UNIDAD DIDCTICA VI

MUESTREO Y ESTIMADORES
152
OBJETIVOS DE LA UNIDAD
Conocer las diferencias entre censos y muestras
Identificar la teora del Muestreo.
Comprender qu son los estimadores, y cmo se calculan.
Analizar las propiedades que deben reunir los estimadores:
a) Insesgamiento
b) Consistencia
c) Eficiencia
Diferenciar los conceptos de parmetros y estimadores.
153
La estadstica inductiva o inferencial
Responde a una finalidad ms amplia que la sealada para la estadstica descriptiva.
Aspira no slo a conocer las caractersticas de un grupo, sino a inferir de ellas por induccin
caractersticas de un conjunto ms amplio.
En la inferencia estadstica son de gran importancia los conceptos de muestra y universo o
poblacin del cual se ha extrado la muestra.
En las investigaciones, es muy frecuente la necesidad de conocer determinadas
caractersticas de un conjunto demasiado amplio para poder observarlo o someter la
experiencia en su totalidad. La solucin est en que de esa totalidad se tome una cantidad menor
de elementos, que sea considerada representativa del conjunto del cul fue extrada.
Es decir que, mientras en la estadstica descriptiva las conclusiones obtenidas solo son
vlidas para los elementos encuestados en la estadstica inductiva o inferencial, las
conclusiones obtenidas sobre un muestreo son consideradas vlidas para todo el universo al
cual pertenece la muestra.
Teniendo en cuenta la temporalidad, tambin surgen conceptos diferenciales entre los dos
tipos de estadsticas, por cuanto en la estadstica descriptiva las conclusiones obtenidas solo
son vlidas para los perodos de tiempo en los cuales se efectu el anlisis estadstico, mientras
que en la estadstica inductiva o inferencial, basandose en dichas conclusiones se efecta un
pronstico estadstico para un perodo de tiempo posterior.
154
DIAGRAMA CONCEPTUAL
POBLACIN
toda
CENSO
PARMETROS
parte
MUESTRA
ESTADSTICOS 0
ESTIMADORES 0
ESTIDIGRAFOS
hacemos
obtenemos
que son
valores
Esperanza matemtica E(x)
Varianza Poblacin (X) X
Dispersin Poblacional (x)
Media muestral
Varianza muestral S (x)
Dispersin muestral S(x)
Fijos Variables
por lo tanto tienen distribucin
de probabilidades
INFERENCIA
La inferencia estadstica consiste en estimar a travs de los estimadores muestrales
los parmetros poblacionales desconocidos.
2
2
155
DIAGRAMA CONCEPTUAL DEL MUESTREO
Clasificacin
1) De acuerdo con las maneras utilizadas para seleccionar los elementos
de la muestra
Muestreo de Conveniencia
Muestro con fines especiales
Muestreo por cuotas
Muestreo de juicio
Muestreo por jurado o grupo
No Probabilstico
Muestreo simple al azar
Muestreo sistemtico
Muestreo Estratificado
Muestreo por Conglomerados
Probabilstico
o aleatorio
2) De acuerdo con el nmero de muestras tomadas de la poblacin
Simple
Doble
Mltiple
MUESTREO
156
MUESTREO
1. DEFINICIONES
Poblacin (Universo): Es el total de elementos (consumidores, fabricantes de juguetes,
contadores, universidades, miembros de un club, propietarios de automviles, etc.) sobre
la cual queremos hacer una inferencia basndonos en la informacin relativa a la muestra.
Muestra: Parte de la poblacin que seleccionamos, medimos y observamos. Debe ser
representativa de la poblacin para que la inferencia sea vlida.
Muestreo: La teora del muestreo intenta desarrollar mtodos de seleccin de muestras
y mtodos de estimacin que proporcionen, al ms bajo costo posible, estimadores que
sean lo suficientemente precisos para nuestros propsitos.
Parmetro: Para poder tomar una decisin sobre una poblacin, es necesario conocer
ciertas caractersticas de dicha poblacin que se denominan parmetros. El valor
verdadero del parmetro se desconoce, puesto que es lo que tratamos de descubrir
mediante el procedimiento muestral.
Estimador: Resulta de la muestra escogida; es nuestra mejor estimacin del verdadero
valor de la caracterstica poblacional. La posibilidad de que la estimacin difiera del
verdadero valor depende del grado de presencia del error muestral y no muestral.
Error muestral: Se debe a que hemos extrado una muestra en vez de un censo. Es
inevitable en el proceso de muestreo.
Error no muestral (sesgo): Estimacin hacia arriba o hacia abajo del parmetro de la
poblacin. Puede presentarse aun cuando hayamos realizado un censo.
Exactitud (precisin): Representa la aproximacin ms cercana de nuestra muestra al
valor verdadero del parmetro. A menudo, se expresa como un intervalo.
Confianza: Es el grado de certidumbre que tenemos sobre la exactitud de la estimacin
de la muestra.
2. MUESTRA FRENTE A CENSO
Si bien un censo completo de la poblacin es lo ms aconsejable en algunas situaciones
(cuando la poblacin es muy pequea o el costo del error resulta excesivo), en muchos casos
suele ser imposible o no conveniente ya sea por razones de tiempo, costo, imposibilidad fsica,
etc. Esto obliga a seleccionar una parte de la poblacin o muestra y a travs de ella estimar el
verdadero valor del parmetro efectuando un proceso de generalizacin que recibe el nombre
de inferencia inductiva.
En comparacin con un censo completo, el muestreo tiene varias ventajas: primero, y quiz
la ms importante, es mucho menos caro. Pero si se realiza bien, aporta resultados que tienen
la misma precisin que el censo. Generalmente, el tiempo requerido para efectuar un censo
suele ser tan largo que puede llegar a invalidar cualquier conclusin (sobre todo si necesitamos
los resultados en forma urgente). En estos casos, la rapidez de la muestra constituye otra
ventaja importante.
157
Ejemplo: imaginemos el tiempo que se tardara en llevar a cabo entrevistas personales a
50.000 clientes de una empresa para saber si estaran dispuestos a aceptar o no
modificaciones en el producto que habitualmente compran. Para cuando se hubiera
entrevistado al ltimo, al realizar el cambio propuesto en el producto puede dejar de tener
sentido.
Adems, la medicin puede ser un proceso destructivo, como por ejemplo en los procesos
de control de calidad en los que se prueba la resistencia de un producto, la resistencia a la rotura,
la duracin del producto.
Debemos tener en cuenta que, si bien las entrevistas no causan daos fijos al respondiente,
ocasionan ligeros efectos en sus actitudes, su conocimiento o comportamiento. Esto puede
llevar a que al encuestar varias veces a la misma persona las respuestas difieran.
Al examinar las ventajas del muestreo frente al censo, una consideracin sumamente
importante es la exactitud que se lograr con el dinero que va a gastarse. En vez de tratar
intilmente de aprovechar al mximo el presupuesto para realizar un censo o extraer una
muestra del mayor tamao posible, es mucho ms recomendable invertir los fondos en la
obtencin de una muestra ms pequea y representativa que se mida con ayuda de
trabajadores de campo que estn mejor preparados. Recurdese que los errores causados por
preguntas mal redactadas o por entrevistadores inexpertos ocurrirn an cuando uno
muestree la poblacin entera.
3. ERRORES
Error por Definicin del problema: Es importante comenzar el examen de un proyecto
de investigacin con una formulacin bien definida del problema de mercadotecnia. Si no
se define bien desde el principio, es posible que se intente buscar informacin que no se
requiere para resolver o aligerar el problema.
Error Informacional: En la produccin de datos primarios mediante encuestas, se
distinguen dos tipos de error:
Errores Muestrales: Estos errores se deben a que el investigador ha extrado una
muestra en vez de un censo completo de la poblacin. Se pueden reducir con slo valerse
de una muestra mayor. Sin embargo, aunque estos errores pueden ser reconocidos
estadsticamente, es imposible evitarlos sin muestrear realmente a cada miembro de
la poblacin que se estudia.
Errores No Muestrales: Estos errores son los que ocurren aunque pudiramos pagar
la conclusin de una muestra mucho ms amplia de la poblacin. A esta categora
pertenecen:
a) Errores por marco de referencia: se deben a que la muestra (por grande que sea) no
