el salario medio de los trabajadores españoles,
recurriremos a un subconjunto de estos, de tamaño alcanzable, sobre el cual
calcularemos su media aritmética. En este contexto, la fórmula de la media aritmética
Estadística II
6
Tema 2. Ideas clave
(que ya conoces de estadística I1) recibe el nombre de estimador puntual para la media
y es tratado como veremos a continuación como una variable aleatoria.
Por tanto, verás como ya conoces de la Estadística descriptiva todas las fórmulas que
vamos a utilizar, solo va a ser diferente el hecho de que ahora, como ya explicamos en el
tema 1, vamos a tratar a estas fórmulas como variables aleatorias ya que el valor que
estas tomen dependerá de un conjunto de datos determinado (la muestra seleccionada),
y como tal va a llevar un modelo de probabilidad asociado (dichos modelos de
probabilidad asociados reciben el nombre de distribución muestral y los deduciremos en
el apartado 2.4).
𝑛𝑛
∑ 𝑋𝑋
1
𝑋𝑋� = 𝑖𝑖=1 𝑖𝑖 donde n es el número de elemento que tiene la muestra (conjunto de datos).
𝑛𝑛
2
Recuerda del tema 1 que estos parámetros que la caracterizan son los valores que necesitamos para
poder calcular las probabilidades inducidas: media y varianza en el caso de la Normal y los grados de
libertad en el caso de la familia de distribuciones que se deducen de la normal (Chi-cuadrado, t-student
y F-fisher).
Estadística II
7
Tema 2. Ideas clave
Parámetro
Estimador puntual
resumen estudiadas en Estadística descriptiva las cuales van a ser tratadas como una
variable aleatoria que dependerá únicamente del valor que tome la muestra.
Estadística II
8
Tema 2. Ideas clave
El estimador puntual es una variable aleatoria que depende de la información
muestral y cuyas realizaciones proporcionan aproximaciones al valor del
parámetro.
¿Por qué es el estimador puntual una variable aleatoria? Debemos, en primer lugar,
entender que la muestra sobre la que trabajamos está formada por variables
aleatorias (muestra aleatoria) las cuales al ser seleccionadas mediante muestreo
aleatorio van a compartir la misma distribución la cual será igual a la distribución de
probabilidades de la población.
Los estimadores puntuales que vamos a utilizar en este curso son la media muestral,
la cuasivarianza y la proporción muestral.
∑(𝑥𝑥𝑖𝑖 − 𝑋𝑋�)2
𝑆𝑆̂ 2 =
𝑛𝑛
© Universidad Internacional de La Rioja (UNIR)
∑𝑛𝑛𝑖𝑖=1 𝑋𝑋𝑖𝑖2
𝑆𝑆̂ 2 = − 𝑋𝑋� 2
𝑛𝑛
Estadística II
9
Tema 2. Ideas clave
Te hemos preparado unas notas en el recurso 2 de la sección A fondo para que
entiendas el paso de una formula a otra.
Distribución muestral
3
Aprenderemos en el tema 5 a contrastar la validez de este supuesto de normalidad aquí introducido.
Estadística II
10
Tema 2. Ideas clave
2.3. Los estimadores puntuales
∑𝑛𝑛𝑖𝑖=1 𝑋𝑋𝑖𝑖
𝑋𝑋� =
𝑛𝑛
Varianza 𝜎𝜎 2 Cuasivarianza 4:
𝑛𝑛
1
̂2
𝑆𝑆 = �(𝑋𝑋𝑖𝑖 − 𝑋𝑋�)2
𝑛𝑛 − 1
𝑖𝑖=1
𝑝𝑝̂
Veamos en un ejemplo cómo debemos proceder para realizar los cálculos y obtener
así un valor de estos estimadores puntuales a partir de una muestra dada. Recuerda
que dicho valor recibe el nombre de estimación puntual y que los cálculos a realizar
ya los aprendiste en Estadística I.
Ejemplo
© Universidad Internacional de La Rioja (UNIR)
4
Veremos en el apartado siguiente por qué utilizamos la cuasivarianza la cual divide entre (𝑛𝑛 − 1) en
lugar de la varianza aprendida en Estadística I (que divide entre 𝑛𝑛).
