INSTITUTO TECNOLÓGICO

SUPERIOR DE EL MANTE
INGENIERÍA INDUSTRIAL

UNIDAD 4
4.4. CARACTERÍSTICAS ESTADÍSTICAS DEL
ESTIMADOR LÍDER

DOCENTE: ING. ROBERTO RANGEL ANGUIANO

ALUMNO: HERNÁNDEZ ANGELES SANTOS EMMANUEL
4.4 Características Estadísticas Del Estimador Líder

Es un estadístico (es decir, es una función de la muestra) usado para estimar un parámetro
desconocido de la población. Por ejemplo, si se desea conocer el precio medio de un artículo (el
parámetro desconocido) se recogerán observaciones del precio de dicho artículo en diversos
establecimientos (la muestra) y la media aritmética de las observaciones puede utilizarse como
estimador del precio medio. Para cada parámetro pueden existir varios estimadores diferentes. En
general, escogeremos el estimador que posea mejores propiedades que los restantes, como
insesgadez, eficiencia, convergencia y robustez (consistencia).
SESGO: Se denomina sesgo de un estimador a la diferencia entre la esperanza (o valor esperado) del
estimador y el verdadero valor del parámetro a estimar. Es deseable que un estimador sea insesgado
o centrado, es decir, que su sesgo sea nulo por ser su esperanza igual al parámetro que se desea
estimar. Por ejemplo, si se desea estimar la media de una población, la media aritmética de la muestra
es un estimador insesgado de la misma, ya que su esperanza (valor esperado) es igual a la media de
la población.
EFICIENCIA: Un estimador es más eficiente o preciso que otro, si la varianza del primero es menor
que la del segundo.
CONVERGENCIA: Para estudiar las características de un estimador no solo basta con saber el sesgo
y la varianza, sino que además es útil hacer un análisis de su comportamiento y estabilidad en el largo
plazo, esto es, su comportamiento asintótico. Cuando hablamos de estabilidad en largo plazo, se viene
a la mente el concepto de convergencia. Luego, podemos construir sucesiones de estimadores y
estudiar el fenómeno de la convergencia. Comportamiento Asintótico: En el caso de las variables
aleatorias, existen diversos tipos de convergencia, dentro de las cuales podemos distinguir: -
Convergencia en probabilidad (o débil). -Convergencia casi segura (o fuerte). -Convergencia en media
cuadrática. -Convergencia en distribución. CONSISTENCIA

4.4.1. Establecimiento de la precisión

En Otras opciones, puede establecer la precisión de datos, asociar menús contextuales al formulario
y activar variables de usuario dinámicas. Controle la precisión de los datos aplicando valores mínimos
y máximos para diferentes tipo de cuenta.
Por ejemplo, puede truncar y redondear la parte decimal de los números más largos. Para establecer
la precisión del formulario y otras opciones: Abra el formulario y, a continuación, haga clic en Otras
opciones. En Precisión, seleccione opciones para establecer el número de posiciones decimales
visibles en una celda para Valores de moneda, Valores no de moneda y Valores porcentuales.
Especifique los valores oportunos en Mínimo para agregar ceros a los números con pocos decimales.
Especifique los valores oportunos en Máximo para truncar y redondear la parte decimal de los números
más largos. En la pestaña Pruebas del cuadro de diálogo Preferencias de ejecución se establecen las
preferencias que detienen una simulación: número de pruebas, errores de cálculo y control de
precisión. Para obtener instrucciones generales, consulte (Establecimiento de preferencias de
ejecución).
La simulación actual se debe restablecer para que surta efecto la configuración del control de la
precisión. La pestaña Pruebas del cuadro de diálogo Preferencias de ejecución tiene la siguiente
configuración: Número de pruebas para ejecutar: define el número máximo de pruebas que Crystal
Ball ejecuta antes de detener la simulación. Si selecciona una de las casillas de verificación de este
cuadro de diálogo, Cristal Ball sólo utiliza el número máximo de pruebas si los resultados de la
previsión no cumplen antes los otros criterios de detención. Detener en errores de cálculo: si está
seleccionada esta opción, la simulación se detiene cuando se produce un error matemático (por
ejemplo, la división por cero) en cualquier celda de previsión. Si se produce un error de cálculo, para
ayudarle a encontrar el error, Cristal Ball no restaura los valores de las celdas. Si no se producen
errores de cálculo, la simulación continúa hasta que se alcanza el valor de Número de pruebas para
ejecutar o (si se ha establecido) cuando se alcanza la precisión especificada.

