Академический Документы
Профессиональный Документы
Культура Документы
Curso:
ESTADISTICA APLICADA I
CAPITULO 04:
INFERENCIA ESTADISTICA
Tema:
ESTIMACION
HUACHO-PERU
1
Mg. Víctor Silva Toledo
ESTADISTICA APLICADA I
1. INFERENCIA ESTADÍSTICA
La investigación va unida a la
experimentación: el investigador
realiza un experimento y obtiene varios
datos; sobre la base de estos datos se
sacan ciertas conclusiones, y estas
operaciones suelen ir más allá de los
materiales y operaciones del
experimento particular realizado.
En otras palabras, puede ocurrir que el
investigador generalice ciertas
conclusiones del experimento
particular a todas las clases de
experimentos semejantes.
ESTADISTICA APLICADA I
• El tamaño de la muestra
Mientras más pequeña sea la muestra mayor será el error
b. Sesgo
El sesgo es el error causal, generado en forma consciente o
inconsciente, por deficiencias en el diseño de la muestra.
Capítulo 04: Estimación
POBLACION-MUESTRA-MUESTREO m1
P X1
X1
Muestra X2
X2 Representativa X3
X3 1. Sus elementos deben ser
.
.
. elegidos en forma aleatoria Xn
. 2. Debe ser estratificada; y
. 3. Debe ser tomada en forma m2
Sistemática
. X1
. X2
XN X3
.
.
Xn
CONCLUSIÓN:
µ X
Estima
µ X S S2
Estima
PARAMETROS S ESTADISTICOS
Estima
S2
5
Mg. Víctor Silva Toledo
Capítulo 04: Estimación
Introducción
La inferencia estadística comprende dos tipos de procesos:
Estimación y Pruebas de Hipótesis
Estimación es el procedimiento mediante el cual obtenemos
conclusiones respecto a parámetros o características de la población,
a través de la muestra.
En investigación, generalmente se obtiene una muestra de la
población a estudiar y con ésta se calculan los estadísticos de interés.
Como estos estadísticos son aleatorios (solo se tomó una muestra) se
debe realizar un proceso llamado Inferencia Estadística para obtener
una estimación de los (estadísticos) parámetros de la población. Este
ultimo proceso es llamado Estimación Paramétrica.
6
Capítulo 04: Estimación
CONTENIDO
ESTIMACION DE PARAMETROS
Métodos de estimación:
¿CÓMO FUNCIONA?
Descripción
POBLACIÓN PARÁMETROS
Realiza
Muestreo Inferencias
aleatorio
Extrae una:
¿CÓMO FUNCIONA?
ESTIMADORES
xi
n
2
Xi n 1
ESTIMACIONES
_
X S2
Valores concretos
Ejemplo:
Distribución de diámetros de troncos
Valores desconocidos de
X i
xi n n 1 Estimadores
46;48;51;52;52 Muestra
46 49 51 52 52 Estimación puntual de
x 50
5
s2
46 50 2
....... 52 50 2
6,5
Estimación puntual de
5 1 2
PROPIEDADES DESEABLES
1. Ser insesgado. Diremos que es un estimador insesgado de
si la esperanza de es . Es decir, E( )
La media muestral es un estimador insesgado de la media
poblacional.
Pero la varianza muestral NO es un estimador insesgado de la
varianza poblacional, pero sí lo es en cambio la cuasivarianza.
2. Consistencia. Se dice que un estimador es consistente si se cumple que
lim P 0
n
Esta expresión indica que a medida que se incrementa el tamaño muestral, la diferencia
entre el estimador y el parámetro será menos que cualquier número ().
A diferencia de la “ausencia de sesgo” que se define para valores finitos de n, la
“consistencia” es una propiedad asintótica.
Tanto la media muestral como la cuasivarianza son estimadores consistentes.
Nota: la varianza muestral es un estimador consistente de la varianza poblacional, dado
que a medida que el tamaño muestral se incrementa, el sesgo disminuye.