es representativa de la poblacin de la cual se extrajo.
b) Errores por prejuicio (tendenciosidad) de respuesta: se deben a una tendencia de los
sujetos a exagerar sus ingresos, a interpretar mal una pregunta y a aprovechar la
entrevista para una demostracin de su creatividad.
c) Errores por falta de respuesta: los que se abstienen de contestar a la encuesta tal vez
158
no posean caractersticas similares a las de los que s contestan. Los errores por falta
de respuesta son decisivos en la realizacin eficaz de una encuesta.
Errores Experimentales: Esta clase de error se presenta cada vez que hay confusin
si la variable independiente caus el efecto observado o si ste se debi en parte al influjo
de una o ms variables no controladas en el diseo experimental. Ejemplo: La falta de xito
de ventas de un nuevo producto puede llegar a atribuirse a la accin de un competidor y
no a una deficiencia en la oferta del mismo.
Errores de Anlisis: Son los que se producen al aplicar tcnicas de anlisis inadecuadas
a un conjunto de datos o que provienen de equivocaciones metodolgicas en la tabulacin
de datos. Un problema similar es la falsificacin de datos.
4. EL ERROR MUESTRAL
Como podemos advertir en el grfico que se detalla a continuacin, un censo no presenta
error muestral alguno. Pero en realidad no es recomendable puesto que un estudio as casi
siempre favorecer un mayor error total del que podra obtenerse con una planeacin ms
cuidadosa y contando con los mismos recursos. Es posible obtener una muestra ms exacta
que un censo con slo abordar la investigacin tratando de evitar el error total y de reducir cada
uno de sus componentes en vez de solamente uno. Al mejorar la seleccin y capacitacin del
personal de campo, se logra a veces disminuir la cantidad de tendenciosidad debida a que los
respondientes distorsionan la verdad. El error por falta de respuestas puede atenuarse mediante
incentivos monetarios, seguimiento, obtencin de pruebas preliminares y otras estrategias.
Asimismo, una seleccin cuidadosa de la muestra ayudar a evitar el error por marco de
referencia, el cual proviene de una desigualdad entre la poblacin deseada y la muestra que se
extrae. Todos los errores no muestrales explicados hasta aqu son muy importantes para la
exactitud de un estudio.
Muestra
Grande
Muestral
No Muestral
Censo
Muestral
No Muestral
159
El error muestral, en comparacin con el no muestral, tiene la ventaja de estar sometido a
estimacin estadstica mediante anlisis y reduccin al aumentar el tamao de la muestra.
5. PROCEDIMIENTO MUESTRAL
A continuacin presentamos los pasos que intervienen en un proceso de muestreo:
1) Determinar la poblacin y los parmetros: El paso inicial consiste en seleccionar la
poblacin ms adecuada e identificar los parmetros de la poblacin que nos interesan. La
delimitacin de la poblacin neta se basar siempre en los objetivos del estudio que vaya a
realizarse y, adems, para poder llevar a cabo debidamente el proceso de medicin de
campo debe estar bien definida. Se efecte un censo o se extraiga una muestra, la poblacin
debe definirse atendiendo a lo que pueden distinguir fcilmente los investigadores de campo
encargados de la obtencin de las unidades muestrales.
Ejemplo: Si nos interesa la poblacin de consumidores con alto nivel de ingresos, hay
algunas preguntas que podemos tener presentes al seleccionar la poblacin:
nos interesan todos los consumidores con alto nivel de ingresos o slo los residentes en
Capital?
se entiende por consumidor todo aquel que consuma cualquier tipo de bien o slo
necesitamos analizar los consumidores con alto nivel de ingresos que consumen bienes
de lujo?
Adems de identificar la poblacin, es preciso definir los parmetros que intentamos medir.
La misma tiene que ser lo ms detallada posible.
2) Seleccionar el marco apropiado del muestreo: El marco de referencia debe representar
a los miembros de la poblacin, y el marco ideal es una lista completa de todos ellos. Rara
vez se cuenta con dicha lista y el marco de referencia que se utiliza tiende a diferir un poco
de la poblacin meta terica.
Muestra
Pequea
Muestral
No Muestral
Leyenda
Muestral
No Muestral
Leyenda
160
Ejemplo: Un marco de referencia de uso comn es la gua telefnica, que muchos juzgan
representativo de la poblacin en general. Pero este marco no es perfecto ya que slo
representa a la poblacin que posee telfono; otros problemas que presentan son: los datos
incluidos en las guas no siempre estn actualizados, hay personas que poseen ms de una
lnea telefnica. Una transgresin muy comn del concepto de marco muestral es la
presentacin de encuestas en programas televisivos ya que se realizan a una hora determinada,
a un conjunto determinado de personas, etc.
Los errores de marco de referencia son prcticamente ineludibles cuando queremos obtener
una muestra en el mundo real de los consumidores. Lo importante, es reconocer las fuentes de
esos errores y minimizarlos.
3) Escoger entre y el muestreo probabilstico el no probabilstico: El muestreo
probabilstico ofrece la ventaja de permitir calcular el error muestral, en tanto que en el no
probabilstico es imposible de descubrir el error muestral y exisa subjetividad introducida por
el juicio del investigador.
4) Escoger el mtodo de muestreo: En esta etapa, decidimos de qu manera
seleccionaremos a los integrantes de la muestra, o sea cul procedimiento probabilstico o
no probabilstico utilizaremos.
5) Delimitar el tamao de la muestra: Determinar cuntos elementos debern estudiarse en
el proceso de muestreo.
6) Escoger la muestra y reunir informacin: En esta etapa se emplean medios de obtencin
de datos como entrevistas, cuestionarios por correo, encuestas telefnicas, etc.
7) Validar la muestra: A fin de saber si la muestra escogida representa fielmente la poblacin
se suelen comparar las caractersticas de ella con las que existen en la poblacin de dnde
se extrajo.
8) Analizar los datos y presentar resultados.
1. Determinar la poblacin y los parmetros pertinentes.
2. Escoger el marco apropiado de muestreo.
3. Escoger entre muestreo probabilstico y no probabilstico.
4. Escoger un mtodo de muestreo.
5. Escoger el tamao de muestreo.
6. Seleccionar la muestra y reunir informacin.
7. Validar la muestra.
8. Analizar los datos y representar resultados.
161
Tipos de muestras
6.1 MUESTREO FIJO Y MUESTREO SECUENCIAL
Las muestras fijas suponen un tamao de muestra previamente establecido y todos los
datos muestrales se recaban antes de analizar los resultados.
En el muestreo secuencial el nmero de unidades que van a muestrarse no se escoge de
antemano sino que luego de tomar cada muestra se decide si es conveniente continuar este
muestreo o analizar la informacin reunida hasta el momento. A menudo el resultado de este
muestreo es ms exacto y tiene menor costo. Un problema de muestreo secuencial es la
complejidad matemtica que lo caracteriza.
fijo
secuencial
muestreo
de atributos
de variables
muestreo
muestreo de conveniencia
o intencional
muestreo con fines especiales
muestreo por cuotasd
muestreo de juicio o dirigido
muestreo por jurado o grupo
No probabilstico
muestreo
muestreo simple al azar
muestreo estratificado
muestreo por conglomerado
Probabilstico
simple
doble
mltiple
muestreo exepcional
o de aceptacin
muestreo sistemtico
162
6.2. MUESTREO PROBABILISTICO Y NO PROBABILISTICO
Las muestras probabilsticas exigen mtodos de seleccin en los cuales los miembros de
la muestra se escogen aplicando un proceso aleatorio. En este tipo de muestras cada individuo
de la poblacin tiene alguna probabilidad conocida de figurar en la muestra.
(Cada integrante de la poblacin puede no tener igual probabilidad de quedar incluido en
la muestra, pero todos poseen una probabilidad conocida de inclusin.)
Cuando una muestra es probabilstica, el riesgo de tomar decisiones incorrectas puede
medirse mediante la teora de las probabilidades.
Las muestras no probabilsticas no brindan la oportunidad de determinar la posibilidad de
