INFERENCIA ESTADISTICA

Hasta ahora nos hemos ocupado de la Estadstica Metodolgica y algunos aspectos de

la Teora de Probabilidades. Trataremos ahora, en este y en el captulo siguiente, la rama de la
estadstica que estudia sus relaciones con el Muestreo, conocida como Estadstica Inferencial
Cuando trabajamos con Muestras, la Estadstica proporciona mtodos no solo para describir la
!uestra (Estadstica escripti!a o Metodol"gica#, sino que tambin, bajo ciertas condiciones, el
$n%lisis Estadstico de las obser!aciones proporciona infor!acin res"ecto a la "oblacin
objeto del muestreo. e esto trata la Estadstica &n'erencial.

El campo de la Inferencia Estadstica trata b%sicamente con generali(aciones y
predicciones, para ello utili(a la Teora del Muestreo En el curso que nos ocupa
desarrollaremos)
Esti!acin (puntual y por inter!alos de con'ian(a#
Pruebas de #i"tesis.
*ara comprender el desarrollo operati!o y pr%ctico de los temas mencionados, se
requiere pre!iamente conocer acerca de las Distribuciones en el Muestreo.
DISTRI$%CI&NES EN E' M%ESTRE&
$plicando los conocimientos adquiridos con los temas estudiados en Teora de
*robabilidades, desarrollaremos a continuaci"n los conceptos b%sicos de las istribuciones en el
Muestreo.
+a sntesis conceptual de la tem%tica a desarrollar es la siguiente) para poder aplicar los
mtodos de la in'erencia estadstica se requiere partir de una Muestra Aleatoria, sta es aleatoria
ya que la selecci"n de los elementos que la componen, se ajusta a alg,n procedimiento que
garanti(a la aleatoriedad.
En esta muestra aleatoria !amos a calcular estadsticos que son los esti!adores de los
"ar(!etros poblacionales. -i se piensa en todas las muestras posibles de ser seleccionadas en una
poblaci"n cualquiera, se tendran !arios !alores posibles para el estadstico, como resultado de un
e.perimento aleatorio, en consecuencia este estadstico, )ue es un esti!ador del "ar(!etro, es
un *ariable aleatoria
*or ser el estimador una !ariable aleatoria le corresponde una 'unci"n de probabilidad
asociada a l. Es la teora de probabilidades la que permite encontrar las distribuciones de los
estadsticos !uestrales, las distribuciones de probabilidad asociadas a estos estadsticos se
llaman distribuciones muestrales.
-in ol!idar que es ob+eti*o de la Inferencia Estadstica, el conocimiento del
comportamiento y caractersticas de las poblaciones estadsticas a tra!s de la in'ormaci"n que
proporciona la Muestra.
El punto de partida es trabajar con una muestra aleatoria. /ecordemos que el concepto de
aleatoriedad resulta de un proceso o e.perimento aleatorio en si mismo, (imposibilidad de
predecir su resultado#. En consecuencia el dise0o del e.perimento y el mtodo de selecci"n de la
muestra, deben garanti(ar esta aleatoriedad.
Distribucin de Probabilidad de la Muestra
1
adas dos !ariables aleatorias independientes, la 'unci"n de probabilidad conjunta es igual
al producto de sus marginales)
ntes independie son y e x y f x f y x f # ( #. ( # , (
E.presi"n que puede generali(arse para n !ariables aleatorias independientes. *odemos
aplicar este conocimiento al caso de una Muestra aleatoria de tama0o n.
Sea una *ariable aleatoria , con funcin de densidad de "robabilidad f-./ Su"ngase )ue
de esa "oblacin se obtiene una !uestra de n ele!entos, donde cada "rueba es
inde"endiente de las otras Entonces la funcin de "robabilidad de la Muestra est( dada
"or0
# ( # ( #....... ( # ( # ,...... , (
1
2 1 2 1

n
i
i n n
x f x f x f x f x x x f
Teniendo en cuenta esta de'inici"n, diremos que los requisitos para que una muestra sea
aleatoria son los siguientes)
&# +a 'unci"n de densidad de una !ariable aleatoria 3 permanece constante de prueba a prueba, e igual a la
'unci"n de densidad.
# ( # ( ....... # ( # (
2 1
X f x f x f x f
n

