Estimacion Puntual

Estimacin Puntual
Mario Alfonso Morales Rivera.

1
Victor Hugo Morales Ospina
2
1
Profesor Asociado
Universidad de Crdoba
2
Profesor Asistente
Universidad de Crdoba
Montera 2012
Morales & Morales () Estimacin Puntual Agosto de 2012 1 / 49
Contenido
1
Estimacin puntual
Muestreo Aleatorio
Propiedades de los estimadores
Varianza y error cuadrtico medio de un estimador puntual
2
Mtodo de mxima verosimilitud
3
Distribuciones de muestreo
Estimacin puntual
Contenido
1
Estimacin puntual
Muestreo Aleatorio
2
3
Estimacin puntual Muestreo Aleatorio
Inferencia estadstica
Mtodos utilizados para tomar decisiones o para obtener conclusiones

sobre una poblacin.
Estos mtodos utilizan la informacin contenida en una muestra de la
poblacin para obtener conclusiones
INFERENCIA ESTADSTICA
ESTIMACIN P. HIPTESIS

sobre una poblacin.

sobre una poblacin.
ESTIMACIN
P. HIPTESIS

sobre una poblacin.
Deniciones
Denicin (Poblacin)
Una poblacin est formada por la totalidad de las observaciones en
las cuales se tiene cierto inters.
Denicin (Muestra)
Una muestra es un subconjunto de observaciones seleccionadas de
una poblacin.
Denicin (Muestra aleatoria)
Las variables aleatorias X
1
, X
2
, , X
n
constituyen una muestra
aleatoria de tamao n, si
1
Las X
i
son variables aleatorias independientes
2
Todas las X
i
tienen la misma distribucin de probabilidad.
Cmo seleccionar una muestra aleatoria simple
Denicin (Muestra Aleatoria Simple)
Si se selecciona un tamao de muestra n de una poblacin de tamao
N de tal manera que cada muestra posible de tamao n tenga la
misma probabilidad de ser seleccionada, el procedimiento de
muestreo se denomina muestreo aleatorio simple. A la muestra as
obtenida se le denomina muestra aleatoria simple.
Para seleccionar una muestra aleatoria simple de tamao n siga los

siguientes pasos.
Tome el listado de individuos (marco de muestreo).
Asigne un nmero seleccionado aleatoriamente de una
distribucin uniforme en el intervalo (0, 1) a cada individuo.
Ordene de mayor a menor por los nmeros aleatorios .
Los n primeros individuos conforman la muestra.
Cmo seleccionar una muestra aleatoria simple
Denicin (Muestra Aleatoria Simple)
Si se selecciona un tamao de muestra n de una poblacin de tamao
N de tal manera que cada muestra posible de tamao n tenga la
misma probabilidad de ser seleccionada, el procedimiento de
muestreo se denomina muestreo aleatorio simple. A la muestra as
obtenida se le denomina muestra aleatoria simple.
Para seleccionar una muestra aleatoria simple de tamao n siga los

siguientes pasos.
Tome el listado de individuos (marco de muestreo).
Asigne un nmero seleccionado aleatoriamente de una
distribucin uniforme en el intervalo (0, 1) a cada individuo.
Ordene de mayor a menor por los nmeros aleatorios .
Los n primeros individuos conforman la muestra.
Trabajo independiente: Consultar
Tipos de muestreo
Muestreo aleatorio Simple.
Muestreo estraticado.
Muestreo por conglomerados.
Muestreo sistemtico.
Deniciones
Denicin (Estadstica)
Una estadstica es cualquier funcin de las observaciones contenidas
en una muestra aleatoria.
Ejemplo
Si X
1
, X
2
, , X
n
es una muestra aleatoria de tamao n entonces,
son ejemplos de estadsticas:
La media muestral X.
La varianza muestral S
2
La desviacin estndar muestral S
La mediana.
Observacin
Toda estadstica es una variable aleatoria porque ella es funcin de
variables aleatorias.
Deniciones
Denicin (Distribucin de muestreo)
La distribucin de probabilidad de una estadstica se conoce como
distribucin de muestreo.
Se asume que la distribucin de probabilidad de las variables

