Está en la página 1de 16

INFERENCIA

ESTIMACION DE PARAMETROS
Parámetro = característica poblacional

Los parámetros más importantes de las


poblaciones son
La Media Poblacional 

La Varianza poblacional  2

La proporción de éxitos en la población p


1
ESTIMADORES PUNTUALES INSESGADOS
DE LOS PARAMETROS
n

• EL ESTIMADOR DE LA MEDIA X i

POBLACIONAL ES LA MEDIA ˆ  X  i 1

MUESTRAL n

n
• EL ESTIMADOR DE LA VARIANZA
POBLACIONAL ES LA VARIANZA
 i
( X  X ) 2

MUESTRAL
ˆ 2
 S 2
 i 1

n 1

• EL ESTIMADOR DE LA n
PROPORCION DE EXITOS EN LA
POBLACION ES LA PROPORCION pˆ  N º exitos muestra 
X
i 1
i

DE EXITOS EN LA MUESTRA n n

2
EJEMPLOS
1. Se quiere estimar la proporción de personas en Chile, que debe
someterse a diálisis.
Para ello, se toma una muestra aleatoria de 1500 personas, de las
cuales 15 se dializan. Entonces el estimador insesgado de la
verdadera proporción de dializados es : 15/1500 = 0.01
3. Para estimar la estatura media de una población de adultos indígena,
se tomó una muestra al azar de 60 personas de esta población cuya
estatura media fue de 1,56 mt. Luego la estatura media estimada de
la población es de 1,56 mt.
4. Para estimar la varianza de los niveles de colesterol total en una
determinada región, se tomó una muestra aleatoria de los niveles de
10 personas, cuyos valores fueron los siguientes:
143-234-253-178-213-142-167-180-289-312
entonces, la varianza poblacional estimada se obtiene calculando la
varianza muestral :
10

 i
( x  x ) 2

s2  i 1
 3550.3222 3
9
LOS ESTIMADORES PUNTUALES DE LOS
PARAMETROS NO LLEVAN ASOCIADOS NINGUN
GRADO DE CONFIANZA
SON DE GRAN UTILIDAD PARA LA ESTIMACION DE
PARAMETROS MEDIANTE INTERVALOS DE
CONFIANZA

Para construir los intervalos de confianza para estimar

parámetros, es necesario conocer algunas distribuciones

de variables aleatorias especiales que reciben el nombre

de distribuciones Muestrales

4
DISTRIBUCIONES MUESTRALES
• se ha visto que la media de una muestra aleatoria de tamaño n de
y  se distribuye:
2
una población normal de parámetros 

2
X : N ( , )
n
• Luego
X 
: N (0,1)
 2

• También se puede escribir:

( X  ) n
: N (0,1)

5
Teorema del límite Central
Si el tamaño de muestra es grande, mayor a 30, no es
requisito la normalidad de la población para que se verifiquen
las siguientes distribuciones:

( X  ) n
:&N (0,1)

X i  n
:&N (0,1)
 n

6
Si X es una variable aleatoria (Población) que se distribuye normal
con parámetros  y  , entonces:
2

( n  1) S 2
:  (2n 1)
2
Donde S2 es la varianza de la muestra y n es el tamaño muestral
Esta variable se distribuye Chi-Cuadrado con parámetro (n-1)

Si X es una variable aleatoria Bernoulli (población Bernoulli) de


parámetro p, (p es la probabilidad de éxito en cada ensayo), entonces
la siguiente variable, si el tamaño de muestra es mayor a 30, se
distribuye:
pˆ  p
Z :&N (0,1)
pq
n 7
Si X es una población normal, cuya varianza es desconocida
y la muestra aleatoria es de tamaño pequeño (menor ó igual
a 30), entonces:

(X  ) n
t : t( n 1)
S
Se distribuye como t - Student con parámetro (n-1)