&&# &ndependencia entre las pruebas.
# ( # ( #....... ( # ( # ,...... , ( # (
1
2 1 2 1

n
i
i n n
x f x f x f x f x x x f M P
-ea entonces '(.# la 'unci"n de densidad de una !ariable aleatoria obser!ada para cierta
poblaci"n y sea n el tamao de la muestra. Pense!os a la !uestra no co!o e*idencia sino
como el resultado de un e.perimento aleatorio (e.traer una muestra# re"etido ! *eces.en el
sentido que repito la muestra en esa misma poblaci"n y cada muestra es un resultado posible y
distinto.
# ( # (
2
# (
1
4 4
2
4
1
5 5
2
5
1
... , )
.... .......... ..........
,...... , )
2
,...... , )
1
m
n
m m
n
n
x x x
m
M
x x x M
x x x M
-uma de !ariables aleatorias de distribuci"n desconocida
-ean n !ariables 3
1
, 3
2
,...., 3
n
independientes con esperan(a y !ariancia 'initas ) E(3
i
# 6

y
7(3
i
# 6

y sea - 6
n
n
i
i
X X X X + + +

......
2 1
1

Entonces , utili(ando propiedades de Esperan(a y de 7ariancia)
2
E(-# 6



n
i
i
n
i
i
n
i
i
X E X E
1 1 1
# ( # (
y como las !ariables son independientes)
7(-#



n
i
i
n
i
i
n
i
i
X V X V
1
2
1 1
# ( # (

Ejemplos de aplicacion ( h X, #
Consideremos una muestra de n elementos de una poblaci"n. e'inamos 3
i
como la obser!aci"n
hecha al i8simo elemento.
-e dispone entonces de n !ariables aleatorias independientes ) 3
1
,3
2
,...., 3
n
idnticamente
distribudas
2
# ( # ( ) ... 1
i i
X V y X E n i
*or lo tanto, si - 6

n
i
i
X
1
, entonces )
E(-# 6
n X E X E
n
i
n
i
i
n
i
i


1 1 1
# ( # (
7(-#



n
i
i
n
i
i
n
i
i
n X V X V
1
2 2
1 1
# ( # (

e'inamos )
n
S
n
X
X
n
i
i

1
Entonces)
n
n
n
S V
n n
S
V X V
n
n
S E
n n
S
E X E
2
2
2 2
1
# (
1
# ( # (
1
# (
1
# ( # (

+uego, X es una !ariable aleatoria que se distribuye con media y !ariancia )
n
X V
X E
2
# (
# (

-i en particular consideramos una muestra de n repeticiones de un e.perimento dicot"mico, de'iniremos

para cada repetici"n una !ariable bipuntual.
Entonces )
3
1
, 3
2
,...., 3
n
independientes e idnticamente distribuidas 9
i
(p#
por lo tanto
n
X
X
n
i
i

1
es la 'recuencia relati!a de .itos.
-imboli(ando con h a la proporci"n de .itos obtenida en la muestra, tenemos)
n
X
h
n
i
i

1
*ara esta !ariable proporcin muestral de xitos , la esperan(a y la !ariancia son )
:
( )
( )
n
pq
npq
n
q p
n
X V
n
X V
n
n
X
V h V
p np
n
p
n
X E
n
X E
n n
X
E h E
n
i
n
i
i
n
i
i
n
i
i
n
i
n
i
i
n
i
i
n
i
i

1
1
]
1

1
1
1
1
1
]
1

1
1
]
1

1
1
1
1
1
]
1

2
1
2
1
2
1
2
1
1 1 1
1
1 1 1 1
# (
1 1 1 1
# (
*or lo tanto, h es una !ariable aleatoria que se distribuye con media y !ariancia )
n
pq
h V
p h E

# (
# (
En ambos casos ( X y h # !emos que la esperan(a de la media muestral es igual a la media
poblacional (o esperan(a de la !ariable#, y que la !ariancia de la media muestral es menor que la
!ariancia poblacional, disminuyendo su !alor a medida que aumenta el tama0o de la muestra. Esto
signi'ica que la distribuci"n de la media muestral ( X o h # es m%s concentrada que la de la propia
!ariable , y cuanto mayor sea el tama0o de la muestra m%s se concentra esta distribuci"n alrededor de la
media poblacional.
'e1 de los grandes n2!eros
Cualquiera sea la distribuci"n de la !ariable 3 (siempre que tenga esperan(a y !ariancia 'initas#,
la distribuci"n de la media muestral ( X # se concentra m%s y m%s alrededor de la media poblacional ,
con'orme aumente el tama0o de la muestra. +a +ey de los ;randes <,meros enuncia este concepto en
trminos de probabilidad)
Enunciado ) -ea d un n,mero real positi!o, arbitrariamente peque0o. +a probabilidad de que la
media muestral X diste de la poblacional en una magnitud mayor que d tiende a 4cero4 a medida
que el tama0o de la muestra (n# tiende a 4in'inito4 .
En smbolos )
{ } = >
n
d X P
+o que signi'ica que X para n
Teore!a de $ernoulli
($plicaci"n de la +ey de los ;randes <,meros#
Estudia el comportamiento de la probabilidad de la 'recuencia relati!a en un esquema binomial de
un suceso.
-ea un suceso $ tal que p A P
n
n
f
A
A
# (
Enunciado )
-ea un n,mero real positi!o, arbitrariamente peque0o. +a probabilidad de que la proporci"n
muestral h diste de la poblacional p en una magnitud menor que tiende a 4uno4 a medida que el tama0o
de la muestra (n# tiende a 4in'inito4 .
En smbolos)
{ } 1 <
n
p h P
+o que signi'ica que hp, para n
Teore!a Central del '!ite
>
Es el teorema m%s importante de la Teora y *ractica Estadstica. +a +ey de los ;randes
<,meros trata de la con!ergencia en probabilidad, pero nada dice acerca de la distribuci"n de la media (o
proporci"n# muestral.
El Teorema Central del +imite trata de la con!ergencia en distribuci"n de la suma de !ariables
aleatorias independientes, de las cuales no se requiere conocer su distribuci"n.
Enunciado )
-ean n !ariables aleatorias independientes ) 3
1
, 3
2
,...., 3
n
independientes con esperan(a y
!ariancia 'initas, con n grande. Entonces la distribuci"n de la suma de estas !ariables con!erge a la
distribuci"n <ormal.
En smbolos)
-ean 3
1
, 3
2
,...., 3
n
independientes con
( )
2
# (
i i
i i
X V
X E