aleatorias X
i
depende de un parmetro que es desconocido y que
es de nuestro inters conocer su valor.
Deniciones
Denicin (Distribucin de muestreo)
La distribucin de probabilidad de una estadstica se conoce como
distribucin de muestreo.
Se asume que la distribucin de probabilidad de las variables

aleatorias X
i
depende de un parmetro que es desconocido y que
es de nuestro inters conocer su valor.
Pasos para la estimacin puntual
Objetivo
El objetivo de la estimacin puntual es seleccionar un nmero, con
base en los datos de la muestra, que sea el valor ms posible del
parmetro .
Pasos
1
X es una variable aleatoria caracterizada por el parmetro
desconocido .
2
X
1
, X
2
, , X
n
es una muestra aleatoria de X de tamao n.
3
Se tiene una estadstica

= h(X
1
, X
2
, , X
n
) la cual recibe el
nombre de estimador puntual de .

es una variable aleatoria.
4
Se selecciona la muestra y se evala la funcin h( ).

toma un
valor numrico particular

denominado estimador puntual de .
Ejemplo: Distribucin de muestreo
Ejemplo (1.2)
Considere que se tiene una poblacin consistente de 5 elementos,
cuyos valores de la variable X son los siguientes:
X
1
X
2
X
3
X
4
X
5
3 5 7 4 6
Parmetros poblacionales
En este caso, cinco parmetros poblacionales son:
La media: = = 5
La mediana: 5 (igual a la media)
La varianza:
2
= 2.5
La desviacin estndar:
2
=
2.5 = 1.581139
El rango: R = 4
Ejemplo: Distribucin de muestreo
Ejemplo (1.2)
Considere que se tiene una poblacin consistente de 5 elementos,
cuyos valores de la variable X son los siguientes:
X
1
X
2
X
3
X
4
X
5
3 5 7 4 6
Parmetros poblacionales
En este caso, cinco parmetros poblacionales son:
La media: = = 5
La mediana: 5 (igual a la media)
La varianza:
2
= 2.5
La desviacin estndar:
2
=
2.5 = 1.581139
El rango: R = 4
Ejemplo: Distribucin de muestreo continuacin
Asumimos que no conocemos
Suponga que no conocemos el parmetro (la media) y deseamos
estimarlo con una muestra de tamao n = 3.
Usamos como estimador (estadstica) la media muestral, es decir,
= h(X
1
, X
2
, , X
n
) = X
Obtengamos la distribucin de muestreo de la Media: para eso
debemos listar todos los posibles valores de la media junto con su
probabilidad.
= h(X
1
, X
2
, , X
n
) = X
probabilidad.
= h(X
1
, X
2
, , X
n
) = X
probabilidad.
Ejemplo: continuacin
Todas las posibles muestras de tamao 3
3 3 3 3 3 3 5 5 5 7
5 5 5 7 7 4 7 7 4 4
7 4 6 4 6 6 4 6 6 6
X 5 4
14
3
14
3
16
3
13
3
16
3
6 5
17
3
Distribucin de muestreo de la media (n = 3)
x 4
13
3
14
3
5
16
3
17
3
6
P(X = x)
1
10
1
10
2
10
2
10
2
10
1
10
1
10
Ejemplo: continuacin
Todas las posibles muestras de tamao 3
3 3 3 3 3 3 5 5 5 7
5 5 5 7 7 4 7 7 4 4
7 4 6 4 6 6 4 6 6 6
X 5 4
14
3
14
3
16
3
13
3
16
3
6 5
17
3
Distribucin de muestreo de la media (n = 3)
x 4
13
3
14
3
5
16
3
17
3
6
P(X = x)
1
10
1
10
2
10
2
10
2
10
1
10
1
10
Denicin de estimacin puntual
Denicin
Una estimacin puntual de algn parmetro de la poblacin en un
valor numrico

