Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I

METODOS DE ESTIMACION
Y
DOCIMA DE HIPOTESIS

1. Métodos de Estimación:
1.1. Mínimos Cuadrados Ordinarios
1.2. Máximo Verosimilitud
2. Dócima de Hipótesis Paramétricas:
2.1. Dócima t de Student
2.2. F Fisher
2.3. Chi Cuadrada

1. METODOS DE ESTIMACION:

1.1. MÍNIMOS CUADRADOS ORDINARIOS

Es importante estudiar el comportamiento de una de las variables en

base al comportamiento del comportamiento de la otra, este proceso
analítico se denomina REGRESIÓN ( método de los mínimos cuadrados,
sin embargo el mas utilizado es la regresión por mínimos cuadrados,
este método se sustenta en el principio llamado mínimo cuadrático y que
supone hacer pasar una recta por la nube de puntos, de tal manera que
minimice los errores (residuales) o las distancias desde los valores
observados hasta la “recta de regresión”. En síntesis el principio de los
mínimos cuadrados dice:

∑e 2
i es un minimo

“La sumatoria de los errores (residuales) cuadráticos debe ser un

mínimo”

Esta condición se impone a una de las familias de rectas que pueden

pasar por la nube de puntos. Consecuentemente a la recta que satisface
la condición se la denomina RECTA DE REGRESIÓN MÍNIMO
CUADRÁTICA, o también RECTA ESTIMADA POR MÍNIMOS
CUADRADOS.

1
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I

Luego tendremos:

Ŷ = α̂ + β̂X i Recta de Regresión Mínimo Cuadrática

Siendo:
Ŷ = Ordenada estimada (predictan do).

X i = Variable exogena (predictan do)

α
ˆ = Ordenada al origen

βˆ = Coeficient e angular o pendiente.

La recta de regresión anterior suele llamarse también “FUNCIÓN DE

REGRESIÓN MUESTRAL” (FRM), dado que es el estimador de
la”FUNCIÓN DE REGRESIÓN POBLACIONAL”
E(Y) =α + βX = FRP

Considerando el grafico tenemos:

Yi = Ŷi + e i

e i = Yi − Ŷi = (Y − Y) − (Ŷ − Y)

Considerando que en la nube de puntos están dispersos de tal modo

que algunos se encuentran por encima y otros por debajo de la recta de
regresión, mismo que deben ser ponderados y considerados para el total
de la muestra se tiene:
∑e 2
i es un minimo

2
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I

Pero:
e i = Yi − Ŷi ⇒ ∑ e i2 = ∑ (Yi − Ŷi ) 2 es un mínimo

Además
Ŷi = α̂ + β̂X i ⇒ ∑e i2 = ∑(Yi − α̂ − β̂X i ) 2

Para que sea un mínimo debe satisfacer las condiciones de extremo.

1. Derivamos parcialmente respecto de uno de los parámetros e igualamos
a cero.
∂∑e i2
= 2∑(Yi − α̂ − β̂X i )( −1) = 0
∂α̂

∑(Y i − α̂ − β̂X i ) = 0 ⇒ ∑Yi − nα̂ − β̂ ∑X i = 0

∑Y i = nα̂ + β̂ ∑X i (1) PRIMERA ECUACION NORMAL

2. Derivamos parcialmente respecto al otro parámetro e igualamos a cero.

∂∑e i2
= 2∑(Yi − α̂ − β̂X i )( −X i ) = 0
∂β̂

∑(Y i − α̂ − β̂X i ) = 0 ⇒ ∑X i Yi − α̂ ∑X i − β̂ ∑X i2 = 0

∑X Y i i = α̂ ∑X i + β̂ ∑X i2 (2) SEGUNDA ECUACION NORMAL

Conformando el siguiente “sistema de ecuaciones normales”

∑Y i = nα̂ + β̂ ∑X i (1)

∑X Y i i = α̂ ∑X i + β̂ ∑X i2 (2)

Resolviendo el sistema por un método analítico tenemos:

Dividiendo (1) entre “n”

