REFERENCIAS BIBLIOGRAFICAS

ALUMNA: XIOMARA BRIGITTE PORTILLO CASTRO

1. Sheaffer, R. L. y McClave, J.T. (1990). Probabilidad y Estadstica para
Ingeniera. Primera Edicin, Grupo Editorial Iberoamrica.
2. Walpole, R. E., Myers, R.H., y Myers, S.L. (1998). Probabilidad y Estadstica
para Ingenieros, Sexta Edicin, Prentice Hall.
3. Wonnacott, R. J. (1990). Introductory Statistics. New York: Wiley

REFERENCIAS BIBLIOGRAFICAS
ALUMNA: CLAUDIA C. ROCA MARTINEZ
1. Devore, J.L. (2000). Probabilidad y Estadstica para Ingeniera y Ciencias,
Quinta Edicin, Thomson Learning.
2. Spiegel, M.R. (1970). Estadstica, Primera Edicin, Serie Schaum, Mc Graw
Hill.
3. Weimer, R.C. (1996). Estadstica, Segunda Edicin, CECSA.

UNIVERSIDAD ANDINA DEL CUSCO

Facultad de Derecho y Ciencia Poltica

Escuela Profesional de Derecho

TEMA: ESTIMACIN DE PARMETROS

CURSO: ESTADSTICA GENERAL

DOCENTE: AUCCAILLE QUISPE, YETSABEL
ALUMNAS: PORTILLO CASTRO, XIOMARA B
ROCA MARTINEZ, CLAUDIA C.

Cusco Per
Julio 2016

INDICE GENERAL

INTRODUCCION
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 investigaciones 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 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.
Las inferencias estadsticas se hacen por posibilidades o probabilidades. De la media de
la muestra se hacen inferencias sobre la media de la poblacin. No se sabe exactamente
cul es la diferencia entre estas dos medias, ya que la ltima es desconocida en la
mayora de los casos. No obstante, si se sabe que es ms bien poca la probabilidad de
que esta diferencia sea mayor que, por ejemplo, tres a an dos errores estndares.
Los problemas que se tratan en la inferencia estadstica se dividen generalmente en dos
clases: los problemas de estimacin y los de prueba de hiptesis. Como al estimar un
parmetro poblacional desconocido se suele hacer una afirmacin o juicio este ltimo
ofrece solamente una estimacin. Es un valor particular obtenido de observaciones de la
muestra. No hay que confundir este concepto con el de estimador, que se refiere a
la regla o mtodo de estimar un parmetro poblacional. Por ejemplo, se dice que X es
un estimador de m porque la media muestral proporciona un mtodo para estimar la
media de la poblacin. Un estimador es por naturaleza una estadstica y como tal tiene
una distribucin. El procedimiento mediante el cual se llega a la obtencin y se analizan
los estimadores se llama estimacin estadstica, que a su vez se divide en estimacin
puntual y estimacin por intervalos.

I.- ESTIMACIN DE PARAMETROS

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 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.
La inferencia estadstica entrega las herramientas para realizar afirmaciones acerca de
un parmetro de la poblacin, basndose en el valor del respectivo estadstico
proveniente de una muestra. Para realizar estas inferencias es necesario conocer,
previamente, la distribucin de probabilidad del estadstico. A la distribucin de
probabilidad de un estadstico se le llama distribucin muestral.
Podemos tomar una muestra, calcular en ella un estadstico (promedio o porcentaje, por
ejemplo) y luego hacer afirmaciones respecto del correspondiente parmetro. Esto se
conoce con el nombre de estimacin de parmetros, y se puede hacer de dos formas:

Estimacin puntual: consiste en asumir que el parmetro tiene el mismo valor

que el estadstico en la muestra.

Estimacin por intervalos: se asigna al parmetro un conjunto de posibles

valores que estn comprendidos en un intervalo asociado a una cierta
probabilidad de ocurrencia. Tambin se llaman intervalos de confianza debido
a que la probabilidad asociada a ellos es la confianza de los mismos. As,
diremos que un intervalo de 99% de confianza es ms confiable que uno de
95%. Tambin se define la confianza de la estimacin como la probabilidad de
acertar con el intervalo.

La estimacin que tiene valor estadstico para promedio o media y para el porcentaje de
la poblacin es esta ltima, que explicaremos a continuacin.
I.1.- 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
O sea que es de esperar que si se toman muchas muestras de igual tamao
partiendo de la misma distribucin y si de cada una se obtiene un valor

, la

media de todos los valores de ha de estar muy cerca de .

