Estadística Inferencial

Profesor:
Ing. Ricardo Rosas Roque

1
2
Estimación de Parámetros

• La inferencia estadística es el proceso

mediante el cual se utiliza la información de
los datos de una muestra para extraer
conclusiones acerca de la población de la
que se seleccionó la muestra.

• Las técnicas de la inferencia estadística

pueden dividirse en dos áreas principales:
estimación de parámetros y prueba de
hipótesis.
3
 Estimación del parámetro

• Estimación de punto. El valor del estimador,

es aquel que se asume como la medida
representativa de la población.
• Estimación de intervalo. Se asume un margen
de error por encima y por debajo del
estimador como una medida adecuada para
estimar el parámetro poblacional.
• Intervalo de confianza. Es una estimación de
intervalo, asociada a una probabilidad que
representa el grado de confiabilidad en la
generalización 4
Estimación por punto. Ejemplo
• Después que se ha seleccionado la muestra

Entonces la estimación puntual

5
Propiedades de los estimadores

• Sesgo

• Consistente

• Eficiente

6
Sesgo
• Un estimador es insesgado si la media de la
distribución del estimador es igual al
parámetro.

7
Consistente (Robustez)
• Un estimador es consistente si aproxima el
valor del parámetro cuanto mayor es n
(tamaño de la muestra).
Ejemplo:
En una población de 500 puntuaciones cuya
Media igual a 4.9 han hecho tres muestreos
aleatorios (número de muestras= 100) con los
siguientes resultados:

8
Eficiente

• Un estimador es más eficiente que otro si la

Varianza de la distribución muestral del
estimador es menor a la del otro estimador.
• Dentro de la clase de estimadores, es mejor
encontrar el estimador que tiene la varianza
más pequeña.

9
Teorema de Límite Central

• Es evidente que se pueden obtener muchas

muestras de un tamaño dado de cualquier
población.
• Esto da lugar a toda una distribución de
medias muestrales.
• Si la población original está distribuida
normalmente, la distribución de las medias
muestrales también estará distribuida
normalmente.

10
• La media de las medias muestrales es igual
a la media de la población.

11
• Incluso si la población no esta distribuida
normalmente, la distribución de muestreo
de las medias muestrales será normal si n
es lo suficientemente grande ( n > 29)

12
• Es probable que las muestras más grandes
produzcan estimados más precisos de la
media poblacional 13
Intervalo de confianza para la media
con varianza conocida.

• Una estimación puntual no es suficiente, en

el sentido de que dar un número como
estimación de un parámetro no nos indica el
error que cometemos en la estimación; esto
es consecuencia de la aleatoriedad del
muestreo

14
Precisión de la estimación: el error estándar

• Cuando presentamos el valor de una

estimación puntual, suele ser necesario dar
alguna idea de su precisión. El error
estándar es la medida usual de precisión que
se emplea

• Un error estándar pequeño implica que se ha

presentado una estimación relativamente
precisa.
15
Ejemplo:
Se describe un nuevo método para medir la
conductividad térmica de hierro Armco. Al
emplear una temperatura de 100°F y una
entrada de potencia de 550 W, se obtuvieron
las siguientes 10 mediciones de conductividad
térmica. Hallar el error estándar estimado de X
41.60
41.48
42.34
Prom 41.924
41.95 S= 0.2841
41.86
42.18
41.72 0 0,089
42.26
41.81
16
42.04
Definición de intervalo de confianza
• Dada una muestra aleatoria simple (X1, X2,…,
Xn) de una variable aleatoria X se llama
intervalo de confianza para un parámetro θ,
con nivel o coeficiente de confianza “1 - α”,
0 < α < 1, a un intervalo aleatorio (dado que
sus extremos dependen de las muestras
elegidas):

[θ1,( X1, X2, Xn ), θ2 (X1, X2, Xn)]

17
Interpretación de un intervalo de
confianza

Se tiene una confianza del (1 - α) 100% en el

sentido de que si se toma infinitas muestras y
con cada una de ellas se construye el intervalo
numérico correspondiente, el (1- α) 100% de los
mismos contendrían el valor del verdadero
parámetro, mientras que los restantes 100α %,
no.

“ Se espera que por lo menos 95 de cada 100

intervalos que se calculan con otras tantas
muestras contengan el valor desconocido µ” 18
La mayoría de los intervalos contienen el valor
correcto de µ, pero hay un intervalo, que no lo
contiene. La muestra con que se construyó este
intervalo forma parte del 5% de las muestras
“malas”, es decir las que proporcionan intervalos
equivocados.

“el intervalo contiene al parámetro µ con

una confianza del 0,95” 19
En muchas situaciones, una estimación puntual
no proporciona suficiente información acerca
del parámetro de interés. Por ejemplo,
interesa estimar la resistencia media a la
compresión de concreto, un solo número
puede no tener mucho significado. Una
estimación de intervalo de la forma LS y LI
podría resultar más útil.

20
• La longitud de un intervalo de confianza
observado es una medida importante de la
calidad de la información obtenida de la
muestra.

• En una situaci6n ideal, obtener un intervalo

relativamente corto con una confianza
elevada.
•
21
22
Intervalo de confianza para la media
con σ conocida.

23
Error en la estimación:

Teorema: Si X es un estimador de µ,
entonces se puede tener una confianza del
(1 - α) 100% de que el error no excederá una
cantidad específica:

24
Ejemplo:
La Empresa XX decide hacer un estudio para
determinar la cantidad gastada de un combustible
para calefacción casera en un año en particular.
Con tal motivo se selecciona una muestra de n = 64
hogares de la ciudad. La media muestral del gasto en
gas para calefacción resultó de $83,6. Se sabe por
experiencia que la desviación estándar de la población
es $17,8.
a) Hallar un I. de C. del 95% para el gasto promedio
anual en este tipo de combustible en la ciudad.
b) Calcular un I. de C. del 99% para ese gasto
promedio anual.
c) ¿Qué conclusiones puede sacar de a) y b)? 25