BOLO No 9

MUESTREO:
• INTRODUCCIÓN
• ESTIMACIÓN PUNTUAL
• MÉTODOS PARA OBTENER ESTIMADORES
• MODELO DE REGRESIÓN LINEAL
• METODO DE LOS MINIMOS CUADRADOS
• ESTIMACIÓN POR MÁXIMA VEROSIMILITUD
• PROPIEDADES DEL ESTIMADOR DE MÁXIMA
VEROSIMILITUD
• DÓCIMA DE HIPÓTESIS
INTRODUCCIÓN
 Inferencia estadística La inferencia estadística es el conjunto de métodos
que permiten inducir, a través de una muestra estadística, el comportamiento
de una determinada población.
Importante los conceptos:
POBLACION

MUESTRA ESTADÍSTICO

UNIDAD DE
ESTIMACIÓN:
MUESTREO

PARÁMETRO ESTIMADOR
INFERENCIA, ESTIMACIÓN Y CONTRASTE DE
HIPÓTESIS
CONTRATE DE HIPÓTESIS
Consiste en determinar si es
aceptable, partiendo de datos
muestrales, que la característica o el
parámetro poblacional estudiado tome
un
determinado valor o esté dentro de
unos determinados valores.
NIVEL DE CONFIANZA
Indica la proporción de veces que
acertaríamos al afirmar que
el parámetro θ está dentro del
intervalo al seleccionar muchas
muestras
ESTIMACIÓN PUNTUAL
 Un estimador de un parámetro poblacional es una función de los datos muéstrales. En pocas
palabras, es una fórmula que depende de los valores obtenidos de una muestra, para realizar
estimaciones. Lo que se pretende obtener es el valor exacto de un parámetro.
 A) Insesgadez E[θ* ] = θ
 B) Eficiencia V[θ1 * ] < V[θ2 * ].
 C) Suficiencia
 D) Consistencia Limn∞→ = {P [ο − ε ≤ ο ≤ o+ ε]}.
MÉTODOS PARA OBTENER
ESTIMADORES

MÉTODO DE MÁXIMA
VEROSIMILITUD
MINIMOS DE
METODOS
CUADRADOS
MÉTODO DE LOS
MOMENTOS
MODELO DE REGRESIÓN LINEAL
 PROPIEDADES DE Yi, Y i y ei.- Yi.
 Si Yi = α + βXi + Ui (1) Tomando esperanza matemática miembro a miembro en (1), se
tendrá.
 E (Yi) = E (α + βXi + Ui) = E(α) + E(βXi) + E(Ui) E (Yi) = α + βXi
 (2) F.R.P.
 V (Yi) = E{[Yi – E(Yi)]2 } = E[(α + βXi + Ui – α – βXi) 2 ] = E(Ui) 2 = 2
 u V (Yi) = E(Ui) 2 = 2
 u (3) Resumiendo tendremos, que:
 Yi ∼ N [(α + βXi), 2 u
METODO DE LOS MINIMOS CUADRADOS
 El método de los mínimos cuadrados, consiste en minimizar la sumatoria de los
cuadrados de los errores o más explícitamente minimizar lo siguiente.
 Sí Σ℮ 2 i = Σ (Yi – Ŷi) 2 = Valor residual min.
Σ℮ 2 i = min. Σ (Yi – Ŷi) 2

La primera condición

La segunda condición
Estimación por máxima verosimilitud
Definición
La función de verosimilitud del vector (X1,… , Xn) es
igual a la función de densidad
o de probabilidad evaluada en el vector numérico de x minúsculas el cual consideraremos fijo y deseamos
considerar a la función del parámetro teta, que se traduce como verosimilitud
𝐿(𝜃) = 𝑓𝑥1, … … , 𝑥𝑛 (𝑥1, … … , 𝑥𝑛 ;
𝜃)
Si X1,…….,Xn son independientes la función de verosimilitud se escribe como el producto de las
funciones de densidad o de probabilidad marginal

𝐿(𝜃) = 𝑓𝑥1(𝑥1, 𝜃) … … 𝑓𝑥𝑛 (𝑥𝑛 ; 𝜃)

Cuando las variables son idénticamente distribuidas, Se escribe como el producto de la una misma función
evaluando cada factor de x1 hasta xn

𝐿(𝜃) = 𝑓(𝑥1 , 𝜃)
… … 𝑓(𝑥𝑛 ; 𝜃)
Propiedades del estimador de máxima verosimilitud
 Consistencia,
 Normalidad asintótica,
 Eficiencia e incluso eficiencia de segundo orden tras corregir el sesgo.

DÓCIMA DE HIPÓTESIS
En primera instancia mostraremos un gráfico que nos
proporcione los elementos para dar un concepto de “Docima”, que es el siguiente.
Donde:
𝜆 = 𝛼 = Nivel de significación.
𝛾 = Nivel de confianza.

R.A. = Región de aceptación

R.C. = Región crítica o de rechazo

t p = Valor tipificado correspondiente a la

Distribución t de Student Ho = Hipótesis Nula
Ha = Ho = Hipótesis alternativa
DÓCIMA t DE STUDENT: Tomaremos en cuenta la siguiente relación.
Yi = α + βXi + Ui (1) F.R.P.

Primero.- Definir las hipótesis.

Ho: β = 0 => Que no existe relación entre X e Y y solamente Y = f(Ui)
H1: β ≠ 0 => Que existe relación entre las variables X e Y

Segundo.- Definir el nivel de significación (λ = α) y determinar los valores tipificados o

críticos de tablas a una o dos colas.
Si λ = α = 5% => VCT = tp = Valor Crítico de Tablas

Tercero.- Determinar el Valor Crítico Calculado (VCC = tc) mediante el estadístico que
corresponda, que en nuestro caso será.

Cuarto.- Se refiere a la regla de decisión

Si |VCC| = |tc| > |VCT| = |tp| => RECHAZAMOS LA Ho