de la estadstica

.
Ejemplo (Continuacin del ejemplo 1.2)
Suponga que en el ejemplo anterior obtenemos la muestra 5,
entonces la estimacin puntual del parmetro sera
=
3 + 7 + 6
3
=
16
3
= 5.333
Denicin de estimacin puntual
Denicin
Una estimacin puntual de algn parmetro de la poblacin en un
valor numrico

de la estadstica

.
Ejemplo (Continuacin del ejemplo 1.2)
Suponga que en el ejemplo anterior obtenemos la muestra 5,
entonces la estimacin puntual del parmetro sera
=
3 + 7 + 6
3
=
16
3
= 5.333
Ejemplo de los pasos para la estimacin puntual
Ejemplo
Suponga que la variable aleatoria X tiene distribucin normal con
media .
En este caso el parmetro desconocido es = .
1
Para estimarlo se usa una muestra aleatoria X
1
, X
2
, , X
n
.
2
La media de la muestra es un estimador puntual de la media de
la poblacin, en este caso se tiene

= X.
3
Despus de observar los valores de la muestra, el valor numrico
x es la estimacin puntual de , en este caso

= x.
4
Por ejemplo si n = 4 y x
1
= 25, x
2
= 30, x
3
= 29, x
4
= 31,
entonces la estimacin puntual de es
x =
25 + 30 + 29 + 31
4
= 28.75
Algunos parmetros y sus estimadores
Parmetro Smbolo Estimador Smbolo

Media de la poblacin x
Varianza de la poblacin
2
s
2

2
Proporcin de xitos p
x
n
p
Diferencia entre medias de
dos poblaciones
2
x
1
x
2

1

2
Diferencia entre proporciones
de dos poblaciones
p
1
p
2
x
1
n
1
x
2
n
2
p
1
p
2
Nota: en este caso x es el nmero de xitos en la muestra y n es el
tamao de la muestra.
Estimacin puntual Propiedades de los estimadores
Estimadores insesgados
Denicin (Estimador insesgado)
Un estimador puntual

es insesgado para el parmetro , si
E(
) =
Denicin (Sesgo)
Si un estimador puntual no es insesgado, entonces la diferencia
E(
)
se conoce como sesgo del estimador.
Si un estimador es insesgado entonces E(
) = 0 esto es, el sesgo

es cero.
Continuacin del ejemplo 1.2
Distribucin de muestreo de X (la media con n = 3)
x 4
13
3
14
3
5
16
3
17
3
6
P(X = x)
1
10
1
10
2
10
2
10
2
10
1
10
1
10
El valor esperado (media) de la media es:
E(X) =
4 1
10
+
13
3
1
10
+
14
3
2
10
+
5 2
10
+
16
3
2
10
+
17
3
1
10
+
6 1
10
= 5 =
Luego X es un estimador insesgado.
Ejemplo: (estimador sesgado)
Distribucin de muestreo de S (n = 3)
s 1 1.527525 2 2.081666
P(S = s) 3/10 4/10 1/10 2/10
El valor esperado de la desviacin estndar es:
E(S) = 1
3
10
+1.527525
4
10
+2
1
10
+2.081666
2
10
= 1.527343 =
Luego S es un estimador sesgado para . En este caso el sesgo es
Sesgo = B = E(S) = 1.527343 1.581139 = 0.05379554
s 1 1.527525 2 2.081666
P(S = s) 3/10 4/10 1/10 2/10
E(S) = 1
3
10
+1.527525
4
10
+2
1
10
+2.081666
2
10
= 1.527343 =
Luego S es un estimador sesgado para .
En este caso el sesgo es
Sesgo = B = E(S) = 1.527343 1.581139 = 0.05379554
s 1 1.527525 2 2.081666
P(S = s) 3/10 4/10 1/10 2/10
E(S) = 1
3
10
+1.527525
4
10
+2
1
10
+2.081666
2
10
= 1.527343 =
Luego S es un estimador sesgado para . En este caso el sesgo es
Sesgo = B = E(S) = 1.527343 1.581139 = 0.05379554
Ejercicios (continuacin del ejemplo 1.2)
1
De manera similar a como se hizo con la media (n = 3), verique
que la mediana muestral, tambin es un estimador insesgado de
la media poblacional .
2
Es S
2
un estimador insesgado o sesgado de
2
?
3
Es el rango de muestral (r = max mn) un estimador
insesgado o sesgado de
2
? En caso de ser sesgado, calcule el
sesgo.
Estimadores insesgados: ejemplos
Ejemplo
Suponga que X es una variable aleatoria con media y varianza
2
.
Sea X
1
, X
2
, , X
n
una muestra aleatoria de tamao n tomada de
una poblacin representada por X. Demuestre que la media muestral
X y la varianza muestral S
2
son estimadores insesgados de y
2
,
respectivamente.
Para la demostracin que

