Tema3 Métodos de Inferencia Estadstica Los Estimadores Puntuales

Tema 2
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)
2.3. Los estimadores puntuales 11

2.4. Distribuciones muestrales de los estimadores
puntuales 13
2.5. Propiedades de los estimadores puntuales 18
A fondo 26
Test 28
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� =
 Estimadores puntuales: reglas que permiten asignar en base a la muestra un valor a

𝑛𝑛
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
Para la proporción Propiedades de los estimadores

 Insesgadez
 Eficiencia
 Consistencia
favorables
𝑝𝑝� =
totales
Tema 2. Esquema
Estadística II
Esquema
3
Ideas clave
2.1. Introducción y objetivos
El objetivo de este tema es el de mostrar las nociones básicas de la inferencia

estadística así como la primera de sus herramientas: la estimación puntual. Aunque
a priori creas que se trata de una parte de la estadística menos habitual, verás que,
cuando pongamos algunos ejemplos, la mayor parte de las estadísticas que escuchas
diariamente en los medios de comunicación o que incluso utilizas en tu puesto de
trabajo están realizadas basándose en lo que conocemos por inferencia estadística.
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.
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.
De este modo, nos centraremos en analizar características de interés de la población

tales como la media (𝜇𝜇), la varianza (𝜎𝜎 2 ) y también la proporción de la población que
cumple una determinada condición (𝑝𝑝), por ejemplo, la proporción de trabajadores
que sufren retrasos. Dichas características reciben el nombre de parámetros.
Una primera forma de aproximarnos al valor real y desconocido de estos parámetros

es mediante el uso de lo que conocemos por estimadores puntuales. Esta es la
primera herramienta de Inferencia estadística que vamos a estudiar.
El método de los estimadores puntuales calcula valores a partir de la muestra dada.

Dichos valores reciben el nombre de estimaciones y se utilizan como una
aproximación a la característica poblacional que está siendo analizada (parámetro).
El manual de la asignatura de Anderson y otros (2008) introduce estos conceptos

tomando como punto de partida las medidas resumen unidimensionales aprendidas
en la asignatura de Estadística I:
«Las principales medidas numéricas de localización, dispersión, forma, y
asociación, si estas son calculadas con los datos de una muestra, reciben el
nombre de estadísticos o estimadores muestrales. Si estas medidas son
calculadas con los datos de una población se llaman parámetros

poblacionales. En inferencia estadística, al estadístico muestral se le conoce
como el estimador puntual del correspondiente parámetro poblacional». (p.
83)
Estadística II
5
Tema 2. Ideas clave
Detallamos a continuación los objetivos que nos planteamos:
 Comprender lo que es la inferencia estadística, su forma de proceder y el sentido

de los resultados obtenidos a partir de su aplicación.
 Familiarizarse con algunos conceptos clave como el de parámetro, estimador o
estadístico, distribución muestral, entre otros.
 Definir el concepto de estimador puntual y sus propiedades estadísticas.
 Comprender el concepto de distribución muestral y trabajar en concreto con los
estadísticos media muestral y cuasivarianza.
Referencia bibliográfica
Anderson, D. y Sweeney, D. (2008). Estadística para Administración y Economía (p.

83). México: Cengage Learning Editores.
2.2. Inferencia estadística: algunos conceptos

previos
Inferencia estadística
La inferencia estadística es la parte de la estadística que nos permite alcanzar

conclusiones sobre determinadas características de la población las cuales son
desconocidas. Dado el tamaño inalcanzable de la población y la imposibilidad de
abordarla en su conjunto ser recurre al análisis de un subconjunto de esta que recibe el
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).
Distinguimos dos tipos de inferencia:
▸ Paramétrica: si se conoce la distribución o modelo de probabilidades de la población

de la cual se extrae la muestra, pero se desconocen el valor de los parámetros que la
caracterizan 2. En este caso el objetivo será llegar a aproximarnos al valor de estos
parámetros tomando como conocido su modelo de probabilidad.
▸ No paramétrica: modelo de probabilidad y parámetros de la población desconocidos.