Estadística II
11
Tema 2. Ideas clave
Se quiere analizar los años de contrato de los trabajadores de una
empresa con el fin de estimar la antigüedad media de la plantilla. Se coge
para ello una muestra de 10 trabajadores que registra los años que lleva
en dicha empresa:
10 16 5 12 10 8 4 6 5 4
∑ 𝑥𝑥𝑖𝑖 80
𝑋𝑋� = = =8
𝑛𝑛 10
Estadística II
12
Tema 2. Ideas clave
Se han definido en el ejemplo anterior los tres estimadores puntuales que van a ser
utilizados en esta asignatura: media, cuasi varianza y proporción muestral. Vamos a
continuación, en los siguientes apartados a determinar su distribución o modelo de
probabilidades bajo el supuesto de que partimos de una población que sigue un m
modelo de distribución normal.
La media muestral al ser tratada como una variable aleatoria, tiene asociadas una
media y una varianza las cuales pasamos a calcular.
La media:
𝑛𝑛 𝑛𝑛
∑𝑛𝑛𝑖𝑖=1 𝑥𝑥𝑖𝑖 1 1 1
𝐸𝐸(𝑋𝑋�) = 𝐸𝐸 � � = · 𝐸𝐸 �� 𝑥𝑥𝑖𝑖 � = · � 𝐸𝐸(𝑥𝑥𝑖𝑖 ) = · 𝑛𝑛 · 𝜇𝜇 = 𝜇𝜇
𝑛𝑛 𝑛𝑛 𝑛𝑛 𝑛𝑛
𝑖𝑖=1 𝑖𝑖=1
La varianza:
𝑛𝑛 𝑛𝑛
∑𝑛𝑛𝑖𝑖=1 𝑥𝑥𝑖𝑖 1 1 1
𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋�) = 𝑉𝑉𝑉𝑉𝑉𝑉(� � = 2 · 𝑉𝑉𝑉𝑉𝑉𝑉 �� 𝑥𝑥𝑖𝑖 � ⟶(∗) 2 · � 𝑉𝑉𝑉𝑉𝑉𝑉(𝑥𝑥𝑖𝑖 ) = 2 · 𝑛𝑛 · 𝜎𝜎 2
𝑛𝑛 𝑛𝑛 𝑛𝑛 𝑛𝑛
𝑖𝑖=1 𝑖𝑖=1
2
𝜎𝜎
=
𝑛𝑛
(*) Las observaciones son independientes como consecuencia de ser una muestra aleatoria (o cuando
el tamaño de la población es grande respecto al tamaño muestral).
© Universidad Internacional de La Rioja (UNIR)
Estadística II
13
Tema 2. Ideas clave
media poblacional. Así será más seguro utilizar la media muestral como
sustituto de la media poblacional.
Así se tiene que la variable tipificada tendrá una distribución normal estándar:
𝑋𝑋� − 𝜇𝜇
𝑍𝑍 = 𝜎𝜎 ~𝑁𝑁(0, 1)
√𝑛𝑛
Ejemplo
Estadística II
14
Tema 2. Ideas clave
3,62
𝑋𝑋~𝑁𝑁(12,4; 3,62 ) → 𝑋𝑋�~𝑁𝑁(12,4; )
9
� < 𝟏𝟏𝟏𝟏).
Se quiere calcular 𝑷𝑷(𝑿𝑿
10 − 12,4
𝑃𝑃(𝑋𝑋� < 10) = 𝑃𝑃 �𝑍𝑍 < � = 𝑃𝑃(𝑍𝑍 < −2) = 𝑃𝑃(𝑍𝑍 > 2)
3,6
√9
= 0,0228
Al igual que ocurría con la media muestral, va a ser tratada como una variable
aleatoria con una distribución de probabilidades.
Para calcular su media y su varianza vamos a definir una nueva distribución continua
reescribiendo la expresión de la cuasivarianza (despejamos ∑𝑛𝑛𝑖𝑖=1(𝑋𝑋𝑖𝑖 − 𝑋𝑋�)2 y
dividimos ambos lados por la varianza 𝜎𝜎 2 ):
𝑛𝑛
© Universidad Internacional de La Rioja (UNIR)
Estadística II
15
Tema 2. Ideas clave
𝑛𝑛
(𝑛𝑛 − 1)𝑆𝑆̂ 2 𝑋𝑋1 − 𝑋𝑋�
= � � �
𝜎𝜎 2 𝜎𝜎
𝑖𝑖=1
Dado que partimos de variables aleatorias normales 𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋𝑛𝑛 con media 𝜇𝜇 y
𝑋𝑋1 −𝑋𝑋�
varianza 𝜎𝜎 2 , la expresión obtenida, ∑𝑛𝑛𝑖𝑖=1 � 𝜎𝜎
�, es una suma de variables normales
La media:
(𝑛𝑛 − 1)𝑆𝑆̂ 2 (𝑛𝑛 − 1)𝐸𝐸�𝑆𝑆̂ 2 �
𝐸𝐸 � � = 𝑛𝑛 − 1 → = 𝑛𝑛 − 1 → 𝐸𝐸�𝑆𝑆̂ 2 � = 𝜎𝜎 2
𝜎𝜎 2 𝜎𝜎 2
La varianza:
(𝑛𝑛 − 1)𝑆𝑆̂ 2 (𝑛𝑛 − 1)2 𝑉𝑉𝑉𝑉𝑉𝑉�𝑆𝑆̂ 2 �
𝑉𝑉𝑉𝑉𝑉𝑉 � � = 2(𝑛𝑛 − 1) → = 2(𝑛𝑛 − 1) → 𝑉𝑉𝑉𝑉𝑉𝑉�𝑆𝑆̂ 2 �
𝜎𝜎 2 𝜎𝜎 4
2𝜎𝜎 4
=
𝑛𝑛 − 1
Ejemplo
5
Repasa la definición de la v.a. Chi-cuadrado que vimos en el tema 1.