E(X) =
vase el teorema ??.
Demostracin
Demostracin: E(S
2
) =
2
Solucin
Para demostrar que E(S
2
) =
2
se debe tener en cuenta que:
1
(ejercicio)
n
i=1
(X
i
X)
2
=
X
2
i
nX
2
2
Adems que
var(X) = E(X
2
) E(X)
2
3
De esto ltimo, como var(X) =
2
y E(X) = , despejando se
tiene que
E(X
2
) =
2
+
2
4
Con un razonamiento similar, como var(X) = E(X
2
) E(X)
2
se
tiene que
E(X
2
) =
2
+

2
n
Demostracin: E(S
2
) =
2
(continuacin)
Solucin
Entonces
E(S
2
) =
1
n 1
E
_
n
i=1
X
2
i
nX
2
_
=
1
n 1
_
n
i=1
E(X
2
i
) nE(X
2
)
_
=
1
n 1
_
n
i=1
(
2
+
2
) n(
2
+
2
/n)
_
=
1
n 1
_
n
2
+n
2
n
2
=
(n 1)
2
n 1
=
2
Estimacin puntual Varianza y error cuadrtico medio de un estimador puntual
Estimador de varianza mnima
Denicin (EIVM)
Si se consideran todos los estimadores insesgados de , el que tenga
menor varianza recibe el nombre de estimador insesgado de
varianza mnima
Denicin (Error Cuadrtico Medio)
El error cuadrtico medio de un estimador del parmetro est
denido como
ECM(
) = E(
)
2
Teorema
El error cuadrtico medio puede escribirse como
ECM(
) = V(
) + (sesgo)
2
Denicin (EIVM)
varianza mnima
denido como
ECM(
) = E(
)
2
Teorema
ECM(
) = V(
) + (sesgo)
2
Denicin (EIVM)
varianza mnima
denido como
ECM(
) = E(
)
2
Teorema
ECM(
) = V(
) + (sesgo)
2
Error cuadrtico medio de X
Errores y errores al cuadrado
= x 4
13
3
14
3
5
16
3
17
3
6
= x 1
2
3
1
3
0
1
3
2
3
1
errores
(
)
2
1
4
9
1
9
0
1
9
4
9
1
Probabilidad
1
10
1
10
2
10
2
10
2
10
1
10
1
10
Distribucin de probabilidad de (
)
2
(
)
2
0
1
9
4
9
1
Probabilidad
2
10
4
10
2
10
2
10
= x 4
13
3
14
3
5
16
3
17
3
6
= x 1
2
3
1
3
0
1
3
2
3
1 errores
(
)
2
1
4
9
1
9
0
1
9
4
9
1
Probabilidad
1
10
1
10
2
10
2
10
2
10
1
10
1
10
)
2
(
)
2
0
1
9
4
9
1
Probabilidad
2
10
4
10
2
10
2
10
= x 4
13
3
14
3
5
16
3
17
3
6
= x 1
2
3
1
3
0
1
3
2
3
1 errores
(
)
2
1
4
9
1
9
0
1
9
4
9
1
Probabilidad
1
10
1
10
2
10
2
10
2
10
1
10
1
10
)
2
(
)
2
0
1
9
4
9
1
Probabilidad
2
10
4
10
2
10
2
10
Ejemplo: Error cuadrtico medio (continuacin)
)
2
(
)
2
0
1
9
4
9
1
Probabilidad
2
10
4
10
2
10
2
10
ECM(X) = E(X )
2
= 0
2
10
+
1
9