Se realizan inferencias sobre parámetros que no tienen por qué corresponderse con
los de una distribución conocida. En este curso utilizaremos estos métodos en el tema
5 para comprobar si determinados supuestos sobre los que hemos basados nuestras
inferencias pueden ser asumidos, en concreto los supuestos de normalidad e
independencia.
Descubre más sobre el concepto de inferencia estadística y sus procedimientos en el

texto que encontrarás como recurso 1 de la sección A fondo.
Vamos a repasar a continuación los conceptos que hemos ido introduciendo.
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
Se denomina parámetro a aquella característica de la población que va a ser

desconocida y cuyo valor no podrá ser obtenido directamente del estudio de la
población por ser esta inalcanzable e imposible de abordar en su conjunto.
La población se considera como un conjunto inalcanzable, es por ello que tendemos

a trabajar sobre un subconjunto de esta al que llamamos muestra en base a la cual
realizaremos los cálculos necesarios. La inferencia estadística nos permite a partir de
la muestra obtener un valor que servirá como aproximación al valor del parámetro.
Tenemos una muestra y sobre esta vamos a estudiar determinadas

características de la población a las que conocemos con el nombre de
parámetros.
Algunos de estos parámetros son:

▸ Media o esperanza poblacional 𝐸𝐸(𝑋𝑋) ≡ 𝜇𝜇
▸ Varianza poblacional 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋) ≡ 𝜎𝜎 2
▸ Proporción de una población que cumple una determinada característica 𝑝𝑝
Un parámetro poblacional NO es una variable aleatoria si no un valor

numérico real desconocido de la población.
Estimador puntual
La aproximación al verdadero valor del parámetro lo obtenemos de la muestra

mediante lo que denominamos estadístico o estimador puntual. Son las medidas
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.
Si queremos calcular el valor de un estimador sobre la muestra, este también deberá

ser tratado como una variable aleatoria ya que su valor dependerá de los valores de
que tome la muestra.
Los estimadores puntuales que vamos a utilizar en este curso son la media muestral,
la cuasivarianza y la proporción muestral.
 La media muestral es la media aritmética, cuya fórmula recordamos a

continuación:
𝑋𝑋� =
𝑛𝑛
 La varianza se define como el promedio de los valores en desviación a la media

elevados al cuadrado. Introducimos a continuación su formulación como repaso a
algo ya aprendido en el curso de Estadística I
∑(𝑥𝑥𝑖𝑖 − 𝑋𝑋�)2
𝑆𝑆̂ 2 =
𝑛𝑛
Existe una formulación alternativa para obtener la varianza:
∑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.
 La cuasivarianza se define como la varianza muestral, pero utilizando el

denominador 𝑛𝑛 − 1. El por qué vamos a utilizar la cuasivarianza en lugar de la
varianza muestral será explicado más adelante cuando analicemos las
propiedades estadísticas deseables de los estimadores. La denotamos por 𝑆𝑆̂ 2 y
recordamos su fórmula a continuación:
∑(𝑥𝑥𝑖𝑖 − 𝑋𝑋�)2 ∑𝑛𝑛𝑖𝑖=1 𝑋𝑋𝑖𝑖2 𝑛𝑛 · 𝑋𝑋� 2

𝑆𝑆̂ 2 = = −
𝑛𝑛 − 1 𝑛𝑛 − 1 𝑛𝑛 − 1
En el recurso 3 de la sección A fondo te hemos preparado unas notas para que

aprendas más sobre la cuasivarianza y su relación con la varianza muestral. Así como
aprender a deducir la cuasivarianza en función del valor dado de la varianza.
 La proporción muestral se define como el número de veces que se cumple una

determinada condición en la muestra dividido entre los casos posibles (regla de
Laplace sobre una condición determinada).
Distribución muestral
Se denomina distribución muestral al modelo de probabilidad asociado al estimador

puntual. Partiremos del supuesto de que las poblaciones con las que trabajamos son
normales por tanto deduciremos de la normal los modelos de probabilidad de
nuestros estimadores puntuales 3.
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
En esta asignatura buscaremos estimadores para los parámetros de la media, la

varianza y la proporción poblacional.
Problema: tenemos un parámetro desconocido y nuestro objetivo será

