INTEGRANTES:

 ACURIO GABRIELA
 CASA MAURICIO
 GUANOLUISA ELIANA
 HARO DINA
CARRERA: ING.AGROINDUSTRIAL
CICLO: CUARTO “A”
FECHA: 11-12-2017
DOCENTE: ING. EDWIN CEVALLOS
 TEMAS:
 TEORÍA DE LA ESTIMACIÓN ESTADÍSTICA.
 Estimación de parámetros.
 Estimaciones insesgadas.
 Estimaciones eficientes.
 Estimaciones puntuales y estimaciones por intervalo;
su confiabilidad.
 Estimación de parámetros poblacionales mediante un
intervalo de confianza.
 Error probable.
 TEORÍA ESTADÍSTICA DE LA DECISIÓN.
 Decisiones estadísticas.
 Hipótesis estadísticas.
 Pruebas de hipótesis y de significancia o reglas de
decisión.
 Errores tipo I y tipo II
 Nivel de significancia.
 Pruebas empleando distribuciones normales.
 Pruebas de una y de dos colas.
 Pruebas especiales.
 Curva característica de operación; potencia de una
prueba.
 Valor p en pruebas de hipótesis.
 Graficas de control.
 Pruebas para diferencias muestrales.
 Pruebas empleando distribuciones binomiales.
 TEORÍA DE LA ESTIMACIÓN ESTADÍSTICA

Estimar qué va a ocurrir respecto a algo (o qué está ocurriendo, o

qué ocurrió), a pesar de ser un elemento muy claramente
estadístico, está muy enraizado en nuestra cotidianidad. Dentro
de ello, además hacemos estimaciones dentro de un intervalo
de posibilidades. Por ejemplo: “creo que terminaré la tarea en
unos 5-6 días”.
 Estimación de parámetros:
Con una muestra aleatoria, de
tamaño n, podemos efectuar una
estimación de un valor de un
Un problema importante de parámetro de la población; pero
la inferencia estadística es también necesitamos precisar un:
la estimación de • Intervalo de confianza: Se llama
parámetros poblacionales, así a un intervalo en el que
o simplemente parámetros sabemos que está un
(como, por ejemplo, la parámetro, con un nivel de
media y la varianza confianza específico.
poblacionales), a partir de • Nivel de confianza:
los correspondientes Probabilidad de que el
estadísticos muestrales, o parámetro a estimar se
simplemente estadísticos encuentre en el intervalo de
(por ejemplo, la media y la confianza.
varianza muestrales). • Error de estimación admisible:
(Stephens, 2009) Que estará relacionado con el
radio del intervalo de confianza.
Ejemplo:

Sea X una v.a. 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

El parámetro a estimar es µ
Estimaciones Insesgadas

Si la media de la distribución muestral de un estadístico es

igual al parámetro poblacional correspondiente se dice
que el estadístico es un estimador insesgado del
parámetro; si no es así, se dice que es un estimador
sesgado. A los valores de estos estadísticos se les llama
estimaciones insesgadas o sesgadas, respectivamente.
Estimaciones Eficientes:

Si la distribución muestral de dos estadísticos tiene la

misma media (o esperanza), entonces al estadístico
que tiene la menor varianza se le llama estimador
eficiente del parámetro correspondiente, y al otro
se le llama estimador ineficiente.
 Estimaciones puntuales y estimaciones por intervalo; su
confiabilidad:
A una estimación de un parámetro
poblacional que se da mediante un
solo número se le llama estimación
puntual del parámetro. A una
estimación de un parámetro
poblacional que se da mediante
dos números, entre los cuales se
considera que debe estar el
parámetro en cuestión, se le llama
estimación por intervalo del
parámetro en cuestión.
Ejemplo:
Si se dice que en la medición de una
distancia se obtuvo como resultado 5.28
metros (m), se está dando una estimación
puntual. En cambio, si se dice que la
distancia es 5.28 +- 0.03m (es decir, que la
distancia está entre 5.25 y 5.31 m), se está
dando una estimación por intervalo. La
información sobre el error (o precisión) de
una estimación es su confiabilidad.
 Estimación de parámetros poblacionales
mediante un intervalo de confianza.