que determinado elemento de la poblacin pueda ser includo en la muestra. En otras palabras,
en este tipo de muestra uno o ms elementeos de la poblacin no tiene posibilidad de ser
seleccionado o su probabilidad de ser seleccionado no se conoce o no puede determinarse. Es
por ello que no podemos estar seguros de que la muestra sea representativa, no podemos
recurrir a tcnicas estadsticas para determinar el tamao de muestra que se requiere para
lograr determinado grado de exactitud ni proyectar estadsticamente los resultados. Adems,
suelen basarse en juicios de investigador.
El muestreo probabilstico ofrece la ventaja de que, como cada elemento tiene una
probabilidad conocida de figurar en la muestra, podemos estimar en forma objetiva el grado de
error, determinar matemticamente el tamao de la muestra si se desea cierta exactitud,
evaluar la eficiencia de las alternativas de muestreo. Adems, requiere poco conocimiento de
la poblacin, lo nico que se necesita es poder identificar cada elemento y saber cuntos hay
dentro de la poblacin. Las principales desventajas de este tipo de muestreo son el mayor
tiempo, costos ms altos y mayor complejidad.
Cuando lo que interesa es llevar a cabo un estudio exploratorio, el investigador puede
conformarse con un muestreo no probabilstico o que pueda estar interesado en seleccionar una
muestra que no represente a la poblacin.
Una de las ventajas del muestreo no probabilstico consiste en que, contando con cierto
presupuesto y plazo, podemos conseguir una muestra de mayor tamao del que sera posible
con tcnicas probabilsticas. Se obteniene de esta forma, en algunos casos, una muestra ms
confuso caracteristica de la probabilidad representativa a menor costo.
6.3. MUESTREO DE ATRIBUTOS Y MUESTREO DE VARIABLES
El muestreo se clasifica atendiendo al tipo de parmetro que estamos tratando de estimar.
Los parmetros pueden clasificarse en atributos o variables. Un atributo es una caraterstica
cualitativa o descriptiva que un miembro de la poblacin posee o no.
El muestreo de atributos generalmente se refiere a la proporcin de la poblacin que tiene
la caracterstica en estudio.
El muestreo de variables trata de estimar una media de la poblacin y no una proporcin
de ella.
163
7. MUESTREOS NO PROBABILISTICOS
7.1. MUESTREO DE CONVENIENCIA O INTENCIONAL
Mtodo en el que los elementos que integran la muestra son seleccionados por su facilidad
de acceso. Ejemplos:
1) A fin de estudiar la preferencia del pblico por una marca de automviles determinada, en
una concesionaria se decide encuestar a los clientes que ingresan a ella. Es evidente que
el pblico que no ingresa no tiene posibilidad de opinar.
2) Los programas en que los radioescuchas telefonean el estudio. En estos casos, los
respondientes son individuos autoseleccionados que tienen un inters vital en la cuestin
y ms tiempo libre para escuchar la radio y hablar por telfono.
Estas muestras no son representativas y cualquier aumento en el tamao de la muestra se
centrar ms en una conclusin falsa. Este muestreo no se recomienda mucho en los estudios
descriptivos o causales pues en ellos es de vital importancia la proyeccin de los resultados
muestrales.
Sin embargo, este procedimiento es intil en la fase exploratoria de un proyecto ya que en esta
fase las ideas y conocimientos son ms importantes que la objetividad cientfica.
7.2. MUESTREO CON FINES ESPECIALES
Estas muestras son aquellas en que los miembros se escogen a fin de cumplir con criterios
previamente establecidos que se juzgan importantes. El investigador puede seleccionarlas aun
cuando sepa que no son representativos de la poblacin. Ejemplos:
1) Un candidato poltico, al formular sus estrategias para la campaa electoral, querr
conocer la opinin de los opositores a su partido.
2) El fabricante de una calculadora someter el producto al examen de ingenieros para
conocer sus reacciones antes de determinar el diseo de la misma.
7.3. MUESTREO POR CUOTAS
Esta tcnica es un sistema que garantiza que la muestra se parece un poco a la poblacin.
El paso inicial consiste en dividir la poblacin en categoras, luego los miembros de la muestra
se escogen segn las cuotas establecidas que hacen que la composicin de la muestra sea
proporcionalmente semejante a la de la poblacin respecto al nmero de miembros de esas
categoras. La categorizacin puede ser unidimensional (edad), bidimensional (edad, sexo),
etc.
Por razones de tiempo y costo suele utilizarse por los investigadores de la opinin pblica y
en la creacin de paneles de consumidores. La clasificacin de la muestra en categoras
semejantes a las de la poblacin no garantizan que la misma sea representativa.
164
7.4. MUESTREO DE JUICIO O DIRIGIDO
En este mtodo, los elementos se seleccionan por criterio subjetivo del investigador. Aunque
ese investigador sea un experto en la materia tratada, hay elementos que no tienen probabilidad
alguna de ser seleccionados y otros cuya probabilidad de seleccin es igual a uno, porque la
experiencia del investigador indica qu elementos deben ser descartados del estudio y cules
deben ser incluidos forzosamente.
La eficacia de la muestra depende de la opinin del investigador o experto que haya
seleccionados los miembros. Con ello no queremos decir que la muestra sea siempre no
representativa: puede haber casos en los cuales el juicio del experto en la materia producir una
muestra ms representativa que la que se hubiera conseguido aplicando un mtodo
probabilstico. Esto ocurre cuando los tamaos de muestra son pequeos (Ejemplo:
seleccionar varias ciudades para efectuar experimentos de mercadotecnia)
7.5. MUESTREO POR JURADO O GRUPO
Ciertas firmas dedicadas a probar productos organizan grupos de personas que
voluntariamente se prestan a dar su opinin. Cada grupo o jurado est formado por un
considerable nmero de personas y habitualmente se utilizan cuestionarios enviados por
correo.
Este muestreo se caracteriza por su bajo costo, alto porcentaje de respuesta y por requerir
poco tiempo de elaboracin.
8. MUESTREOS PROBABILISTICOS
8.1. MUESTREO SIMPLE AL AZAR
Es el tipo ms conocido de muestreo probabilstico. Es especial porque cada miembro de
la poblacin tiene igual probabilidad de figurar en la muestra.
Cada elemento de la poblacin es, con respecto al hecho de integrar la muestra, una variable
aleatoria que se distribuye segn una funcin binomial puntual de parmetro p.
p = n/N
Esta probabilidad p es constante, ya sea porque la muestra se selecciona de una poblacin
infinita, o bien porque si la poblacin es pequea se forman previamente todas las muestra
posibles del tamao deseado y luego se selecciona al azar una de ellas.
Si la poblacin estudiada no es homognea respecto de la caracterstica analizada, el
muestreo puede llevar a obtener una muestra no representativa, a pesar de que cada elemento
tenga igual probabilidad de ser seleccionado. Ejemplo:
Si se desea estudiar el nivel de saldo promedio de las cuentas corrientes de una entidad
bancaria no pueden seleccionarse cuentas de una sola sucursal. Aunque cada una de las
cuentas tiene igual probabilidad al ser seleccionada, la muestra carece de representatividad
porque pertenecen a una nica sucursal.
165
Una manera de obtener una muestra aleatoria simple es utilizando una tabla de nmeros al
azar para impedir resultados parciales y asegurar la igualdad de oportunidad.
Para realizar una muestra aleatoria simple es necesario disponer de una lista de todas las
unidades estadsticas de la poblacin. Esta lista constituye el marco de referencia poblacional
de la investigacin y muchas veces al no disponerse de ella no se utilizan listas preparadas con
otros fines (padrones de contribuyentes, guas telefnicas, etc) denominados marcos de
trabajo. Estos marcos de trabajo pueden no ser suficientemente adecuados e introducir errores.
Otro problema que presenta este tipo de metodologa es el costo de determinar el nmero de
elementos de la muestra y recabar informacin a partir de cada elemento. Por ejemplo, la