determinar su valor.
Los estimadores que utilizaremos serán:
Parámetro poblacional Estimador o estadístico

muestral
Media 𝜇𝜇 Media aritmética:
𝑋𝑋� =
𝑛𝑛
Varianza 𝜎𝜎 2 Cuasivarianza 4:
𝑛𝑛
1
̂2
𝑆𝑆 = �(𝑋𝑋𝑖𝑖 − 𝑋𝑋�)2
𝑛𝑛 − 1
𝑖𝑖=1
Proporción 𝑝𝑝 Proporción muestral:
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
Los años de antigüedad de los trabajadores de un sector.
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
Nos interesa calcular la antigüedad media, aunque también

obtendremos su varianza, como medida de fiabilidad, y su desviación
típica, así como la proporción para los que los años de antigüedad es
mayor que 8,5.
Calculamos los estimadores puntuales utilizando las fórmulas muestrales

vistas en Estadística I en el análisis de variables unidimensionales, las
cuales hemos recordado en este apartado.
Estimación puntual de la media de la población (utilizamos para ello la

media muestral):
∑ 𝑥𝑥𝑖𝑖 80
𝑋𝑋� = = =8
𝑛𝑛 10
Estimación puntual de la varianza de la población (utilizamos por los

motivos que serán explicados más adelante la cuasivarianza muestral):
∑(𝑥𝑥𝑖𝑖 − 𝑋𝑋�)2 ∑ 𝑥𝑥𝑖𝑖2 𝑛𝑛 782 10 2

𝑆𝑆̂ 2 = = − 𝑋𝑋� 2 = − · 8 = 15,78
𝑛𝑛 − 1 𝑛𝑛 − 1 𝑛𝑛 − 1 9 9
Estimación puntual de la desviación típica de la población

(cuasidesviación típica):
𝑆𝑆̂ = �15,78 = 3,97
Estimación puntual de la proporción poblacional (>8.5): estimamos su

muestral observando en la muestran cuántos valores están por encima

de 8.5. Vemos que son cuatro: 10, 10, 12, 16, por lo tanto:
4
𝑝𝑝̂ = = 0,4
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.
2.4. Distribuciones muestrales de los estimadores

puntuales
Distribución muestral para la media
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
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).
La varianza decrece a medida que aumenta el número de elementos de la

muestra. Cuantos más elementos tiene la muestra, más concentrada está la
distribución muestral de la media muestral alrededor de su media, que es la
Estadística II
13
Tema 2. Ideas clave
media poblacional. Así será más seguro utilizar la media muestral como
sustituto de la media poblacional.
Las observaciones de la muestra a partir de la cual se obtiene la media muestral son

independientes entre sí, como consecuencia de haber sido seleccionadas mediante
muestro aleatorio. De este modo si la población es una normal con media 𝜇𝜇 y varianza
𝜎𝜎 2 , entonces la muestra tomará esa misma distribución y la media muestral también
𝜎𝜎2
será una normal pero ahora con media 𝜇𝜇 y varianza 𝑛𝑛
.
Distribución muestral de la media aritmética o media muestral:

𝜎𝜎 2
𝑋𝑋�~𝑁𝑁(𝜇𝜇; )
𝑛𝑛
Así se tiene que la variable tipificada tendrá una distribución normal estándar:
𝑋𝑋� − 𝜇𝜇
𝑍𝑍 = 𝜎𝜎 ~𝑁𝑁(0, 1)
√𝑛𝑛
Debe tenerse encuentra que si la varianza poblacional fuese desconocida entonces

deberemos utilizar un estimador para la misma (la cuasivarianza muestral) en este
caso la distribución cambiaría del siguiente modo:
𝑋𝑋� − 𝜇𝜇
𝑍𝑍 = ~𝑡𝑡𝑛𝑛−1
𝑆𝑆̂
√𝑛𝑛
Ejemplo
Estudio salarial de los trabajadores de una empresa

