Beruflich Dokumente
Kultur Dokumente
ESTADSTICA
Profesor: Eduardo Villa M.
Introduccin a la Inferencia
Estadstica
PROBLEMA:
En muchos casos no ser posible
determinar el valor de un parmetro
poblacional analizando todos los
valores poblacionales, pues el proceso
a seguir para determinar el valor del
parmetro puede ser destructivo, o
nos puede costar mucho tiempo o
mucho dinero el analizar cada unidad
poblacional.
Introduccin a la Inferencia
Estadstica
PROBLEMA:
En estas situaciones, la nica salida
que tenemos es utilizar la inferencia
estadstica para obtener informacin
sobre los valores de los parmetros
poblacionales, basndonos en la
informacin contenida en una muestra
aleatoria
Introduccin a la Inferencia
Estadstica
Parmetros poblacionales importantes:
La renta media de todas las familias de Lima
Metropolitana.
El tiempo medio de espera en el supermercado
Metro.
La desviacin estndar del error de medida de
un instrumento electrnico.
La proporcin de familias que poseen TV a
color.
La proporcin de automviles que se averan
durante el primer ao de garanta.
Introduccin a la Inferencia
Estadstica
Objetivo Bsico: Hacer inferencias o sacar
conclusiones sobre la poblacin a partir de la
informacin contenida
en una muestra
aleatoria de la poblacin.
Especficamente: Consiste en un proceso de
seleccin y utilizacin de un estadstico
muestral, mediante el cual, utilizando la
informacin que nos proporciona una muestra
aleatoria, nos permite sacar conclusiones
sobre caractersticas poblacionales.
Introduccin a la Inferencia
Estadstica
Poblacin
Espacio Muestral Rn
F(x; ) (X,X2,..,Xn)
Muestreo
Parmetro
=(x1,x2,,xn)
n
(x1,x2,..,xn)
Introduccin a la Inferencia
Estadstica
Poblacin
F(x;2)
Muestreo
Espacio Muestral Rn
(X1,X2,..,Xn)
Parmetro
2
2=s2 =
n
(x1,x2,,xn)
2
Estimador
Introduccin a la Inferencia
Estadstica
Cualquier
inferencia
o
conclusin
obtenida de la poblacin, necesariamente
estar basada en un estadstico
muestral, es decir, en la informacin
proporcionada por la muestra.
El valor verdadero del parmetro ser
desconocido y un objetivo ser estimar su
valor, por lo que tal estadstico se
denomina estimador.
Introduccin a la Inferencia
Estadstica
Las inferencias sobre el valor de un
parmetro poblacional se pueden
obtener bsicamente de dos maneras:
1. Por estimacin
Estimacin puntual
Estimacin por intervalos
ESTIMACIN PUNTUAL
Definicin: Consiste en obtener un
nico nmero, calculado a partir de las
observaciones muestrales y que es
utilizado como estimacin del valor del
parmetro .
Se le llama estimacin puntual porque
a ese nmero, que se utiliza como
estimacin del parmetro ,
se le
puede asignar un punto sobre la recta
real.
