Escolar Documentos
Profissional Documentos
Cultura Documentos
CURSO : ESTADÍSTICA II
DOCENTE : PAUCAR SULLCA, SOLEDAD
INTEGRANTES :
2017
UNIVERSIDAD NACIONAL AMAZONICA DE MADRE DE DIOS
ESCUELA PROFESIONAL DE CONTABILIDAD Y FINANZAS
CONTABILIDAD DE INSTITUCIONES FINANCIERAS Y DE SEGUROS
DEDICATORIA
INTRODUCCION
Estimación puntual
Se busca un estimador, que con base a los datos muestrales de oigen a un valor
puntual que utilizamos como estimación de parámetro.
Estimación por intervalos
Se determina un intervalo aleatorio que de forma probable, contiene el verdadero
valor del parámetro. Este intervalo recibe el nombre de intervalo de confianza.
o EJEMPLO N° 01
Sea X una variable aleatoria que estudia el grosor del tronco de un arbusto.
Se conoce que dicha variable es normal con desviación típica 1 pero no se
conoce la media.
X N (µ, 1) ; µ€R
P (θ ∈ [ a ; b ] ) = 1- α
P (a ≤ θ ≥ b ) = 1- α
Podemos considerar el nivel de confianza (1-α) que hemos prefijado para la expresión
anterior con la probabilidad que existe (antes de tomar la muestra9 de que el intervalo a
construir a partir de la muestra incluya el verdadero valor del parámetro a estimar.
Refleja la “confianza “en la “construcción” del intervalo y de que este tras concretar la
muestra contendrá el valor a estimar. De ahí que en términos numéricos dicho nivel o
probabilidad haya de tomar un valor alto (0.9;0.95;0.99).
Existe para cualquier distribución una infinidad de intervalos a los cuales les corresponde
la misma probabilidad y por tanto habrá una infinidad de intervalos, IN, que verifiquen
que P (θ ∈ IN ) = 1- α lógicamente nosotros buscamos una estimación lo más precisa
posible ;es decir de todos los intervalos que verifican la anterior expresión ;
P (θ ∈ IN ) = 1- α ; el de menor amplitud.
1- α
Observaciones:
1) Para muestras tomadas de una población normal, o para muestras de tamaño 30 n≥,
sin importar la forma que tenga la población, el intervalo de confianza dado por (1)
proporciona buenos resultados.
2) Sin embargo, para muestras pequeñas tomadas de poblaciones que no son normales,
no es posible esperar que el nivel de confianza α−1 sea exacto.
EJEMPLO N°02
Los datos que a continuación se dan son los pesos en gramos de contenido de 16
cajas de cereal que se seleccionaron de un proceso de llenado con el propósito de
verificar el peso promedio: 506, 508, 499, 503, 504, 510, 497, 512, 514, 505, 493, 496,
506, 502, 509, 496. Si el peso de cada caja es una variable aleatoria normal con una
desviación estándar 5=σg , obtener los intervalos de confianza estimados del 90, 95 y
99%, para la media de llenado de este proceso.
Solución
Para un coeficiente de confianza del 90%, α=0.1. El valor 95.0z se obtiene de la tabla
de la normal y es igual a 1.645. Por otro lado, en base a los datos muestrales, el valor
de x es de 503.75g. Entonces un intervalo de confianza del 90% para la media del
proceso de llenado es 165645.175.503±o de 501.69 a 505.81. Los otros intervalos de
confianza deseados se obtienen siguiendo el mismo procedimiento. Los resultados se
encuentran resumidos en la siguiente tabla.
Las circunstancias especificas para la construcción de este intervalo son las siguientes:
Intervalo para µ
Conocida σ (o a varianza)
Distribución poblacional desconocida
Nivel de confianza dado 1-α
Tamaño muestral desconocido luego nos colocamos en el poder de los casos,
es decir pequeño.
TEOREMA DE MARKOV
Donde g(x):
Es una función cualquiera de la variable aleatoria x. y dicha función “g” está definida
NO negativa. siendo “c” una constante cualquier.
Las circunstancias específicas para la construccion de este intervalo con las siguientes:
Intervalo para µ
Conocida σ ( o la varianza)
Distribución poblacional normal
Nivel de confianza dado 1 – α
Tamaño muestral desconocido
Las circunstancias especificas para la construcción de este intervalo son las siguiente:
Intervalo para
Desconocida (o la varianza) dado que n es pequeño no podemos tomar s como
Distribución poblacional normal
Nivel de confianza dado
Tamaño muestral desconocido luego nos colocamos en el peor de los casos, es
decir pequeño.
Del estudio de las distribuciones muestrales conocemos que:
EJERCICIOS
EJERCICIO 1
Si X ~ N (40,10), calcular Pr (39≤ X ≤41) para n=10. ¿En qué intervalo se obtendrán el
95% de los resultados?
EJERCICIO 2
Si la altura de un grupo de población sigue una distribución normal N(176,12), calcular
la Pr(S≤10) para una muestra de tamaño 8.
SOLUCIÓN:
Considerando una muestra aleatoria de tamaño n de una población normal N(μ,σ), por el
teorema de Fisher tenemos que:
EJERCICIO 3