El incremento de los salarios de los trabajadores de una empresa se

distribuye según una normal de media 12,4 % y desviación típica 3,6 %.
Se toma una muestra aleatoria de 9 observaciones de esta población de

incrementos porcentuales de salario. ¿Cuál es la probabilidad de que en
media los incrementos sean inferiores al 10%?
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
Ya vimos en temas anteriores cómo esta probabilidad se extrae de Gretl

sabiendo la distribución de original de 𝑋𝑋� o podemos recurrir a la
transformación a la normal tipificada junto a su valor tipificado. Así,
siendo la primera opción inmediata de obtener a partir de Gretl,
mostramos el procedimiento a seguir con la segunda opción (tipificando
𝑋𝑋�), se tiene que:
10 − 12,4
𝑃𝑃(𝑋𝑋� < 10) = 𝑃𝑃 �𝑍𝑍 < � = 𝑃𝑃(𝑍𝑍 < −2) = 𝑃𝑃(𝑍𝑍 > 2)
3,6
√9
= 0,0228
Distribución muestral para la cuasivarianza
Calculamos ahora y obtenemos la distribución muestral de la cuasivarianza muestral

la cual será utilizada como estimador puntual para la aproximación de la varianza
poblacional.
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
(𝑛𝑛 − 1)𝑆𝑆̂ 2 = �(𝑋𝑋𝑖𝑖 − 𝑋𝑋�)2

𝑖𝑖=1
(𝑛𝑛 − 1)𝑆𝑆̂ 2 ∑𝑛𝑛𝑖𝑖=1(𝑋𝑋𝑖𝑖 − 𝑋𝑋�)2

=
𝜎𝜎 2 𝜎𝜎 2
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
estándar, por lo que su distribución es una Chi-cuadrado con 𝑛𝑛 − 1 grados de

(𝑛𝑛−1)𝑆𝑆̂ 2
libertad 5. Y la expresión a la que es equivalente se distribuirá como una Chi-
𝜎𝜎2
cuadrado con 𝑛𝑛 − 1 grados de libertad.

(𝑛𝑛 − 1) · 𝑆𝑆̂ 2 2
~χ𝑛𝑛−1
𝜎𝜎 2
Sabiendo esto podemos calcular su media y su varianza:
 La media:
(𝑛𝑛 − 1)𝑆𝑆̂ 2 (𝑛𝑛 − 1)𝐸𝐸�𝑆𝑆̂ 2 �
𝐸𝐸 � � = 𝑛𝑛 − 1 → = 𝑛𝑛 − 1 → 𝐸𝐸�𝑆𝑆̂ 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 �
2𝜎𝜎 4
=
𝑛𝑛 − 1
Ejemplo
Cálculo de probabilidades sobre la cuasivarianza muestral

Cuando una máquina está funcionando de forma correcta, la resistencia

se ajusta a una distribución normal de desviación típica 3,6. Se toma una
muestra aleatoria simple de 4 componentes. ¿Cuál es la probabilidad de
que la cuasivarianza muestral sea superior a 30?
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
𝑃𝑃(χ23 > 6,94) = 0,0738
La probabilidad 0,073835 se ha extraído de Gretl, como ya se ha hecho

para otras distribuciones.
Distribución muestral para la proporción
La proporción muestral se define como el número de observaciones que satisfacen

las características en la muestra sobre el total (regla de Laplace).
𝑛𝑛∗
𝑛𝑛
Donde 𝑛𝑛∗ representa el número de casos que satisfacen la característica. Esta variable
puede ser tratada como una binaria que tomará el valor 1 si cumple la característica
y 0 si no la cumple.
Así, la proporción muestral se puede interpretar como la media muestral de una

variable binaria que toma el valor 1 si cumple la característica, que puede ser
interpretada como el éxito:
∑ 𝑋𝑋𝑖𝑖 1 + 0 + ⋯+ 1
�= � = 𝑝𝑝̂
𝑛𝑛 𝑛𝑛
Utilizando las propiedades de 𝑋𝑋� podemos obtener media y varianza de la proporción

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
Ya fue estudiado en Estadística I el caso de la aproximación a la Normal. Si el tamaño

muestral es suficientemente grande 6 se satisface dicha aproximación a la normal:
𝑋𝑋 − 𝐸𝐸(𝑋𝑋)
�⎯⎯⎯⎯⎯� 𝑁𝑁(0, 1)
𝜎𝜎 𝑛𝑛 𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔
Y utilizando media y varianza calculadas de la proporción muestral tenemos que:

