Você está na página 1de 18

1

ESTIMACIÓN
ACTIVIDAD No.4

Presentado por:

YEIMI YOANA CALDERÓN


ID: 000547382

DIEGO MAURICIO LLANOS PEÑA


ID: 000545401

MARLOVI PRECIADO IBATA


D: 000534105

CORPORACIÓN UNIVERSITARIA MINUTO DE DIOS


CONTADURIA PÚBLICA IV SEMESTRE
ESTADISTICA INFERENCIAL
NEIVA
2017
2

ESTIMACIÓN
ACTIVIDAD No. 4

Presentado por:

YEIMI YOANA CALDERÓN


ID: 000547382

DIEGO MAURICIO LLANOS PEÑA


ID: 000545401

MARLOVI PRECIADO IBATA


ID: 000534105

Docente:

PAUL ALEJANDRO SERPA QUINTERO


NRC: 7339

CORPORACION UNIVERSITARIA MINUTO DE DIOS


CONTADURIA PÚBLICA IV SEMESTRE
ESTADISTICA INFERENCIAL
NEIVA
2017
3

Contenido

Introducción .................................................................................................................................. 1

Justificación ................................................................................................................................... 2

Objetivos ........................................................................................................................................ 3

1. Ejercicio 8.1 resolver los numerales del 1 al 6 pág 283 del libro Estadística Aplicada Ciro
Martinez - Richard Levin ............................................................................................................. 4

2. Ejercicio 8.2 resolver los numerales 8 y 10 pág 286 y 287 del libro Estadística Aplicada
Ciro Martinez - Richard Levin .................................................................................................... 5

3. Ejercicio 8.3 resolver los numerales 12,13 y 15 pág 290 y 291 del libro Estadística
Aplicada Ciro Martinez - Richard Levin.................................................................................... 6

Conclusiones .................................................................................................................................. 7

Bibliografía .................................................................................................................................... 8
4

Tabla de ilustración

Ilustración 1 ................................................................................................................................... 2

Ilustración 2 ................................................................................................................................... 2
5

Introducción

En esta actividad número cuatro, el uso principal de la inferencia estadística en la


investigación empírica, es lograr conocimiento de una gran clase de unidades estadísticas
(seres humanos, plantas, parcelas de tierra), de un número relativamente pequeño de los
mismos elementos. Los métodos de inferencia estadística emplean el razonamiento
inductivo, razonamiento de lo particular a lo general y de lo observado a lo no observado.
Cualquier colección o agregación grande de cosas que deseamos estudiar o de las cuales
deseamos hacer inferencias, se llama población. El término población tiene más significado
cuando se lo junta con la definición de muestra de una población: una muestra es una parte
o subconjunto de una población. Una muestra de n elementos de la población
de N elementos, debería ser seleccionada de forma tal que las características de la
población puedan ser estimados con un margen de error conocido. Los valores de varias
medidas descriptivas calculadas para las poblaciones, se llaman parámetros. Para las
muestras, estas mismas medidas descriptivas se llaman estadísticas. Un parámetro describe
una población de la misma manera que una estadística describe a una muestra. Una
estadística calculada a partir de una muestra es un estimador del parámetro en la población.
Una estimación es alguna función de los resultados de una muestra que produce un valor,
llamado estimador. El estimador da alguna información respecto al parámetro. Por
ejemplo, la media de la muestra, , es un estimador de la media m en la población. Las
poblaciones pueden ser infinitas o finitas. Para la mayoría de los propósitos de
investigación, se supone que las poblaciones son infinitas, no finitas, en tamaño, las cuales
son algo artificial o imaginario. Una población finita puede ser extremadamente grande. Es
posible concebir un proceso de conteo de los elementos de la población, el cual puede ser
computado; luego la población es técnicamente finita. Afortunadamente no es necesario
crear problemas en cuanto a la distinción entre poblaciones infinitas y finitas. El método
usado para seleccionar la muestra es muy importante al juzgar la validez de la inferencia
que se hace de la nuestra a la población.
6