Estadística II
16
Tema 2. Ideas clave
𝑋𝑋~𝑁𝑁(𝜇𝜇; 3,62 )
(𝑛𝑛 − 1) · 𝑆𝑆̂ 2 (4 − 1) · 30 (𝑛𝑛 − 1) · 𝑆𝑆̂ 2
̂ 2
𝑃𝑃�𝑆𝑆 > 30� = 𝑃𝑃 � > � = 𝑃𝑃 � > 6,94�
𝜎𝜎 2 3,62 𝜎𝜎 2
(𝑛𝑛−1)·𝑆𝑆̂ 2
Sabiendo que ~χ24−1 la probabilidad que estamos buscando es:
𝜎𝜎2
muestral:
La media:
𝐸𝐸(𝑋𝑋�) = 𝜇𝜇 = 𝑝𝑝
Estadística II
17
Tema 2. Ideas clave
La varianza:
𝜎𝜎 2 𝑝𝑝(1 − 𝑝𝑝)
𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋�) = =
𝑛𝑛 𝑛𝑛
Las propiedades estadísticas deseables para un estimador son tres las cuales
nombramos a continuación y vamos a proceder a estudiar en este apartado:
insesgadez, eficiencia y consistencia.
Para poder definir unas propiedades para cualquier estimador, sea cual sea su
formulación, vamos a denotar por 𝜃𝜃 el parámetro poblacional de interés y 𝜃𝜃� a su
estimador puntual.
Insesgadez
𝐸𝐸�𝜃𝜃� � = 𝜃𝜃
Estadística II
18
Tema 2. Ideas clave
Lo que indica que, si repetimos el proceso de muestreo muchas veces, en promedio,
el valor que se obtiene de un estimador insesgado será igual al parámetro
poblacional.
Ejemplo
Estadística II
19
Tema 2. Ideas clave
Eficiencia o precisión de un estimador
Sean 𝜃𝜃�1 y 𝜃𝜃�2 dos estimadores insesgados de θ, obtenidos de muestras del mismo
tamaño, entonces:
Vemos a continuación una figura donde se comparan dos estimadores 𝜃𝜃�1 y 𝜃𝜃�2 y
donde se muestra al estimador 𝜃𝜃�1 con una menor dispersión y por tanto con un
EFR>1.
x
θ
θ1
© Universidad Internacional de La Rioja (UNIR)
θ2
Figura 4. Distribución muestral de dos estimadores insesgados.
Estadística II
20
Tema 2. Ideas clave
Definición de estimador de mínima varianza
Si 𝜃𝜃� es un estimador insesgado de 𝜃𝜃, y no hay ningún otro estimador insesgado que
tenga menor varianza, entonces se dice que 𝜃𝜃� es el estimador insesgado más
eficiente o de mínima varianza.
Ejemplo
Para una muestra 𝑋𝑋1 , 𝑋𝑋2 , 𝑋𝑋3 , 𝑋𝑋4 de una población de media 𝜇𝜇
consideramos los siguientes estimadores de 𝜇𝜇:
𝑋𝑋1 + 4𝑋𝑋2
𝑇𝑇1 =
5
𝑋𝑋1 + 𝑋𝑋2 + 𝑋𝑋3 + 𝑋𝑋4
𝑇𝑇2 =
3
4𝜇𝜇
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 = − 𝜇𝜇
3
© Universidad Internacional de La Rioja (UNIR)
Estadística II
21
Tema 2. Ideas clave
𝐸𝐸𝐸𝐸𝐸𝐸 �𝜃𝜃�� = 𝐸𝐸 �(𝜃𝜃� − 𝜃𝜃)2 �
2
𝐸𝐸𝐸𝐸𝐸𝐸 �𝜃𝜃�� = 𝐸𝐸 ��𝜃𝜃 $ − 𝜃𝜃� � = 𝑉𝑉𝑎𝑎𝑎𝑎(𝜃𝜃�) + (𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠�𝜃𝜃��)2
Consistencia
Esto es lo mismo que decir que se aproxima al valor del parámetro cuando crece el
tamaño muestral.
