Inferencia:

Parámetro, estimador y distribución muestral

Carmen Le Foulon

ICP 0502

Miércoles 22 de agosto

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 1 / 18
Hoy veremos

1. Conceptos importantes

2. Inferencia: parámetro y estimador

3. Distribución muestral

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 2 / 18
 Conceptos importantes

Variable aleatoria

Variable aleatoria es una función matemática que asigna un único número

real a cada resultado de un experimento aleatorio.
Eso significa que una variable aleatoria es un número real asociado a los
resultados de un experimento aleatorio.
Por lo tanto, le podemos asignar probabilidades en base a las probabilidades
de los eventos asociados a esa realización de la variable aleatoria.
En términos de notación, variables aleatorias se escriben en mayúscula, por
ejemplo X, y las posible realizaciones en minúscula, por ejemplo x.

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 3 / 18
 Conceptos importantes

Variable aleatoria: ejemplo

Experimento aleatorio: lanzar una moneda al aire dos veces

Espacio muestral, compuesto por los eventos simples: (C,C), (S,S), (C,S),
(S,C)
Variable aleatoria de interés: X= número de caras.
Mapeo eventos del espacio muestral, podemos escribirlo:
X ((S, S)) = 0
X ((C , S), (S, C )) = 1
X ((C , C )) = 2
Asociamos a cada posible realización de la variable aleatoria la probabilidad
de ocurrencia, basándonos en la probabilidad de los eventos del espacio
muestral:
1
Prob(X = 0) = Prob(S, S) =
4
1
Prob(X = 1) = Prob(C , S), (S, C ) = Prob(C , S) + Prob(S, C ) =
2
1
Prob(X = 2) = Prob(C , C ) =
4

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 4 / 18
 Conceptos importantes

Variables aleatorias discretas

La función de probabilidad (o distribución de probabilidad) de una variable

discreta asigna una probabilidad a cada posible valor de la variable aleatoria
discreta X = (x1 , x2 , ..., xn )
La función de distribución acumulada- entrega la probabilidad de que la
variable aleatoria discreta tome valores iguales o inferiores a x:

F (X = x) = P(X 6 x)

La función de distribución acumulada se relaciona con la función de

probabilidad, de tal forma que:
x
X
F (X = x) = P(X 6 x) = P(xi )
i=1

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 5 / 18
 Conceptos importantes

Variables aleatorias continuas

Al ser continua, no es posible asignar una probabilidad a cada uno de los

infinitos valores. Por lo tanto, se define la función de densidad f (x)
La función de distribución acumulada de una variable aleatoria continua
F (X ) entrega la probabilidad de que la variable aleatoria continua tome
valores iguales o inferiores a x:

F (X = x) = P(X 6 x)

La función de distribución acumulada se relaciona con la función de densidad,

de tal forma que: Z x
F (x) = P(X 6 x) = f (x)dx
−∞

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 6 / 18
 Inferencia: parámetro y estimador

Modelo de probabilidad

Un modelo de probabilidad se postula a priori como una descripción generalizada

del proceso de generación de datos, y no de los datos mismos. Las distribuciones
de probabilidad postuladas se describen por la familia de la distribución y los
parámetros. Ası́, una vez se define la familia de distribuciones, se estiman los
parámetros que la describen. Esto se llama inferencia parámetrica.

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 7 / 18
 Inferencia: parámetro y estimador

Inferencia: Modelo estadı́stico

Para realizar inferencia sobre el comportamiento de la población, se utiliza un

modelo estadı́stico, el cual está compuesto por:
Modelo de probabilidad: describe el comportamiento de la población. Es
decir, es una descripción generalizada del proceso de generador de los datos
postulada a priori.
Modelo muestral: describe el proceso de elaboración de la muestra.
Con estos dos elementos, podemos utilizar las herramientas de la probabilidad y
estadı́stica para realizar inferencia. Ya vimos modelo muestral, ahora veremos qué
es un modelo muestral.

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 8 / 18
 Inferencia: parámetro y estimador

Modelo muestral

Para poder realizar inferencia estadı́stica sobre los datos obtenidos de una
muestra, es central determinar cómo se genera la muestra.
El modelo muestral representa este proceso: especifica el tipo de muestra según
cómo esta se ha generado.
Podemos pensar en tres formas:
Muestra aleatoria: las v.a. que la componene son idependientes e
indenticamente distribuidas, es decir, IID.
Muestra independiente: las v.a. que la componen son independientes, pero no
identicamente distribuidas.
Muestra no aleatoria: la v.a. que la componen no son independientes entre sı́.
Si bien es posible generar estimadores y distribución muestral de muestras
independientes, se complejiza mucho su derivación. Nosotros trabajaremos siempre
en base al supuesto de muestra aleatorias, es decir IID.