Justificación

Su finalidad es proporcionarnos las herramientas necesarias para poder determinar


buenas aproximaciones (a los que llamaremos estimaciones) a aquellos valores
desconocidos en la población (a los que técnicamente se les denomina parámetros) y que
estamos interesados en conocer. Los estimadores siempre suministran dispersión aleatoria.
Como sabemos del monográfico sobre muestreo, el conjunto de todas las muestras de un
mismo diseño que provienen de una misma población suministran valores diferentes. Esta
circunstancia indica que existe una variación aleatoria con la que hay que vivir porque es
inevitable. Pero todavía sería peor. Es posible que el estimador escogido tenga sesgo, es
decir, que no solo esté variando alrededor de un punto, sino que el punto sobre el que varía
no es el valor poblacional, verdadero u objetivo de nuestro interés. Esto si es evitable. Así
que los estimadores que utilizamos intentamos que sean insesgados, es decir, que carezcan
de sesgo. El recurso que utilizamos para ello es el valor esperado, es decir, la media
aritmética de la distribución muestral del estimador. Ya lo viste en el monográfico sobre
muestreo. El valor esperado es, como dice la expresión, el valor que esperamos. Cabe elegir
un estimador tal que el valor esperado coincida con el parámetro.
7

Objetivos

General

Aprender cómo hacer estimaciones de ciertas, características de una población a partir de


muestras.

Específicos

 Aprender las fortalezas y limitaciones de las estimaciones puntuales y las


estimaciones de intervalos.

 Calcular que tan precisas son en realidad nuestras estimaciones.

 Aprender a utilizar la distribución t para hacer estimaciones de intervalo en algunos


casos en los que la distribución normal no se puede utilizar.
8

ESTIMACIONES

Ilustración 1

Cualquier estadístico de la muestra que se utilice para estimar un parámetro


poblacional se conoce como estimador, es decir, un estimador es un estadístico de la
muestra utilizado para estimar un parámetro poblacional.

Una estimación es un valor específico observado de un estadístico. Hacemos una


estimación si tomamos una muestra y calculamos el valor que toma nuestro estimador en
esa muestra.

1. Ejercicio 8.1 resolver los numerales del 1 al 6 pág 283 del libro Estadística
Aplicada Ciro Martinez - Richard Levin

8.1 ¿Cuáles son las dos herramientas básicas que se utilizan al hacer inferencias
estadísticas?

Las dos herramientas básicas que se utilizan al hacer inferencias estadísticas son:

Métodos de estimación de
parámetros

Métodos de prueba de
hipótesis.

Ilustración 2
9

Métodos de estimación de parámetros

La Estimación de parámetros comprende a su vez la Estimación Puntual, en donde


se estudian los diversos métodos de encontrar estimadores y las propiedades óptimas que
deben tener éstos, y la Estimación por Intervalos de Confianza, en donde se estima un
parámetro usando un intervalo centrado en un estimado del parámetro y de longitud igual a
dos veces el error de estimación.

Métodos de prueba de hipótesis.

Tienen como objetivo comprobar si determinado supuesto referido a un parámetro


poblacional, o a parámetros análogos de dos o más poblaciones, es compatible con la
evidencia empírica contenida en la muestra. Los supuestos que se establecen respecto a los
parámetros se llaman hipótesis paramétricas. Para cualquier hipótesis paramétrica, el
contraste se basa en establecer un criterio de decisión, que depende en cada caso de la
naturaleza de la población, de la distribución de probabilidad del estimador de dicho
parámetro y del control que se desea fijar a priori sobre la probabilidad de rechazar la
hipótesis contrastada en el caso de ser ésta cierta.

Hipótesis nula, La afirmación que está establecida y que se espera sea rechazada
después de aplicar una prueba estadística es llamada la hipótesis nula y se representa por
Ho. Hipótesis alterna La afirmación que se espera sea aceptada después de aplicar una
prueba estadística es llamada la hipótesis alterna y se representa por Ha.

8.2 ¿Por qué los que toman decisiones a menudo miden muestras en lugar de medir
poblaciones completas?

Porque medir una población completa puede no ser factible debido a


consideraciones de tiempo y costo. Una muestra produce solo una estimación y está sujeta a
errores de muestreo.

8.3 ¿Explique una limitación que se presenta al hacer una estimación puntual, pero
que no se presenta al hacer una estimación de intervalo?
10

Primero que todo una estimación puntual es un solo número que se utiliza para
estimar un parámetro de población desconocido. Si, mientras observa al primer integrante
de un equipo de futbol americano salir al campo de juego, se dice: “¡caramba! Apuesto a
que el peso promedio de los jugadores defensivos es de 125 kilogramos “usted ha hecho
una estimación puntual. El jefe de departamento de una universidad estira haciendo una
estimación puntual si afirmaría “nuestros datos actuales indica que en esta materia
tendremos 351 estudiante el siguiente semestre”.

