Escolar Documentos
Profissional Documentos
Cultura Documentos
29 de marzo de 2019
Objetivos
1. Estimación
Hay dos formas de hacer una inferencia acerca de un parámetro de una población: podemos estimar el valor
del parámetro desconocido o podemos tomar una decisión acerca de valor hipotético del parámetro. Por ejemplo
podemos estimar el número medio µ de trabajos presentados cada hora en un centro de procesamiento de datos
o podríamos querer decidir si la media µ excede o no a cierto valor, digamos 60. El método para tomar una
decisión acerca de uno o más parámetros de una población, denominado prueba estadística de una hipótesis
La estimación estadística es el proceso mediante el cual se aproxima el valor del parámetro de la población
en las determinaciones contenidas en una muestra. El número que resulte del calculo es una estimación puntual.
No obstante, un estimador puntual sólo reere una parte de la historia. Si bien se espera que el estimador
puntual esté próximo al parámetro de la población, se desearía expresar qué tan cerca está. Un intervalo de
θ a cualquier estadística (función real de la muestra) que la denotaremos por Θ̂ = H (X1 , X2 , ... , Xn )es un
Un estimador puntual es el valor numérico Θ̂ mientras que una estimación puntual es el valor numérico Θ̂
del estimador.
Por ejemplo: un estimador puntual de la media poblacional µ, esto es θ = µ; es la estadística media muestral
(variable aleatoria) X , esto es Θ̂ = X ; cuyo valor numérico x, esto es θ̂ = x, es la estimación puntual de
parámetros.
1
Intervalos de conanza Estadística para Administradores
Los buenos estimadores puntales tienen propiedades tales como: insesgadez, eciencia y consistencia.
1. Insesgadez
Si el valor esperado del estadístico muestral es igual al parámetro poblacional que se estudia se dice que
Por lo tanto, el valor esperado o media, de todos los posibles valores de un estadístico muestral insesgado
2. Eciencia
Supóngase que se usa una muestra aleatoria simple de n elementos para obtener dos estimadores puntuales
insesgados de un mismo parámetro poblacional, En estas circunstancias se preferirá usar el estimador
puntual que tenga el menor error estándar, ya que dicho estimador tenderá a dar estimaciones mas
Denición 2. Se dice que el estimado puntual con menor error estándar tiene mayor eciencia relativa.
Es decir si hay dos estimadores puntuales ensesgados de un parámetro se denomina estimador mas eciente
del parámetro al estimador que tenga menor varianza.
Observación. Cuando se muestren poblaciones normales, el error estándar de la media muestral es menor
que el error estándar de la mediana muestral. Por tanto, la media muestral es mas eciente que la mediana
muestral.
3. Consistencia
Un estimador puntual es consistente si el valor de estimador puntual tiende a estar mas cerca del parámetro
poblacional a medida que el tamaño de la muestra aumenta. En otras palabras, una muestra grande tiende
a proporcionar mejor estimación puntual que una pequeña. Observe que en el caso de la media muestral
√ x,
el error estándar de x está dado por σx = σ/ n. Puesto que σx está vinculado con el tamaño de la muestra,
de manera que muestras mayores dan valores menores de σx , entonces muestras de tamaño grande tienden
p.
Sea X una variable aleatoria cuya función de probabilidad f (X, θ) depende de un parámetro θ. Sea X1 , X2 , . . . , Xn
una muestra aleatoria de X y sean x1 , x 2 , . . . , x n los valores observados de la muestra. La función de verosi-
militud de la muestra se dene,
El método de máxima verosimilitud, consiste en tomar como valor estimado de θ, el valor que hace máxima al
función V (θ).
Observe que si Θ̂hace máxima de V (θ), entonces también hace máxima a su logaritmo L = ln V (θ). Para tal
propósito derivamos, esto es:
n
∂L X ∂ ln f (xi ; θ)
= =0
∂θ i=1 ∂θ
Si la distribución tiene varios parámetros desconocidos, θ1 , θ2 , . . . , θk entonces tendremos k ecuaciones, esto
es:
∂L ∂L ∂L
= 0, = 0, · · · , =0
∂θ1 ∂θ2 ∂θk
a partir de los cuales se obtiene las estimaciones para estos parámetros.
µ − 3σ µ − 2σ µ µ + σ µ + 2σ
Figura 1: Porcentajes de población en los diferentes intervalos simétricos de una normal N (µ, σ 2 )
3. Intervalos conanza
La estimación anterior, la puntual, se utiliza poco, pues no tenemos datos sucientes que nos indiquen el
grado de abilidad del dato muestral que hemos tomado. Lo que tiene mas sentido plantearse es cual es la
Denición 3. Un intervalo de conanza (o estimador del intervalo) es un rango (o un intervalo) de valores que
se usa para estimar el valor real de un parámetro poblacional. El intervalo de conanza suel abreviarse como IC
Un intervalo de conanza se asocia con un nivel de conanza, como 0.95=95 %. El nivel de conanza nos da
la tasa de éxitos del procedimiento que se utiliza para construir el intervalo de conanza.
Es evidente que a medida que el intervalo se ampla, hay mayor porcenta je de la población en el. En general,
dado un porcenta je del N %, siempre es posible encontrar un intervalo simétrico respecto de la media de forma
Mas explicitamente, se denomina intervalo de probabilidad a aquel intervalo para el cual se sabe que hay
una seguridad del N % de que los parámetros muestrales (x o p ) se encuentren en dicho intervalo. La seguridad
N viene jada previamente.
gura (2).