4
10
+
4
9

2
10
+ 1
2
10
=
1
3
Error cuadrtico medio de la mediana M
e
Errores y errores al cuadrado de la mediana
M
e
4 5 6
Errores 1 0 1
E al Cuadrado 1 0 1
Probabilidad
3
10
4
10
3
10
)
2
E al Cuadrado 0 1
Probabilidad
4
10
6
10
ECM(Mediana) = 0
4
10
+ 1
6
10
=
3
5
e
M
e
4 5 6
Errores 1 0 1
E al Cuadrado 1 0 1
Probabilidad
3
10
4
10
3
10
)
2
E al Cuadrado 0 1
Probabilidad
4
10
6
10
ECM(Mediana) = 0
4
10
+ 1
6
10
=
3
5
e
M
e
4 5 6
Errores 1 0 1
E al Cuadrado 1 0 1
Probabilidad
3
10
4
10
3
10
)
2
E al Cuadrado 0 1
Probabilidad
4
10
6
10
ECM(Mediana) = 0
4
10
+ 1
6
10
=
3
5
Comparacin de dos estimadores
Denicin
Sean

1
y

2
dos estimadores del parmetro , entonces la
eciencia relativa de

2
con respecto a

1
se dene como
ECM(
1
)
ECM(
2
)
Cul es mejor?
Si la eciencia relativa es menor que 1 entonces puede concluirse que
1
es un estimador mas eciente que

2
, en el sentido que tiene un
error cuadrtico medio mas pequeo.
Denicin
Sean

1
y

2
dos estimadores del parmetro , entonces la
eciencia relativa de

2
con respecto a

1
se dene como
ECM(
1
)
ECM(
2
)
Cul es mejor?
Si la eciencia relativa es menor que 1 entonces puede concluirse que
1
es un estimador mas eciente que

2
, en el sentido que tiene un
error cuadrtico medio mas pequeo.
Comparacin de dos estimadores: ejemplo
Ejemplo
El error cuadrtico medio de la media es
1
3
mientras que el error
cuadrtico medio de la mediana es
3
5
as que la eciencia relativa de la
mediana con respecto a la media es
1/3
3/5
=
5
9
< 1
por tanto la media es un mejor estimador que la mediana de acuerdo
con el criterio del error cuadrtico medio.
Ejemplo
Suponga que se tiene una muestra aleatoria de n observaciones
X
1
, X
2
, , X
n
de una poblacin con media . Como estimadores de
se puede usar:
La media Muestral.
Una observacin cualquiera X
i
Cul estimador es mejor?
Comparacin de dos estimadores (cont)
Como ambos estimadores son insesgados se tiene que

