República Bolivariana de Venezuela

Ministerio Del Poder Popular Para La Defensa

Universidad Nacional Experimental Politécnica De La Fuerza Armada Nacional
Núcleo: Portuguesa Extensión: Acarigua

Estimación Puntual y Prueba de Hipótesis

Profesora: Integrantes:
Hismir Yanez Juan Suarez
III Semestre C.I: 29.629.939
José Hidalgo
C.I: 28.094.141

31 de mayo del 2020

 Estimación Puntual
Una estimación puntual de un parámetro poblacional es cuando se utiliza un único
valor para estimar ese parámetro, es decir, se usa un punto en concreto de la muestra
para estimar el valor deseado.
El objetivo de la estimación puntual es aproximar el valor del parámetro desconocido
(tiempo medio de ejecución de un algoritmo, altura media de las mujeres de una
población, diferencia del resultado medio entre dos tratamientos médicos, proporción
de gente que mejora con un tratamiento médico…)
Para ello se utiliza la información de la muestra (x 1, x2,……xn), a través de un estimador.
Algunos estimadores frecuentes son:

 Media muestral, para estimar la media teórica de una variable X.

x +…+ x n
x́ = 1
n
 Proporción muestral, para estimar una proporción p.
x +…+ x n
^p = 1
n
 Varianza muestral: para estimar la varianza teórica de una población, se puede
usar la varianza de una muestra:
s2 = ¿¿
Propiedades deseables de un estimador
Las propiedades deseables de un estimador son las siguientes:
Insesgadez: Un estimador es insesgado cuando la esperanza matemática del este es
igual al parámetro que se desea estimar. Por tanto, la diferencia entre el parámetro a
estimar y la esperanza de nuestro estimador tendría que ser 0.
Eficiente: Un estimador es más eficiente o tiene la capacidad de estimar de forma
precisa cuando su varianza es reducida. Por lo tanto ante 2 estimadores, siempre
elegiremos el que tenga una varianza menor.
Consistencia: Un estimador consistente es aquel que a medida que la medida que la
muestra crece se aproxima cada vez más al valor real del parámetro. Por lo tanto,
cuantos más y valores entran en la muestra, el parámetro estimado será más preciso.
Ejercicios:
1) Si la altura de un grupo de población sigue una distribución normal N (176,12),
calcular la Pr (S≤10) para una muestra de tamaño 8.
Solucion:
Considerando una muestra aleatoria de tamaño n de una población normal N(µ,σ), por
el teorema de Fisher tenemos que:
(n−1) S2
σ2
En particular, para una muestra de tamaño n=8 de una población normal N (176,12), el
7 2
estadístico S sigue una distribución X 27 , y por tanto
144
7 2 700
Pr (S ≤ 10) = Pr (S2 ≤ 100) = Pr S≤ = Pr (T ≤ 4.8611)
144 144

Donde la variable T sigue una distribución X 27 , es decir,

Pr (S ≤ 10) = 0.3232
2) Si el contenido en gr. de un determinado medicamento X sigue una distribución N
(7.5,0.3), calcular la probabilidad de que para una muestra de tamaño n=5, se
obtenga medio menor que 7, Pr (X ≤ 7).
Solucion:
A partir de una muestra de tamaño n=5 de una población normal N (µ=7.5,σ=0.3),
tenemos que:

X́−7,5 7−7,5
Pr ( X́ ≤ 7) = Pr 0,3 ≤ 0,3 = Pr (Z ≤ - 3.7269)
√5 √5
Donde Z tiene una distribución normal estándar, y por tanto, Pr (X ≤7) = 0.0001
Estimación por intervalo de confianza de la media y la varianza
La estimación por intervalos de confianza consiste en determinar un posible rango de
valores o intervalo, en los que pueda precisarse con una determinada probabilidad que
el valor de un parámetro se encuentra dentro de esos límites. La obtención del intervalo
se basa en las siguientes consideraciones:

