Estadística Inferencial

Estimación puntual y distribuciones de muestro

Semestre II 2022

Profesor: Sergio Andrés Arango Osorio

Escuela: Ingeniería
E-mail: sergio.arango@upb.edu.co
1. Introducción de estadística inferencial
2. muestra aleatoria
3. Estadísticos
4. Estimación puntual
5. Distribución de muestreo (TLC)
6. Propiedades de los estimadores
 Inferencia estadística
Introducción
Se compone de métodos que se utilizan para tomar decisiones o sacar conclusiones acerca
de una población. Estos métodos utilizan la información contenida en una muestra de la
población para sacar conclusiones.

Se divide en dos
Estimación puntual de Prueba de hipótesis
parámetros
Comprobar si una hipótesis es
Análisis de una población a partir verdadera o falsa. A partir de
de muestras poblacionales. datos muestrales.
Aquí se estima un valor o una
conjetura.
 Inferencia estadística
Muestras aleatorias
La selección de una muestra es un experimento aleatorio, por tanto, cada observación es
una variable aleatoria.
 Inferencia estadística
Muestras aleatorias

Definición:

Las variables aleatorias x1, x2, x3, …, xn son una muestra aleatoria de tamaño si:

a) Los xi son variables aleatorias independientes

b) Cada xi tiene la misma distribución de probabilidad

Los anterior puede expresarse como:

Los xi son independientes e idénticamente distribuidos (iid)

 Inferencia estadística
Estadísticos
El objetivo de tomar una muestra aleatoria es obtener información acerca de los
parámetros desconocidos de la población.

Definición:
Cualquier función de las observaciones de una muestra aleatoria es un estadístico

Ejemplo:
Se requiere llegar a una conclusión acerca de la proporción de la población de Colombia
que prefiere una marca de carro.

• Dicha proporción 𝑝,Ƹ se calcula dividiendo el número de individuos de la muestra que

prefieran la marca de carro entre n (tamaño de la muestra).

• El valor 𝑝Ƹ variará de una muestra a otra, es decir 𝑝Ƹ es una variable aleatoria.

 Inferencia estadística
Estadísticos y estimación puntual

Una aplicación importante de los estadísticos (𝑝)Ƹ es la obtención de estimaciones puntuales

de parámetros tales como 𝜇 y 𝜎 2 .

Objetivo de la estimación puntual de un parámetro de interés 𝜃:

Seleccionar con base en los datos muéstrales, un solo número que sea el valor más
recomendado de 𝜃.

Se usará el valor numérico de un estadístico (𝑝)Ƹ como la estimación la estimación puntual.

 Inferencia estadística
Estadísticos y estimación puntual
Definición de estimación puntual:

Si X es una variable aleatoria con distribución de probabilidad f(x), caracterizada por el

parámetro desconocido 𝜃, y si x1, x2, x3, …, xn es una muestra aleatoria de tamaño n de X,
entonces el estadístico

𝜃መ = ℎ(𝑥1 , 𝑥2 , … , 𝑥𝑛 )

Se llama estimador puntual 𝜃. Obsérvese que 𝜃෠ es una variable aleatoria ya que está en
función de variables aleatorias. Después de seleccionar la muestra, 𝜃෠ toma un valor
numérico particular 𝜃෠ llamado estimación puntal de 𝜃.
 Inferencia estadística
Estadísticos y estimación puntual
Definición de estimación puntual:

Si X es una variable aleatoria con distribución de probabilidad f(x), caracterizada por el

parámetro desconocido 𝜃, y si x1, x2, x3, …, xn es una muestra aleatoria de tamaño n de X,
entonces el estadístico

𝜃መ = ℎ(𝑥1 , 𝑥2 , … , 𝑥𝑛 )

Se llama estimador puntual 𝜃. Obsérvese que 𝜃෠ es una variable aleatoria ya que está en
función de variables aleatorias. Después de seleccionar la muestra, 𝜃෠ toma un valor
numérico particular 𝜃෠ llamado estimación puntal de 𝜃.
 Inferencia estadística
Estadísticos y estimación puntual
Definición de estimación puntual:

Si X es una variable aleatoria con distribución de probabilidad f(x), caracterizada por el

parámetro desconocido 𝜃, y si x1, x2, x3, …, xn es una muestra aleatoria de tamaño n de X,
entonces el estadístico

𝜃መ = ℎ(𝑥1 , 𝑥2 , … , 𝑥𝑛 )

Se llama estimador puntual 𝜃. Obsérvese que 𝜃෠ es una variable aleatoria ya que está en
función de variables aleatorias. Después de seleccionar la muestra, 𝜃෠ toma un valor
numérico particular 𝜃෠ llamado estimación puntal de 𝜃.
 Inferencia estadística
Estadísticos y estimación puntual
Ejemplo:
Supongamos que la variable X tiene una distribución normal con una media poblacional
desconocida 𝜇. La media muestral es un estimador puntual de la media poblacional
ത Después de seleccionar la muestra, el valor numérico de 𝑋ത
desconocida 𝜇. Es decir 𝜇Ƹ = 𝑋.
es la estimación puntal de 𝜇.