Ejemplo
� es un estimador
Demostramos a continuación que la media muestral 𝑿𝑿
consistente de µ.
𝜎𝜎 2 𝜎𝜎 2
𝑉𝑉[𝑋𝑋�] = ⇒ 𝑙𝑙𝑙𝑙𝑚𝑚𝑛𝑛→∞ = 𝑜𝑜 ⇒ 𝑋𝑋 ⟶ 𝜇𝜇
𝑛𝑛 𝑛𝑛
Estadística II
22
Tema 2. Ideas clave
𝑌𝑌 = 1 + 3𝑋𝑋1 − 2𝑋𝑋2
Entonces:
a) Calcula el valor esperado y la varianza poblacional de 𝑌𝑌.
𝐸𝐸(𝑌𝑌) = 1 + 3 · E(𝑋𝑋1 ) − 2 · E(𝑋𝑋2 ) = 1 + 3 · 1 − 2 · (−2) = 1 + 3 + 4
=8
𝑉𝑉𝑉𝑉𝑉𝑉(𝑌𝑌) = 32 · 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋1 ) + 22 · 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋2 ) = 32 · 22 + 22 · 32 = 72
𝑠𝑠𝑠𝑠(𝑌𝑌) = √72 = 8,4853
Menor que 6.
6−8
𝑃𝑃 �𝑍𝑍 < � = 𝑃𝑃(𝑍𝑍 < −0.23) = 𝑃𝑃(𝑍𝑍 > 0.23) = 1 − 0,59 = 0.41
√72
60
𝑋𝑋�~𝑁𝑁(600; )
√10
Calcular:
a) La probabilidad de que la media muestral de las emisiones no supere los
650 espectadores.
© Universidad Internacional de La Rioja (UNIR)
650 − 600 50
𝑃𝑃(𝑋𝑋� < 650) = 𝑃𝑃 �𝑍𝑍 < � = 𝑃𝑃 �𝑍𝑍 < � = 𝑃𝑃(𝑍𝑍 < 2,63)
60/√10 18,97
= 1 − 𝑃𝑃(𝑍𝑍 > 2,63) = 1 − 0,00426 = 0,9957
Estadística II
23
Tema 2. Ideas clave
b) La probabilidad de que la media muestral de las emisiones se sitúe entre
550 y 610 emisiones.
𝑃𝑃(550 < 𝑋𝑋� < 610) = 𝑃𝑃(𝑋𝑋� > 550) − 𝑃𝑃(𝑋𝑋� > 610) =
= 𝑃𝑃(𝑍𝑍 > −2.636) − 𝑃𝑃(𝑍𝑍 > 0,527) = 0,9958 − 0,2991 = 0,6967
3. Una determinada variable aleatoria sigue una distribución normal con media 6.5
y varianza 1.69. Se toma una muestra de esa población de 50 observaciones.
1,69
𝑋𝑋�~𝑁𝑁(6,5, � )
50
b. 𝑃𝑃(𝑋𝑋� < 5)
5 − 6,5
𝑃𝑃(𝑋𝑋� < 5) = 𝑃𝑃 ⎛𝑍𝑍 < ⎞ = 𝑃𝑃(𝑍𝑍 < −8,16) = 𝑃𝑃(𝑍𝑍 > 8,16) ≅ 0
� 1,69
⎝ 50 ⎠
c. 𝑃𝑃(𝑆𝑆̂ 2 < 1)
𝑆𝑆̂ 2 1
𝑃𝑃�𝑆𝑆̂ 2 < 1� = 𝑃𝑃 �(𝑛𝑛 − 1) · 2
< (50 − 1) · � = 𝑃𝑃�χ250−1 < 28,99�
𝜎𝜎 1,69
© Universidad Internacional de La Rioja (UNIR)
= 0,01019
Estadística II
24
Tema 2. Ideas clave
examen se distribuyen normal con media 6 y varianza 32 . ¿A partir de qué nota se
consigue plaza en esta oposición?
𝑐𝑐 = 9,11.