muestra puede contener elementos que se hallan muy dispersos, y por lo tanto, para efectuar
entrevistas personales se requieren fuertes erogaciones en concepto de viajes. Un tercer
problema consiste en que el muestreo aleatorio simple es menos eficiente (en sentido
estadstico) que otras tcnicas como el muestreo estratificado. Adems, cuando la poblacin
es infinita o finita muy grande, se hace imposible o excesivamente costoso numerar cada
elemento, lo que lleva a seleccionar las unidades que integran la muestra mediante otra tcnica
de seleccin.
A pesar de las dificultades anteriores una muestra aleatoria simple resulta de gran utilidad
cuando se muestra una poblacin pequea, para la cual se dispone de listas adecuadas y
cuando la dispersin geogrfica de los elementos muestrales no constituye un problema.
8.2. MUESTREO SISTEMATICO
Este mtodo se parece mucho al anterior y es mucho ms fcil de aplicar. Bsicamente,
consiste en seleccionar un punto de partida aleatorio, escogiendo despus cada k-simo
elemento en la lista. Los elementos que componen la muestra son elegidos de una manera
ordenada. Para llevarlo a cabo se divide el tamao de la poblacin por el tamao de la muestra.
El resultado obtenido indicara cada cuntos elementos de la poblacin se seleccionar el
elemento muestral.
El primer elemento de la muestra, denominado punto de arranque (r), debe elegirse
aleatoriamente, el segundo elemento ser r + k, el tercero ser r + 2k, etc. Cuando al adicionar
k se sobrepase el tamao de la poblacin (N), el prximo elemento a seleccionar ser el que
surja de restar N al resultado que excedi el tamao de la poblacin.
La condicin para que la aplicacin de este criterio arroje una muestra representativa, es que
los lementos de la poblacin no estn ordenados respecto de la caracterstica en estudio. Un
ejemplo de aplicacin son las entrevistas personales realizadas en la calle.
8.3. MUESTREO ESTRATIFICADO
Cuando la poblacin es heterognea respecto de la caractersticaestudiada, se recurre a
este mtodo que consiste en fragmentar a la poblacin en grupos o estratos, mutuamente
excluyentes y colectivamente exhaustivos, de forma tal que los elementos de un mismo grupo
guarden cierta homogeneidad entre s. De esta manera los grupos pueden variar mucho entre
s respecto del parmetro de inters y, pese a ello, exhibir una gran semejanza dentro de cada
estrato.
166
La muestra se obtiene extrayendo los elementos de cada estrato mediante tcnicas ya vistas
(muestreo simple al azar o sistemtico). La cantidad de elementos a seleccionar de cada
estrato denominada afijacin puede ser:
La muestra se obtiene extrayendo los elementos de cada estratomediante tcnicas ya
vistas (muestreo simple a azar o sistemtico). La cantidad de elementos a seleccionar de cada
estrato denominada afijacin puede ser:
uniforme: la cantidad de elementos que se extrae de cada grupo es la misma sin importar
el tamao del estrato.
proporcional: la cantidad de elementos que se extrae de cada grupo es proporcional al
tamao del mismo.
La afijacin ptima no es slo la que se realiza teniendo en cuenta el nmero de elementos
de cada estrato, sino tambin su desviacin estndar. Los resultados obtenidos son de ms fcil
interpretacin si la afijacin es proporcional.
Otros datos a tener en cuenta, al disear un estudio de investigacin que incluya al muestreo
estratificado, son:
el nmero de estratos a escoger: La eficiencia de este tipo de muestreo decrece a medida
que se aumenta el nmero de estratos en que se divide la poblacin. Se recomienda tener
tantos estratos distintos y para que no haya diferencia entre dos consecutivos respecto
al parmetro en cuestin. Desde luego, cuantos ms estratos se utilicen, mayor
homogeneidad habr dentro de ellos; pero esto puede ocurrir a expensas de un costo
exorbitante.
las bases de estratificacin: geogrficas, econmicas, etc. La estrategia, como
mencionamos anteriormente, consiste en tener estratos donde los miembros sean lo ms
semejantes posibles, pero que difieran al mximo de los integrantes de otros estratos.
El muestreo estratificado arroja informacin adicional, ya que se puede concluir no slo sobre
la poblacin, sino sobre distintos estratos de la misma. Esta ventaja conlleva un mayor costo
originado en la estratificacin de la poblacin. Adems es necesario contar con informacin
precisa sobre la poblacin para contar con una base que nos permita estructurar la
estratificacin.
Se demuestra que la varianza media de una muestra obtenida mediante esta metodologa
es menor, o a lo sumo igual, que la obtenida por muestreo simple al azar; por lo tanto, se espera
igual o mayor confianza en la inferencia realizada.
Ejemplo: Si nos interesara estudiar las actitudes de la poblacin ante el consumo de una
determinada babida podramos quere estatificar la poblacin en ctegoras de edad, puesto que
es probable que los jvenes no opinen lo mismo que las personas mayores.
8.4. MUESTREO POR CONGLOMERADOS
El muestreo por conglomerados consiste en dividir a la poblacin en grupos que tienen, como
caracterstica comn, que cada uno de ellos contiene elementos heterogneos dentro de s y
guarda homogeneidad con los otros. Cada grupo as formado se denomina conglomerado.
167
La diferencia entre estrato y conglomerado est dada por el grado de homogeneidad de los
elementos que los componen; mientras que dentro de los estratos los elementos son muy
homogneos entre s, dentro de los conglomerados son muy heterogneos.
Luego de dividir la poblacin en conglomerados, se seleccionan, por muestreo al azar o
sistemtico (o cualquier muestreo probabilstico), algunos de ellos y de cada uno se estudian
todos los elementos, o bien algunos, elegidos nuevamente por algn mtodo de muestreo
probabilstico.
Vinculado con el proceso de inferencia aparece el tema de su costo, dentro del cual el costo
de obtencin de la muestra tiene un peso importante. El muestreo por conglomerados se utiliza,
entre otras razones, para disminuir este costo.
Este mtodo se ve afectado si la variacin que presentan los elementos de los
conglomerados es distinta que la variacin poblacional. Por ejemplo: es de esperar distinta
variacin en la estructura de consumo de las familias de un barrio determinado que en la totalidad
de las familias de la Capital Federal. Esta deficiencia puede disminuirse aumentando la cantidad
de conglomerados que intervienen en la muestra.
Ejemplo: Para estudiar la estructura de consumo de los habitantes de la Provincia de Buenos
Aires, con el objetivo de elaborar un ndice de precios, se opta por el muestreo por
conglomerados, dividiendo a la provincia en zonas geogrficas. De esta forma se reduce el
costo total por al agrupamiento geogrfico de los elementos a encuestar.
9. MUESTREO SUCESIONAL O DE ACEPTACION
Independientemente del modo utilizado para seleccionar los elementos que integran la
muestra, las tcnicas de seleccin pueden clasificarse de acuerdo con el nmero de muestras
extradas para realizar la inferencia. De esta menera podemos hablar de:
Muestreo Simple: Consiste en seleccionar slo una muestra a fin de realizar inferencia
estadstica. La muestra debe ser suficientemente grande, lo que con frecuencia implica
alto costo y demanda mucho tiempo para la recopilacin y el anlisis.
Muestreo Doble: Consiste en tomar una segunda muestra, si el resultado que arroja la
primera no permite tomar una decisin. La ventaja de este mtodo radica en la posibilidad
de iniciar la investigacin con una muestra de tamao reducido.
Muestreo Mltiple: La cantidad de muestras sucesivas que se requieren para tomar una
decisin es ms de dos.
168
ACTIVIDADES
1) El objetivo principal del metodo es calcular ............. de la poblacin en un ............ muestral.
2) El muestreo, en conntraposicin al estudio completo de toda la poblacin, es preferible a
menudo debido a que: ................................
3) Los dos tipos bsicos de muestreo son ................. y ...............
4) Tenemos tres mtodos de muestreo de probabilidad a saber ................................