𝑝𝑝̂ − 𝑝𝑝
⟶ 𝑁𝑁(0, 1)
�𝑝𝑝̂ (1 − 𝑝𝑝̂ )
𝑛𝑛
2.5. Propiedades de los estimadores puntuales
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
Un estimador 𝜃𝜃� se dice insesgado (o centrado) del parámetro 𝜃𝜃 si:

𝐸𝐸�𝜃𝜃� � = 𝜃𝜃
6 Si 𝑛𝑛 · 𝑝𝑝(1 − 𝑝𝑝) > 5
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.
 Definición de sesgo de un estimador
Sea 𝜃𝜃� un estimador del parámetro 𝜃𝜃. El sesgo se define como:

𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆�𝜃𝜃�� = 𝐸𝐸�𝜃𝜃�� − 𝜃𝜃
El sesgo de un estimador insesgado es cero.
Ejemplo
� es un estimador insesgado del

Demostramos que la media muestral 𝑿𝑿
parámetro (media poblacional).
Para ello tomamos la fórmula de la media muestral o media aritmética y

aplicamos el operador esperanza para calcular así la esperanza de dicho
estimador:
𝑛𝑛 𝑛𝑛 𝑛𝑛
1 1 1 1
𝐸𝐸 [𝑋𝑋�] = 𝐸𝐸 � � 𝑥𝑥𝑖𝑖 � = �� 𝐸𝐸⌈𝑋𝑋𝑖𝑖 ⌉� = � � 𝜇𝜇 � = 𝑛𝑛𝑛𝑛 = 𝜇𝜇
𝑖𝑖=1 𝑖𝑖=1 𝑖𝑖=1
El estimador de la varianza definido como la varianza muestral no es

insesgado, para ello utilizamos la cuasivarianza o también llamada varianza
muestral insesgada la cual sí cumple la definición de insesgadez.
Ejemplos de estimadores insesgados son:
Parámetro Estimador insesgado Estimador no insesgado

Media poblacional Media muestral
Varianza poblacional Cuasivarianza Varianza muestral
Proporción poblacional Proporción muestral
Estadística II
19
Tema 2. Ideas clave
Eficiencia o precisión de un estimador
A veces vamos a obtener distintos estimadores insesgados, y conviene elegir cuál de

ellos es mejor. El mejor será aquel cuya distribución esté más concentrada alrededor
del parámetro poblacional que se esté estimando. ¿Qué parámetro mide la
dispersión? La varianza.
Sean 𝜃𝜃�1 y 𝜃𝜃�2 dos estimadores insesgados de θ, obtenidos de muestras del mismo
tamaño, entonces:
𝜃𝜃�1 es más eficiente que 𝜃𝜃�2 si: 𝑉𝑉𝑉𝑉𝑉𝑉�𝜃𝜃�1 � < 𝑉𝑉𝑉𝑉𝑉𝑉�𝜃𝜃�2 �.

La eficiencia relativa de 𝜃𝜃�1 respecto a 𝜃𝜃�2 es:
𝑉𝑉𝑉𝑉𝑉𝑉𝜃𝜃�2
𝐸𝐸𝐸𝐸𝐸𝐸 =
𝑉𝑉𝑉𝑉𝑉𝑉𝜃𝜃�1
EFR<1 𝜃𝜃�2 es más eficiente que 𝜃𝜃�1
EFR>1 𝜃𝜃�1 es más eficiente que 𝜃𝜃�2
EFR=1 𝜃𝜃�1 y 𝜃𝜃�2 son igualmente eficientes.
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
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
Demostración de la propiedad de insesgadez
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
Demostrar si estos estimadores son o no insesgados.
𝑋𝑋1 + 4𝑋𝑋2 𝐸𝐸(𝑋𝑋1 ) + 4𝐸𝐸(𝑋𝑋2 ) 𝜇𝜇 + 4𝜇𝜇

