Definicin de parmetro estadstico

Un parmetro estadstico es un nmero que se obtiene a partir de los datos de una distribucin estadstica. Los parmetros estadsticos sirven para sintetizar la informacin dada por una tabla o por una grfica. Tipos de parmetros estadsticos Hay tres tipos parmetros estadsticos: De centralizacin. De posicin De dispersin.

MEDIDAS DE CENTRALIZACIN Nos indican en torno a qu valor (centro) se distribuyen los datos. La medidas de centralizacin son: MEDIA ARITMTICA La media es el valor promedio de la distribucin. MEDIANA La mediana es la puntacin de la escala que separa la mitad superior de la distribucin y la inferior, es decir divide la serie de datos en dos partes iguales.

MODA La moda es el valor que ms se repite en una distribucin.

MEDIDAS DE POSICIN Las medidas de posicin dividen un conjunto de datos en grupos con el mismo nmero de individuos. Para calcular las medidas de posicin es necesario que los datos estn ordenados de menor a mayor. La medidas de posicin son: CUARTILES Los cuartiles dividen la serie de datos en cuatro partes iguales. DECILES Los deciles dividen la serie de datos en diez partes iguales. PERCENTILES Los percentiles dividen la serie de datos en cien partes iguales.

MEDIDAS DE DISPERSIN Las medidas de dispersin nos informan sobre cuanto se alejan del centro los valores de la distribucin. Las medidas de dispersin son: RANGO O RECORRIDO El rango es la diferencia entre el mayor y el menor de los datos de una

distribucin estadstica

DESVIACIN MEDIA La desviacin media es la media aritmtica de los valores absolutos de las desviaciones respecto a la media. VARIANZA La varianza es la media aritmtica del cuadrado de las

desviaciones respecto a la media. DESVIACIN TPICA La desviacin tpica es la raz cuadrada de la varianza.

A un valor calculado con los datos de una muestra lo llamamos ESTADSTICA. Cuando usamos una estadstica para jugar el papel de decir, aproximadamente, el valor de un parmetro de la poblacin, le llamamos ESTIMADOR. Cuando andamos un poco pedantes le llamamos ESTIMADOR PUNTUAL (al decir ``puntual'' queremos decir que para estimar el parmetro estamos usando un valor nico). Regresando a las bolitas del ``Roll on''. Si la muestra de 100 bolitas arroja un valor del promedio de 43.5 mm, diramos que ESTIMAMOS el promedio de la poblacin en 43.5 mm. Constryase Ud. mismo un ejemplo como el de las bolitas. En su ejemplo, describa una poblacin. un parmetro para la poblacin. una muestra. una estadstica que le sirva como estimador.

Caractersticas probabilsticas de un estimador Cuando se tiene una frmula para estimar y se aplica a una muestra aleatoria, el resultado es aleatorio, es decir los estimadores son variables aleatorias. Por ejemplo si se recibe un embarque de objetos que pueden estar listos para usarse defectuosos.

Podemos seleccionar, al azar, algunos de ellos para darnos una idea de la proporcin de defectuosos en el embarque. El parmetro de inters es la proporcin de defectuosos en

toda la poblacin, pero lo que observamos es la proporcin de defectuosos en la muestra. El valor de la proporcin en la muestra es una variable aleatoria cuya distribucin est emparentada directamente con la binomial (si se tratara del nmero de defectuosos, sera binomial). Como cualquier variable aleatoria, el estimador tiene distribucin de probabilidad. valor esperado. desviacin estndar / varianza.

Valor esperado de un estimador y sesgo El valor esperado de un estimador nos da un valor alrededor del cual es muy probable que se encuentre el valor del estimador. Para poner un ejemplo, si supieramos que el valor esperado de una estadstica es 4, esto significara que al tomar una muestra: No creemos que el valor de la estadstica vaya a ser 4. Pero tampoco creemos que el valor de la estadstica vaya a estar lejos de 4.

Ya que es muy probable que el valor del estimador est cerca de su valor esperado, una propiedad muy deseable es que ese valor esperado del estimador coincida con el del parmetro que se pretende estimar. Al menos, quisiramos que el valor esperado no difiera mucho del parmetro estimado. Por esa razn es importante la cantidad que, tcnicamente llamamos sesgo. El sesgo es la diferencia entre el valor esperado del estimador y el parmetro que estima. Si el sesgo 0, se dice que el estimador es instigado y sta es una caracterstica buena para un estimador. Un estimador que es instigado tiene una alta probabilidad de tomar un valor cercano al valor del parmetro. Varianza de un estimador Otra propiedad importante de un estimador es su varianza (o su raz cuadrada, la desviacin estndar). La importancia de la desviacin estndar es que nos permite darle un sentido numrico a la cercana del valor del estimador a su valor esperado. Entre menor sea la desviacin estndar (o la varianza) de un estimador, ser ms probable que su valor en una muestra especfica se encuentre mas cerca del valor esperado. Para aclarar esto, considere dos estimadores T1 y T2, suponga que ambos son instigados y suponga que la varianza de T1 es menor que la de T2 Qu quiere decir esto? Simplemente que en un entorno fijo del valor del parmetro, los valores de T1 son ms probables que los de T2. O sea que vamos a encontrar a T1 ms cerca del valor del parmetro que a T2. Esto hace que nuestras preferencias estn con T1. Cuando un estimador tiene una varianza menor que otro decimos que el estimador es ms eficiente. En el pizarrn vemos algunos estimadores instigados: la proporcin muestra como estimador de la proporcin poblaciones. la media muestra como estimador del valor esperado poblaciones.

la varianza de la muestra como estimador de la varianza de la poblacin.