SeaX1 , X2 , ... , Xn una muestra aleatoria de tamaño n seleccionada de una población denida por la variable
aleatoriaX con media µ y varianza σ 2 . Si la población es normal el tamaño de la muestra puede ser cualquiera
n ≥ 2, pero, si es de otro tipo, el tamaño de la muestra debe ser grande n ≥ 30.
x 98
b x7 x 11
x 99
x4 x9
x1 x6
µ
x2 x 10
x3 x 12 ⋯ x 100
a x5
x8
1−α
α 2
α 2
z
−z z1 2
distribución de probabilidades de la media de la muestra X, es normal N (µ, σ 2 /n) para cualquier tamaño de la
muestra (n ≥ 2).
Si la población X no es normal N (µ, σ2 ), entonces siempre que el tamaño n de la muestra sea sucien-
temente grande (n ≥ 30), por el teorema del límite central, la distribución de X es aproximadamente normal
N (µ, σ 2 /n).
Por lo tanto, en cualquiera de los dos casos, la distribución de la variable aleatoria es:
X −µ
Z= √ (1)
σ/ n
La probabilidad o nivel de conanza en al distribución normal de Z se determina valores de z1−α/2 tales que:
P −zα/2 ≤ Z ≤ zα/2 = 1 − α (2)
x−µ
Sustituyendo z= √ se tiene:
σ/ n
x−µ
P −z1−α/2 ≤ √ ≤ z1−α/2 = 1−α
σ/ n
σ σ
P µ − z1−α/2 √ ≤ x ≤ µ + z1−α/2 √ = 1−α
n n
σ σ
Como el intervalo de probabilidad a nivel de conanza 1−α para x es: µ − z1−α/2 √ , µ + z1−α/2 √
n n
Es decir:
σ σ
µ − z1−α/2 √ ≤ x ≤ µ + z1−α/2 √
n n
σ σ
µ − z1−α/2 √ ≤ x ∧ x ≤ µ + z1−α/2 √
n n
De donde se obtiene:
σ σ
µ ≤ x + z1−α/2 √ ∧ µ ≤ x − z1−α/2 √
n n
σ σ
x − z1−α/2 √ ≤ µ ≤ x + z1−α/2 √ (3)
n n
xes la media de una muestra aleatoria de tamaño n escogida de una población normal (o no
Por lo tanto: Si
normal pero n sucientemente grande) con varianza σ 2 conocida , entonces, el intervalo de estimación de
la media µ con nivel de conanza (1 − α)100 % es:
LI ≤ µ ≤ LS óµ ∈ [LI, LS]
σ σ
donde: LI = x − z1−α/2 √ (límite inferior) y LS = x + z1−α/2 √ (límite superior)
n n
se denomina error estándar estimado. Por ejemplo, el error estánadar de la media de una muestra de una
σ
σx = √
n
El valor mínimo de error de estimación es igual a cero, esto ocurre, cuando x estima exactamente µ.
σ
E valor máximo del error de estimación es igual a zα/2 √ ya que aplicando propiedades del valor absoluto
n
al intervalo de estimación de µ, resulta que:
σ
e = |x − µ| ≤ z1−α/2 √ (5)
n
Observación. En el intervalo de conanza de la media de una población nita de tamaño N (sin
r
σ N −n
σx = √ (6)
n N −1
determinada por:
2
z1−α/2 σ2 N
n= 2
z1−α/2 σ 2 + e2 (N − 1)
z 2 p(1 − p)N
n= (se toma z = 2)
e2 (N − 1) + z 2 p(1 − p)
2. En sentido estricto podemos determinar n, solo si se conoce la varianza poblacional σ2 , de la cual se está
seleccionando la muestra. Si nos falta esta información se puede tomar una muestra preliminar de tamaño
n ≥ 30 para obtener un estimación de σ . En este caso usar S como aproximación de σ , se puede determinar
aproximadamente cuantas observaciones se necesitan para el grado deseado de exactitud.
Sea X1 , X2 , ... , Xn variables aleatorias de tamaño n escogidas de una población X cuya distribución de
probabilidades es normal N µ, σ 2 con σ desconocido.
n n
P P 2
xi (xi − x)
i=1 2 i=1
x= S = (7)
n n−1
El estadístico pivote a usar es:
x−µ
T = √ (8)
S/ n
donde: S es la desviación estándar y T es la distribución t−Studend con n−1 grados de libertad.
muestra aleatoria de tamaño n escogida de una población normal con varianza σ 2 desconocida , entonces,
el intervalo de estimación de µ con nivel de conanza del (1 − α/2)100 % es:
S S
x − t1−α/2 √ ≤ µ ≤ x + t1−α/2 √
n n
α
donde: t1−α/2 es valor característico de la variable t−Studend, vericando P T ≤ t1−α/2 = 1 − .
2
Resumen:
Intervalos para la media µ
σ σ
σ conocido Si la población normalmente x − z1−α/2 √ ≤ µ ≤ x + z1−α/2 √
n n
distribuida o n ≥ 30
S S
x − t1−α/2 √ ≤ µ ≤ x + t1−α/2 √
σ desconocido Si la población normalmente
distribuida.
n n
Si la población no está Se utiliza el método no parámétrico
n ≤ 30