 La teoría estadística estudia

de la realización de
inferencias acerca de las
características de una
población.
 Un procedimiento básico
para realizar tal tipo de
inferencia es el intervalo de
confianza (IC).
 Tiene un determinado nivel
de confianza de contener el
valor del parámetro.
 Error probable

Los límites de confianza

de 50% de los parámetros
poblacionales
correspondientes al
estadístico S dados por S
+ - 0.675 s la cantidad de
0.675 s es conocida
como error probable de
la estimación.
 TEORIA ESTADÍSTICA DE LA
DECISIÓN

La Teoría de la
Decisión La manera de El método
Estadística hacerlo es consiste en
como plantear las definir una
herramienta hipótesis probabilidad
básica para la posibles y de
toma de luego aceptación
decisiones, efectuarle una del orden del
basadas en prueba o test 95% (o
evidencias estadístico. rechazo)
científicas.
 Decisiones
Estadísticas

 La decisión estadística consiste en

mantener o rechazar la hipótesis
nula, en función de los resultados
obtenidos al calcular el valor de un
estadístico de contraste para una
muestra aleatoria extraída de la
población.}
 Para tomar la decisión de rechazar o
no la hipótesis nula es necesario fijar
un criterio, es decir, delimitar
claramente cuál va a ser el tamaño
de la región de rechazo.
 Hipótesis Estadísticas

Son proposiciones acerca de parámetros de

la población (media, proporciones, varianza,
diferencia de medias, etc.) o de su
distribución.

• Generalmente, niega la hipótesis científica que queremos

someter a contraste. Por ejemplo, puede afirmar que no
Hipótesis nula
(H0) existe una relación entre variables.

• Una hipótesis alternativa, es la cual afirmara que las

relaciones, las diferencias, etc. observadas no son debidas al
Hipótesis
alternativa (H1) azar y, por tanto, resultan estadísticamente significativas.
 Pruebas de hipótesis y de significancia o
reglas de decisión.

• Es una regla que especifica si se puede aceptar o rechazar una afirmación

acerca de una población dependiendo de la evidencia proporcionada
Prueba de por una muestra de datos.
Hipótesis

• Hay dos maneras de aplicar la regla de decisión al contraste de hipótesis:

• Una se basa en la probabilidad de observar valores del estadístico de
contraste bajo el supuesto de que la Hipótesis Nula sea verdadera.
Reglas de • La otra se basa en determinar si el valor observado del estadístico de
decisión contraste se sitúa en la región de rechazo.
Errores tipo I y II

Error de Tipo I Error de Tipo II

•Denominado error de •Llamado error de tipo

tipo alfa (α) o falso beta (β) o falso
positivo, rechaza una negativo, no rechaza
hipótesis nula una hipótesis nula
correcta. incorrecta.
•α = P (rechazar la •β = P (no rechazar la
nula|HO es correcta) nula|H1 es correcta)
EJERCICIO: Se tienen dos cajas, caja A y caja B. La caja A tiene 40 fichas con el número 1; 50 fichas con el
número 10 y 10 fichas con el número 100. La caja B tiene 40 fichas con el número 100; 50 fichas con el
número 10 y 10 fichas con el número 1. Se elige una caja al azar, y de ella se saca una ficha. Usted no
sabe si es la caja A ó B.
 Se establece la regla de decisión: Rechazar la hipótesis nula si la ficha es de 100.
Fichas Número de fichas en Número de fichas en
caja A caja B
1 40 10
10 50 50
100 10 40

 La probabilidad de cometer el error tipo I es el nivel de significación alfa:

α = P (rechazar H0/H0 es verdadera).
α = P (sacar una ficha de 100 de la caja A).
α = 10/100.
α = 0.10.
 La probabilidad de cometer el error tipo II es beta:
β = P (aceptar H0/H1 es verdadera).
β = P (sacar una ficha de 1 ó de 10 de la caja B).
β = 60/100.
β = 0.60.
 Nivel de significancia
 Se define como la probabilidad de tomar la decisión de rechazar la hipótesis nula
(H0) cuando ésta es verdadera (decisión conocida como Error tipo I, o "falso
positivo").