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
mnima.
Consistencia: Si es un estimador muestral calculado a partir de una muestra
de tamao n y si
entonces

es el parmetro de poblacin que se va a estimar,

es un estimador consistente de

si la probabilidad de que el valor

absoluto de la diferencia entre

y su esperanza

iguale o supere a e (error

admitido que tiende a cero, o sea que es tan pequeo como se quiera), tienda a
cero cuando el nmero de elementos de la muestra tienda a infinito. En
smbolos:
si n
Equivalentemente:
si n
Es decir, para que el estimador sea consistente, es necesario que la probabilidad
de

que est a menos de cierta distancia "e" del parmetro q , tienda a 1 al

tender n a infinito.
Suficiencia: Un estimador suficiente del parmetro q es aquel que agota toda la
informacin pertinente sobre q que se puede disponer en la muestra. Por
ejemplo, si se toma una muestra de n = 30 valores con el fin de estimar m ,
pueden utilizarse como estimadores la primera, la dcimo quinta o la ltima
observacin, o el promedio entre la primera y la quinta observacin. Pero estos
estimadores no son suficientes pues no contienen toda la informacin disponible
de la muestra. La 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
I.2.- 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 - , 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

1, el intervalo

de confianza ser:

Dnde:
Es el lmite inferior del intervalo de confianza.
Es el lmite superior del intervalo de confianza.
K es una constante no negativa. Es el llamado multiplicador correspondiente a 1 - a .
a es la probabilidad de que el intervalo no incluya al verdadero valor del parmetro.
1 - a es el nivel de confianza, es una medida de la fiabilidad de la estimacin. Por
ejemplo, si se toma a = 10%, entonces 1 - a = 90% y se dice que se tiene un intervalo de
confianza del 90% y que la probabilidad de que el intervalo contenga al verdadero valor
del parmetro es del 90%. Es decir, que si repetidamente se muestra y se construye tal
intervalo una y otra vez, 90 de cada 100 de estos intervalos, contendr al parmetro y 10
de ellos no.
Se puede pensar que 1 significa certeza, seguridad y a significa riesgo. La seguridad
menos el riesgo, es decir 1 - a da, por lo tanto, el coeficiente de confianza de nuestras
afirmaciones.
En el caso anterior, se tiene una confianza de que 90 de cada 100 intervalos que se
extraigan como muestra, contendrn el verdadero valor del parmetro. Pero una vez

determinado el intervalo, es decir, una vez calculados numricamente los extremos, ya

no debe hablarse en trminos de confiabilidad ni en trminos probabilsticos, pues la
situacin pasa a ser completamente determinstica. De tal manera, asociado a un
intervalo de confianza ya calculado, se tiene una probabilidad 0 1 de que contenga al
parmetro a estimar y no hay otra opcin, ya que lo contiene o no lo contiene.
Resumiendo, los extremos del intervalo son variables aleatorias, mientras que el
parmetro a determinar es constante.
En general, los pasos a seguir para estimar un parmetro por el mtodo de los intervalos
de confianza, son:

Fijar el coeficiente de confianza que se desea en la estimacin.

Extraer la muestra y calcular el o los estadsticos necesarios.
Determinar la distribucin en el muestreo que tiene el estadstico empleado

I.3.- ESTIMACION POR INTERVALOS DE CONFIANZA

En algunas ocasiones, no slo estamos interesados en dar una estimacin
puntual del valor del parmetro desconocido, y el objetivo se centra en
obtener un rango de valores entre los que se encuentre el parmetro de la
distribucin con una cierta probabilidad, es decir, un intervalo de confianza.
Construiremos intervalos de confianza para la proporcin p en la distribucin
Binomial y para la media en la distribucin Normal. Los estimadores que
hemos introducido para la proporcin y la media (p y X, respectivamente)
son simtricos y podemos calcular o aproximar su error tpico. La frmula
general para el clculo de intervalos de confianza ser:
Estimador Cuantil ET (Estimador)
De este modo, obtendremos intervalos de confianza centrados en el
estimador, y cuya amplitud vendr determinada por su error tpico (donde
interviene el tamao de la muestra) y por el cuantil de la distribucin
correspondiente, que estar relacionado con la cobertura del intervalo.

II.- FENOMENOS DE IMPACTO AMBIENTAL

II.1.- GENERALIDADES