Documentos de Académico
Documentos de Profesional
Documentos de Cultura
rsidad
andin
Carrera profesional de Administracin
Cusco Per
2016
ESTIMACIN DE PARAMETROS
INTRODUCCIN
El objetivo ms importante de la Estadstica es obtener una inferencia con
respecto a la poblacin basndose en la informacin contenida en una muestra.
Como las poblaciones se describen mediante medidas numricas denominadas
parmetros, el objetivo de la mayora de las invrestigaciones estadsticas es
deducir una inferencia con respecto a uno o ms parmetros de la poblacin.
Se han estudiado, hasta el momento, las nociones fundamentales de distribucin
de probabilidades; se est en condiciones, entonces, de tratar los mtodos de
inferencia estadstica, los cuales comprenden los procedimientos para estimar
parmetros de poblaciones y probar (contrastar) si una afirmacin provisional
sobre un parmetro poblacional se ve apoyada o desaprobada ante la evidencia
de la muestra.
Hablando en general, hay dos tipos de inferencia: la deductiva y la inductiva. Una
inferencia deductiva es un juicio o generalizacin que se basa en un
razonamiento o proceso dialctico a priori. Por ejemplo, se supone que dos
monedas estn perfectamente equilibradas y que entonces la probabilidad de
cada una de caer "cara" es = 0,5 (premisa). La media o nmero esperado de
"caras" en la jugada de las monedas deber ser 1 (conclusin). Si las premisas son
ciertas, las conclusiones no pueden ser falsas.
Una inferencia inductiva , por otra parte, es un juicio o generalizacin derivado
de observaciones empricas o experimentales; la conclusin sobre el nmero
promedio de "caras" con base en los resultados de una muestra de prueba. Si los
resultados de las pruebas son diferentes, la conclusin tambin ser diferente. No
se requiere una suposicin a priori sobre la naturaleza de las monedas. La
inferencia estadstica es primordialmente de naturaleza inductiva y llega a
generalizaciones respecto de las caractersticas de una poblacin al valerse de
observaciones empricas de la muestra.
Es muy probable que una estadstica muestral sea diferente del parmetro de la
poblacin y slo por coincidencia sera el uno exactamente igual al otro. La
diferencia entre el valor de una estadstica muestral y el correspondiente
parmetro de la poblacin se suele llamar error de estimacin. Slo se sabra
cul es el error si se conociera el parmetro poblacional, pero ste por lo general
se desconoce. La nica manera de tener alguna certeza al respecto es hacer
todas las observaciones posibles del total de la poblacin en la mayora de las
aplicaciones prcticas, lo cual, desde luego, es imposible o impracticable.
Y en efecto, la razn de ser de la inferencia estadstica es la falta de
conocimientos acerca de las caractersticas de la poblacin. Pero que tales
caractersticas se desconozcan no impide el que se acte.
Es costumbre simbolizar las estadsticas con letras romanas y los parmetros con
letras griegas.
Estadstica
Media aritmtica
Parmetro
Variancia
s2
Desvo estndar
de R
Coeficiente
correlacin
El muestreo al azar de una poblacin producir muestras que "a la larga" son
representativas de la poblacin.
Si una muestra se extrae aleatoriamente, es representativa de la poblacin en
todos los aspectos, esto es, la estadstica diferir del parmetro solo por azar. La
habilidad para estimar el grado de error debido al azar (error de muestreo), es un
rasgo importante de una muestra al azar.
ESTIMACIN DE PARMETROS
La teora clsica de la Inferencia Estadstica trata de los mtodos por los cuales se
selecciona una muestra de una poblacin y, basndose en las pruebas de las
muestras, se trata de:
* Estimar el valor de un parmetro desconocido, por ejemplo q .
* Verificar si q es o no igual a cierto valor predeterminado, por ejemplo q 0.
El primero de estos dos procedimientos, de inferir de una muestra a una
poblacin, se llama estimacin de un parmetro; el segundo, prueba de una
hiptesis acerca de un parmetro.
Dentro del primer procedimiento, la estimacin de un parmetro puede tener por
resultado un solo punto (estimacin puntual), o un intervalo dentro del cual exista
cierta probabilidad de encontrarlo (estimacin por intervalos).
Un estimador puntual es un nico punto o valor, el cual se considera va a estimar
a un parmetro. La expresin E( ) = m sugiere que el nico valor de es un
estimador puntual insesgado o no viciado de m .
Un estimador por intervalo se construye sobre el concepto de un estimador
puntual, pero adems, proporciona algn grado de exactitud del estimador. Como
el trmino lo sugiere, un estimador por intervalo es un rango o banda dentro de la
cual el parmetro se supone va a caer.
PROPIEDADES DE UN BUEN ESTIMADOR
Para poder utilizar la informacin que se tenga de la mejor manera posible, se
necesita identificar las estadsticas que sean buenos estimadores, cuyas
propiedades son:
Insesgabilidad: , estimador de es una variable aleatoria y por lo tanto tiene una
distribucin de probabilidad con una cierta media y variancia. Se puede definir
estimador insesgado diciendo: Si se utiliza un estadstico muestral para estimar
el parmetro de la poblacin , se dice que es un estimador insesgado de , si
la esperanza matemtica de coincide con el parmetro que desea estimar.
En smbolos:
es insesgado
Si
Mas an,
de variancia muestral.
En efecto, si
es la variancia muestral corregida, entonces (
y S es un estimador insesgado de s .
