Estimación de

Parámetros .

Materia: Estadística Inferencial.

Unidad: 2
Profesor: M.C.A. Damián Muñoz Ibarra
Alumno: ING. Raúl Alejandro López
Nieto

Aguascalientes, Ags. Ingeniería Industrial 10 de julio del 2021

 Índice
Introducción. ............................................................................................................ 3

3.4 Intervalos de Confianza para la media .............................................................. 4

3.5 Estimación por Intervalos de Confianza para la Diferencia entre Dos

Medias ..................................................................................................................... 5

3.6 Intervalo de confianza para P (muestras grandes). ........................................... 6

3.7 Intervalo de confianza para P1 − P2 (muestras grandes).............................. 7

3.8 Intervalo de confianza para 𝜎2 .......................................................................... 7

3.9 Intervalo de confianza para 𝜎12𝜎22 ................................................................. 7

3.10. Determinación del tamaño de muestra ........................................................... 8

Conclusión............................................................................................................... 9

2
 Introducción.

Hasta ahora hemos visto como un modelo de probabilidad, podíamos calcular la

probabilidad de que una variable tomara un cierto valor. Ahora nos interesa el
proceso inverso: una vez observada la frecuencia con la que la variable toma los
valores, buscamos un modelo probabilístico que describa los datos. A esto se
llama inferencia estadística. En temas anteriores vimos que los modelos de
distribución de probabilidad dependían de uno o más parámetros, para poder ver
si un modelo se ajusta a los datos hemos de estimar dichos parámetros.

El objetivo de la estimación de parámetros es proveer de métodos que permitan

determinar con cierta precisión, el valor de los parámetros de un modelo a partir
de una muestra extraída de la población.

3
 3.4 Intervalos de Confianza para la media

Sea X ∼ N(µ, σ 2) y consideremos X1, . . . , Xn una m.a.s. de X. Si estamos

interesados en obtener intervalos de confianza para la media µ, tendremos que
tener en cuenta las siguientes situaciones:

1. La varianza σ 2 es conocida. En ese caso, el IC para µ viene dado por:

2. La varianza σ 2 es desconocida pero n es grande. Cuando la varianza no

es conocida, la distribución de la media X es una T-Student, que para
tamaño muestral n ≥ 30 se puede aproximar por una N(0, 1). En este caso,
se debe aproximar el error típico obteniendo el siguiente intervalo de
confianza:

3. La varianza σ 2 es desconocida y n es pequeño. En este caso, debemos

considerar los cuantiles de la distribución T-Student, quedando el intervalo
de confianza como:

donde tn−1,1−α/2 son los correspondientes cuantiles de una distribución T-

Student con (n − 1) grados de libertad. Estos cuantiles están tabulados. En
el caso de los intervalos de confianza para µ, se puede observar que para
un nivel de significación fijo, a mayor varianza, mayor longitud del intervalo.

4
 El efecto contrario se produce a medida que aumenta el tamaño muestral.
En ese caso, se reduce la longitud del intervalo. Cuando no conocemos la
varianza, obtenemos también intervalos más amplios que en el caso de σ 2
conocida, ya que los cuantiles de la distribución t son más extremos que
para la N(0, 1).

3.5 Estimación por Intervalos de Confianza para la Diferencia entre Dos Medias

Consideremos ahora el problema de encontrar una estimación por intervalos de 1-

2 cuando no es probable que las varianzas poblacionales desconocidas sean
iguales. La estadística que se usa con más frecuencia en este caso es:

que tiene aproximadamente una distribución t con grados de libertad, donde:

Como rara vez es número entero, lo redondeamos al número entero más

cercano menor. Esto es si el valor de nu es de 15.9 se redondeará a 15.

Al despejar la diferencia de medias poblacionales de la formula de t nos queda:

5
 3.6 Intervalo de confianza para P (muestras grandes).

Consideremos pˆ, proporción muestral, como estimador de p. A partir de la

ecuación (4) podemos construir un intervalo de confianza de nivel (cobertura) (1 −
α) para p:

En este caso, el error típico se aproxima por qpˆ(1−pˆ) n y, dado que pˆ tiene una
distribución Normal, consideramos los cuantiles de una N(0, 1). En concreto, para
los intervalos de confianza usuales, se tiene:

ya que para una cobertura 1 − α = 0.9 = 90 % (α = 0.1), el cuantil z1−α/2 = 1.64.

Del mismo modo, para una cobertura del 1 − α = 0.95 = 95 % (α = 0.05) el cuantil
es z1−α/2 = 1.96 y para un cobertura del 1 − α = 0.99 = 99 % (α = 0.01) el cuantil
es z1−α/2 = 2.57.

6
 3.7 Intervalo de confianza para P1 − P2 (muestras grandes).

Si son las proporciones de éxitos en muestras aleatorias de tamaños ,

respectivamente, 1 p2 ˆ p y ˆ n1 y n2 1 p1 qˆ = 1 − ˆ y qˆ 1 pˆ , 2 = − 2 un intervalo
de confianza aproximado del (1- α )100% para la diferencia entre los dos
parámetros binomiales, P1 − P2 es:

3.8 Intervalo de confianza para 𝜎 2

Si es la varianza de una muestra aleatoria de tamaño n de una población normal,

un intervalo de confianza del (1 − α)100% para es:

donde son valores de con v = n – 1 grados de libertad, con áreas de 2 / 2, v 2 χ 1

−α / 2, v y χα 2 χ 1 − α / 2 y α / 2 , respectivamente, a la izquierda.

𝜎12
3.9 Intervalo de confianza para 𝜎22

Si 2 s 1 y s varianzas de dos muestras independientes de tamaños n 2 2 / σ . s

son la 2 2 1 y n2, respectivamente, de poblaciones normales, entonces un
intervalo de confianza de (1 - α)100% para 2 2 2 1 σ / σ es:

7
donde es un valor con v 1 2 v v ,1 / 2 f −α f 1 = n1 – 1 y v2 = n2 – 1 grados de
libertad, con un área de 1 −α / 2 a la izquierda y es un valor similar con v 2 1 v v ,1
/ 2 f −α f 2 = n2 – 1 y v1 = n1 – 1 grados de libertad

3.10. Determinación del tamaño de muestra

Dado un nivel de confianza (1−α), nos puede interesar saber qué tamaño muestral
n necesitamos para alcanzarlo en un intervalo de longitud L, suponiendo los
mismos resultados en la muestra. En los intervalos que hemos introducido para p
y µ, sus longitudes se puede calcular fácilmente. Estas longitudes dependerán del
tamaño de muestra n, que se puede despejar como sigue:

8
 Conclusión.

Las variables son una muestra aleatoria si: Son independientes Todas tienen la
misma distribución Un estadístico es cualquier función de las observaciones en
una muestra aleatoria: Un estimador es un estadístico que se utiliza para estimar
un parámetro desconocido de la población Una estimación es un valor concreto
del estimador para una muestra en particular ( ) 1 2 , , XX X … n ( ) 1 1 2 , , n i i n
X X fXX X n = = = ∑ … X = →μˆ μ ( ) 123 xxx x , , (1,1, 4) 2

La Estimación de Parámetros nos puede ayudar a nosotros como ingenieros

industriales a:

™ Explicar el concepto de estimación de parámetros de una población o de una

distribución de probabilidad

™ Explicar las propiedades de los estimadores.

™ Construir estimadores puntuales mediante máxima verosimilitud

™ Conocer y explicar la precisión con la que son estimados los parámetros

™ Explicar la importancia de la distribución Normal como distribución en el

muestreo