∑Y = nα̂ + β̂∑X i
⇒ Y = α̂ + β̂ X (3)
n n n
α̂ =Y −β̂ X (4)

Ŷ = α̂ + β̂X i (5)
Recordando que:
En e i = Yi − Ŷi

Sumando y restando Y a la igualdad tenemos:

3
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I

e i = Yi − Ŷi − Y + Y ⇒ e i = (Ŷi − Y) − (Ŷi − Y)

Convenio:
y i = Yi − Y

ŷ i = Ŷi − Y
xi = Xi − X

Entonces: e =y −ŷ (6)

i i i

Reemplazando (5) y (3) en y i = Yi − Y

ŷ i = α̂ + β̂X i − α̂ − β̂ X ⇒ ŷ i = β̂(X i − X)

Como x i = X i − X ⇒ y i = β̂x i (7)

Reemplazando (7) en (6) tenemos:

e i = y i − β̂x i ⇒ ∑ e i2 = ∑ ( y i − β̂x i )
2

Derivando parcialmente:

∂∑ e i2
= 2∑ ( y i − β̂x i )( − x i ) = 0
∂β̂
∑( y i
− β̂x i )( x i ) = 0 ⇒ ∑ ( x i y i − β̂x i2 ) = 0
∑x y
∑x y − β̂∑ x i2 = 0 ⇒ ∑ x i y i = β̂∑ x i2 ⇒ β̂ =
i i

∑x
i i 2
i

Expresando en sus valores originales:

β̂ =
∑(X − X)(Y − Y)
i i
(8)
∑(X − X)
2
i

En las aplicaciones descriptivas se utiliza con mayor frecuencia la formula

desarrollada de (8), entonces:

4
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I

β̂ =
∑(X Y − YX − XY + X Y) ⇒ β̂ = ∑X Y − Y∑X − X∑Y + n X Y
i i i i i i i i

∑(X − 2XX + X ) ∑ X − 2X ∑ X + n X
2 2 2 2
i i i i

∑Y ∑X n ∑X ∑Y
∑X Y − n ∑X − n ∑Y + n ∗ n
i i i i
i i i i
β̂ =
∑X  ∑X 
2

∑X − 2 n ∑X + n n  2 i i
i i
 
∑X ∑X Y ∑X n ∑ X i Yi − ∑ X i ∑ Yi
∑X Y −2 ∑ Y + ∑ ∑X Y − ∑Y
i i i
i i i i i i i
β̂ = n n = n = n
( ∑X ) ( ∑X ) 2 2
( ∑X ) 2
n ∑X − ( ∑X i )
2 2

∑X −2 + ∑X −
2 i i 2 i i
i i
n n n n
por lo tanto :
n ∑ X i Yi − ∑ X i ∑ Yi
β̂ = (9)
n ∑ X i2 − ( ∑ X i )
2

La finalidad es de encontrar formulas para los parámetros mínimo

cuadráticos, en este sentido, el primer criterio nos ha llevado a la relación
(3)
Y =α̂ +β̂ X (3)

Esta relación nos permite apreciar un hecho sumamente importante y es

que las medias aritméticas ( X, Y) de las dos variables son coordenadas de
la recta de regresión en otras palabras, la recta de regresión pasara
siempre por el punto de coordenadas ( X, Y) . Las formulas de los
parámetros son en este caso, las relaciones (4), (8) y (9) respectivamente,
es decir.
α̂ = Y −β̂ X (4)

β̂ =
∑(X − X)(Y − Y) i i
(8)
∑(X − X)
2
i

Formulas equivalentes:

XY −X Y
β̂ = (10)
X 2 −( X ) 2

Sabemos que: XY − X Y es la covarianza; [ Cov ( X, Y ) ]

X 2 − ( X ) 2 es la varianza, S X , V ( X )
2
[ ]
Por lo tanto:

5
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I

Cov ( X, Y )
β̂ = (11)
V( X )
Con un poco de observación y sin mucho esfuerzo notamos que si en la
formula (8) dividimos numerador y denominador del segundo miembro entre
(n), arribamos a la formula (11), es decir.