5) Tenemos tres mtodos de muestreo improbabilstico, a saber ................ ...................
6) El muestreo improbabolstico carece de una ventaja del muestreo de probabilidades, a saber:
.....................................
7) Se entrevist a familias seleccionadas, vecinas de un futuro centro comercial y se descubri
que el ingreso medio de la muestra era de $ 9.200. De acuerdo con una muestra sistemtica,
se seal en el informe escrito que si todas las familias de la zona fueran encuestadas el
ingreso medio estara entre 9.100 y 9.300 $. Fue utilizado un muestreo (de probabilidad/
improbabilstico).......................
IDENTIFIQUE EL PROCEDIMIENTO DE MUESTREO EN LA SIGUIENTE PREGUNTA
8) Un fabricante de alimentos para gatos deseaba envasar un producto nuevo en un recipiente
transparente. Con el fin de conocer la reaccin del pblico contrat una empresa
encuestadora de la opinin del consumidor, para efectuar la investigacin. Se enviaron por
correo ocho formas diferentes del alimento a dueos de gatos que haban expresado su
deseo de probar los productos y dar su opinin. Casi el 80% de los encuestados coincidi
en que el alimento denominado D (muestra D) tena el color y la forma ms atractivos. ESTE
METODO DE MUESTREO IMPROBABILISTICO SE LLAMA.....................................
9) A los pedidos de mercancas que se reciben se les asignan un nmero y se los archiva en
forma consecutiva. Se extrajo un pedido de cada diez, comenzando con el 007 y siguiendo
con el 017, 027, 037, etc. Este mtodo se llama muestreo ...........................
10) Todos los miembros de un sindicato poseen un nmero de ficha. Para seleccionar los
nmeros 1395, 00243 y 6219, etc. se utiliz una tabla de nmeros al azar. Los miembros
correspondientes a esas fichas fueron encuestados acerca de sus preferencias polticas.
Este mtodo se llama muestreo.............................
B) Busquen las encuestas de las ltimas elecciones del ao 1997,
1) Comparen los hechos por distintos consultores y comparen luego con el resultado final
de las elecciones.
2) Analicen los distintos procedimientos en el muestreo utilizado, con caracter crtico y
reflexivo.
APLICACION PRACTICA EN LA REALIDAD DE INFERENCIA ESTADISTICA, PARA
ESTIMAR QUIEN VA A SUBIR PRIMERO.
169
LA NACION, 23/10/97
La carrera electoral: qu opinan los encuestadores
Homogeneidad de propuestas
Las elecciones del 26 de octubre constituyen, sin duda, la evidencia de un campo significativo
en el campo poltico del pas. Ms all del resultado puntual que las distintas fuerzas obtengan,
a nivel nacional o en la provincia de Buenos Aires - distrito por cierto clave en trminos de su peso
poltico electoral -, la conformacin de una alianza poltica entre los principales partidos de la
oposicin marca un punto de inflexin en el sistema poltico argentino.
La coalicin de los partidos de la oposicin ha comenzado a cambiar la dinmica de la
competencia electoral, poniendo en movimiento una nueva poltica que revaloriza la
concertacin sobre la confrontacin.
Por otro lado, obliga a diluir posiciones externas y, adems, condiciona a confrontar sobre
propuestas programticas ms que sobre atributos personales de los candidatos. En este
sentido, el prximo perodo legislativo se constituir en el laboratorio de esta nueva experiencia
poltica.
Ya no estamos ante un sistema de partido dominante -el PJ gan en todas las elecciones
legislativas desde 1987-. Por el contrario, la incertidumbre ingresa en el juego poltico nacional
mejorando las condiciones para consolidar la democracia en la Argentina.
Frente a ello, una serie de desarrollos polticos alternativos se abren como posibilidades.
La repolarizacin de las alternativas electorales ser un paso hacia el renacimiento del
bipartidismo con la hegemona radical en la actual opcin de oposicin? O ser la creacin de
un bipartidismo nuevo reciclando la vieja polarizacin peronismo-antiperonismo? O, ms
complejo an, Se iniciar un perodo de movimientos y realineamientos electorales que d
lugar a alianzas cruzadas y cambiantes entre tres protagonistas y sus mltiples facciones
internas?
Al margen de estas opciones diferentes de interpretacin, la existencia de la coalicin
opositora profundiza la polarizacin electoral, poniendo un signo de incgnita en la prediccin
poltica.
Tambin -y al margen de las diferentes interpretaciones-, tan cierta como irnica es la
homogeneidad de propuestas y alternativas sociales y econmicas entre Gobierno oposicin.
No slo por la aceptacin de limitaciones en el campo de las opciones sobre planes y
soluciones a los problemas econmicos, sino tambin por el relativo consenso acerca de la
necesidad de una segunda serie de reformas estructurales que incluyan la revalorizacin de
crecientes demandas de equidad social.
170
UN NUEVO
ESCENARIO POLTICO
Los escasos puntos de diferencia pronosticados por las encuestas se han ganado la
atencin tanto de ciudadanos como de polticos, as como la cautela de los encuestadores, que
han recurrido a la no del todo feliz expresin de empate tcnico para hacer referencia a algo que
no es sino una limitacin de la tcnica de las encuestas: no se sabe hasta ahora de ninguna
eleccin cuyo resultado haya sido un empate.
Si bien las cifras finales no constituirn una realidad menor, no sern el nico resultado o
acontecimiento por considerar en estas elecciones.
En los ltimos meses, la propia competencia electoral y la constitucin de la Alianza
generaron un escenario poltico de amplia competencia y sin hegemonas certeras.
Poderoso electoralmente, con una fuerte insercin social en los sectores ms bajos de la
sociedad que le garantiza, en el distrito electoral ms importante del pas, un piso propio que
ronda el 40% del electorado, el peronismo se enfrenta hoy a una oposicin con capacidad para
disputarle el triunfo y para imponer temas hasta hace no demasiado tiempo casi excluidos de
la agenda poltica por el peso de las cuestiones econmicas.
La valorizacin por parte de la ciudadana de la estabilidad como un bien social permiti la
inclusin de cuestiones tales como la transparencia en la gestin y la lucha contra la corrupcin,
dando lugar a otro cambio en el presente escenario poltico.
Hilda
Duhalde
44,6%
Greciela
Fernndez
Meijide
43,5%
Aldo Rico
3,9%
Otros
8%
Provincia de Buenos Aires
(Con proyeccin de indecisos
2da semana de octubra)
171
El acuerdo generalizado en torno de las cuestiones econmicas, la inclusin de nuevos temas
en la lucha discursiva y la imagen creble frente a la opinin pblica de una lder surgida de un mbito
como la lucha por los derechos humanos, complejizaron la oferta electoral. Complejidad que
queda de manifiesto en el importante nmero de indecisos que las encuestas reflejan.
Ms all de los resultados, la apretada competencia nos deja claro que no hay hegemonas
electorales en el pas ni en su distrito ms importante sin una importante competencia. Y,
despus de todo, de eso tambin se trata la tan mentada democracia.
MARA BRAUN
ESTIMADORES
1. ESTIMADORES - CONCEPTOS GENERALES
Como ya mencionamos ...
EL PARMETRO: Es una caracterstica poblacional, toma valores constantes.
EL ESTIMADOR: Es una caracterstica muestral. Son variables aleatorias que tienen
asociadas una distribucin. Puedo construir varios estimadores distintos para estimar el mismo
parmetro o caracterstica poblacional.
Supongamos una poblacin de N individuos que responde a una funcin de frecuencias:
f(x,a)
Donde a es el parmetro de la distribucin.
Sometemos a la poblacin a un proceso de muestreo (tomamos un conjunto de muestras
de igual tamao n).
Provincia de Buenos Aires
Proyeccin de indecisos
Alinza
44%
PJ
42%
Otros
8%
En blanco
6%
172
Llamamos x(i,j) al valor que toma la variable x para el individuo j de la muestra i.
Ejemplo: x(1,2) es el valor de X para el segundo individuo de la muestra uno.
EJEMPLO
Supongamos una poblacin compuesta por los siguientes valores: 0,1,3,5. Vamos a
determinar:
a) Tamao de la poblacin, su medida y su varianza:
N = 4 m =
0 + 1 + 3 + 5
= 2,25
= m - m = 3,6875
2
2 1
2
4