8
INTERVALOS DE CONFIANZA
Un intervalo de confianza para estimar un parámetro
es de la forma:

p( Linf    Lsup )  1  

Se interpreta como la probabilidad que el intervalo, determinado por los


límites inferior y superior, contenga al verdadero parámetro es
1
Al valor 1   se le llama NIVEL DE CONFIANZA DE
LA ESTIMACION

Los Límites inferior y superior, son variables aleatorias que


tomarán distintos valores dependiendo de los valores de la
muestra aleatoria 9
METODO DEL PIVOTE PARA CONSTRUIR
INTERVALOS DE CONFIANZA PARA LOS
PARAMETROS

ESTE METODO CONSISTE EN UTILIZAR UNA


VARIABLE ALEATORIA DENOMINADA PIVOTE.
EL PIVOTE DEBE CUMPLIR 2 CONDICIONES:
d) ESTAR EN FUNCION DE LOS ESTIMADORES DEL
PARAMETRO Y DEL PARAMETRO.
e) TENER DISTRIBUCIÓN DE PROBABILIDADES
CONOCIDA

10
INTERVALO DE CONFIANZA PARA LA MEDIA
POBLACIONAL µ

SUPUESTOS: a) La población se distribuye normal


b) La varianza es conocida e igual a σ
2

PIVOTE Z
 X   n distribución
normal estándar

P (− z1−α 2 ≤ Z ≤ z1−α 2 ) = 1 − α
α α
2 2 Intervalo para µ
1−α σ
X ±Z α
− z1−α 2 z1−α 2 (1− )
2 n
11
INTERVALO DE CONFIANZA PARA LA MEDIA
POBLACIONAL 
SUPUESTOS: a) La Población se distribuye normal
b) La varianza poblacional es desconocida

El PIVOTE es una
variable T- Student T
 X   n Distribución t-student con
n-1 grados de libertad
S

OBSERVACION

Cuando el tamaño muestral es mayor a 30, la


distribución t-student se aproxima a la normal
estándar, de manera que para el caso de varianza
poblacional desconocida, se puede utilizar el
intervalo de confianza anterior.
12
Distribución t Ahora: T   X    n
S

1−α
− t1−α 2 , n −1 t1−α 2 ,n −1 P(−t1−α 2 ≤ T ≤ t1−α 2 ) = 1 − α

Esto nos conduce a obtener el intervalo de confianza para la


media poblacional µ cuando se desconoce la varianza
poblacional :

s
X ±t α
(1− )
2 n
13
INTERVALO DE CONFIANZA PARA LA
VARIANZA POBLACIONAL 
2

SUPUESTO: La Población de la que se extrae la muestra es


Normal

( n − 1) s 2
Distribución Chi-cuadrado
EL PIVOTE ES
χ =
2
con n-1 grados de libertad
σ2

P(     
2 2
2
n 1  )  1
1
2 2

Intervalo para σ
2

 
1−α (n −1) s 2 (n −1) s 2 
 χ2 ; 
χ(2n −1)
 α χ 2
α 
1−
χ α2
2
χ2α
1−
2
 2 2  14
INTERVALO DE CONFIANZA PARA LA
PROPORCION P DE EXITOS EN UNA
POBLACION BERNOULLI

SUPUESTO: Muestra aleatoria de tamaño grande ( n > 30) de


una población Bernoulli (éxitos o fracasos)

pˆ − p
Z =
EL PIVOTE p(1 − p ) Distribución Normal estándar
n

P (− zα 2 ≤ Z ≤ zα 2 ) = 1 − α
15
pˆ  p
p( z    z  )  1
1
2 pˆ (1  pˆ 1
2

n
Si despejamos el parámetro p de la expresión anterior,
obtenemos el intervalo de confianza:

 pˆ (1  pˆ ) pˆ (1  pˆ ) 
p  pˆ  z   p  pˆ  z  
  1
 1
2 n 1
2 n 

Se denota simplemente por:

ˆ (1 −p
p ˆ)
ˆ ±Z
p α
1−
2
n
16