PROPIEDADES DESEABLES
3. Eficiencia. Se emplea para COMPARAR estimadores.
Cuatro tiradores han efectuado 10 disparos sobre una carta. Si traducimos cada disparo
en una estimación, efectuada por un determinado estimador, sobre una muestra,
podemos interpretar las propiedades de los estimadores de la siguiente forma:
Normal X
insesgado, eficiente,
EMV
X N(, 2 ) consistente
Normal 2 S2 asint. insesgado, menor
ECM que cuasi-var S 2
EMV
X N(, 2 )
Exponencial:
X
insesgado, eficiente,
consistente
EMV
X Exp(1/ )
Sin X insesgado, consistente
especificar
Sin 2 S2 asint. insesgado
especificar S 2 insesgado
EMV= Estimador máximo-verosímil
Capítulo 04: Estimación
Conocemos 2
Nuestra distribución es normal, pero con cierta media y cierta desviación típica, las
cuales sabemos por el tema anterior:
1) La media de la distribución muestral de medias es la media poblacional
2) La varianza de la distribución muestral de medias es 2/n
O lo que es lo mismo, la desviación típica de la dist.muestral de medias es
n
Conocemos 2
O lo que es análogo X i zi X
n
Mg. Víctor Silva Toledo
Capítulo 04: Estimación
Aplicando la lógica
de pasar de
puntuaciones típicas
X z0.025 a directas X z0.975
n n
En Punt.directas
En definitiva
P X z 0.025 X z 0.975 0.95
n n
DESCONOCEMOS 2
P X z0.025 X z0.975 0.95
n n
s s
P X 0.025 tn 1 X 0.975 tn 1 0.95
n n
En todo caso, recordar que si "n" es grande, la distribución t de Student será
virtualmente una distribución normal N(0,1). En otras palabras, si "n" es grande,
ambas fórmulas dan unos intervalos virtualmente idéntico, y emplear la
distribución normal es lo correcto.
P X z0.025 X z0.975 0.95
n n
P X z0.025 X z0.975 0.95
n n
Es claro que a medida que el tamaño muestral aumente, la amplitud del intervalo
disminuye. (Evidentemente, esto es general, no sólo para la media.) Veamos, en
todo caso un ejemplo:
Caso A1. Media muestral=10, varianza pobl=4, tamaño muestral=12
2 2
P 10 (1.96) 10 1.96 P 8.87 11.13 0.95
12 12
P X z0.025 X z0.975 0.95
n n
Pero evidentemente es posible emplear intervalos a, digamos, el 99%. En tal caso,
tendremos más seguridad de que el parámetro de interés se halle en los límites
del intervalo. El problema es que incrementar tal índice aumenta así mismo la
amplitud del intervalo.
Caso A1. Media muestral=10, varianza pobl.=4, tamaño muestral=12. Intervalo al 95%
2 2
P 10 (1.96) 10 1.96 P 8.87 11.13 0.95
12 12
Caso A2. Media muestral=10, varianza pobl=4, tamaño muestral=12. Intervalo al 99%
2 2
P 10 (2.57) 10 2.57 P 8.52 11.48 0.99
12 12
P(1 P) P(1 P)
P P z.025 P z.975 0.95
n n
n S 2 n S 2
P 2
2
2
0.95
.975 n 1 .025 n 1
Tipos de errores
Realidad
H0 cierta H0 Falsa
Probabilidad β
Niveles de Significación a:
NIVEL DE SIGNIFICACIÓN
0.10 0.05 0.01 0.005 0.002
a
Valores críticos de Z
para -1.28 ó -1.645 ó -2.33 ó -2.58 ó -2.88 ó
Valores críticos de Z
para -1.645 ó -1.96 ó -2.58 ó -2.58 ó -3.08 ó
APLICACION
Cálculo de valores críticos
Capítulo 04: Estimación
APLICACION
1. Si X ~ N (40,10),
(a) Calcular P(39 ≤ X ≤ 41) para n=10.
(b) ¿En qué intervalo se obtendrán el 95% de los resultados?
Solución:
(a) P (39 ≤ X ≤41) = P (39-40) ≤ X -40 ≤ (41 – 40) = P(- 0,31623 ≤ X ≤ 0,31623)
√10 √10 √10
Z = X -40
N (0,1)
√10
APLICACION
2. Si el contenido en gr. de un determinado medicamento X sigue una distribución
N(7.5,0.3). Calcular la probabilidad de que para una muestra de tamaño n=5, se
obtenga una media menor que 7, P ( X ≤ 7).
Solución:
A partir de una muestra de tamaño n=5 de una población normal N(μ=7.5,σ=0.3), tenemos que:
P ( X ≤ 7) =