A menudo una estimación puntual es insuficiente debido a que solo tienen dos
opciones: es correcta o está equivocada. Si le dicen solamente que la afirmación sobre la
inscripción está equivocada no sabe que tanto está mal y no puede tener la certeza de que la
estimación es confiable. Si se entera de que solo esta errada por10 estudiante, podría
aceptar a 350 estudiantes como una buena estimación de la inscripción futura. Pero si está
equivocada en 90 estudiantes, la rechazaría como estimación de la inscripción futura.
Entonces, una estimación puntual es mucho más útil si viene acompañada por una
estimación del error que podría estar implicado.

8.4 ¿Qué es un estimador? ¿En qué se diferencia un estimador de una estimación?

Un estimador es un estadístico de la muestra que se utiliza para estimar un


parámetro de población. Una estimación es un valor numérico específico para un estimador,
que resulta de la muestra particular observada.

8.5 Dé una lista de los criterios de un buen estimador y descríbalos brevemente.

Algunas estadísticas son mejores estimadores que otras. Afortunadamente, podemos


evaluar la calidad de una estadística como estimador mediante el uso de cuatro criterios:

1. Insesgado. Se refiere al hecho de que una media de muestra es un estimador no


sesgado de una media de población porque la media de la distribución de muestreo de las
medias de muestras tomadas de la misma población es igual a la media de la población
misma. Podemos decir que una estadística es un estimador sin sesgo o imparcial si, en
promedio, tiende a tomar valores que están por encima del parámetro de la población que se
11

está estimado con la misma frecuencia y la misma extensión con la que tiende a asumir
valores por debajo del parámetro de población que se está estimando.

2. Eficiencia. La eficiencia se refiere al tamaño del error estándar de la estadística.


Si comparamos dos estadísticas de una muestra del mismo tamaño y tratamos de decidir
cuál de ellas es un estimador más eficiente, escogeríamos la estadística que tuviera el
menor error estándar o la menor desviación estándar de la distribución de muestreo.

3. Consistencia. Una estadística es un estimador coherente de un parámetro de la


población si al aumentar el tamaño de la muestra, se tiene casi la certeza de que el valor de
la estadística se aproxima bastante al valor del parámetro de la población. Si un estimador
es coherente, se vuelve más confiable si tenemos tamaños de muestra más grandes.

4. Suficiencia. Un estimador es suficiente si utiliza una cantidad de la información


contenida en la muestra que ningún otro estimador podría extraer información adicional de
la muestra sobre el parámetro de la población que se está estimando.

8.6 ¿Qué papel juega la consistencia en la determinación del tamaño de la muestra?

El papel que juega la consistencia en la determinación del tamaño de la muestra nos


asegura que el estimador se vuelve más confiable con muestras más grandes.

2. Ejercicio 8.2 resolver los numerales 8 y 10 pág 286 y 287 del libro Estadística
Aplicada Ciro Martinez - Richard Levin

8.8 El National Bank of Lincoln quiere determinar el número de cajeros disponibles


durante las horas pico de almuerzo los viernes. El banco a recolectado datos del
número de personas que entraron al banco los viernes de los últimos 3 meses entre las
11: 00 A.M. y la 1:00 P.M utilice los siguientes datos para encontrar las estimaciones
puntuales de la media y la desviación estándar de la población de donde se tomó la
muestra. Recuerde que las unidades son personas.
12

242 275 289 306 342 385 279 245 269 305 294 328

Banco # de personas
x1 242
x2 275
x3 289
x4 306
x5 342
x6 385
x7 279
x8 245
x9 269
x10 305
x11 294
x12 328
3.559
∑𝒙
̅=
𝒙
𝒏
3.559
̅
𝒙= = 𝟐𝟗𝟔, 𝟓𝟖𝟑
12

𝟐
∑𝑿 𝟐 ̅𝟐
𝒏. 𝒙
𝑺 = −
𝒏−𝟏 𝒏−𝟏
∑𝑿 𝟐 = 58.564 + 75.625 + 83.521 + 93.636 + 116.964 + 148.225 + 77.841 + 60.025 +
72.361 + 93.025 + 86.436 + 107.584 = 1.073.807