∑ (X i
− X )(Yi − Y)
n Cov(X, Y)
β̂ = =
∑(X i
− X) 2
V(X)
n
Ejemplo de aplicación:
En una encuesta de hogares (por muestreo estadístico) realizado a 7
familias se obtuvo la siguiente información relativa al ingreso y gasto familiar
en bolivianos.

Y X
62 70
51 60
42 50
55 70
51 55
58 60
43 45

Donde Y= GASTO
X= INGRESO

Con la anterior información se pide:

a) Para la relación Y=f(x), encontrar la recta de regresión mínimo-
cuadrática y estimar el monto del gasto para un ingreso de
100bolivianos.
b) Grafique la nube de puntos y la recta de regresión.

Solución
a) Y=f(X)

6
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I

Gasto=f (ingreso)
Y X X- X Y −Y (Y − Y) 2
(X − X ) 2
( X − X )( Y − Y )
62 70 11,43 10,29 105,88 130,64 117,61
51 60 1,43 -0,71 0,50 2,04 -1,02
42 50 -8,57 -9,71 94,28 73,44 83,21
55 70 11,43 3,29 10,82 130,64 37,60
51 55 -3,57 -0,71 0,50 12,74 2,53
58 60 1,43 6,29 39,56 2,04 8,99
43 45 -13,57 -8,71 75,86 184,14 118,19

362 410 0,00 0,00 327,40 535,68 367,11

X=
∑ X ⇒ X = 410 = 58,57 Y=
∑ Y ⇒ Y = 362 = 51,71
n 7 n 7

β̂ =
∑(X − X)(Y − Y) ⇒ β̂ = 367,11 = 0,6853158 ⇒ β̂ = 0,685
∑(X − X) 2
535,68

α̂ = Y − β̂ X ⇒ α̂ = 51,71 − 0,685(58,5 7) = 51,71 − 40,12 = 11,59 ⇒ α̂ = 11,59

Ŷ = α̂ + β̂X ⇒ Ŷ = 11,59 + 0,685X recta minimo cuadratica

~ = 11,59 + 0,685(100) ⇒ Ŷ = 80,09
X = 100 ⇒ Y
Para

b)

Ŷ =11,59 + 0,685X
Y X
44,47 48
56,80 66

REGRESIÓN NO
LINEAL:

La flexibilidad del método de regresión por mínimos cuadrados permite ampliar

su campo de aplicación a funciones polinómicas y funciones no lineales,
susceptibles de linealizarse. Más concretamente la condición necesaria para

7
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I

aplicar el método mínimo cuadrático, es que la función sea lineal en los

parámetros. Es este sentido, los modelos reducibles al modelo lineal son:

a) Modelo Exponencial.
Y = ab X
Y = ae bX
b) Modelo Potencial.
Y = aX b
c) Modelo Hiperbólico.
b
Y =a + Con X ≠ 0
X
b
Y= Con X ≠ 0
X
d) Modelo Parabólico.
Y = a + bX + cX 2

A manera de complementación debemos agregar que los modelos potencial y

exponencial, son susceptibles de linealizarse a través de una transformación
logarítmica, así.
Y =α̂X β̂ (1)
Y =α̂e β̂X
(2)
lnY =ln α̂ +β̂lnX
lnY =ln α̂ +β̂X

Siguiendo el método mínimo, cuadrático se puede obtener las formulas

correspondientes, sin embargo no es necesario, dado que las formulas (4) y (8)
obtenidas para la Función d Regresión Muestral Simple son totalmente validas
en la medida como puede ser adaptadas a cualquier de los casos es decir:

8
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I

Para la Funcion Linealizad a de (1)

ln α̂ = lnY − β̂lnX

β̂ =
∑(lnX − lnX )(lnY − lnY )
∑(lnX − lnX )
2

Para la Funcion Linealizad a de (2)

ln α̂ = lnY − β̂ X

β̂ =
∑((X − X )(lnY − lnY )
∑( X − X )
2

1.2. MÉTODO DE MÁXIMA VEROSIMILITUD

Este método proporciona estimadores con muchas propiedades deseables, sin

embargo es necesario aclarar que los estimadores máximos verosímiles (EMV), no
son siempre (como en el caso de varianzas), pero un sencilla modificación los
convierte en estimadores insesgados. En genial el EMV, es consistente y si existe un
estimador eficiente el EMV es eficiente.

a) Principio de Máximo Verosimilitud.