ECM(X) =
2
/n y ECM(X
i
) =
2
y por tanto la eciencia relativa de
X
i
con respecto a X es
2
/n
2
=
1
n
si n 2 la eciencia relativa es menor que 1, as que la media es
mejor estimador que una sola observacin.
Comparacin de dos estimadores (Ejemplo)
Ejemplo (Ejercicio 62 pgina 293 del texto gua)
Sea X
1
, X
2
, , X
7
una muestra aleatoria de una poblacin que tiene
media y varianza
2
. Considere los siguientes estimadores de
1
=
X
1
+X
2
+ +X
7
7
2
=
2X
1
X
6
+X
4
2
Alguno de estos estimadores es insesgado?
Cul estimador es el mejor?
Contenido
1
Estimacin puntual
Muestreo Aleatorio
2
3
Estimacin de mxima verosimilitud: Introduccin
Ejemplo (2.1)
Suponga que se tiene una poblacin con distribucin de Bernoulli
con probabilidad de xito , que es desconocido, y debemos
estimar.
Para estimar tomamos una muestra de tamao n = 30.
Suponga que obtuvimos 7 xitos.
La estimacin de mxima verosimilitud para el valor que hace
que la probabilidad de observar 7 xitos sea lo mas grande
posible.
Recordemos que si se tienen 30 ensayos tipo Bernoulli,
independientes con probabilidad de xito , entonces el nmero
de xitos es una variable aleatoria binomial con parmetros 30 y
.
Ejemplo (2.1)
estimar.
posible.
.
Ejemplo (2.1)
estimar.
posible.
.
Ejemplo (2.1)
estimar.
posible.
.
Ejemplo (continuacin del ejemplo 2.1)
La probabilidad de 7 xitos se calcula mediante
P(X = 7) =
_
30
7
_
7
(1 )
307
=
_
30
7
_
7
(1 )
23
Ntese que la probabilidad anterior es solo funcin de .
Para obtener el estimador de mxima verosimilitud para
buscaremos, dando valores a donde se hace mxima la
probabilidad.
El cdigo R est en el archivo EstimacionMV.r
P(X = 7) =
_
30
7
_
7
(1 )
307
=
_
30
7
_
7
(1 )
23
probabilidad.
P(X = 7) =
_
30
7
_
7
(1 )
307
=
_
30
7
_
7
(1 )
23
probabilidad.
P(X = 7) =
_
30
7
_
7
(1 )
307
=
_
30
7
_
7
(1 )
23
probabilidad.
Estimacin de mxima verosimilitud
0 0.2 0.4 0.6 0.8 1
pi
P
r
o
b
a
b
ilid
a
d

