Академический Документы
Профессиональный Документы
Культура Документы
SUPERIOR DE ACAYUCAN
1
INTRODUCCION
1. Estimación.
1.1. Características de un estimador.
1.2. Estimación puntual.
1.3. Estimación por intervalos.
1.3.1. Intervalo de confianza para la media.
1.3.2. Intervalo de confianza para la diferencia de medias.
1.3.3. Intervalos de confianza para la proporción.
1.3.4. intervalos de confianza para la diferencia de proporciones.
1.3.5. Intervalos de confianza para la varianza.
1.3.6. Intervalos de confianza para la relación de varianzas.
1.4. Determinación del tamaño de muestra.
1.4.1. Basado en la media de la población.
1.4.2. Basado en la proporción de la población.
2
1. Estimación
Ejemplo
En una población de 500 puntuaciones cuya Media (m) es igual a 5.09 han hecho un
muestreo aleatorio (número de muestras= 10000, tamaño de las muestras= 100) y hallan
que la Media de las Medias muestrales es igual a 5.09, (la media poblacional y la media
de las medias muestrales coinciden). En cambio, la Mediana de la población es igual a 5 y
la Media de las Medianas es igual a 5.1 esto es, hay diferencia ya que la Mediana es un
estimador sesgado.
La Media de las Varianzas muestrales es igual a 9.5, esto es, coincide con la Varianza de
la población ya que la Cuasivarianza es un estimador insesgado.
3
2) Consistencia. Un estimador es consistente si aproxima el valor del parámetro cuanto
mayor es n (tamaño de la muestra).
Algunos estimadores consistentes son:
Ejemplo
En una población de 500 puntuaciones cuya Media (m) es igual a 4.9 han hecho tres
muestreos aleatorios (número de muestras= 100) con los siguientes resultados:
Vemos que el muestreo en que n=100 la Media de las Medias muestrales toma el mismo
valor que la Media de la población.
4
1.2 Estimación puntual
Una estimación es puntual cuando se usa un solo valor extraído de la muestra para
estimar el parámetro desconocido de la población. Al valor usado se le llama estimador.
Cuando estimamos un parámetro de forma puntual, podemos saber con certeza, cuál es
ese valor. Imaginemos una población de 30 personas de las que seleccionamos una
muestra de 20 para las que conocemos sus edades. Estimar de forma puntual la media
de edad, sería tan sencillo como sumar esos 20 datos y dividirlos entre el total de
la muestra estadística.
Pensemos ahora en que queremos estimar la altura media de esa muestra. Al contrario
que antes, no tenemos el valor de la altura de cada persona. En este caso no podríamos
realizar una estimación puntual, es decir, no podríamos hallar un valor concreto de esa
altura media. En este caso tendríamos que realizar una estimación por intervalos, es decir,
podríamos acotar el valor más alto y más bajo de las alturas de las personas con cierta
seguridad o lo que en estadística se conoce como cierto nivel de confianza.
5
1.3 Estimación por intervalos
La estima de un parámetro poblacional dada por un número se llama estima del punto del
parámetro. La estima de un parámetro poblacional dada por dos números entre los cuales
se considera que se encuentra dicho parámetro se llama estima de intervalo del
parámetro.
EJEMPLO: Si se dice que una distancia viene dada por 5.28 pies, se está dando una
estima de punto. Si, por otra parte, se dice que la distancia es 5,28 +- 0.03 pies, es decir,
la distancia real se encuentra entre 5.25 y 5.31 pies, se está dando una estima de intervalo,
La diferencia principal entre las dos clases de problemas es que los problemas de
estimación debemos determinar el valor de un parámetro o los valores de varios
parámetros de un continuo posible de alternativas mientras que en las pruebas de
hipótesis debemos de medir si aceptamos o rechazamos un valor especifico o un
conjunto de valores específicos de un parámetro.
En la primera se busca que con base a los datos muéstrales de origen a una estimulación
evaluada del parámetro y que recibe el nombre de estimador puntual. Para la segunda se
determina un intervalo en la que forma probable se encuentre el valor de parámetro y
recibe el nombre de intervalo de confianza.
Dada una variable aleatoria con distribución Normal N(μ, σ), el objetivo es la construcción
de un intervalo de confianza para el parámetro μ, basado en una muestra de tamaño n de
la variable.
6
Dada una muestra X1,..., Xn, el estadístico
Se distribuye según una Normal estándar. Por tanto, aplicando el método del pivote
podemos construir la expresión
Donde zα/2 es el valor de una distribución Normal estándar que deja a su derecha una
probabilidad de α/2, de la que se deduce el intervalo de confianza
Donde tα/2 es el valor de una distribución t de Student con n − 1 grados de libertad que
deja a su derecha una probabilidad de α/2.
7
poblaciones son normales, o aproximadamente normal si cumple con las condiciones del
teorema del límite central (tamaños de muestras relativamente grandes).
Para calcular el intervalo de confianza para la diferencia de dos medias se debe saber si
las varianzas poblacionales son conocidas o desconocidas, y en caso de que sean
desconocidas, se debe probar si son i guales o diferentes. Cada uno de estos tres casos
se analizará por separado.
Supondremos la existencia de dos poblaciones sobre las que una variable determinada
sigue una distribución Normal con idéntica varianza en las dos. Sobre la población 1, la
variable sigue una distribución N(µ1, σ) y, sobre la población 2, sigue una distribución N(µ2,
σ). Igualmente supondremos que disponemos de dos muestras aleatorias
independientes, una para cada población, de tamaños
muestrales n1 y n2 respectivamente.