A manera de ilustración supongamos que una urna contiene (X) bolillas azules
(a) y (n-x) bolillas blancas (b). en estas condiciones y considerando que por
éxito (p), se entiende la probabilidad de extraer al azar una bolilla azul (a),
entonces existe las siguientes posibilidades:
Si 3
a >b⇒ p =
4
1
a <b⇒ p =
4

¿Cuál de estos resultados posible seria el mejor estimador de la probabilidad de

éxito?
La respuesta a esta pregunta se podría dar en términos de un caso particular y
mediante la distribución binomial.
Recordando que:

x = 0,1,2,3,....., n
X ≈ b(n; p)
f ( x; p) = C xn p x (1 − p) n − x

9
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I

1 3
Si por ejemplo: n = 3 n = 3 ⇒ p ó p=
3 4

x  1  3
f  x;  f  x; 
 4  4
0 3 0 3
1 3 27 3 1 1
C03     = = 0,42 C03     = = 0,02
0 4 4
    64 4 4
   64
1 2 1 2
1 3 27 3 1 9
C13     = = 0,42 C13     = = 0,14
1 4 4
   64 4 4
   64
2 1 2 1
1 3 9 3 1 27
C23     = = 0,14 C23     = = 0,42
4 4
    64 4 4
    64
2
3 0 3 0
1 3 1 3 1 27
C33     = = 0,02 C33     = = 0,42
4 4
   64 4 4
   64
3

Se puede observar con nitidez que:

Cuando x = 0 en la muestra aleatoria de tamaño 3[MAT(3)], se cumple:

∧
 1  3 1
f  0;  > f  0;  ⇒
 4  4
p ( 0) = 4
Luego
∧
 1  3 1
x = 1 : f  1;  > f  1;  ⇒
 4  4
p (1) = 4
∧
 1  3 3
x = 2 : f  2;  >
 4
f  2;  ⇒
 4
p ( 2) = 4
∧
 1  3 3
x = 3 : f  3;  >
 4
f  3;  ⇒
 4
p (3) = 4
∧ *
En general, si p = estimación de p y p = otra estimación de p, entonces:

 ∧
(
f x; p  > f x; p * )
 
 3
f  2; 
 4

Gráficamente:
 3
f  2; 
 4
10
MATERIA: Estadistica DOCENTE: Lic.p
Victor Ampuero E.

0 1 2 3 1
4 4 4
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I

Ejemplo:
Sea x una V.A., con distribución binomial, extraída de una muestra aleatoria de
tamaño 20 [MAT(20)], cuyas probabilidades de éxito son:

1 2 9
p: , ,......., . En estas condiciones, ¿Cuál es el estimador de la
10 10 10
probabilidad de éxito, si la variable asume el valor de 5?

Solución:
1 2 9
p: , ,.......,
10 10 10
( x1 , x2 ,.......,x20 ) = MAT( 20)
20
xi = 0,1,.....,5,.....,20
∑1 xi ≈ b( 20; p ) f ( x; p ) = C 20 p x q 20− x
5

f ( 5; p ) = C520 p 5 q15

•
•
•
•
•
p
1 2 3 4 5 6 7 8 9
0 1
que x
Se entiende 10 10i puede
10 tomar
10 valores
10 enteros
10 10y positivos
10 10
entre cero y 20.
suponiendo que por alguna razón nos interesa el valor x = 5 ¿Cuál de los
espacios que se genera es mas VEROSÍMIL para contener la muestra