Realidad (Población)
Existe diferencia o No existe diferencia
asociación o asociación
(H0 falsa) (H0 cierta)

Resultado de la Diferencia o No error Error tipo I

prueba asociación
(1-β) Error α
significativa
(muestra)
(rechazo H0)
Diferencia o Error tipo II No error
asociación no
Error β (1-α)
significativa
(No rechazo H0)
 EJERCICIO: Un gerente de ventas de libros universitarios afirma que en promedio sus
representantes de ventas realizan 40 visitas a profesores por semana. Varios de estos
representantes piensan que realizan un número de visitas promedio superior a 40. Una
muestra tomada al azar durante 8 semanas reveló un promedio de 42 visitas semanales
y una desviación estándar de 2 visitas. Utilice un nivel de confianza del 99% para aclarar
esta cuestión.
 Datos:
(= 40

n=8

Nivel de confianza del 99%

Nivel de significación = (100%-99%)/2 = 0,5% = 0,005
 Solución:
HO: ( = 40
H1: ( > 40
Grados de libertad: n-1 = 8-1 =7

Paso 1:
Plantear Hipótesis Nula (Ho) e
Hipótesis Alternativa (Hi).
PRUEBAS EMPLEANDO
La Hipótesis alternativa
DISTRIBUCIONES
plantea matemáticamente lo
NORMALES
que queremos demostrar.
La Hipótesis nula plantea
exactamente lo contrario.
Paso 4:
Se aplica la Distribución
Paso 5: Normal para calcular la
Se buscan las regiones probabilidad de error
de aceptación o (P) por medio de la
rechazo. fórmula:
Paso 2:
Determinar Nivel de
Significancia. (Rango de
aceptación de hipótesis
alternativa)
- 0.05 para proyectos de
investigación
- 0.01 para aseguramiento
de calidad
- 0.10 para encuestas de
mercadotecnia y políticas.
Paso 3:
Evidencia de la
Muestra. Se calcula la
media y la desviación
estándar a partir de la
muestra.
EJERCICIO: Si X es una variable aleatoria de una distribución N (µ, σ), hallar: p(µ−3σ ≤ X
≤ µ+3σ).
𝑥−𝜇
Solución: sabemos que z = ; como x 1 = µ−3σ y x 2 = µ+3σ
𝛼

entonces la P(x 1 ≤ X ≤ x 2) se define como:

Es decir, que aproximadamente el 99.72% de los valores de X están a más/menos de

tres desviaciones típicas de la media.
 Pruebas de una y dos colas

Pruebas de Una • Es una prueba de cualquier hipótesis estadística, donde la

cola alternativa es unilateral como:

Pruebas de Dos • Es una prueba de cualquier hipótesis estadística, donde la

colas alternativa es bilateral como:
 EJERCICIO: Un fabricante de cierta marca de cereal de arroz afirma que el
contenido promedio de grasa saturada no excede de 1.5 gramos. Establezca las
hipótesis nulas y alternativa a utilizar para probar esta afirmación y determinar
dónde se localiza la región crítica.
 Prueba de Una cola
La afirmación del fabricante se debe rechazar sólo si μ es mayor que 1.5mg y no se
debe rechazar si es menor o igual que 1.5mg. La prueba es de una sola cola, el
símbolo mayor indica que la región crítica yace en la cola derecha de la distribución
de nuestro estadístico de prueba.

 Prueba de Dos colas

La afirmación del fabricante se debe rechazar sólo si μ es mayor o menor que 1.5mg
y no se debe rechazar si es igual que 1.5mg. La prueba es de dos colas, con la región
crítica dividida por igual en ambas colas de la distribución de nuestro estadístico de
prueba.
 Pruebas Especiales

• So aquellas que no presuponen una distribución de

probabilidad para los datos, por ello se conocen también
como de distribución libre
Pruebas no • Son técnicas estadísticas que no presuponen ningún modelo
paramétricas: probabilístico teórico.

