Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROBABILIDAD Y ESTADÍSTICA
Depto. Ms. Básicas
ESPECIALIDADES
Ingeniería Eléctrica
Ingeniería Mecánica
Ingeniería Metalúrgica
DOCENTES
ESTIMACIÓN DE PARÁMETROS
7.1. Introducción
Hemos visto al estudiar los modelos probabilísticos que éstos contienen parámetros,
generalmente desconocidos. En el caso de la Distribución de Probabilidad Normal estos
parámetros son µ y σ (el promedio y su correspondiente dispersión) y en el caso de la
Distribución de Probabilidad Binomial, nos referimos a p (por ejemplo proporción de
defectuoso en cierto proceso). La determinación de estos parámetros se convierte en un
objetivo de vital importancia. El problema es que el cálculo exacto del parámetro requiere
el conocimiento de la variable aleatoria en todos y cada uno de los individuos de la
población.
En el capítulo 6 hemos estudiado funciones de las observaciones de muestras (en particular
la media aritmética y la proporción muestral) llamadas estadísticas, que tienen
distribuciones de muestreo que contienen esos parámetros desconocidos.
Entonces deberíamos ser capaces de usar las medidas estadísticas para obtener información
acerca de los parámetros. Es decir, supongamos que se analiza el modelo probabilístico de
una población de observaciones de la cual sólo se sabe que tiene una media µ y una
variancia finita σ2. ¿Qué hacemos?: Tomamos una muestra aleatoria de tamaño n de esta
población, calculamos el promedio muestral que, de acuerdo con lo que hemos
desarrollado, bajo ciertas condiciones, tenderá a tener una distribución normal con
parámetros µ y σ2/ n.
La pregunta que nos hacemos es: ¿Cómo se puede utilizar esta información para decir algo
más específico del parámetro desconocido µ?
La respuesta a esta pregunta la provee una técnica de la Inferencia Estadística denominada
Estimación.
En este diagrama se puede visualizar lo expresado
Distribuciones de Distribuciones en el
Probabilidad muestreo
Estimamos
Ejemplos:
Estima a µ
Estima a σ2
Propiedades que debemos exigirle al estimador para poder llamarlo “buen estimador”:
Pero, si nos interesa obtener una medida de la precisión de la estimación del parámetro θ
deberíamos proporcionar un intervalo de números reales tales que la probabilidad de que el
valor del parámetro θ quede incluido entre los límites de ese intervalo sea igual a
. Esto puede resumirse de la siguiente manera:
Muestra 1 θ
Muestra 2
Muestra 3
Muestra 4
Muestra 5
Muestra 6
Muestra 7
Muestra 8
Supongamos que se desea contar con una estimación por intervalo del 95%, para el
diámetro promedio de cierta pieza producida por un torno. La desviación estándar σ es
conocida, por estudios previos, y puede considerarse estable en 15 mm. El promedio de una
muestra aleatoria de 40 piezas producidas por el torno es de 85 mm.
En este caso asumiríamos una distribución normal para el estadístico x con parámetros µ y
.basándonos en el enunciado del Teorema Central del Límite y en el tamaño de muestra
suficientemente grande considerado. En caso de que se probara la normalidad para la
distribución de los valores de la variable aleatoria X: diámetro de piezas producidas por el
torno podría reducirse el tamaño de la muestra sin pérdida de precisión en la estimación.
Para determinar el intervalo lo que debemos calcular es ε definido como “error de
estimación” Sabemos que si la muestra es aleatoria y la variable X está normalmente
distribuida, entonces:
σ
x ~ N (µ; ) independientemente del tamaño de muestra
n
Si calculamos la variable z:
µ +ε −µ σ
Z= , resulta: ε = z. es decir, ε depende de α
σ n
n
σ σ
El intervalo sería entonces P x − z α . < µ < x + zα . = 1 − α
2 n 2 n
Partiendo de
Cuyos extremos son variables aleatorias ya que dependen de y S cuyos valores varían de
muestra en muestra.