a) Si conocemos la distribución muestral del estimador podemos obtener las

probabilidades de ocurrencia de los estadísticos muéstrales.
b) Si conociéramos el valor del parámetro poblacional, podríamos establecer la
probabilidad de que el estimador se halle dentro de los intervalos de la distribución
muestral.
c) El problema es que el parámetro poblacional es desconocido, y por ello el intervalo
se establece alrededor del estimador. Si repetimos el muestreo un gran número de
veces y definimos un intervalo alrededor de cada valor del estadístico muestral, el
parámetro se sitúa dentro de cada intervalo en un porcentaje conocido de ocasiones.
Este intervalo es denominado "intervalo de confianza".
El concepto de “confianza” en el intervalo es muy importante. Supongamos que
queremos con una confianza del 95% que el verdadero valor del parámetro θ este en
un intervalo. Si en vez de considerar todas las muestras posibles consideramos 100
muestras. Entonces habrá más o menos 95 intervalos que contienen el valor del
parámetro.
Intervalos de confianza para la media: Supongamos que la estatura de los niños de 2
años está distribuida normalmente con una media de 90 cm y una desviación estándar
de 36 cm. ¿Cuál sería la distribución muestral de la media para una muestra de tamaño
9? Recordemos que la media de una distribución muestral de medias es igual a μ:
μ=μx
σ
Y el error estándar es: σ m=
√n
Por lo tanto, la distribución muestral de la media tendría una media de 90 y una
desviación estándar de 36/3 = 12. Recordemos que la desviación estándar de una
distribución muestral es igual al error estándar.
Prueba de Hipótesis
Una prueba de hipótesis es un procedimiento, con el que se busca tomar una decisión
sobre el valor de verdad de una hipótesis estadística. Al realizar una prueba de
hipótesis decidimos si rechazar o no rechazar esa hipótesis estadística. Basamos la
decisión en la evidencia muestral. Por eso muchas veces se compara un proceso de
prueba de hipótesis con un juicio: hay que recoger evidencias para analizar si la
hipótesis de base (la inocencia del acusado en el caso del juicio) se sostiene o se
rechaza. Una prueba de hipótesis examina dos hipótesis opuestas sobre una población:
la hipótesis nula y la hipótesis alternativa.
La hipótesis nula (H0): es el enunciado que se probará. Por lo general, la hipótesis nula
es un enunciado de que "no hay efecto" o "no hay diferencia". La hipótesis nula indica
que un parámetro de población (tal como la media, la desviación estándar, etc.) es
igual a un valor hipotético. La hipótesis nula suele ser una afirmación inicial que se
basa en análisis previos o en conocimiento especializado.
La hipótesis alternativa (H1): es el enunciado que se desea poder concluir que es
verdadero de acuerdo con la evidencia proporcionada por los datos de la muestra. La
hipótesis alternativa indica que un parámetro de población es más pequeño, más
grande o diferente del valor hipotético de la hipótesis nula. La hipótesis alternativa es
lo que usted podría pensar que es cierto o espera probar que es cierto.
Pasos de la prueba de hipótesis:

 Expresar la hipótesis nula.

 Expresar la hipótesis alternativa.
 Especificar el nivel de significancia.
 Determinar el tamaño de la muestra.
 Establecer los valores críticos que establecen las regiones de rechazo de las de
no rechazo.
  Determinar la prueba estadística.
 Coleccionar los datos y calcular el valor de la muestra de la prueba estadística
apropiada.
 Determinar si la prueba estadística ha sido en la zona de rechazo a una de no
rechazo.
 Determinar la decisión estadística.
 Expresar la decisión estadística en términos del problema.
Ejercicios:
1) Una empresa está interesada en lanzar un nuevo producto al mercado. Tras
realizar una campaña publicitaria, se toma la muestra de 1 000 habitantes, de los
cuales, 25 no conocían el producto. A un nivel de significación del 1% ¿apoya el
estudio las siguientes hipótesis?

 Más del 3% de la población no conoce el nuevo producto.

 Menos del 2% de la población no conoce el nuevo producto
Datos:
n = 1000
x = 25

Donde:

 x = ocurrencias
 n = observaciones
x
 = proporción de la muestra
n
 P0 = proporción propuesta
Solución:
a)

a = 0,01
 H0 es aceptada, ya que
zprueba (-0,93) es menor
que ztabla (2,326), por lo
que no es cierto que más
del 3% de la población no
conoce el nuevo producto.

b)

a = 0,01

H0 es rechazada, ya que
zprueba (1,13) es menor
que ztabla (2,326), por
lo que es cierto que
menos del 2% de la
población no conoce el
nuevo producto.

2) Un gerente de ventas de libros universitarios afirma que en promedio sus

representantes de ventas realiza 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
X́ =¿ 42
n=8
S=2
Nivel de confianza del 99%
Nivel de significación = (100%-99%)/2 = 0,5% = 0,005
Solución:
H0: ( = 40
H1: ( > 40
Grados de libertad: n-1 = 8-1 =7
a = 0,005

H0 es aceptada, ya que
tprueba (2,83) es menor
que ttabla (3,499), por
lo que no es acertado
pensar que están
realizando un número
de visitas promedio
superior a 40.

Tipo de error (I y II)

Ninguna prueba de hipótesis es 100% cierta. Puesto que la prueba se basa en
probabilidades, siempre existe la posibilidad de llegar a una conclusión incorrecta.
Cuando se realiza una prueba de hipótesis, se puede cometer dos tipos de error: tipo I
y tipo II. Los riesgos de estos dos errores están inversamente relacionados y se
determinan según el nivel de significancia y la potencia de la prueba. Por lo tanto, se
debe determinar qué error tiene consecuencias más graves para su situación antes de
definir los riesgos.
Error de tipo I
Si se rechaza la hipótesis nula cuando es verdadera, se comete un error de tipo I. La
probabilidad de cometer un error de tipo I es α, que es el nivel de significancia que se
establece para la prueba de hipótesis. Un α de 0.05 indica que se está dispuesto a
aceptar una probabilidad de 5% de estar equivocado al rechazar la hipótesis nula. Para
reducir este riesgo, se debe utilizar un valor menor para α. Sin embargo, usar un valor
menor para alfa significa que se tendrá menos probabilidad de detectar una diferencia
si esta realmente existe.
Error de tipo II
Cuando la hipótesis nula es falsa y no se rechaza, se comete un error de tipo II. La
probabilidad de cometer un error de tipo II es β, que depende de la potencia de la
prueba. Puede reducir el riesgo de cometer un error de tipo II al asegurarse de que la
prueba tenga suficiente potencia. Para ello, hay que asegurarse de que el tamaño de la
muestra sea lo suficientemente grande como para detectar una diferencia práctica
cuando esta realmente exista.