ESTIMACIN PUNTUAL
Poblacin
Espacio Muestral Rn
(X1,X2,..,Xn)
F(x;2)
Muestreo
Parmetro
(x1,x2,.,xn)
=g(x1,x2,,xn)
Inferencia
Estimacin Puntual
ESTIMACIN PUNTUAL
ESTIMADOR
= g(X1,X2,Xn)
ESTIMACIN
= g(x1,x2,,xn)
Parmetros poblacionales,
estimadores y estimaciones
Parmetro
poblacional
Estimador
Media
Varianza
Proporcin P
Estimacin
Ejemplo
Las ventas de una muestra aleatoria
de 10 grandes establecimientos
comerciales de Lima, el da 2 de enero
de 2013 fueron respectivamente : 16,
10, 8, 12, 4, 6, 5, 4, 10, 5 miles de
nuevos soles. Obtener estimaciones
puntuales de la venta media, de la
varianza de las ventas de todos los
establecimientos comerciales y de la
proporcin de stos cuyas ventas
Solucin
puntual de la media
Estimacin
poblacional:
ECM
=+
Donde:
=
=
Ejemplo
Sea
, una muestra aleatoria simple de tamao
Insesgadez
Eficiencia
Consistencia
Suficiencia
Invarianza
Robustez
1. INSESGADEZ
Definicin:
El estadstico = g(X1,X2,
Xn)
es un estimador insesgado o centrado
del parmetro si:
E() =
para todos los valores de , y entonces:
sesgo() = b( ) = E() - = 0
1. INSESGADEZ
Casos: b( ) = E() 1. Si b( ) > 0:
de
2. Si b( ) < 0:
de
3. Si b( ) = 0:
nsesgado
sobreestima el valor
subestima el valor
es estimador i
de
Ejemplo
Demostrar
Ejemplo
Sea
una poblacin formada por los
elementos (1,2,3). Obtener y .
1. Construir
todas
las
muestras
posibles de tamao n=2 CON
REEMPLAZAMIENTO.
2. Calcular lo solicitado y comprobar la
propiedad de insesgadez para y S.
Muest
ras
(x1,x2)
(1,1)
0,00
0,00
0,00
(1,2)
1,5
0,50
0,50
0,71
(1,3)
2,00
2,00
1,41
(2,1)
1,5
0,50
0,50
0.71
(2,2)
0,00
0.00
0,00
(2,3)
2,5
0,50
0,50
0,71
(3,1)
2,00
2,00
1,41
(3,2)
2,5
0,50
0,50
0,71
(3,3)
0,00
0,00
0,00
6,00
6,00
5,66
Total
sigue ejemplo
La media de la varianza muestral ser:
==
La varianza poblacional
Por tanto: = y concluimos que
E(S) = = 0,6288 y
Por tanto: E(S) y entonces, S no es un
estimador insesgado de
De otro lado:
Proposicin
Si son dos estimadores insesgados del
parmetro definido como:
1. INSESGADEZ
Estimador insesgado de varianza mnima
de l, se verifica que:
1. INSESGADEZ
COTA
DE FRECHET-CRAMER-RAO
Sea (X1,X2,..,Xn) una m.a.(n),
obtenida de una poblacin con funcin
de densidad o de cuanta f(x; ),
entonces, la varianza del estimador
est acotada inferiormente:
Var ()
1. INSESGADEZ
NOTA:
2. EFICIENCIA
Estimador
eficiente:
Un estimador
del parmetro
poblacional , es eficiente si es
insesgado y adems su varianza
alcanza la cota de Frechet-Cramer-Rao.
Esto es equivalente a decir que, un
estimador
es eficiente si su varianza
coincide con la cota de F-C-R:
Var () =
2. EFICIENCIA
Eficiencia
de un estimador:
Se define la eficiencia de un estimador
insesgado , del parmetro , como:
eff.( ) =
verificndose que eff.( ) 1.
2. EFICIENCIA
Eficiencia
Relativa:
Dados dos estimadores 1 y 2 de , se
define la eficiencia relativa de 1 a 2
como:
eff.relativa (1 ,
)= =
Proposicin
Dada una poblacin se verifica que
la media muestral es un estimador
eficiente de la media poblacional .
Se demostrar que se cumple la
igualdad de la cota F-C-R, es decir:
Ejemplo
Dada
una poblacin y los estimadores de la
Se pide:
1. Comprobar si los estimadores y son o no
insesgados.
2. Calcular la varianza de ambos estimadores.
3. Son ambos estimadores eficientes?
2. EFICIENCIA
Estimador
asintticamente
eficiente:
Diremos que un estimador , del
parmetro , es asintticamente
eficiente si se verifica:
lm
n
=1
3. CONSISTENCIA
consistente:
Estimador
3. CONSISTENCIA
en media cuadrtica:
Consistencia
Teorema
Si un estimador es consistente en
media
cuadrtica,
tambin
es
consistente en probabilidad, pero no
necesariamente se verifica al revs.