b) Vamos a seleccionar todas las muestras posibles de 2 elementos.

b.1.)Cuntas muestras de tamao 2 se puede seleccionar de una poblacin de tamo 4?
N
n

_
,

_
,
=
4
2
=
4!
2! 2!
= 6
b.2.) Armemos las 6 muestras de 2 elementos
(0,5) (0,3) (0,1)
(1,3) (1,5) (3,5)
c. Calculamos la esperanza y varianza de cada muestra.
Varianza (S )
2
Esperanza ( X )
X
1
= 0 + 5/2 = 2,5 (0,5)
S
1
2
2
=
(0 - 2,5) + (5 - 2,5)
= 6,25
2 2
X
2
= 0 + 3/2 = 1,5 (0,3)
S
2
2
=
(0 - 1,5) + (3 - 1,5)
2
= 2,25
2 2
X
3
= 0 + 1/2 = 0,5 (0,1)
S
3
2
=
(0 - 0,5) + (1 - 0,5)
2
= 0,25
2 2
X
4
= 1 + 3/2 = 2
(1,3)
S
4
2
=
(1 - 2) + (3 - 2)
2
= 1
2 2
X
5
= 1 + 5/2 = 3
(1,5)
S
5
2
=
(1 - 3) + (5 - 3)
2
= 4
2 2
X
6
= 3 + 5/2 = 4
(3,5)
S
6
2
=
(3 - 4) + (5 - 4)
2
= 1
2 2
173
d) Confeccionemos la tabla para la variable aleatoria x

con los distintos valores que puede tomar
para las distintas muestras y las frecuencias con que dichos valores se repiten.
d.1) Calculamos la esperanza de la variable x
( ) ( )
( )
E
i Ni
n
x = 0,5 + 1,5 + 2 + 2,5 + 3 + 4 / 6 = 2,25
E x =
x
= m

d.2) Calculemos la varianza de la variable

x

(varianza de un estimador)
( ) ( )
( )
VAR x = m - m = m - x = 6,2917 - 2,25 = 1,2292
m = + 1,5 + 2 + 2,5 + 3 4 / 6 = 6,2917
2 1
2
2
2
2 2 2 2 2
2 2
2
0 5 ,
2. DEFINICIONES
MEDIA POBLACIONAL: Valor promedio de los elementos que componen la poblacin.
MEDIA MUESTRAL: Valor promedio de los elementos que componen la muestra.
( )
( )
x i =
x i, j
n

promedio de la muestra i
MEDIA DE UN ESTADSTICO MUESTRAL: Promedio de los valores que puede tomar un
estimador para distintas muestras de igual tamao extradas de una poblacin.
( ) E
j
nc

Donde:
j
: es la media muestral para la muestra j
nc: es la cantidad de muestras de tamao n que se pueden extraer de una poblacin de N
elementos
N
i
X
0,5
1
1,5
1
2
1
2,5
1
3
1
4
1
174
VARIANZA POBLACIONAL: Variacin entre los valores de la muestra y la media muestral.
( )
VAR (x)
Xi m
N
=

2
VARIANZA MUESTRAL: Variacin entre los valores de la muestra y la media muestral.
( )
S
n
2
2
=
Xi - X

VARIANZA DE UN ESTADISTICO MUESTRAL: Variacin entre los valores que puede tomar
el estimador y la esperanza del estimador.
( )
( ) ( )
VAR
N

=
i - E
2

3. PROPIEDADES DE LOS ESTIMADORES

3.1. INSESGAMIENTO
Decimos que el estimador es insesgado para estimar el parmetro a si la esperanza del
estimador es igual al valor del parmetro.
E() = a
Cabe destacar que ...
Definimos como sesgo a la diferencia que existe entre el estimador y el valor del parmetro:
Sesgo = E() - a
Entonces podemos decir que ...
Un estimador es asintticamente insesgado para estimar un parmetro si la esperanza del
estimador se acerca al valor del parmetro cuando el tamao de la muestra crece
indefinidamente, es decir:
( ) Lm E a = a
n
$