Para una determinada muestra con y el intervalo será:
s 34
x ± t n −1 . = 1250 ± 2,093.
n 20
Podemos concluir que con un 95% de confianza la producción promedio diaria de alambre
está entre 1234,09 y 1265,9 Kg con un 95% de confianza..
Podemos expresar que: tomando todas las muestras posibles de tamaño n = 20, el 95% de
los Intervalos de Confianza que se calcularán a partir de sus promedios muestrales incluirán
a la media poblacional dentro sus límites.
Supongamos que el gerente de mercado del ejemplo del punto 7.4 quiera determinar el
tamaño de muestra y que sería aceptable un error máximo de 25 Kg en la estimación ¿en
cuánto se reduce la muestra?
Siendo:
p.q
σ ( pˆ ) =
n
Ejemplo: en una muestra de 150 piezas extraídas de la producción diaria de una máquina,
30 son defectuosas. Nos interesa estimar la proporción de piezas defectuosas producidas
por la máquina con un nivel de Confianza del 95%
Luego:
0,2 ± 1,96. 0,033
0,2 ± 0,06468
0,13532 ≤ p ≤ 0,26468
Por lo tanto, se estima con un 95% de confianza que la verdadera proporción de piezas
defectuosas está entre 13,5% y 26,5%. de la producción diaria con un 95% de confianza.
pˆ .qˆ
Siendo: ε = z α .
2
n
Despejando n
2
zα
Resulta: n = 2 . pˆ .qˆ
ε
Al calcular el tamaño muestral para estimar una proporción se deben conocer:
¿Qué cantidad de piezas deberán ser muestreados para tener una confianza del 95% de que
el error, utilizando =0.2 como estimador p, sea ≤ 0,05?
Se deberá tomar una muestra de 246 piezas de la producción diaria de esa máquina
7.8.1.- El gerente de control de calidad de una fábrica de lámparas necesita estimar la vida
promedio de un lote de lámparas. Se sabe que la desviación estándar del proceso es de 100 hs. En
una muestra de 50 lámparas se encontró una vida promedio en la muestra de 350 horas.
a) establecer una estimación de intervalo de confianza de 95% de la vida promedio verdadera de las
lámparas de luz del lote. Interpretar el intervalo de confianza.
b) Es indispensable en este problema que la variable vida útil de lámparas de luz en hs. se distribuya
normalmente? Justificar la respuesta
c) Explicar por qué, si seleccionada al azar una lámpara del lote que tiene una duración 320 hs, no
debería llamar la atención el que no esté dentro de los límites de nuestro intervalo.
d) Explique por qué un intervalo del 99% de confianza no es más preciso que el dado en el punto a)
e) Si es aceptable un error de estimación de ± 35hs ¿En cuánto se reduce el tamaño de muestra sin
modificar el nivel de confianza del 95%?
7.8.2.-El gerente del departamento de servicios al cliente de una compañía telefónica debe estimar
el tiempo promedio en días que transcurre entre la presentación de un reclamo y la prestación del
servicio de reparación. Se seleccionó una muestra aleatoria de 15 reclamos de los registros del año
pasado. Los datos de la muestra son:
114 – 78 – 96 – 137 – 78 – 103 – 117 – 86 – 126 – 99 – 114 – 72 – 104 – 73 – 86
a) Construir un intervalo de 99% confianza para estimar el promedio de días entre la
presentación del reclamo y la atención del mismo.
b) Qué supuesto es indispensable formular con respecto a la distribución de probabilidad de la
variable aleatoria en estudio.
7.8.4.- Al departamento de compras de la empresa llega una partida de filtros de aire. ¿Cuál debe
ser el tamaño de muestra para estimar la proporción de filtros defectuosos del lote si se quiere un
error de estimación de ± 0.07 con un nivel de confianza de 99% y por experiencias pasadas se
puede suponer una proporción de defectuosos de 0.10?
7.8.5.- Con relación al problema anterior calcular el tamaño de muestra en el caso de no contar con
ninguna información sobre la proporción de defectuosos, manteniendo constantes los datos
restantes.