d
e

7
0
.
1
7
0
.
3
0.18 0.2 0.22 0.24 0.26 0.28 0.3
pi
P
r
o
b
a
b
ilid
a
d

d
e

7
0
.
2
5
0
.
2
5
0.21 0.22 0.23 0.24 0.25
pi
P
r
o
b
a
b
ilid
a
d

d
e

7
0
.
2
2
9
0
.
2
3
9
0.23 0.232 0.234 0.236 0.238
pi
P
r
o
b
a
b
ilid
a
d

d
e

7
0
.
2
3
3
3
4
Figura: Estimacin por mxima verosimilitud
Funcin de verosimilitud
Denicin
Si X es una variable aleatoria con distribucin de probabilidad f(x, ),
donde es un parmetro desconocido. Sean x
1
, x
2
, , x
n
, los
valores observados en una muestra aleatoria de tamao n. La
funcin de verosimilitud de la muestra es
L() = f(x
1
, )f(x
2
, ) f(x
n
, )
La funcin de verosimilitud es funcin del parmetro desconocido
Denicin (Estimador de mxima verosimilitud)
El estimador de mxima verosimilitud es el valor de que maximiza
la funcin de verosimilitud L()
Funcin de verosimilitud
Denicin
Si X es una variable aleatoria con distribucin de probabilidad f(x, ),
donde es un parmetro desconocido. Sean x
1
, x
2
, , x
n
, los
valores observados en una muestra aleatoria de tamao n. La
funcin de verosimilitud de la muestra es
L() = f(x
1
, )f(x
2
, ) f(x
n
, )
La funcin de verosimilitud es funcin del parmetro desconocido
Denicin (Estimador de mxima verosimilitud)
El estimador de mxima verosimilitud es el valor de que maximiza
la funcin de verosimilitud L()
Estimacin de mxima verosimilitud (ejemplo)
Ejemplo (612 pgina 298)
Sea X una variable aleatoria con distribucin exponencial, es decir, su
funcin de probabilidad est dada por
f(x) =
_
exp{x} si x 0
0 en cualquier otro caso
encuentre el estimador de mxima verosimilitud de , basado en una
muestra de tamao n.
La funcin de verosimilitud de la muestra es
L() = exp{x
1
} exp{x
2
} exp{x
n
}
=
n
exp
_
i=1
x
i
_
Ejemplo (612 pgina 298)
Sea X una variable aleatoria con distribucin exponencial, es decir, su
funcin de probabilidad est dada por
f(x) =
_
exp{x} si x 0
0 en cualquier otro caso
encuentre el estimador de mxima verosimilitud de , basado en una
muestra de tamao n.
La funcin de verosimilitud de la muestra es
L() = exp{x
1
} exp{x
2
} exp{x
n
}
=
n
exp
_
i=1
x
i
_
La funcin de logverosimilitud de la muestra es
l() = nln()
n
i=1
x
i
la derivada de la logverosimilitud, con respecto a es:
dl()
d
=
n
i=1
x
i
Igualando a cero la derivada se tiene
n
i=1
x
i
= 0
l() = nln()
n
i=1
x
i
dl()
d
=
n
i=1
x
i
n
i=1
x
i
= 0
l() = nln()
n
i=1
x
i
dl()
d
=
n
i=1
x
i
n
i=1
x
i
= 0
Despejando se tiene
=
n
n
i=1
x
i
=
1
x
Contenido
1
Estimacin puntual
Muestreo Aleatorio
2
3
Distribucin de muestreo
Denicin
La distribucin de probabilidad de una estadstica recibe el nombre de
distribucin de muestreo
La distribucin de muestreo de una estadstica depende de:
La distribucin de la poblacin de donde se extrae la muestra,
El tamao de la muestra,
El mtodo de seleccin.
Ejemplo
La distribucin de probabilidad de la media muestral X se conoce
como distribucin de muestreo de la media.
Denicin
Ejemplo
Denicin
Ejemplo
Denicin
Ejemplo
Denicin
Ejemplo
Distribucin de muestreo de la media
Se toma una muestra aleatoria de tamao n de una poblacin
normal con media y varianza
2
Cada observacin de esta muestra es una variable aleatoria con
distribucin normal con media y varianza
2
e independiente de
las otras.
Entonces
X =
X
1
+X
2
+ +X
n
n
es normal con media y varianza
2
/n.
Uno de los resultados ms usados en la teora estadstica es el que se

conoce como Teorema del lmite central, el cual garantiza que la
distribucin de la media es aproximadamente normal an cuando la
muestra no provenga de una poblacin normal.
2
2
e independiente de
las otras.
Entonces
X =
X
1
+X
2
+ +X
n
n
2
/n.

2
2
e independiente de
las otras.
Entonces
X =
X
1
+X
2
+ +X
n
n
2
/n.