µ1 − µ2
Esta variable, bajo la hipótesis de independencia de las muestras, sigue una distribución
Normal de esperanza
µ1 − µ2
Y de varianza
La estimación conjunta, a partir de las dos muestras, de la varianza común viene dada por
la expresión
8
Sigue una distribución χ2 con n1 + n2 − 2 grados de libertad, podemos construir un
estadístico pivote que siga una distribución t de Student y que nos proporciona la fórmula
siguiente para el intervalo de confianza para la diferencia de medias:
Dada una variable aleatoria con distribución Binomial B(n, p), el objetivo es la
construcción de un intervalo de confianza para el parámetro p, basada en una observación
de la variable que ha dado como valor x. El mismo caso se aplica si estudiamos una
Binomial B(1, p) y consideramos el número de veces que ocurre el suceso que define la
variable al repetir el experimento n veces en condiciones de independencia.
Aproximación asintótica
9
Que sigue una distribución N(0, 1), y añadiendo una corrección por continuidad al pasar
de una variable discreta a una continua, se obtiene el intervalo de confianza asintótico:
Donde zα/2 es el valor de una distribución Normal estándar que deja a su derecha una
probabilidad de α/2 para un intervalo de confianza de (1 − α) · 100 %. Las condiciones
generalmente aceptadas para considerar válida la aproximación asintótica anterior son:
Intervalo exacto
Donde el símbolo zα/2 es el mismo valor crítico que antes, prob(Z > zα/2) = α/2, y
corresponde a un intervalo de confianza 1 − α %.
Este intervalo puede utilizarse de manera alternativa al contraste de hipótesis para decidir
(con nivel de significación α %) si hay igualdad de los dos grupos. Se decidirá por la
igualdad de los grupos si el valor 0 queda incluido en cualquier posición en el intervalo.
10
Aunque se haga el contraste de dos proporciones, en primer lugar, es aconsejable obtener
el intervalo de confianza de la diferencia de medias, si éste ha resultado significativo,
puesto que ayudará a interpretar si existe significación aplicada además de la estadística.
Si se dispone de alguna información previa y sólo quiere calcularse alguno de los dos
intervalos unilaterales, bastará sustituir zα/2 por zα y descartar el límite superior o inferior
del intervalo según el caso. Por ejemplo, el intervalo unilateral derecho corresponde a:
Dada una variable aleatoria con distribución Normal N(μ; σ), el objetivo es la
construcción de un intervalo de confianza para el parámetro σ, basado en una muestra de
tamaño n de la variable.
Donde χ2α/2 es el valor de una distribución ji-cuadrado con n − 1 grados de libertad que
deja a su derecha una probabilidad de α/2.
Tamaño de muestra: 10
11
1.3.6 Intervalos de confianza para la relación de varianza
Supondremos la existencia de dos poblaciones sobre las que una determinada variable
sigue una distribución Normal. Sobre la población 1 la variable sigue una distribución N(µ1,
σ1) y sobre la población 2 sigue una distribución N(µ2, σ2). Igualmente supondremos que
disponemos de dos muestras aleatorias independientes, una para cada población, de
tamaños muestrales n1 y n2 respectivamente.
12
¿De qué depende el tamaño muestral?
Nivel de confianza. Son intervalos aleatorios que se usan para acotar un valor con una
determinada probabilidad alta. Por ejemplo, un intervalo de confianza de 95% significa que
los resultados de una acción probablemente cubrirán las expectativas el 95% de las veces.
La media poblacional técnicamente no es una media sino un parámetro fijo que coincide
con la esperanza matemática de una variable aleatoria. El nombre "media poblacional" se
usa para significar qué valor numérico de una media muestral es numéricamente cercano
al parámetro media poblacional, para una muestra adecuada y suficientemente grande.
En una población cuya distribución es conocida pero desconocemos algún parámetro,
podemos estimar dicho parámetro a partir de una muestra representativa.
Un estimador es un valor que puede calcularse a partir de los datos muestrales y que
proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es
un estimador de la media poblacional, la proporción observada en la muestra es un
estimador de la proporción en la población.
Una estimación es puntual cuando se obtiene un sólo valor para el parámetro. Los
estimadores más probables en este caso son los estadísticos obtenidos en la muestra,
aunque es necesario cuantificar el riesgo que se asume al considerarlos. Recordemos que
la distribución muestral indica la distribución de los valores que tomará el estimador al
13
seleccionar distintas muestras de la población. Las dos medidas fundamentales de esta
distribución son la media que indica el valor promedio del estimador y la desviación típica,
también denominada error típico de estimación, que indica la desviación promedio que
podemos esperar entre el estimador y el valor del parámetro.
Más útil es la estimación por intervalos en la que calculamos dos valores entre los que se
encontrará el parámetro, con un nivel de confianza fijado de antemano.
Analizar
Estadísticos Descriptivos
14
Explorar
Analizar
Comparar medias
Utilizando este criterio los resultados numéricos no coinciden exactamente con los que se
obtendrían aplicando la expresión del error típico de la proporción; no obstante la
discrepancia es despreciable si el número de observaciones es suficientemente grande.
15
Conclusión
16
Bibliografía:
https://www.uv.es/webgid/Inferencial/42_caractersticas_estimadores.html
https://definiciones/estimacion-puntual.html
http://cidecame.uaeh.edu.mx/lcc/mapa/PROYECTO/libro19/61estimacin_puntual_y_por_
intervalos.html
http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo8/B0C8m1t8.htm
http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo8/B0C8m1t15.ht
m
http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo8/B0C8m1t11.ht
m
http://recursostic.educacion.es/descartes/web/materiales_didacticos/inferencia_estadistic
a/estimac.htm
17