3.2. CONSISTENCIA
Es deseable que un estimador origine estimaciones con menor sesgo a medida que en la
muestra se incluyan ms observaciones.
Decimos que un estimador es consistente para estimar el parmetro a, cuando se
aproxima al valor del parmetro con probabilidad que tiende a la unidad, cuando el tamao de
175
la muestra crece indefinidamente.
( ) P |a - a| < 1 cuando n
$

Condiciones de consistencia:
a)
( ) lm E a = a
n
$

(asintticamente insesgado)
b)
( ) Lm VAR a = 0
n
$

3.3. EFICIENCIA
Un estimador es ms eficiente que el estimador para estimar el parmetro a si:
Var () < Var ()
Eficiencia relativa:
Definimos eficiencia relativa al cociente entre las varianzas de dos estimadores de un mismo
parmetro
( )
( )
ER
VAR u
=
VAR a
$
$
Si ER = 1 ambos estimadores son igualmente eficientes
Si ER > 1 el estimador es ms eficiente que
Si ER < 1 el estimador es ms eficiente que
4. MTODO PARA LA RESOLUCIN DE EJERCICIOS
4.1. INSESGAMIENTO
Calcular la esperanza del estimador.
SI
( ) E
$
= ENTONCES
El estimador es INSESGADO para estimar el parmetro
SINO
( ) Lm = E =
n
$


ENTONCES
El estimador es ASINTTICAMENTE INSESGADO para estimar el parmetro.
SINO El estimador es SESGADO para estimar el parmetro.
176
4.2. CONSISTENCIA
Calcular la esperanza del estimador.
SI
( ) ( ) E = o lm E =
n
$ $


ENTONCES
Calcular la varianza del estimador.
SI
lim
$
VAR = 0
n


ENTONCES el estimador es CONSISTENTE para estimar el parmetro.
SI
lim
$
VAR 0
n


El estimador NO ES CONSISTENTE para estimar el parmetro.
4.3. EFICIENCIA
1) Calcular las esperanzas de los estimadores a comparar para determinar cules son
insesgados o asintticamente insesgados.
2) Descartar todo estimador que no sea insesgado o asintticamente insesgado.
3) Calcular las varianzas de los esimadores que quedan.
4) Seleccionar el estimador de mnima varianza.
EJEMPLOS
1) INSESGAMIENTO
1.a.) Probar si la medida muestral es insesgada para estimar el parmetro p de una poblacin
Binomial.
Objetivo: ( ) E x = p
Pasos a seguir:
Desarrollar la esperanza del estimador
( ) ( )
( ) E x = E
xi
n
=
1
n
E xi =
1
n
E xi a

_
,

177
Determinar la E(Xi): Proviene de una poblacin pero cada individuo de la muestra va a
representar un xito o un fracaso. Entonces la E(Xi) corresponde a la esperanza de una
distribucin Bernoulli.
E (X i) = p b
Reemplazar b en a
( ) E
n
x =
1
n
p =
p
n
= p
/
/

* p es una constante => p = np

( ) E x = p x es un estimador INSESGADO para estimar el parmetro p de una
distribucin binomial.
1.b.) Probar si el siguiente estimador es insesgado para estimar el parmetro

de una
distribucin Poisson. En caso de no serlo probar si es asintticamente insesgado.
( ) ( ) E
$ $
= o lim E =
n
$
=
Xi
n 1
Objetivo:
Desarrollar la esperanza del estimador.
( )
( ) ( ) E
n
$
= E
Xi
=
1
n - 1
E Xi = a

_
,

1
Determinar la esperanza de Xi: Si la muestra proviene de una poblacin Poisson la E(Xi) es
igual a la esperanza de la distribucin Poisson:
( ) ( ) E Xi = b
Reemplazar (b) en (a)
( ) E
$


=
1
n- 1
=
n
n - 1

(
*
)
178
( ) E
$
no es INSESGADO
No es INSESGADO => Probar si es ASINTOTICAMENTE INSESGADO
( ) lim
$
E = lim
n
n - 1
= lim
n
n 1 -
1
2
=
n
n-1 n

/
/

_
,

( )

lim E = El estimador
n
$ $

es ASINTOTICAMENTE INSESGADO para estimar
el parmetro

de una distribucin Poisson.

1.c.) Sea una poblacin con funcin de densidad ( ) ( ) f x, =
2
- x
2

definida en el intervalo
0 x
. Analizar, en cuanto al sesgo, el siguiente estimador del parmetro :
$
=
Xi

n
Ojetivo: ( ) ( ) E
$ $
= o lim E =
?
n
Desarrollar la esperanza del estimador.
( )
( ) ( ) E
n
$
= E
Xi
=
1
n
E Xi = a

_
,

Determinar la esperanza de Xi en base a la funcin de densidad de la poblacin.

( ) ( ) E Xi = x x dx =
=
2
x - x dx =
2

x
-
x
3
=
=
2

2
-
3
=
2

1
2
-
1
3

3
(b)
2
2
0
2
2 3
0
2
3 3
2
3
2
2
2
0

1
]
1

1
]
1
/
/

_
,

Reemplazar (b) en (a)

( ) E
$

=
1
n

3
=
n
n 3
=
3
/
/

179
( ) E
$ $
El estimador no es INSESGADO
NO ES INSESGADO => Probar si es ASINTOTICAMENTE INSESGADO.

( ) lim
n
E = lim
3
=
3
n

NO ES ASINTTICAMENTE INSESGADO
( )

lim E
n
$

NO ES ASINTTICAMENTE INSESGADO

$

es un estimador SESGADO para estimar el parmetro

2) CONSISTENCIA
2.a.) Determinar si el estimador del ejemplo 1.a.) es consistente para estimar el parmetro p.
Se demostr en el punto 1.a.) que el estimador es INSESGADO. Esto deja demostrada la
primera condicin de consistencia (Todo estimador insesgado es asintticamente
insesgado).
Probar la segunda condicin de consistencia:
( ) lim
n
VAR x = 0
Desarrollamos la varianza del estimador
( )
( ) ( )
( )
( )
VAR
n
n
x = VAR
Xi
=
1
n
VAR Xi =
1
n
p 1 - p
=
np 1 - p
p 1 - p
2 2

_
,

/
/

2
( ) p 1 - p es la varianza de una distribucin Bernoulli.
- Desarrollar el lmite.
( )
( )
lim
n
x

VAR = lim
p 1 - p
n
= 0
n
( ) E x = p
( ) lim
n
VAR x = 0

El estimador ( ) x es CONSISTENTE
para estimar el parmetro p.
180
2.b.) Determinar si el estimador del ejemplo 1.b.) es consistente para estimar el parmetro

de una distribucin Poisson.