-ea -
n
6
n
n
i
i
X X X X + + +

......
2 1
1
Entonces
( )
( )
# 1 , = ( N
S E S

n
S
n n
n

?a !imos que)
E(-
n
# 6



n
i
n
i
i
n
i
i
X E X E
1 1 1
# ( # (
y 7(-
n
#



n
i
i
n
i
i
n
i
i
X V X V
1
2
1 1
# ( # (

+uego tenemos que)
# 1 , = (
1
2
1
1
2
1 1
N
S X

n
n
i
i
n
i
i n
n
i
i
n
i
n
i
i i

$plicaciones del Teorema Central del +imite

istri!ucin de la media X y de la proporcin h
Consideremos una muestra de n elementos de una poblaci"n . e'inamos 3i como la obser!aci"n
hecha al i8simo elemento.
-e dispone entonces de n !ariables aleatorias independientes 3
1
,3
2
,....,3
n
identicamente
distribudas.
E(-
n
# 6



n
i
n
i
i
n
i
i
n X E X E
1 1 1
# ( # (
y 7(-
n
#
2
1
2
1 1
# ( # ( n X V X V
n
i
i
n
i
i
n
i
i



@
( )
( )
( )

,
_

n
N X n para
N
n
X
n n
n
n S
n
n S
pero
N
n
n S
n
n S
S V
S E S

n
n
n

n
n n
n
n n

, A
# 1 , = (
# 1 , = (
2
-i en particular consideramos una muestra de n repeticiones de un e.perimento dicot"mico,
de'inimos para cada repetici"n una !ariable bipuntual.
3
1
, 3
2
,...., 3
n
iid 9
i
(p#
( ) ( ) pq X V y p X E n
i i i
) .... 1
*or lo tanto
E(-
n
# 6



n
i
n
i
i
n
i
i
np p X E X E
1 1 1
# ( # (
y 7(-
n
#
npq pq X V X V
n
i
n
i
i
n
i
i


1 1 1
# ( # (
( )
( )
( )
( )

,
_

n
pq
p N h n para N
n
pq
p h
n npq
n
np S
npq
np S
pero
muestral proporcion la es
n
S
n
X
h que y p n !inomial on distri!uci una tiene S que Notese
N
npq
np S
S V
S E S

n
n
n
n
n
i
i
n

n
n
n
n n
, A # 1 , = (
,
# 1 , = (
1
DISTRI$%CI&NES EN E' M%ESTRE&
Distribucin de la !edia !uestral en "oblaciones nor!ales
-ea ( 3
1
, 3
2
, ... , 3
n
# una muestra aleatoria e.trada de una poblaci"n normal, luego, i 6 1 .. n )
3 A <( , # .
*or lo tanto tenemos que) 3
1
, 3
2
, ... , 3
n
iid <( , #.
$ tra!s de las propiedades de la Bunci"n ;eneratri( de Momentos se demuestra que
3
i
A < ( n. ,
n
# , como tambin que


# , ( A
1
n
N X
n
X
i

C
Distribucin de la "ro"orcin !uestral
-ean 3
1
, 3
2
, ... , 3
n
iid 9
i
( p # .
$ tra!s de las propiedades de la Bunci"n ;eneratri( de Momentos se demuestra que
3 6 3
i
A 9 ( n " p # .
*ara n su'icientemente grande, la !ariable binomial se distribuye apro.imadamente normal ,
apro.imadamente ) 3 A <( n.p ,
npq
# .
e donde se deduce que la proporci"n muestral

n
X
n
X
h
i

tambin tiene una distribuci"n apro.imadamente normal )