𝐸𝐸(𝑇𝑇1 ) = � �= = = 𝜇𝜇 (𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖)
5 5 5
𝑋𝑋1 + 𝑋𝑋2 + 𝑋𝑋3 + 𝑋𝑋4 𝐸𝐸(𝑋𝑋1 ) + 𝐸𝐸(𝑋𝑋2 ) + 𝐸𝐸(𝑋𝑋3 ) + 𝐸𝐸(𝑋𝑋4 ) 𝜇𝜇 + 𝜇𝜇 + 𝜇𝜇 + 𝜇𝜇

𝐸𝐸(𝑇𝑇2 ) = 𝐸𝐸 � �= =
3 3 3
4𝜇𝜇
= (𝑛𝑛𝑛𝑛 𝑒𝑒𝑒𝑒 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖)
3
Calculamos por tanto el sesgo de 𝑇𝑇2 , siendo el sesgo de 𝑇𝑇1 cero:
4𝜇𝜇
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 = − 𝜇𝜇
3
El error cuadrático medio
Otra forma es medir la proximidad de un estimador al parámetro a estimar. Esta

proximidad esperada es lo que se conoce como error cuadrático medio (ECM):
Estadística II
21
Tema 2. Ideas clave
𝐸𝐸𝐸𝐸𝐸𝐸 �𝜃𝜃�� = 𝐸𝐸 �(𝜃𝜃� − 𝜃𝜃)2 �
Una forma más útil para el cálculo de esta fórmula es:
2
𝐸𝐸𝐸𝐸𝐸𝐸 �𝜃𝜃�� = 𝐸𝐸 ��𝜃𝜃 $ − 𝜃𝜃� � = 𝑉𝑉𝑎𝑎𝑎𝑎(𝜃𝜃�) + (𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠�𝜃𝜃��)2
Será mejor estimador el que tenga, menor error cuadrático medio.
Consistencia
Se dice que un estadístico 𝜃𝜃� es un estimador consistente del parámetro 𝜃𝜃 si 𝜃𝜃 $ es un

estimador insesgado de 𝜃𝜃 y 𝑙𝑙𝑙𝑙𝑙𝑙𝑛𝑛→∞ 𝑉𝑉�𝜃𝜃� � = 0.
Esto es lo mismo que decir que se aproxima al valor del parámetro cuando crece el
tamaño muestral.
Ejemplo
Demostración de la consistencia de la media muestral
� es un estimador
Demostramos a continuación que la media muestral 𝑿𝑿
consistente de µ.
𝑉𝑉[𝑋𝑋�] = ⇒ 𝑙𝑙𝑙𝑙𝑚𝑚𝑛𝑛→∞ = 𝑜𝑜 ⇒ 𝑋𝑋 ⟶ 𝜇𝜇
𝑛𝑛 𝑛𝑛
2.6. Actividades resueltas para practicar

1. Sean 𝑋𝑋1 y 𝑋𝑋2 variables aleatorias independientes con la siguiente distribución de

probabilidades: 𝑋𝑋1 ~𝑁𝑁(1, 22 ) y 𝑋𝑋2 ~𝑁𝑁(−2, 32 ). Consideramos la nueva variable
aleatoria combinación lineal de las anteriormente definidas:
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
b) A partir de su distribución de probabilidades calcula la probabilidad de

que tome un valor:
Mayor que 6.
6−8
𝑃𝑃 �𝑍𝑍 > � = 𝑃𝑃(𝑍𝑍 > −0.23) = 0,59
√72
Menor que 6.
6−8
𝑃𝑃 �𝑍𝑍 < � = 𝑃𝑃(𝑍𝑍 < −0.23) = 𝑃𝑃(𝑍𝑍 > 0.23) = 1 − 0,59 = 0.41
√72
2. Los niveles de audiencia (en miles de personas) de un programa de televisión

siguen una distribución normal con media 600 y desviación típica 60. SE toma una
muestra aleatoria de tamaño 10 emisiones.
60
𝑋𝑋�~𝑁𝑁(600; )
√10
Calcular:
a) La probabilidad de que la media muestral de las emisiones no supere los
650 espectadores.
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
c) La probabilidad de que la cuasivarianza no supere el valor 2500.