- Se demostr en el punto 1.b.) que
$

es asintticamente insesgado para estimar

de una
poblacin Poisson.
Entonces, queda demostrado la primera condicin de consistencia.
- Probar la segunda condicin de consistencia:
( ) lim
n
VAR = 0
- Desarrollar la varianza del estimador.
( )
( )
( )
( ) ( )
VAR
n
$

= VAR
Xi
- 1
=
1
n - 1
VAR Xi =
=
1
n - 1
=
n
n - 1

_
,

2
2 2
( ) VAR Xi = Es la varianza de la distibucin Poisson.
- Desarrollar el lmite de la varianza del estimador.
( )
lim
n
/
/

_
,

1
2
n
n - 1
= lim
n
n 1 -
2
n
+
1
n
= 0
n
2
2

( )
( )
lim
$
n

E =
lim VAR = 0

n

Es estimador $

es CONSISTENTE para estimar

2.c.) Determinar si el estimador del punto 1.c.) es consistente para estimar el parmetro
$

- Se demostr en el punto 1.c.) que el estimador

$

es segmentado por lo tanto no se cumple la

primera condicin de consistencia.

El estimador
$

no es Consistente para estimar

$

181
3) EFICIENCIA
Determinar cul de los siguientes estimadores es ms eficiente para estimar el parmetro

de
una distribucin Poisson.
$ $ $

1 2 2 3
=
Xi
- 1
=
Xi
=
Xi
n n n
Siguiendo los siguientes pasos detallados en la pgina 211:
1) Determinar la esperanza de los estimadores para determinar cules son insesgados o
asintticamente insesgados:
( )
( ) *
$
E = E
Xi
- 1
=
1
n - 1
E Xi =
1
n - 1
=
n
n - 1


1

_
,

n
lim
n

n
n - 1
=

Es asint. insesgado
( )
( ) *
$
E = E
Xi
=
1
n
E Xi =
1
n
=
n
n
2 2 2


2
2

_
,

/
/
n
lim
n

n
= 0

Es sesgado
( )
( ) *
$
E = E
Xi
=
1
n
Xi =
1
n
=
n
n
=

_
,

/
/

n
Es insesgado
2) Descartar los estimadores sesgados
Descarto el estimador
$

2
. Slo voy a comparar las varianzas de
$

1
y
$

3
3) Calcular varianzas
( )
( )
( )
( ) ( )
*
$
VAR = VAR
Xi
n - 1
=
1
n - 1
VAR Xi =
=
1
n - 1
=
n
n - 1

1 2
2 2

_
,

182
( )
( ) *
$
VAR = VAR
Xi
=
1
n
VAR Xi =
1
n
=
n
n
=
n
2 2 2


3

_
,

/
/
n
Tengo que comparar
( )
n
n - 1
contra
n
2
Le damos un valor a n (positivo, mayor que uno), por ejemplo n=3
( ) ( )
3
1

4
>
4
VAR < VAR
3

$ $

es ms eficiente que
$

1
para estimar el parmetro

183
ACTIVIDADES
ESTIMADORES
1) Dada la siguiente muestra, determinar los valores de la media, la varianza y el desvo
muestral:
3,5 - 2,8 - 3,3 - 4,5 - 3,5 - 5,0 - 4,4 - 3,4 - 4,5 - 2,6 - 4,6 -5,1
2) La longitud de ciertas plantas es una variable aleatoria que se distribuye en forma normal con
varianza 4 cm
2
. Si el 81,59% de las plantas tiene una longitud inferior a los 13,8 cm,
a) Hallar la media de la poblacin.
b) Si se toma una muestra aleatoria de 25 plantas y se calcula la longitud promedio, hallar
( ) P 11,2 x 12,8
c) Cul es el mnimo tamao de muestra que se debe tomar si se quiere que la probabilidad
de que la media muestral est entre esos valores sea, por lo menos, del 80%?
3) Sea una poblacin N(m;2). Se desea estimar la media poblacional mediante una muestra de
tamao 4. Considere los siguientes estimadores:
( )
( )
M
1
= X + X + X - X / 4
M = X + X + X - X / 4
1 2 3 4
2 4 3 3 4
Calcular:
a) el sesgo de ambos estimadores
b) la varianza de ambos estimadores
c) Cul es preferible?
4) Sean X
1
, X
2
, X
3
, X
4
y X
5
los elementos de una poblacin normal con media m y varianza 1,
pertenecientes a una muestra aleatoria de tamao 5. En funcin de los estimadores de la
media poblacional que se detallan, elegir uno de ellos justificando la respuesta.
( )
( )
$
u = X + 2X + 3X + 4X + 5X / 15
X = X + X + X + X + X / 5
1 2 3 4 5
1 2 3 4 5
5) Sea una muestra aleatoria de tamao 10 proveniente de una poblacin con funcin de
frecuencia:
( ) f X; = 1/ , para 0 < X <
. Sea el estimador
$
=
X + X + X + ........ + X + X
k
1 2 3 9 10
10
Determinar el valor de k, de modo que
$

sea insesgado para estimar 0.

184
6) Sea la siguiente poblacin:
38 - 63 - 16 - 49 - 88 -131 - 22 - 56 -102 - 81
94 - 71 - 10 - 64 - 52 - 41 -150 - 15 - 85 -153
121 - 40 - 27 - 16 -148 - 66 -131 - 94 - 61 - 11
77 - 58 - 30 - 79 -125 -101 - 12 -163 - 90 - 25
10 - 62 - 33 -117 - 74 - 85 -127 -154 - 14 - 48
95 - 56 -143 - 67 - 89 - 44 - 84 -110 - 8 -106
70 - 81 - 37 - 16 -104 - 60 - 21 - 86 - 33 - 99
107 - 47 - 51 -139 - 64 - 83 -115 - 40 - 96 - 13
93 -121 - 75 - 44 -100 - 51 - 29 -168 - 64 - 80
61 -147 -103 - 19 - 37 -139 - 87 - 50 - 98 -152
a) Mediante el uso de la tabla de nmeros al azar, seleccionar una muestra de 15 valores y
calcular su media y su desvo.
b) Idem anterior, pero previamente dividiendo en tres estratos a la poblacin y eligiendo:
I) 5 valores de cada estrato;
II) valores en cada estrato, segn su proporcin en el total, para la muestra de tamao 15.
c) Calcular la media y el desvo estndar de una muestra de 15 elementos extrada por la
tcnica de muestreo sistemtico.
7) Sean los siguientes estimadores de la media de una poblacin normal:
)
)
)
m
m
m
1
2
3
=
2
3
x +
1
3
x
=
1
5
x +
2
5
x
=
1
2
x +
1
2
x
1 2
1 2
1 2



Elegir uno en funcin de las propiedades de los estimadores.
8) Sea una poblacin N(m; ), donde ambos parmetros son desconocidos. Se toma una
muestra X
1
, X
2
, ....., X
n
.
a) Si lo que se desea estimar es m
2
, parece natural considerar es estimador
x
2
. Es
exactamente insesgado?
b) Considere los siguientes estimadores de m
2
y verifique su insesgamiento:
( )
$
M
n
1
2
2
2
2
= x
X - X
1 n
$
M
2
2
=
X X + X X + X X + ....... + X X
n - 1
1 2 2 3 3 4 n-1 n

185
ESTIMADORES - RESPUESTAS
1) x = 3,933 S = 0,8127457
( ) ( )
( )
2
4
5
8
1 2 2
2
2
)
)
)
$
)
m = 12 b) 0,9545 c) n 11
3) a) Ambos insesgados b) Var M = 4 Var M = 1 c) M
x
k = 2
6) m = 74,62 = 41,779 N = 100 A resolver en forma individual
7) m
a) No, es asintoticamente insesgado: E x = m +
m
b) Ambos sonexactamente insesgados.
3
2