11
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I

considerada? O dicho de otra manera ¿Cuál es el estimador de la probabilidad de

éxito, si la variable asume el valor 5?
5 15
 1  1 9 
f 5;  = C520     = 0,0319
 10  10   10 
5 15
 2  2 8 
f 5;  = C520     = 0,1748
 10  10   10 
5 15
 3  3  7 
f 5;  = C520     = 0,1789
 10  10   10 
5 15
 4  4 6 
f 5;  = C520     = 0,0746
 10  10   10 
5 15
 5  5  5 
f 5;  = C520     = 0,0148
 10  10   10 
5 15
 6  6 4 
f 5;  = C520     = 0,0013
 10  10   10 
5 15
 7  7 3 
f 5;  = C520     = 0,0000
 10  10   10 
5 15
 8  8 2 
f 5;  = C520     = 0,0000
 10  10   10 
5 15
 9  9 1 
f 5;  = C520     = 0,0000
 10  10   10 
De todo lo anterior se desprende que:

 ∧
( ) 3
∧
f  5; p  > f 5; p* ⇒ p( 5) = = 0,3
  10

Si el anterior ejemplo se considera como una función continua en p en el

intervalo [0;1], entonces:
0 ≤ p ≤1

Para MAT(20) con x = 5 resulta que:

f ( 5; p ) = C520 p 5 (1 − p )
15

Para obtener la estimación de P, se requiere hallar el máximo de f(5;p), es decir:

df ( 5; p )
dp
[
= C520 5 p 4 (1 − p ) − 15 p 5 (1 − p )
15 14
]
= 5C520 p 4 (1 − p ) [1 − p − 3 p ]
14

= 5C520 p 4 (1 − p ) (1 − 4 p ) = 0
14

p4 = 0 ⇒ p = 0
12
MATERIA: Estadistica (1 − p ) 14
= 0 ⇒ p =DOCENTE:
1 Lic. Victor Ampuero E.

(1 − 4 p ) = 0 ⇒ p = 1 = 0,25
∧

4
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I

Por lo tanto y siendo el ultimo resultado el único valor alternativo, este es el

estimador máximo verosímil de P.

b) La Función de Verosimilitud y el Estimador Máximo Verosímil (EMV)

Sea x ~ f ( x;θ )

i =n
Función de
( x1,....., xn ) ~ τ ( x1,....., xn ;θ ) = ∏ f ( x;θ ) Densidad
i =1
Conjunta

Para xi constante:

i= n
( x1, . . . .xn. ), ⇒ I ( θ ) = ∏ f ( xi ,θ ) = FUNCION DE VEROSIMILITUD

i= 1
De donde que:

 ∧  i= n
( )
i= n ∧
∏ f  xi ;θ  > ∏ f xi ;θ ⇒ θ : Estimación de máxima verosimilitud de
*
i=1   i=1
0
También

 ∧
( )
i= n i= n
L n∏ f  xi ;θ  > L n∏ f x1;θ *
i= 1   i= 1

∑ Lnf  x ;θ  > ∑ Lnf ( x ;θ ) ⇒ θ : Estimación de máxima verosimilitud de 0

i =n ∧ i =n ∧
*
i i
i =1 i =1

Ejemplo:
x
1 −θ
Sea: x ~ f ( x;θ ) = e ;x > 0 :θ > 0
0
Encontrar el estimador máximo verosímil (EMV), de θ a partir de una MAT(n)

13
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I

i= n
( x1, . . . .x.n,) ~ τ ( x1, . . .x.n.;θ ) = ∏ f ( x1;θ )
i= 1
( x1 ,....., xn ) :

i= n
L( θ ) = ∏ f ( x;θ ) = f ( x1;θ ) f ( x2 ;θ ) . . . .f.( .xn ;θ )
i= 1
x x x
1 − θ1 1 − θ2 1 − θn
= e ⋅ e ........ e
θ θ θ