Por lo tanto, si x1 = 25, x2 = 30, x3 = 29 y x4 = 31. Calcule la estimación puntual de 𝜇 y la

estimación puntual de 𝜎 2 .
 Inferencia estadística
Estadísticos y estimaciones puntuales para algunos
parámetros

Parámetro Estimación
Estadístico
desconocido ෡ puntual
𝜣 ෡
𝜽 𝜽
 Inferencia estadística
Distribución de muestreo
Cualquier estadístico, por el hecho de ser una variable aleatoria tiene un distribución de
probabilidad.

La distribución de probabilidad de un estadístico se conoce como distribución de muestreo,

la cual depende de la distribución de la población.

¿Por qué se llama distribución de muestreo?

Para enfatizar que dicha distribución describe como varia el valor estadístico a través de
todas las muestras que pudieras ser seleccionadas.
 Inferencia estadística
Distribución de muestreo de la media
Distribución de muestreo para la media
Sean x1, x2, …, xn una muestra aleatoria de una distribución con valor medio 𝜇 y 𝜎 2 .

𝑋 +𝑋 +⋯+𝑋𝑛
Entonces, la media muestra 𝑋ത = 1 2
𝑛
Tiene una distribución de muestreo con media

𝜇 + 𝜇 +⋯+𝜇
𝜇𝑋ത = =𝜇
𝑛
Distribución para la varianza

𝜎 2 + 𝜎2 + ⋯ + 𝜎2 𝜎 2
𝜎𝑋2 = 2
=
𝑛 𝑛
Pueden darse dos casos:
1. La muestra aleatoria proviene de una distribución que se distribuye normal
2. La muestra aleatoria proviene de una población que no se distribuye normal
 Inferencia estadística
Distribución de muestreo de la media
Caso 1: muestra aleatoria con distribución normal

Sean x1, x2, …, xn una muestra aleatoria de una distribución normal, con media 𝜇 y
varianza 𝜎 2 . Entonces con cualquier n, 𝑋ത está normalmente distribuida con media 𝜇 y
2
varianza 𝜎 Τ𝑛.
 Inferencia estadística
Distribución de muestreo de la media
Caso 1: muestra aleatoria con distribución NO normal

Si el muestreo se hace en una población que tiene una distribución de probabilidad

desconocida, la distribución de muestreo de la media muestral seguirá siendo
2
aproximadamente normal con media 𝜇 y varianza 𝜎 Τ𝑛 si el tamaño de la muestra n es
grande.

TEOREMA DEL
LÍMITE CENTRAL
(TLC)
 Inferencia estadística
Distribución de muestreo de la media
Otro ejemplo sobre el Teorema del Límite Central

Promedio del resultado obtenido al tirar n número de dados.

2
𝑋ത ∼ (𝜇, 𝜎 Τ𝑛)

Un dado Dos dados

Cinco dados Diez dados

 Inferencia estadística
Distribución de muestreo de la media
Regla empírica para el uso del TLC

• Si 𝑛 ≥ 30la aproximación normal será satisfactoria independientemente de la forma de la

población.

• Si 𝑛 < 30 el TLC funcionará si la distribución de la población no se aparta significativamente de la

distribución normal.
 Inferencia estadística
Distribución de muestreo de la media
Calculo de probabilidades
De acuerdo con el TLC, cuando n es grande y se desea calcular una probabilidad tal como
𝑃 𝑎 < 𝑋ത < 𝑏 ,el procedimiento consiste en:

• “Pretender” que 𝑋ത es normal.

• Estandarizar:
𝑋ത − 𝜇
𝑍=𝜎
ൗ 𝑛
• Usar la tabla normal.

El TLC da una idea de por qué muchas variables aleatorias tienen distribuciones de probabilidad
que son aproximadamente normales. El TLC se considera como el teorema de probabilidad más
importante.
 Inferencia estadística
Cálculo de probabilidades