2
𝑃𝑃(𝑆𝑆� < 2500)
𝑛𝑛−1 9
Se multiplica a ambos lados 𝜎𝜎2
= 602 y se halla el valor en Gretl sabiendo que
tenemos una distribución Ji-cuadrado con 9 grados de libertad.

𝑛𝑛 − 1 2 9
𝑃𝑃 � 2 · 𝑆𝑆� < 2 · 2500� = 𝑃𝑃(𝜒𝜒92 < 6,25) = 0,28534
𝜎𝜎 60
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
Calcula las siguientes probabilidades:

a. 𝑃𝑃(𝑋𝑋 < 5)
5 − 6,5
𝑃𝑃(𝑋𝑋 < 5) = 𝑃𝑃 �𝑍𝑍 < � = 𝑃𝑃(𝑍𝑍 < −1,154) = 𝑃𝑃(𝑍𝑍 > 1,154) = 0,1243
√1,69
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
= 0,01019
4. Supongamos que en un examen de oposición se sabe que el 15% de los que se

presentan obtendrá una plaza. Supongamos que las notas obtenidas en dicho
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?
𝑋𝑋~𝑁𝑁(6, 32 ) y se pide 𝑃𝑃(𝑋𝑋 > 𝑐𝑐) = 0,15. Debemos ir a «Herramientas» pinchar en

«Tablas estadísticas» e introducir los datos de la distribución de X y la probabilidad
de cola derecha que es la que nos dan. Gretl da como resultado: 𝑐𝑐 = 9,1093
También podríamos haber tipificado y haber usado una normal estándar. En este
𝑐𝑐−6
caso, debemos tipificar primero: 𝑃𝑃 �𝑍𝑍 > 3
� = 0,15 ahora con Gretl y haciendo uso
𝑐𝑐−6
de la normal estándar obtenemos del mismo modo que 3
= 1,03643 y despejamos
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
Estadística II
25
Tema 2. Ideas clave
A fondo
Ideas fundamentales de la inferencia estadística paramétrica
Meyer, R. y Debiaggi, M. (2012) Las ideas fundamentales de la inferencia estadística

paramétrica. Alfabetización Científica y Estadística - UNL - 2012 - Proyecto CAI+D REDES.
Se trata de una lectura que establece el proceso de razonamiento de la inferencia

estadística desde un punto de vista pedagógico. Introduce conceptos importantes
para comprender una asignatura básica de inferencia estadística paramétrica. Podrás
encontrar este interesante artículo en el siguiente enlace.
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
Dos procedimientos para obtener la varianza de un conjunto de valores
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.
Accede al documento a través del aula virtual
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.
Accede al documento a través del aula virtual

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
D. Es una v.a. con distribución normal.
3. ¿Cuál de estas afirmaciones sobre la distribución de la media muestral es

INCORRECTA?
A. La media de su distribución muestral es la media poblacional.
B. La desviación típica de su distribución muestral es la desviación poblacional.
C. Su distribución muestral es normal siempre y cuando se trate de una
muestra aleatoria proviene de una población normal.
4. Indica cuál de las siguientes afirmaciones es INCORRECTA:

A. Un estadístico es una variable aleatoria.
B. Un estadístico es un valor, generalmente, desconocido.

C. Un estadístico tiene asociada una distribución de probabilidad.
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.
7. La cuasivarianza de una muestra aleatoria extraída de una distribución normal:

A. Es una v.a. con distribución simétrica simétrica.
B. Es sesgada para la varianza poblacional.
C. Es insesgado para la varianza 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.
9. Una variable con distribución F-fisher con q1 y q2 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 e 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.
Estadística II
30
Tema 2. Test

Tema3 Métodos de Inferencia Estadstica Los Estimadores Puntuales

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema3 Métodos de Inferencia Estadstica Los Estimadores Puntuales

Cargado por

Copyright:

Formatos disponibles

Tema 2

2.3. Los estimadores puntuales 11

 Estimadores puntuales: reglas que permiten asignar en base a la muestra un valor a

Para la proporción Propiedades de los estimadores

2.1. Introducción y objetivos

El objetivo de este tema es el de mostrar las nociones básicas de la inferencia

De este modo, nos centraremos en analizar características de interés de la población

Una primera forma de aproximarnos al valor real y desconocido de estos parámetros

El método de los estimadores puntuales calcula valores a partir de la muestra dada.