La distribucin de probabilidad de una estadstica Quiz el resultado mas importante para la estadstica es el Teorema del Lmite Central. Este resultado nos indica que, para la estadstica promedio de la muestra el valor esperado es la media de la poblacin. la varianza es igual a la de la poblacin dividida por el nmero de elementos de la muestra. la distribucin de probabilidad es la normal.

Este teorema es muy importante porque permite calcular probabilidades acerca de dnde se encuentra el valor del promedio muestra. Es slo cuestin de usar la tabla normal teniendo cuidado al estandarizar de usar la desviacin estndar adecuada que es la de la poblacin dividida por la raz cuadrada del nmero de elementos de la muestra. En el saln hacemos en forma detallada, ejemplos de estos clculos. Estimacin del error de una medida directa La estimacin del error de una medida tiene siempre una componente subjetiva. En efecto, nadie mejor que un observador experimentado para saber con buena aproximacin cul es el grado de confianza que le merece la medida que acaba de tomar. No existe un conjunto de reglas bien fundadas e inalterables que permitan determinar el error de una medida en todos los casos imaginables. Muchas veces es tan importante consignar cmo se ha obtenido un error como su propio valor. Sin embargo, la aplicacin de algunos mtodos estadsticos permite objetivar en gran medida la estimacin de errores aleatorios. La estadstica permite obtener los parmetros de una poblacin (en este caso el conjunto de todas las medidas que es posible tomar de una magnitud), a partir de una muestra (el nmero limitado de medidas que podemos tomar). Mejor valor de un conjunto de medidas Supongamos que medimos una magnitud un nmero n de veces. Debido a la existencia de errores aleatorios, las n medidas sern en general diferentes El mtodo ms razonable para determinar el mejor valor de estas medidas es tomar el valor medio. En efecto, si los errores son debidos al azar, tan probable es que ocurran por defecto como por exceso, y al hacer la media se compensarn, por lo menos parcialmente. El valor medio se define por: Para ver el grafico seleccione la opcin ¨Bajar trabajo del men superior y este es el valor que deber darse como resultado de las medidas. 2. Tipos de estimacin estadstica Estimacin de parmetros: Un problema importante de la inferencia estadstica es la estimacin de parmetros de la poblacin, brevemente parmetros (tales como la media y la variacin de la poblacin), de

los correspondientes estadsticos mustrales, o simplemente estadsticos(tales como la media y la variacin de la muestra). Estimaciones sin sesgo: Si la media de las dispersiones de muestreo con un estadstico es igual que la del correspondiente parmetro de la poblacin, el estadstico se llamara estimador sin sesgo, del parmetro; si no, si no se llama estimador sesgado. Los correspondientes valores de tal estadstico se llaman estimacin sin sesgo, y estimacin con sesgo respectivamente. Ejemplo 1: la media de las distribuciones de muestreo de medias e, media de la poblacin. Por lo tanto, la media muestral es una estimacin sin sesgo de la media de la poblacin. Ejemplo 2. Las medias de las distribuciones de muestreo de las variables es: Para ver el grafico seleccione la opcin Bajar trabajo del men superior Encontramos, de manera que es una estimacin sin sesgo de. Sin embargo, s es una estimacin sesgada de. En trminos de esperanza podramos decir que un estadstico es instigado porque Para ver el grafico seleccione la opcin Bajar trabajo del men superior Estimacin Eficiente: Si las distribuciones de muestreo de dos estadsticos tienen la misma media(o esperanza), el de menor varianza se llama un estimador eficiente de la media, mientras que el otro se llama un estimador ineficiente, respectivamente. Si consideramos todos los posibles estadsticos cuyas distribuciones de muestreo tiene la misma media, aquel de varianza mnima se llama aveces, el estimador de mxima eficiencia, sea el mejor estimador. Ejemplo: Las distribuciones de muestreo de media y mediana tienen ambas la misma media, a saber, la media de la poblacin. Sin embargo, la varianza de la distribucin de muestreo de medias es menor que la varianza de la distribucin de muestreo de medianas. Por tanto, la media muestral da una estimacin eficiente de la media de la poblacin, mientras la mediana de la muestra da una estimacin ineficiente de ella. De todos los estadsticos que estiman la media de la poblacin, la media muestral proporciona la mejor( la ms eficiente) estimacin. En la practica, estimaciones ineficientes se usan con frecuencia a causa de la relativa sencillez con que se obtienen algunas de ellas.

MATERIA: TRATAMIENTO DE DATOS DE AZAR

MAESTRO: ELIZALDE VARGAS CARLOS

TEMA: PARAMETROS ESTADISTICOS .ESTIMACION , Y ESTIMADORES PUNTUALES

ALUMNO: FERNANDO ZAPOT MEL CHI

GRUPO: 4202