Teorema del lmite central
Teorema
Si X
1
, X
2
, , X
n
es una muestra aleatoria de tamao n tomada de
una poblacin (nita o innita) con media y varianza
2
y si X es la
media muestral, entonces la forma lmite de la distribucin de
Z =
X
/
n
cuando n , es la distribucin normal estndar.
Teorema del lmite central (simulacin)
Cdigo R en el archivo:
simulacionTLC.R
Teorema del lmite central (ejemplo)
Ejemplo
El tiempo que un pasajero invierte esperando en un punto de revisin
de un aeropuerto es una variable aleatoria con media 8.2 minutos y
desviacin estndar 6 minutos. Suponga que se observa una muestra
aleatoria de n = 49 pasajeros. Encuentre la probabilidad de que el
tiempo de espera promedio en la la de estos clientes sea
1
Menor que 10 minutos
2
Entre 7 y 10 minutos
3
menor que 6 minutos
Solucin
Se pregunta por la probabilidad de que la media de los 49
pasajeros est en cierto intervalo
Hay que tener en cuenta que, por el teorema del lmite central,
esta variable aleatoria (la media de la muestra) tiene
aproximadamente distribucin normal con media = 8.2 minutos
y desviacin estndar 6/
49 = 6/7 = 0.8571
P
_
X < 10
_
= P
_
X8.2
6/7
<
108.2
6/7
_
= P(Z < 2.1) = 0.9821
P
_
7 < X < 10
_
= P
_
78.2
6/7
<
X8.2
6/7
<
108.2
6/7
_
= P(1.4 < Z <
2.1) = 0.9014
P
_
X < 6
_
= P
_
X8.2
6/7
<
68.2
6/7
_
= P(Z < 2.5667) = 0.0051
Solucin
49 = 6/7 = 0.8571
P
_
X < 10
_
= P
_
X8.2
6/7
<
108.2
6/7
_
= P(Z < 2.1) = 0.9821
P
_
7 < X < 10
_
= P
_
78.2
6/7
<
X8.2
6/7
<
108.2
6/7
_
= P(1.4 < Z <
2.1) = 0.9014
P
_
X < 6
_
= P
_
X8.2
6/7
<
68.2
6/7
_
= P(Z < 2.5667) = 0.0051
Solucin
49 = 6/7 = 0.8571
P
_
X < 10
_
= P
_
X8.2
6/7
<
108.2
6/7
_
= P(Z < 2.1) = 0.9821
P
_
7 < X < 10
_
= P
_
78.2
6/7
<
X8.2
6/7
<
108.2
6/7
_
= P(1.4 < Z <
2.1) = 0.9014
P
_
X < 6
_
= P
_
X8.2
6/7
<
68.2
6/7
_
= P(Z < 2.5667) = 0.0051
Solucin
49 = 6/7 = 0.8571
P
_
X < 10
_
= P
_
X8.2
6/7
<
108.2
6/7
_
= P(Z < 2.1) = 0.9821
P
_
7 < X < 10
_
= P
_
78.2
6/7
<
X8.2
6/7
<
108.2
6/7
_
= P(1.4 < Z <
2.1) = 0.9014
P
_
X < 6
_
= P
_
X8.2
6/7
<
68.2
6/7
_
= P(Z < 2.5667) = 0.0051
Solucin
49 = 6/7 = 0.8571
P
_
X < 10
_
= P
_
X8.2
6/7
<
108.2
6/7
_
= P(Z < 2.1) = 0.9821
P
_
7 < X < 10
_
= P
_
78.2
6/7
<
X8.2
6/7
<
108.2
6/7
_
= P(1.4 < Z <
2.1) = 0.9014
P
_
X < 6
_
= P
_
X8.2
6/7
<
68.2
6/7
_
= P(Z < 2.5667) = 0.0051
Distribucin de
X
S/
n
Teorema
Suponga que se tiene una muestra aleatoria de tamao n de una
poblacin normal con media y varianza
2
, a partir de esta muestra
se calcula X y S =
S
2
, entonces, la distribucin de muestreo de
T =
X
S/
n
es t de estudent con n 1 grados de libertad.
Observaciones
Esta estadstica se usa para construir intervalos de conanza y
probar hiptesis con respecto a la media de una distribucin
normal.
Mas adelante se ensear el uso de la tabla para calcular
percentiles de la distribucin t

Estimacion Puntual

Cargado por

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Estimacion Puntual

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estimacion Puntual

Cargado por

Copyright:

Formatos disponibles

Estimacin Puntual

Mario Alfonso Morales Rivera.

Mtodos utilizados para tomar decisiones o para obtener conclusiones

Mtodos utilizados para tomar decisiones o para obtener conclusiones

Mtodos utilizados para tomar decisiones o para obtener conclusiones

Mtodos utilizados para tomar decisiones o para obtener conclusiones

Para seleccionar una muestra aleatoria simple de tamao n siga los

Para seleccionar una muestra aleatoria simple de tamao n siga los

Se asume que la distribucin de probabilidad de las variables

Se asume que la distribucin de probabilidad de las variables

Usamos como estimador (estadstica) la media muestral, es decir,

Usamos como estimador (estadstica) la media muestral, es decir,

Usamos como estimador (estadstica) la media muestral, es decir,

Parmetro Smbolo Estimador Smbolo

Si un estimador es insesgado entonces E(

) = 0 esto es, el sesgo

Para la demostracin que

Como ambos estimadores son insesgados se tiene que

Uno de los resultados ms usados en la teora estadstica es el que se

Uno de los resultados ms usados en la teora estadstica es el que se

Uno de los resultados ms usados en la teora estadstica es el que se

También podría gustarte