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 9 / 18
 Inferencia: parámetro y estimador

Modelo estadı́stico: ejemplo

Interés en conocer la edad de inicio de consumo de alcohol entre los escolares de

RM.
Modelo de probabilidad: Postulamos que la edad de inicio se distribuye
N(µ, σ 2 )
Para poder conocer (estimar) la edad promedio de inicio, o qué porcentaje de
jóvenes empieza a consumir alcohol antes de los 12 años necesitamos estimar
los parámetros que describen/definen ese modelo: µ y σ.
Para ello, generamos una muestra en base a un modelo muestral: muestra
aleatoria.
En base a la muestra, buscamos conocer (estimar)estos valores para poder
responder nuestras preguntas.

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 10 / 18
 Inferencia: parámetro y estimador

Entonces, conceptos centrales

Parámetro es una caracterı́stica numérica de resumen de la población, dada por

que describe el modelo de probabilidad que hemos postulado.
Estadı́stico
Estimador: es una variable aleatoria ya que es una función de las v.a. que
componen la muestra que proporciona una caracterı́stica de resumen de la
muestra. En base al modelo muestral y modelo de probabilidad, podemos derivar
ciertas propiedades.
Estimación es el número que resulta de aplicar el estimador a una muestra
particular.
Distribución muestral de un estimado es una distribución de probabilidad:
especifica probabilidades para todos los posibles valores que el estimador puede
tomar, dada las caracterı́sticas de la población.

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 11 / 18
 Inferencia: parámetro y estimador

Pensando en el ejemplo anterior

Parámetros: µ y σ.
Estimador: media, si es muestreo aleatorio, se ha derivado que posee buenas
propiedades.
Estimación: un valor númerico: el promedio de edad de primer consumo de
alcohol en la muestra especı́fica, por ejemplo, 13.8
Distribución muestral: distribución de probabilidad (o función de densidad
en este caso) de la media (el estimador usado) para un determinado valor del
parámetro poblacional.

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 12 / 18
 Inferencia: parámetro y estimador

Propiedades estimadores

Qué caracteristicas quisieramos tuviera nuestro estimador?

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 13 / 18
 Inferencia: parámetro y estimador

Propiedades estimadores

Propiedades deseable de un estimador:

Insesgadez:E (estimador ) = parámetro
El promedio (muestra repetidas) de los estimadores es igual al parámetro.
Eficiencia: la menor varianza dentro de todos los posibles estimadores
insesgados.

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 14 / 18
 Distribución muestral

Distribución muestral

El estimador generado en base a una muestra aleatoria tiene un comportamiento

predecible en muestras repetidas: la distribución muestral del estimador.
Si logramos derivar la distribución muestral del estimador, podemos realizar
inferencia.

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 15 / 18
 Distribución muestral

Distribución muestral: ejemplo

Vamos a construir una distribución muestral, a partir de la generación de muestras:

Cada grupo tiene una ”población”de porotos, y van generar la distribución
muestral de la proporción de porotos negros.
Para ello, cada grupo va a construirla en base al menos 20 muestras de 20
porotos cada una - ojalá más si alcanzan.
Para ello, en la hoja que se les dio, anoten para cada una de las muestra
generadas, el número de porotos negros obtenidos de los 20 que sacaron y
calculan la proporción muestral.
Una vez que hayan terminado, ingresen los datos a un google doc (link por
correo).
Luego, construyan la tabla de frecuencias relativas en la hoja que se les dio.

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 16 / 18
 Distribución muestral

Distribución muestral: resultados

En cada muestra, obtuvieron una proporción de porotos negros en la

muestra, la cual varió de muestra en muestra.
Esa variación de la estimación es lo que llamamos variabilidad muestral
Algunos rangos de valores se repitieron más que otros.
En base a las 20 muestras, cada grupo construyó una distribución muestral
del estimador de la proporción poblacional.

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 17 / 18
 Distribución muestral

Distribución muestral: resultados

Carmen Le Foulon (ICP 0502) Inferencia:Parámetro, estimador y distribución muestral Miércoles 22 de agosto 18 / 18