5. Supongamos que tenemos una muestra aleatoria con n=3 (𝑋𝑋1 , 𝑋𝑋2 , 𝑋𝑋3 ) que procede
de una distribución normal con media poblacional 𝜇𝜇 y varianza poblacional 𝜎𝜎 2 .
Consideramos el siguiente estimador de la media poblacional:
𝑋𝑋2 − 3𝑋𝑋3
𝜇𝜇̂ = 2𝑋𝑋1 +
2
a) ¿Es insesgado?
1 1 2𝜇𝜇
𝐸𝐸[𝜇𝜇̂ ] = 2𝐸𝐸(𝑋𝑋1 ) + [𝐸𝐸(𝑋𝑋2 ) − 3𝐸𝐸(𝑋𝑋3 )] = 2𝜇𝜇 + [𝜇𝜇 − 3𝜇𝜇] = 2𝜇𝜇 − = 𝜇𝜇
2 2 2
b) Calcular su ECM.
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 = 0
𝐸𝐸𝐸𝐸𝐸𝐸 = 𝑉𝑉𝑉𝑉𝑉𝑉(𝜇𝜇̂ )
1 2
𝑉𝑉𝑉𝑉𝑉𝑉[𝜇𝜇̂ ] = 22 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋1 ) + � � [𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋2 ) + (−3)2 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋3 )]
2
© Universidad Internacional de La Rioja (UNIR)
Estadística II
25
Tema 2. Ideas clave
A fondo
Ideas fundamentales de la inferencia estadística paramétrica
Accede al documento a través del aula virtual o desde la siguiente dirección web:
https://www.researchgate.net/profile/Roberto_Meyer2/publication/274531968_La
_Inferencia_Estadistica_como_Metodologia_Analisis_de_Contenido_de_Ideas_Fun
damentales_IEF/links/5613fd1508aec622440fe7e9/La-Inferencia-Estadistica-como-
Metodologia-Analisis-de-Contenido-de-Ideas-Fundamentales-IEF.pdf
En este recurso puedes encontrar todo lo necesario para entender los dos tipos de
formulaciones que podemos utilizar para obtener la varianza, así como el paso de
una a otra fórmula, y una serie de conceptos clave dentro de estas para avanzar en
el aprendizaje de esta materia.
© Universidad Internacional de La Rioja (UNIR)
Estadística II
26
Tema 2. A fondo
Notas sobre la varianza y la cuasivarianza como estimadores puntuales
En este recurso encontrar todo lo necesario para recordar la relación existente entre
la varianza y la cuasivarianza. Cómo calcularlas, pasar de una a otra y por qué debes
utilizar en inferencia estadística el caso de la cuasivarianza o también conocida como
varianza insesgada.
Estadística II
27
Tema 2. A fondo
Test
1. Señala la opción INCORRECTA. La inferencia estadística paramétrica:
A. Siempre trabaja con distribuciones poblacionales conocidas.
B. Puede desconocerse la distribución poblacional pero lo que siempre se
conocen son sus parámetros.
C. Su distribución poblacional es conocida, lo que se desconoce es alguno de
sus parámetros.
2. La media muestral de una muestra aleatoria extraída de una población normal con
varianza σ2 :
A. Es una v.a. con distribución normal estándar.
𝜎𝜎2
B. Es una v.a. normal con varianza .
𝑛𝑛
𝜎𝜎
C. No es una v.a. .
√𝑛𝑛
Estadística II
28
Tema 2. Test
5. Señala la opción INCORRECTA: Un estimador se dice que es insesgado si:
A. Su valor esperado es cero.
B. La media de su distribución muestral es el parámetro a estimar.
C. Su sesgo es a cero.
(𝑛𝑛−1)·𝑆𝑆̂ 2
6. se distribuye como una Chi-cuadrado:
𝜎𝜎2
A. Siempre.
B. Cuando n es grande.
C. Bajo hipótesis de normalidad poblacional.
8. Una variable con distribución t-student con q grados de libertad es el resultado de:
A. Sumar q normales al cuadrado.
B. El cociente entre dos Chi-cuadrados divididas por sus grados de libertad.
C. El cociente de una normal estándar y la raíz de una Chi-cuadrado dividida por
sus grados de libertad.
Estadística II
29
Tema 2. Test
10. La distribución t-student se caracteriza por ser:
A. Simétrica respecto de 𝜇𝜇.
B. Simétrica respecto de 0.
C. Asimétrica por la derecha con todos sus valores positivos.
© Universidad Internacional de La Rioja (UNIR)
Estadística II
30
Tema 2. Test