Definición de parámetro estadístico

Un parámetro estadístico es un número que se obtiene a partir de los datos de una distribución estadística. Los parámetros estadísticos sirven para sintetizar la información dada por una tabla o por una gráfica. Tipos de parámetros estadísticos Hay tres tipos parámetros estadísticos: De centralización. De posición De dispersión.

MEDIDAS DE CENTRALIZACIÓN Nos indican en torno a qué valor (centro) se distribuyen los datos. La medidas de centralización son: MEDIA ARITMÉTICA La media es el valor promedio de la distribución. MEDIANA La mediana es la puntación de la escala que separa la mitad superior de la distribución y la inferior, es decir divide la serie de datos en dos partes iguales.

DECILES Los deciles dividen la serie de datos en diez partes iguales. MEDIDAS DE DISPERSIÓN Las medidas de dispersión nos informan sobre cuanto se alejan del centro los valores de la distribución. MEDIDAS DE POSICIÓN Las medidas de posición dividen un conjunto de datos en grupos con el mismo número de individuos. Para calcular las medidas de posición es necesario que los datos estén ordenados de menor a mayor. La medidas de posición son: CUARTILES Los cuartiles dividen la serie de datos en cuatro partes iguales.MODA La moda es el valor que más se repite en una distribución. PERCENTILES Los percentiles dividen la serie de datos en cien partes iguales. Las medidas de dispersión son: RANGO O RECORRIDO El rango es la diferencia entre el mayor y el menor de los datos de una distribución estadística .

DESVIACIÓN MEDIA La desviación media es la media aritmética de los valores absolutos de las desviaciones respecto a la media. el resultado es aleatorio. describa · · · · una población. algunos de ellos para darnos una idea de la proporción de defectuosos en el embarque. el valor de un parámetro de la población. Por ejemplo si se recibe un embarque de objetos que pueden · · estar listos para usarse ó defectuosos. Características probabilísticas de un estimador Cuando se tiene una fórmula para estimar y se aplica a una muestra aleatoria. A un valor calculado con los datos de una muestra lo llamamos ESTADÍSTICA. es decir los estimadores son variables aleatorias.5 mm. VARIANZA La varianza es la media aritmética del cuadrado de las desviaciones respecto a la media. Constrúyase Ud. un parámetro para la población.5 mm. mismo un ejemplo como el de las bolitas. Cuando andamos un poco pedantes le llamamos ESTIMADOR PUNTUAL (al decir ``puntual'' queremos decir que para estimar el parámetro estamos usando un valor único). Cuando usamos una estadística para jugar el papel de decir. una muestra. aproximadamente. En su ejemplo. Si la muestra de 100 bolitas arroja un valor del promedio de 43. El parámetro de interés es la proporción de defectuosos en . DESVIACIÓN TÍPICA La desviación típica es la raíz cuadrada de la varianza. una estadística que le sirva como estimador. Regresando a las bolitas del ``Roll on''. Podemos seleccionar. diríamos que ESTIMAMOS el promedio de la población en 43. al azar. le llamamos ESTIMADOR.

Varianza de un estimador Otra propiedad importante de un estimador es su varianza (o su raíz cuadrada. El sesgo es la diferencia entre el valor esperado del estimador y el parámetro que estima. valor esperado.toda la población. suponga que ambos son instigados y suponga que la varianza de T1 es menor que la de T2 ¿Qué quiere decir esto? Simplemente que en un entorno fijo del valor del parámetro. Pero tampoco creemos que el valor de la estadística vaya a estar lejos de 4. La importancia de la desviación estándar es que nos permite darle un sentido numérico a la cercanía del valor del estimador a su valor esperado. esto significaría que al tomar una muestra: · · No creemos que el valor de la estadística vaya a ser 4. 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. Ya que es muy probable que el valor del estimador esté cerca de su valor esperado. En el pizarrón vemos algunos estimadores instigados: · · la proporción muestra como estimador de la proporción poblaciones. sería binomial). se dice que el estimador es instigado y ésta es una característica buena para un estimador. . Por esa razón es importante la cantidad que. los valores de T1 son más probables que los de T2. Para poner un ejemplo. si supieramos que el valor esperado de una estadística es 4. O sea que vamos a encontrar a T1 más cerca del valor del parámetro que a T2. una propiedad muy deseable es que ese valor esperado del estimador coincida con el del parámetro que se pretende estimar. técnicamente llamamos sesgo. el estimador tiene · · · distribución de probabilidad. Cuando un estimador tiene una varianza menor que otro decimos que el estimador es más eficiente. Un estimador que es instigado tiene una alta probabilidad de tomar un valor cercano al valor del parámetro. pero lo que observamos es la proporción de defectuosos en la muestra. Para aclarar esto. Entre menor sea la desviación estándar (o la varianza) de un estimador. considere dos estimadores T1 y T2. será más probable que su valor en una muestra específica se encuentre mas cerca del valor esperado. Esto hace que nuestras preferencias estén con T1. la media muestra como estimador del valor esperado poblaciones. quisiéramos que el valor esperado no difiera mucho del parámetro estimado. El valor de la proporción en la muestra es una variable aleatoria cuya distribución está emparentada directamente con la binomial (si se tratara del número de defectuosos. Si el sesgo 0. Como cualquier variable aleatoria. Al menos. desviación estándar / varianza. la desviación estándar).