,
_

n
pq
p N X
n
h
i
, A
1
ESTIMACI3N DE PAR4METR&S
Esti!acin "untual
*ara estimar los par%metros de una poblaci"n, es necesario disponer de algunos datos que
pro!engan de dicha poblaci"n. Cualquier muestra de obser!aciones proporciona cierto conocimiento acerca
de la poblaci"n de la cual pro!iene. *ara medir el error muestral es necesario que dicha muestra sea
$+E$TD/&$
esde el punto de !ista algebraico, el estimador de un par%metro es una 'unci"n de las
obser!aciones muestrales
# ,........ , (
2 1 n
x x x t
, que puede ser lineal, cuadr%tico, etc.
Ejemplos)
( )
2 2
2
2
E
1
E
1

S nes o!ser#acio las de cuadratica funcion X x

n
S
X nes o!ser#acio las de lineal funcion x
n
X
i
i
El resultado numrico que se obtiene es la estimacin del par%metro, en tanto que la e.presi"n
matem%tica (o algebraica# es el estimador del par%metro . *uede haber !arios estimadores del mismo
par%metro, de los cuales se pretende elegir el mejor , en base a las caractersticas o propiedades que se
requiera del mismo.
Pro"iedades de los esti!adores
1.8 $nses%ado o no #iciado &
Fn estimador se dice insesgado si su esperan(a es igual al par%metro. Es decir )
#
E
(
E
E inses%ado es
*or el contrario, el estimador se dice #iciado si su esperan(a es distinta al par%metro.
#iciado es E
E
#
E
(
2.8 'onsistente )
Fn estimador se dice consistente si con!erge al par%metro, es decir, si su distribuci"n se concentra
alrededor del par%metro a medida que aumenta el tama0o de la muestra, de 'orma tal que el error
de muestreo tiende a desaparecer. Es decir )
{ } pequeno mente ar!itraria n para P
si de e consistent estimador un es
+
<

, , 1
E
)
E
-i un estimador es insesgado (o asint"ticamente insesgado#, ser% consistente si su !ariancia tiende
a cero. Es decir )
G
e consistent es V E
!ien o
e consistent es V E


E
= #
E
( #
E
(
E
= #
E
( #
E
(


:.8 Eficiente )
ecimos que un estimador no !iciado es e'iciente si es de mnima !ariancia. D sea, el estimador
se dice e'iciente si su !ariancia es menor que la de cualquier otro estimador del mismo par%metro.
Es decir)
-i

es un estimador de

, entonces

es e'iciente si

1
#
E
(
#
E
(
, , #
E
( #
E
(
H
< <

V
V
sea o V V
Eficiencia relati#a)
ados dos estimadores no !iciados del mismo par%metro, se dice que es m%s e'iciente aqul que
tiene menor !ariancia. Es decir )
-ean 2 1
E E
y
dos estimadores de , decimos que
1
#
E
(
#
E
(
#
E
( #
E
( I
E E
2
1
2 1 2 1
< <

V
V
V V si que eficiente mas es
>.8 Suficiente
Fn estimador se dice su'iciente si contiene (o absorbe# toda la in'ormaci"n proporcionada por la
muestra , en lo que respecta al par%metro.
@.8 $n#ariancia )
Fn estimador se dice in!ariante cuando una 'unci"n del mismo es un buen estimador de la 'unci"n del
par%metro . Es decir )
E
es in!ariante
( ) % % E #
E
(
M5todos de esti!acin "untual
1.8Mtodo de los momentos) Consiste en estimar los momentos poblacionales a tra!s de los momentos
muestrales .
2.8Mtodo de los Mnimos Cuadrados) Consiste en encontrar estimadores de los par%metros de 'orma tal
que minimicen la suma de los cuadrados de los des!os . Con este mtodo se obtienen estimadores
no !iciados y consistentes, pues el mismo garanti(a mnima !ariancia y suma de des!os igual a
cero .
:.8Mtodo de M%.ima 7erosimilitud) Consiste en encontrar estimadores de los par%metros de 'orma tal que
ma.imicen la 'unci"n de probabilidad de la muestra. *ara ello, es imprescindible conocer la
distribuci"n de la !ariable en la poblaci"n. Este mtodo proporciona los mejores estimadores, que
go(an e.celentes propiedades) &nsesgado (o bien, asint"ticamente insesgado# ,Consistente ,
E'iciente, -u'iciente, &n!ariantes y de distribuci"n asint"ticamente <ormal .
9ibliogra'ia
*agina Jeb) http)KKJJJ.ditutor.comKin'erenciaLestadisticaKestadisticaLin'erencial.html
M
Dnline ) =NK11K2=1:
N
1=