El manual de la asignatura de Anderson y otros (2008) introduce estos conceptos

calculadas con los datos de una población se llaman parámetros

 Comprender lo que es la inferencia estadística, su forma de proceder y el sentido

Anderson, D. y Sweeney, D. (2008). Estadística para Administración y Economía (p.

2.2. Inferencia estadística: algunos conceptos

La inferencia estadística es la parte de la estadística que nos permite alcanzar

Distinguimos dos tipos de inferencia:

▸ Paramétrica: si se conoce la distribución o modelo de probabilidades de la población

▸ No paramétrica: modelo de probabilidad y parámetros de la población desconocidos.

Descubre más sobre el concepto de inferencia estadística y sus procedimientos en el

Vamos a repasar a continuación los conceptos que hemos ido introduciendo.

Se denomina parámetro a aquella característica de la población que va a ser

La población se considera como un conjunto inalcanzable, es por ello que tendemos

Tenemos una muestra y sobre esta vamos a estudiar determinadas

Algunos de estos parámetros son:

Un parámetro poblacional NO es una variable aleatoria si no un valor

La aproximación al verdadero valor del parámetro lo obtenemos de la muestra

Si queremos calcular el valor de un estimador sobre la muestra, este también deberá

 La media muestral es la media aritmética, cuya fórmula recordamos a

 La varianza se define como el promedio de los valores en desviación a la media

Existe una formulación alternativa para obtener la varianza:

 La cuasivarianza se define como la varianza muestral, pero utilizando el

∑(𝑥𝑥𝑖𝑖 − 𝑋𝑋�)2 ∑𝑛𝑛𝑖𝑖=1 𝑋𝑋𝑖𝑖2 𝑛𝑛 · 𝑋𝑋� 2

En el recurso 3 de la sección A fondo te hemos preparado unas notas para que

 La proporción muestral se define como el número de veces que se cumple una

Se denomina distribución muestral al modelo de probabilidad asociado al estimador

En esta asignatura buscaremos estimadores para los parámetros de la media, la

Problema: tenemos un parámetro desconocido y nuestro objetivo será

Los estimadores que utilizaremos serán:

Parámetro poblacional Estimador o estadístico

Proporción 𝑝𝑝 Proporción muestral:

Los años de antigüedad de los trabajadores de un sector.

Nos interesa calcular la antigüedad media, aunque también

Calculamos los estimadores puntuales utilizando las fórmulas muestrales

Estimación puntual de la media de la población (utilizamos para ello la

Estimación puntual de la varianza de la población (utilizamos por los

∑(𝑥𝑥𝑖𝑖 − 𝑋𝑋�)2 ∑ 𝑥𝑥𝑖𝑖2 𝑛𝑛 782 10 2

Estimación puntual de la desviación típica de la población

𝑆𝑆̂ = �15,78 = 3,97

Estimación puntual de la proporción poblacional (>8.5): estimamos su

muestral observando en la muestran cuántos valores están por encima

2.4. Distribuciones muestrales de los estimadores

Distribución muestral para la media

La varianza decrece a medida que aumenta el número de elementos de la

Las observaciones de la muestra a partir de la cual se obtiene la media muestral son

Distribución muestral de la media aritmética o media muestral:

Debe tenerse encuentra que si la varianza poblacional fuese desconocida entonces

Estudio salarial de los trabajadores de una empresa

El incremento de los salarios de los trabajadores de una empresa se

Se toma una muestra aleatoria de 9 observaciones de esta población de

Ya vimos en temas anteriores cómo esta probabilidad se extrae de Gretl

Distribución muestral para la cuasivarianza

Calculamos ahora y obtenemos la distribución muestral de la cuasivarianza muestral

(𝑛𝑛 − 1)𝑆𝑆̂ 2 = �(𝑋𝑋𝑖𝑖 − 𝑋𝑋�)2