1 −∑
xi

= ne θ
θ
1 i=n
1 −θ ∑ x
L(θ ) = n e i =1 Función de verosimilitud
θ
1 i =n
L* = ln I (θ ) = −n ln θ − ∑ x1
θ i =1
dL* n ∑x
= − + 2 i = 0 ⇒ ∑ xi = nθ
dθ θ θ
θ=∑ i =x
∧ x
n
∧
θ = x Estimador Máximo Verosímil
EJERCICIOS:

1) Distribución de POISSON:
λx
x ~ f ( x; λ) = e −λ ; x = 0,1,2,.......
x!
Encontrar el EMV de λ , a partir de una MAT(n).
i= n
( x1,......xn ) ~ ϕ ( x1,......xn ; λ ) = ∏ f ( xi ; λ )
i =1
( x1 , x2 ,......., xn ) :
i= n λ x1 − λ λ x2 − λ λ xn − λ
L( λ ) = ∏ f ( xi ; λ ) = e ⋅ e ....... e
i =1 x1! x2! xn!
n

∑ xi
λi Función de Verosimilitud
L( λ ) = i=n
e − nλ
∏ ( xi !)
i =1 14
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I

i= n
L = lnl ( λ ) = − nλ + ∑ xi lnλ − ln ∏ ( xi !)
*
i=1
dl*
= −n +
∑ xi = 0 ⇒ ∑ xi = n
dλ λ λ
λ=∑ i =X
∧ x
n
∧
λ=X EMV de λ

2) Distribución NORMAL:

( xi − µ ) 2
( ) 1 −
X ~ f x; µ ;σ 2 = e 2σ 2
;−∞ ≤ xi ≤ ∞
2∏σ 2

A partir de una MAT(n), encontrar los EMV de µ y σ 2

( x , x ,.....,x ) ~ g ( x ,.....,x ; µ ;σ ) = ∏ f ( x ; µ ;σ )
i= n
2 2
1 n 1 n i
i=1
1
∑ ( xi − µ )
2

( ) ( ) 1
i= n −
L µ ;σ 2 = ∏ f xi ; µ ;σ 2 =
2
2σ
e
(2∏ σ )
n
i =1 2 2

n
1
∑ ( xi − µ ) 2
( )
−
1 2σ 2 1 Función de Verosimilitud
L µ ;σ 2 = e
(2∏σ )
n
2 2

L* = ln L( µ;σ 2 ) = − ln 2 ∏ − ln σ 2 −
n n 1
( x − µ)2
2 ∑ i
2 2 2σ
∂L* 1 1
=+ 2 ∑
2( xi − µ ) = 2 ∑( xi − µ ) = 0
∂µ 2σ σ
∑( xi − µ ) = ∑ xi − ∑ µ = ∑ xi − nµ = 0
⇒ ∑ xi = nµ
∧
µ= ∑x i
=X
n
EMV de la media de µ
∧
µ=X

15
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.
Facultad de Ciencias Economicas Financieras y Administrativas Seminario terminal I

∂L* n 1
(x − µ)
( ) ∑
2
=− 2 + i
∂σ 2
2σ 2σ2
2

− nσ 2 + ∑ ( xi − µ )
2

= =0
( )
2σ2
2

⇒ −nσ 2 + ∑ ( xi − µ ) = 0
2

∑( x − µ ) = nσ 2
2
i

∑( x ) 2
∧2 −X
σ = i

n
∧
Pero: µ = X
Entonces:

∑ (x )
n 2
∧2
−X
1
EMV de la varianza σ 2
σ = 1
= S2
n

NOTA: Como se advirtió anticipadamente, este ultimo estimador es

sesgado y en ese sentido no satisface la propiedad de
insesgamiento. Sin embargo, si se disminuye en el denominador el
numero de grados de libertad del numerador, se puede demostrar
que con esta sencilla operación, el EMV se trasforma en otro
estimador que satisface la propiedad de insesgamiento, es decir:

∑ (x − X )
n 2
∧2 i Estimador insesgado de la varianza σ 2
σ = 1
=s 2

n −1

16
MATERIA: Estadistica DOCENTE: Lic. Victor Ampuero E.