[Vuelve al ndice]
Eficiencia: si se utilizan dos estadsticos como estimadores del mismo parmetro,
entonces aquel cuya distribucin muestral tenga menor variancia, es un estimador
ms eficiente o ms eficaz que el otro. Es decir:
es eficiente
Se halla la razn
Si K > 1,
es ms eficiente que
y usaremos
Si K < 1,
es ms eficiente que
y usaremos
mnima.
, procedemos
si n
media aritmtica
calculada con las 30 observaciones s lo es pues tiene en
cuenta todas las observaciones.
En definitiva, por ejemplo la media aritmtica muestral y la forma corregida de la
variancia muestral, son estadsticas que satisfacen los criterios o propiedades de
"buenos" estimadores.
ESTIMACIN POR INTERVALOS DE CONFIANZA
Lo dicho hasta ahora se refiere a una estimacin puntual, es decir, estimar un
parmetro a travs de un nico valor. Esta estimacin no es muy conveniente
pues con ella no se puede determinar el error de muestreo, ni la precisin de la
estimacin, ni la confianza que merece tal estimacin.
Existen otros mtodos para estimar parmetros poblacionales que son mucho ms
precisos. Por ejemplo:
* Mtodo de los mnimos cuadrados: se ver en Teora de la Regresin.
* Mtodo de los momentos: no se desarrollar.
* Mtodo de la mxima verosimilitud: que se basa en el principio de que
generalmente ocurre lo ms probable (no se desarrollar)
* Mtodo de estimacin por intervalos de confianza: que se desarrolla a
continuacin.
El procedimiento de determinar un intervalo (a, b) que comprenda un parmetro
de poblacin q con cierta probabilidad 1 - a , se llama estimacin por intervalos.
Se vern los casos paramtricos, es decir aquellos en los que se tiene
conocimiento del tipo de distribucin de la poblacin (Binomial, Poisson, Normal,
etc.)
En general, para cualquier parmetro q y su correspondiente estimador
intervalo de confianza ser:
Donde:
es el lmite inferior del intervalo de confianza.
es el lmite superior del intervalo de confianza.
1, el
Sea x1, x2, ... , xn una muestra aleatoria de la variable aleatoria X y sea
muestral.
la media
Se sabe que
central del lmite.
Luego, tipificando:
Se plantea:
entonces:
Observaciones:
- Si las muestras se toman sin reposicin de una poblacin finita de tamao N,
debe emplearse el factor de correccin por finitud y el intervalo ser:
s = 3 1 - a = 0.95
Por tabla:
Entonces:
depende del
Para el ejemplo 1,
pacientes.
resulta:
Por lo tanto:
= 1-a
= 90 g S = 10 g ICM0,90?
Por tabla:
y el intervalo resulta:
Interpretando este resultado, se dice que el aumento de peso por ave por semana
en el establecimiento est entre 85,5 y 94,6 gramos, con un 90% de confianza.
INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE MEDIAS
CASO 1: Poblaciones normales
conocidos.
con
distribucin:
Adems,
(1)
(2)
Donde:
n = 40 ICDM0,90?
Luego:
[Vuelve al ndice]
CASO 2: Poblaciones normales
desconocidos
con
y s
y la
~ td
donde el nmero de grados de libertad de la distribucin t de Student viene dado
por la frmula:
[Vuelve al ndice]
Ejemplo 4: Las variables aleatorias X 1 y X2 distribuidas normalmente, representan
las edades al morir de tuberculosis de los individuos en dos ciudades. Una
muestra de 10 individuos que murieron por tal enfermedad en la primera ciudad
dio una edad media de 48 aos y una desviacin tpica de 5 aos. En la segunda
ciudad, una muestra de 12 individuos dio una edad media de 41 aos y una
desviacin tpica de 3 aos. Se desea estimar por intervalos con un 95% de
confianza, la diferencia entre las edades medias de los muertos por tuberculosis
en ambas ciudades, sabiendo que investigaciones anteriores no permiten tomar
las desviaciones tpicas de ambas variables como iguales.
X1 = edad al morir de tuberculosis en la ciudad A.
X2 = edad al morir de tuberculosis en la ciudad B.
n1 = 10,
, S1 = 5
n2 = 12,
, S2 = 3, s 1 s 2 ICDM0,95?
grados de libertad.
Luego, por tabla, t0,05; 15 = 2,1315 y finalmente el intervalo resulta:
ICDM0,95 =
= 7 3,843 = (3,157 ; 10,843) @ (3 ; 11)
Adems:
Reemplazando (1) en (2) resulta:
Invirtiendo fracciones:
(2)
Invirtiendo la desigualdad:
Ejemplo 5: Un productor de fertilizantes, para controlar el buen embolsado de sus
productos, pesa 15 bolsas del mismo, obteniendo una desviacin tpica de 0,50
kg. Qu varianza puede inferirse con un 98% de confianza que tendr la
produccin total?
Respuesta:
X = peso de cada bolsa de fertilizante
n = 15 S = 0,50 kg. ICV0,98?
Por tabla:
Luego, el intervalo buscado es:
Para el ejemplo 5:
2) Si n > 100 , los valores ya no se encuentran en la tabla de la distribucin Chi
cuadrado, y por lo tanto se la aproxima a una normal,
utilizando para aproximar percentiles en esta distribucin:
REFERENCIAS BIBLIOGRAFICAS:
1.
2.