3. CONSISTENCIA
casi segura:
Consistencia
Ejemplo
Sea
(X1,X2,..,Xn)
una
muestra
aleatoria de tamao n procedente de
una poblacin . Demostrar que la
media muestral y la varianza muestral
son estimadores consistentes de la
media
y
varianza
poblacional,
respectivamente.
4. SUFICIENCIA
Intuitivamente:
4. SUFICIENCIA
Estimador
suficiente:
Ejemplo
Sea
una muestra aleatoria (X1,X2,X3) procedente
de una distribucin B(1,p) y sean los estadsticos:
4. SUFICIENCIA
de Factorizacin de FisherTeorema
Neyman:
4. SUFICIENCIA
Teorema
de Factorizacin de
Fisher-Neyman:
en donde g(T, ) es una funcin que
depende solamente de
y de la
muestra a travs del estadstico T(X1,
..,Xn) y h(x1,,xn) no depende de .
Ejemplo
Sea una muestra aleatoria (X1, X2,
,Xn) de una distribucin B(1,p).
Comprobar utilizando el teorema de
factorizacin que el estadstico es
suficiente para el parmetro p.
5. INVARIANZA
Estimador
invariante:
Diremos que un estimador es
invariante frente a la transformacin
f(.), si se verifica que el estimador de
esa fuincin del parmetro , es igual al
propio estimador del parmetro, es
decir cuando se verifica que:
(f(X1,.,Xn)) = (X1,.,Xn)
5. INVARIANZA
Tipos
de
invarianzas
o
de
estimadores invariantes:
1. Estimador invariante a cambios de
origen.
2. Estimador invariante a cambios de
escala.
3. Estimador invariante a cambios de
origen y de escala.
4. Estimador invariante a
5. INVARIANZA
invariante a cambio de origen:
Estimador
Ejemplo
si son o no invariantes frente a
Estudiar
5. INVARIANZA
Estimador
invariante
frente
a
cambios de escala:
Si consideramos una constante c, la
muestra se transforma en: (cX1,.,cXn),
entonces es invariante a cambios de
escala si y solamente si se verifica que:
(cX1 ,..,cXn) = (X1,.,Xn) para todo c
, tal que c.
Ejemplo
Comprobar que los estimadores media
y varianza muestral no son invariantes
frente a cambios de escala, y sin
embargo el coeficiente de correlacin
lineal si lo es.
5. INVARIANZA
Estimador
invariante a cambios de
origen y de escala:
es invariante a cambios de origen y
de escala si y solamente si se verifica
que:
(cX1+k ,..,cXn+k) = (X1,.,Xn)
para todo c,k , tal que c.
Ejemplo
Comprobar que el coeficiente de
correlacin lineal
es invariante a
cambios de origen y de escala.
5. INVARIANZA
invariante a
Estimador
permutaciones:
Un estimador es invariante frente a
permutaciones si se verifica que:
(Xi1 ,..,Xin) = (X1,.,Xn)
Para todas las permutaciones ( i 1,.,in) de
1 ,.,n
6. ROBUSTEZ
Estimador robusto:
Diremos que un estimador es robusto
cuando pequeos cambios en las
hiptesis de partida del procedimiento
de
estimacin
considerado
no
producen variaciones significativas en
los resultados obtenidos.
Ejemplo
En
la distribucin al estudiar la distribucin de la
media muestral veamos que si no se conoce la
varianza poblacional recurramos a la distribucin
t-Student mediante el estadstico:
de manera que pequeas variaciones en la
distribucin no produciran cambios sustanciales
en los procedimientos estadsticos basados en el
estadstico t-Student con n-1 grados de libertad,
cuando n es relativamente grande, ya que estos
procedimientos estadsticos son robustos.