𝟏.𝟎𝟕𝟑.𝟖𝟎𝟕 𝟏𝟐(𝟐𝟗𝟔,𝟓𝟖𝟑)𝟐
𝑺𝟐 = −
𝟏𝟏 𝟏𝟏

𝟏. 𝟎𝟕𝟑. 𝟖𝟎𝟕 𝟏. 𝟎𝟓𝟓. 𝟓𝟑𝟕. 𝟕


𝑺𝟐 = −
𝟏𝟏 𝟏𝟏
𝑺𝟐 = 𝟗𝟕. 𝟔𝟏𝟖, 𝟖 − 𝟗𝟓. 𝟗𝟓𝟕, 𝟗
𝑺𝟐 = 𝟏. 𝟔𝟔𝟎, 𝟗

𝑺 = √𝑺𝟐

𝑺 = √𝟏. 𝟔𝟔𝟎, 𝟗 𝑺 = 𝟒𝟎. 𝟕𝟓


13

8.10 En una muestra de 400 trabajadores textiles, 184 de ellos expresaron gran
insatisfacción con el plan propuesto para modificar las condiciones de trabajo. Como
el descontento de este grupo fue lo suficientemente fuerte para hacer que la
administración de la fábrica considerara la reacción al plan como altamente negativa,
tiene curiosidad de conocer la proporción del total de trabajadores en contra. Dé una
estimación puntual de esta proporción.

n: 400 =100% tamaño


p: 184 = 46% probabilidad de éxito
q: 216 = 54%Probabilidad de Fracaso

P: 46%
𝒑−𝑷
𝒁=
𝒒𝒑

𝒏
𝟎. 𝟒𝟔 − 𝟎. 𝟒𝟔
𝒁=
√(𝟎. 𝟓𝟒)(𝟎. 𝟒𝟔)
𝟒𝟎𝟎

𝟎
𝒁= =𝟎
𝟎. 𝟎𝟐𝟒

La estimación puntual de la población es exactamente igual a la de la muestra, por


lo tanto la proporción total de trabajadores en contra es igual a lo de la muestra 0.46 x

100 = 46%

3. Ejercicio 8.3 resolver los numerales 12,13 y 15 pág 290 y 291 del libro Estadística
Aplicada Ciro Martinez - Richard Levin 6

8.12 De una población que se sabe tiene una desviación estándar de 1.4, se toma una
muestra de 60 individuos. Se encuentra que la media de esta muestra es 6.2.

n = 60
𝝈 = 1,4
̅ = 6,2
𝒙
14

a. Encuentre el error estándar de la media.

𝝈
𝝈𝒙 =
√𝒏
𝟏, 𝟒
𝝈𝒙 =
√𝟔𝟎

𝟏, 𝟒
𝝈𝒙 =
𝟕, 𝟕

𝝈𝒙 = 0.181 error estándar de la media

b. Construya una estimación de intervalo alrededor de la media de la muestra,


utilizando un error estándar de la media.

̅ ± 𝝈𝒙
𝒙

𝟔. 𝟑𝟖𝟏
𝟔, 𝟐 ± 𝟎. 𝟏𝟖𝟏 <
𝟔. 𝟎𝟏𝟗
8.13 De una población con desviación estándar conocida de 1.65, una muestra de 32
elementos dio como resultado 34.8 como estimación de la media.

a. Encuentre el error estándar de la media.

n = 32
𝝈 = 1,65
̅ = 34,8
𝒙
𝝈
𝝈𝒙 =
√𝒏
𝟏, 𝟔𝟓
𝝈𝒙 =
√𝟑𝟐

𝟏, 𝟔𝟓
𝝈𝒙 =
𝟓, 𝟔𝟓

𝝈𝒙 = 0.29 error estándar de la media


15

b. Calcule un intervalo estimado que incluya la media de la población 99.7% del


tiempo.

̅ ± 𝝈𝒙
𝒙

𝟑𝟒. 𝟓𝟏
𝟑𝟒, 𝟖 ± 𝟎. 𝟐𝟗 <
𝟑𝟓. 𝟎𝟗
𝟑𝟒, 𝟖 ± 𝟑𝝈𝒙 = 𝟑𝟏. 𝟖 𝒂 𝟑𝟕. 𝟖 = 𝟗𝟗. 𝟕% 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒛𝒂

8.15 Debido a que el dueño del restaurante recientemente abierto, El Refugio del
Bardo ha tenido dificultades al estimar la cantidad comida que debe preparar cada
tarde , ha decido determinar el número medio de clientes a los que atiende cada
noche. Seleccionó una muestra de 30 noches que le arrojaron una media de 71
clientes. Se llegó a la conclusión de que la desviación estándar de la población es 3,76.

