UNIVERSIDAD NACIONAL AUTÓNOMA DE HONDURAS

Escuela de Matemática
Mario Antúnez Murillo
Cubículo 9

MARIO ANTUNEZ MM401 IC302 UNAH PAGINA 1

 Unidad III Estadística
Inferencia Estadística
Teoría y ejemplos

MARIO ANTUNEZ MM401 IC302 UNAH PAGINA 2

Población:
Es el conjunto de todos elementos en los cuales se esta interesado en estudiar
algunas características comunes, sobre dicho conjunto estamos interesados en
obtener conclusiones (hacer inferencias)
Muestra:
Es un subconjunto de la población al que tenemos acceso y sobre el que
realmente hacemos las observaciones (mediciones).
Debe ser representativa de la población
Parámetro:
Medida descriptiva de la población total de todas las observaciones de interés para
el investigador.
Estadístico:
Elemento que describe una muestra y sirve como una estimación del parámetro de
la población correspondiente
Estimar en estadística es encontrar o dar un valor aproximado de una medida
desconocida.
Inferencia estadística
Métodos que permiten sacar conclusiones de la población habiendo sido
analizada una muestra.
MARIO ANTUNEZ MM401 IC302 UNAH PAGINA 3
 Grafica de un Análisis estadístico

Población
Parámetro

Estadística
Inferencial Muestreo
estadístico
Probabilidad

Muestra
Estadístico

Estadística
Descriptiva

MARIO ANTUNEZ MM401 IC302 UNAH PAGINA 4

Definición
Diremos que un estimador θ de un parámetro poblacional θ es insesgado, o
centrado, si su media, o esperanza matemática, coincide con el parámetro
poblacional. E(ˆ )  
Si el estimados no es insesgado la diferencia se conoce como sesgo del estimador
sesgo  E(ˆ )  
Error cuadrático medio
Definimos el error cuadrático medio de estimador θ mediante
ECM(ˆ )  E(ˆ  )2  V(ˆ )  (sesgo)2
Eficiencia relativa
Si se tienen dos estimadores θ1, θ2 de un parámetro poblacional, se dice que
θ1 es más eficiente que θ2 si su varianza es menor. Es decir 12  22
12
1
2
2
Consistencia
Se dice que un estimador es consistente cuando, al crecer el tamaño
muestral, se aproxima asintóticamente al valor del parámetro poblacional y
su varianza se hace nula. lim ˆ 
lim 2  0
n n
Un estimador ideal ha de ser insesgado y con una eficacia máxima.

MARIO ANTUNEZ MM401 IC302 UNAH PAGINA 5

Consideré que un alumno realiza tres exámenes parciales las opciones para
calcular la nota final son:
1. Ponderada donde 0.25 X1+ 0.35X2 + 0.40 X3
2. Eliminar la nota intermedia y promediar las notas menor y mayor
3. La media aritmética

El alumno A obtuvo las siguientes notas X1=72, X2=78, X3=45

m1=63.3, m2=61.5, m3=65

El alumno B obtuvo las siguientes notas X1=33, X2=67, X3=74

m1=61.3, m2=53.5, m3=58

El alumno C obtuvo las siguientes notas X1=76, X2=77, X3=87

m1=80.75, m2=81.5, m3=80

Comprobar si los estimadores son insesgados ¿Cuál es el más eficiente?

Si tuviera que escoger entre ellos, ¿cuál escogería?. Razone su respuesta a
partir del Error Cuadrático Medio

MARIO ANTUNEZ MM401 IC302 UNAH PAGINA 6

 X  Xm X X X
m1  0.25X1  0.35X 2  0.4X 3 m2  M m3  X  1 2 3
2 3
E m1   E  0.25X1  0.35X 2  0.4X 3   0.25E(X1)  0.35E(X 2 )  0.4E(X 3 )  0.25m  0.35m  0.40m  m

 X  Xm 
E m2   E  M  m
 2 
 X  X  X3 
E m3   E  1 2 m
 3 
Los estimadores son insesgados

V m1   V  0.25X1  0.35X 2  0.4X 3   (0.25)2 V(X1)  (0.35)2 V(X 2 )  (0.4)2 V(X 3 )  0.3452

 X  Xm  1 1 2
V m2   V  M
2

 4  V  X M   V  X m   
2
  0.5 2
 
 X  X  X3  1 1 2
V m3   V  1 2
3

 9  V  X1   V  X 2   V  X 3   
3
  0.333 2
 

V(m3)<V(m1)<V(m2) El estimador 3 es más eficiente m3  X

MARIO ANTUNEZ MM401 IC302 UNAH PAGINA 7

Distribución chi cuadrada de Pearson
Sean X1,X2,…,Xn variables aleatorias normales con media 0 y varianza 1
independientes entre si a la variable   X1  X2  ...  Xn recibe el nombre de chi
2 2 2 2

cuadrado con n grados de libertad. La función de densidad asociada es la

distribución de Pearson, que se puede expresar como
X tiene una distribución chi cuadrada, con n grados de libertad, si su función de
densidad está dada por
1
n21 : f(x)  n /2 x n /21e x/2 x>0 m=n 2  2n
2 (n / 2)
La variable toma únicamente valores positivos, al ser una suma de cuadrados

La importancia de la distribución 2 en
estadística se basa en la siguiente propiedad:
Sea 2 la varianza de una población normal y
s2 la varianza de una muestra de tamaño n
extraída al azar de dicha población. Entonces
la variable aleatoria que cambia de muestra
a muestra y viene dada por

2 s2
  (n  1)
2

MARIO ANTUNEZ MM401 IC302 UNAH PAGINA 8

Distribución t de Student
Sea Z una variable aleatoria con distribución y V una variable aleatoria con
distribución chi-cuadrado con n grados de libertad, si Z y V son independientes
la variable aleatoria tiene por función de densidad de probabilidad
n 1
  2  (n1)/2
 2  1 x 
tn1 : f(x)    x
n(n / 2)  n 

Distribución de muestras
pequeñas
Sea X1,X2,…,Xn una muestra
aleatorias tomada de una
distribución normal con media
m y varianza 2
X m
t
s/ n
Sigue una tn-1

MARIO ANTUNEZ MM401 IC302 UNAH PAGINA 9

Distribución F de Fisher
Sean dos variables aleatorias independientes con distribución de Pearson con u
y v grados de libertad e independientes entre si. Entonces, la variable aleatoria
definida mediante como tiene la función de densidad de probabilidad
 u  n   u  (u /21)
   x
F n 1,n 1: f(x)   2  n  x0
(u n )/ 2
 u   n   u  
1 2

        x  1
 2   2   n  

Se tienen dos poblaciones normales con

varianzas 12 , 22 se toman muestras
aleatorias independientes n1 y n2 de las
poblaciones respectivamente sean las
2 2
varianzas muestrales s1 , s2 el cociente
s12 / 12
F
s22 / 22

Tiene una distribución F(n1-1,n2-1)

MARIO ANTUNEZ MM401 IC302 UNAH PAGINA 10