• se basan en que se supone una forma determinada de la

distribución de valores, generalmente la distribución normal, en
la población de la que se obtiene la muestra experimental.
Pruebas • presuponen una distribución teórica de probabilidad
paramétricas: subyacente para la distribución de los datos.
 CURVA CARACTERÍSTICA DE OPERACIÓN;
POTENCIA DE UNA PRUEBA

Son curvas que muestran la probabilidad de cometer un error bajo diversas hipótesis.

Estas curvas proporcionan indicaciones de qué tan bien permite una prueba determinada minimizar los

errores; es decir, indican la potencia de una prueba para evitar que se cometan errores de decisión
 VALOR P EN PRUEBAS DE HIPÓTESIS.
Es la probabilidad de obtener un estadístico muestral tan extremo o más extremo que el

obtenido, suponiendo que la hipótesis nula sea verdadera.

1. Para H0 : μ = μ0 y H1 : μ < μ0, valor p = P(Z < el estadístico de prueba calculado).

2. Para H0 : μ = μ0 y H1 : μ > μ0, valor p = P(Z > el estadístico de prueba calculado).

3. Para H0 : μ = μ0 y H1 : μ ≠ μ0, valor p = P(Z <el estadístico de prueba calculado ) +

P(Z <el estadístico de prueba calculado )

𝑥− μ0
El estadístico de prueba calculado es , donde x es la media de la muestra, s es la desviación
s √n

estándar de la muestra y μ0 es el valor que se ha especificado para μ en la hipótesis nula.

 GRÁFICAS DE CONTROL.
 En la práctica suele ser importante darse cuenta cuándo un proceso ha cambiado lo suficiente como para que se

deban tomar medidas para remediar la situación.

 Estos problemas surgen, por ejemplo, en el control de calidad. Los supervisores de control de calidad deben

decidir si los cambios observados se deben sólo a fluctuaciones casuales o a verdaderos cambios en el proceso

de fabricación debidos al deterioro de las máquinas, a los empleados, a errores, etc.

 Las gráficas de control proporcionan un método útil y sencillo para tratar tales problemas
 PRUEBAS PARA DIFERENCIAS MUÉSTRALES

Diferencias entre medias.

Sean X1 y X2 las medias muestrales de muestras grandes de tamaños N1 y N2 obtenidas de

.
poblaciones cuyas medias son μ1 y μ2 y cuyas desviaciones estándar son σ1 y σ2, respectivamente.

Considérese la hipótesis nula de que no hay diferencia entre las dos medias poblacionales (es decir,

μ1 = μ2), lo cual es equivalente a decir que las muestras se han tomado de dos poblaciones que tienen

la misma media.
Diferencias entre medias.
Donde, si es necesario, se pueden usar las desviaciones estándar muestrales s1 y s2 (o s1 y

s2) como estimaciones de σ1 y σ2. Empleando la variable estandarizada, o puntuación z,

dada por

se puede probar la hipótesis nula contra la hipótesis alternativa (o la significancia de la

diferencia observada) a un nivel de significancia apropiado.

Diferencia entre proporciones.

Sean P1 y P2 las proporciones muestrales de muestras grandes de tamaños N1 y N2 obtenidas de poblaciones

cuyas proporciones son p1 y p2
La distribución muestral de las diferencias entre las proporciones es aproximadamente
normal, y que su media y su desviación estándar están dadas por

se usa como estimación de la proporción poblacional y donde q = 1 − p.

Empleando la variable estandarizada

se puede probar la diferencia observada a nivel de significancia apropiado y con esto

probar la hipótesis nula. Se pueden hacer pruebas con otros estadísticos de manera
similar.
Pruebas empleando distribuciones binomiales.

Las pruebas en las que se usen distribuciones binomiales (así como otras

distribuciones) pueden hacerse de manera análoga a las pruebas en las que se emplean

distribuciones normales; el principio básico es esencialmente el mismo.