a. Dé una estimación de intervalo que tenga 68.3 % de probabilidad de incluir a la


media de la población.

n = 30
𝝈 = 3,76
̅ = 71
𝒙
𝝈
𝝈𝒙 =
√𝒏
𝟑, 𝟕𝟔
𝝈𝒙 =
√𝟑𝟎

𝟑, 𝟕𝟔
𝝈𝒙 =
√𝟓, 𝟒𝟕

𝝈𝒙 = 𝟎, 𝟔𝟖

̅ ± 𝝈𝒙
𝒙

𝟕𝟎. 𝟑𝟐
𝟕𝟏 ± 𝟎. 𝟔𝟖 <
𝟕𝟏. 𝟔𝟖
16

68.3% de probabilidad de incluir a la media de la población = (𝟕𝟏 ±


𝟏𝝈𝒙 ) 𝒆𝒏𝒕𝒓𝒆 𝒆𝒍 𝟕𝟎 𝒚 𝟕𝟐.

b. Dé una estimación de intervalo que tenga el 99.7% de probabilidad de incluir a la


media de la población.

99.7% de probabilidad de incluir a la media de la población = (𝟕𝟏 ±


𝟑𝝈𝒙 ) 𝒆𝒏𝒕𝒓𝒆 𝒆𝒍 𝟔𝟖 𝒚 𝟕𝟒
17

Conclusión

Para resumir estimar qué va a ocurrir respecto a algo (o qué está ocurriendo, o qué
ocurrió), a pesar de ser un elemento muy claramente estadístico, está muy enraizado en
nuestra cotidianidad. Dentro de ello, además hacemos estimaciones dentro de un intervalo
de posibilidades. Por ejemplo: “creo que terminaré la tarea en unos 5-6 días”. Lo que
hacemos en el terreno del análisis de datos es aplicar matizaciones técnicas a este hábito.
Vamos a dedicar este documento al concepto de estimación, comenzando con la estimación
puntual. Después nos ocuparemos de desarrollar un modelo de estimación por intervalo
donde identificaremos los elementos fundamentales, con su significado y símbolo. Y, por
último, habrá que desarrollar cómo se calculan esos elementos. Estimar puede tener dos
significados interesantes. Significa querer e inferir. Desde luego, el primer significado es
más trascendente. Pero no tiene ningún peso en la estadística, disciplina que no se ocupa de
los asuntos del amor. El segundo significado es el importante aquí. Una estimación
estadística es un proceso mediante el que establecemos qué valor debe tener un parámetro
según deducciones que realizamos a partir de estadísticos. En otras palabras, estimar es
establecer conclusiones sobre características poblacionales a partir de resultados
muéstrales. Vamos a ver dos tipos de estimaciones: puntual y por intervalo. La segunda es
la más natural. Y verás que forma parte habitual de nuestro imaginario como personas sin
necesidad de una formación estadística. La primera, la estimación puntual, es la más
sencilla y, por ese motivo, vamos a comenzar por ella. Ocurre, además, que la estimación
por intervalo surge, poco más o menos, de construir un intervalo de posibles valores
alrededor de la estimación puntual. Una estimación puntual consiste en establecer un valor
concreto (es decir, un punto) para el parámetro. El valor que escogemos para decir “el
parámetro que nos preocupa vale X” es el que suministra un estadístico concreto. Como ese
estadístico sirve para hacer esa estimación, en lugar de estadístico suele llamársele
estimador. Así, por ejemplo, utilizamos el estadístico “media aritmética de la muestra”
como estimador del parámetro “media aritmética de la población”. Esto significa: si quieres
conocer cuál es el valor de la media en la población, estimaremos que es exactamente el
mismo que en la muestra que hemos manejado.
18

Bibliografía

Arrondo, V. M. (2012). Estimación estadística. Recuperado el 01 de Noviembre de 2017,


de http://asignatura.us.es/dadpsico/apuntes/EstimacionEstadistica.pdf

fca.unl.edu.ar. (01 de Noviembre de 2017). ESTIMACIÓN DE PARÁMETROS. Recuperado


el 01 de Noviembre de 2017, de http://www.fca.unl.edu.ar/InferEst/EstimParam.htm

Martinez, C. (2011). Estadistica Aplicada. Colombia: Pearson Educacion .