4.4.2. Cálculo del número mínimo de observaciones necesarias.

El tamaño de la muestra o cálculo de número de observaciones es un proceso vital en la etapa de
cronometraje, dado que de este depende en gran medida el nivel de confianza del estudio de tiempos.
Este proceso tiene como objetivo determinar el valor del promedio representativo para cada elemento.
Los métodos más utilizados para determinar el número de observaciones son:
• Método Estadístico Método Tradicional
Este artículo expone un modelo para la determinación del número mínimo de observaciones en
estudios e investigaciones de un solo factor. Para este modelo se obvió la “predicción” o estimación a
priori de la varianza de los datos, empleando, en su lugar, el valor crítico del nivel de confianza y el
valor del poder estadístico de la prueba o potencia del contraste deseados. La aplicación del modelo
mostró un comportamiento aceptable en varias investigaciones ejecutadas a nivel experimental en el
ámbito académico y puede ser aplicado en estudios de tecnologías inéditas o con diseños
experimentales de un solo factor, en investigaciones efectuadas con recursos económicos y físicos
limitados o en proyectos en donde se requiera disminuir costes. La ecuación se fundamenta en los
planteamientos probabilísticos de la comparación de proporciones y los contrastes de hipótesis.
El modelo se constituye en un planteamiento alternativo frente a las expresiones convencionales, en
casos donde no es posible estimar la discrepancia de los datos futuros. Palabras clave: tamaño de la
muestra, investigación de un solo factor, varianza de datos. En investigación o experimentación,
siempre debe recurrirse, en primera instancia, a la elección del tamaño de la muestra a ser abarcado
y posteriormente tratado, que permitirá obtener datos confiables desde un punto de vista estadístico
con los que se comprobará la hipótesis planteada. No obstante, es frecuente que el número de
observaciones sea definido por el investigador, en función de la cantidad de dinero o de tiempo
disponibles, así como del lugar o de la mano de obra disponible.

4.4.3. Intervalos de confianza.

En artículos previos hemos abordado cómo analizar en forma crítica la validez de un estudio de
terapia1-3 y cómo expresar los resultados con distintas medidas de efecto (riesgo absoluto, riesgo
relativo, número necesario para tratar). Así, al momento de aplicar los resultados de un estudio, lo
hacemos utilizando el número que se nos entrega, lo que conocemos como estimador puntual. Si el
estudio se volviera a realizar en condiciones idénticas, pero con una nueva muestra, es probable que
el resultado no sea exactamente igual, ya que el valor que se nos entrega es una aproximación del
valor real. El valor real es el que se obtendría al aplicar la intervención a la población completa,
entendiendo población como el total de pacientes idénticos a los del estudio dentro de la población
general. Este es el valor que realmente nos interesa aplicar en la práctica clínica. Utilizando los datos
de un estudio podemos estimar un rango en el que se encuentra con alta probabilidad el valor real, y
es precisamente este rango lo que conocemos como intervalo de confianza. Este artículo pretende
ayudar a los clínicos a comprender e interpretar un intervalo de confianza, su relación con el tamaño
muestra y advertir las diferencias comparativas con el valor P.

Intervalo de confianza (IC):

Definición y propiedades
El intervalo de confianza describe la variabilidad entre la medida obtenida en un estudio y la medida
real de la población (el valor real). Corresponde a un rango de valores, cuya distribución es normal y
en el cual se encuentra, con alta probabilidad, el valor real de una determinada variable.
Esta «alta probabilidad» se ha establecido por consenso en 95%. Así, un intervalo de confianza de
95% nos indica que dentro del rango dado se encuentra el valor real de un parámetro con 95% de
certeza. Considerando lo anterior, ampliamos el experimento y realizamos 8 nuevos lanzamientos (10
en total), resultando 5 caras y 5 sellos. Nuevamente el resultado es 0,5, sin embargo, ahora
intuitivamente nos percatamos que la verdadera naturaleza de la moneda se encuentra en un rango
menos amplio. Por ejemplo, es poco probable que después de 10 lanzamientos 9 sean sello, menos
aún que todos lo sean, sin embargo, aún es factible que 8 o 7 o 6 sí lo sean. Así, nuestro nuevo rango
puede variar entre 0,2 y 0,8, pero con un alcance: todos advertimos que si bien 0,8 y 0,2 son posibles,
los valores centrales (0,4 y 0,6) lo son más aún, siendo 0,5 el más probable.

EJEMPLO:

En una población de 500 puntuaciones cuya Media (m) es igual a 5.09 han hecho un
muestreo aleatorio (número de muestras= 10000, tamaño de las muestras= 100) y
hallan que la Media de las Medias muestrales es igual a 5.09, (la media poblacional y la
media de las medias muestrales coinciden). En cambio, la Mediana de la población es
igual a 5 y la Media de las Medianas es igual a 5.1 esto es, hay diferencia ya que la
Mediana es un estimador sesgado.

La Varianza es un estimador sesgado. Ejemplo: La Media de las Varianzas obtenidas con

la Varianza

en un muestreo de 1000 muestras (n=25) en que la Varianza de la población es igual

a 9.56 ha resultado igual a 9.12, esto es, no coinciden. En cambio, al utilizar la Cuasi
varianza.

la Media de las Varianzas muestrales es igual a 9.5, esto es, coincide con la Varianza de
la población ya que la Cuasi varianza es un estimador insesgado.
BIBLIOGRAFIAS:

G. (s. f.-c). Simulación de variables aleatorias - PDFCOFFEE.COM. Pdfcoffee.Com. Recuperado 23 de

julio de 2021, de https://pdfcoffee.com/simulacion-de-variables-aleatorias-13-pdf-free.html