Estimación del error de una medida directa La estimación del error de una medida tiene siempre una componente subjetiva. nadie mejor que un observador experimentado para saber con buena aproximación cuál es el grado de confianza que le merece la medida que acaba de tomar. a partir de una muestra (el número limitado de medidas que podemos tomar). las n medidas serán en general diferentes El método más razonable para determinar el mejor valor de estas medidas es tomar el valor medio. y al hacer la media se compensarán. No existe un conjunto de reglas bien fundadas e inalterables que permitan determinar el error de una medida en todos los casos imaginables. de .· la varianza de la muestra como estimador de la varianza de la población. La estadística permite obtener los parámetros de una población (en este caso el conjunto de todas las medidas que es posible tomar de una magnitud). Debido a la existencia de errores aleatorios. En efecto. En efecto. Sin embargo. si los errores son debidos al azar. Muchas veces es tan importante consignar cómo se ha obtenido un error como su propio valor. El valor medio se define por: Para ver el grafico seleccione la opción &uml. tan probable es que ocurran por defecto como por exceso. la distribución de probabilidad es la normal. Mejor valor de un conjunto de medidas Supongamos que medimos una magnitud un número n de veces. Este teorema es muy importante porque permite calcular probabilidades acerca de dónde se encuentra el valor del promedio muestra. para la estadística promedio de la muestra · · · el valor esperado es la media de la población. La distribución de probabilidad de una estadística Quizá el resultado mas importante para la estadística es el Teorema del Límite Central. En el salón hacemos en forma detallada. Este resultado nos indica que. por lo menos parcialmente. 2. la aplicación de algunos métodos estadísticos permite objetivar en gran medida la estimación de errores aleatorios. Es sólo cuestión de usar la tabla normal teniendo cuidado al estandarizar de usar la desviación estándar adecuada que es la de la población dividida por la raíz cuadrada del número de elementos de la muestra. la varianza es igual a la de la población dividida por el número de elementos de la muestra. brevemente parámetros (tales como la media y la variación de la población). ejemplos de estos cálculos.Bajar trabajo¨ del menú superior y este es el valor que deberá darse como resultado de las medidas. Tipos de estimación estadística Estimación de parámetros: Un problema importante de la inferencia estadística es la estimación de parámetros de la población.

En términos de esperanza podríamos decir que un estadístico es instigado porque Para ver el grafico seleccione la opción ¨Bajar trabajo¨ del menú superior Estimación Eficiente: Si las distribuciones de muestreo de dos estadísticos tienen la misma media(o esperanza). la media muestral proporciona la mejor( la más eficiente) estimación. si no se llama estimador sesgado. el de menor varianza se llama un estimador eficiente de la media. el estimador de máxima eficiencia. Sin embargo. s es una estimación sesgada de. Las medias de las distribuciones de muestreo de las variables es: Para ver el grafico seleccione la opción ¨Bajar trabajo¨ del menú superior Encontramos. ósea el mejor estimador. el estadístico se llamara estimador sin sesgo. y estimación con sesgo respectivamente. a saber.los correspondientes estadísticos muéstrales. Por tanto. Sin embargo. Ejemplo 1: la media de las distribuciones de muestreo de medias e. . o simplemente estadísticos(tales como la media y la variación de la muestra). De todos los estadísticos que estiman la media de la población. En la practica. Ejemplo 2. mientras que el otro se llama un estimador ineficiente. la media muestral da una estimación eficiente de la media de la población. Estimaciones sin sesgo: Si la media de las dispersiones de muestreo con un estadístico es igual que la del correspondiente parámetro de la población. respectivamente. si no. Los correspondientes valores de tal estadístico se llaman estimación sin sesgo. la media muestral es una estimación sin sesgo de la media de la población. aquel de varianza mínima se llama aveces. media de la población. la varianza de la distribución de muestreo de medias es menor que la varianza de la distribución de muestreo de medianas. la media de la población. mientras la mediana de la muestra da una estimación ineficiente de ella. Por lo tanto. Si consideramos todos los posibles estadísticos cuyas distribuciones de muestreo tiene la misma media. estimaciones ineficientes se usan con frecuencia a causa de la relativa sencillez con que se obtienen algunas de ellas. de manera que es una estimación sin sesgo de. Ejemplo: Las distribuciones de muestreo de media y mediana tienen ambas la misma media. del parámetro.

ESTIMACION .MATERIA: TRATAMIENTO DE DATOS DE AZAR MAESTRO: ELIZALDE VARGAS CARLOS TEMA: PARAMETROS ESTADISTICOS . Y ESTIMADORES PUNTUALES ALUMNO: FERNANDO ZAPOT MEL CHI GRUPO: 4202 .

Sign up to vote on this title
UsefulNot useful