Alumno: Jallyl Alberto Sabat Martínez

# de cuenta: 20152000312

Asignatura: Estadística Aplicada

Catedrático: José María Kury

Tema: Resumen capítulo 7

Sección: 1500

Lugar y fecha: San Pedro Sula, Cortés

9 de julio del 2020

 Estimación

Los administradores utilizan estimaciones porque, hasta en los asuntos más

triviales, deben tomar decisiones racionales sin contar con la información
pertinente completa y con una cuota de incertidumbre de lo que el futuro pueda
deparar.

La inferencia estadística es una rama de la estadística que se ocupa del uso de

los conceptos de probabilidad para manejar la incertidumbre en la toma de
decisiones. La inferencia estadística está basada en la estimación, concepto
que se introduce en este capítulo, y en las pruebas de hipótesis. Tanto en la
estimación como en las pruebas de hipótesis, haremos inferencias acerca de
las características de las poblaciones a partir de la información proporcionada
por las muestras.

¿De qué manera los administradores utilizan estadísticas para estimar los
parámetros de una población?:

 El jefe de departamento de alguna universidad intenta estimar el número

de inscripciones que tendrá el siguiente semestre a partir de las
inscripciones actuales en los mismos cursos.
 El director de un departamento de crédito intentará estimar el valor
crediticio de los futuros clientes a partir de una muestra de sus hábitos
de pago.
 El comprador de una casa intenta estimar el curso futuro de las tasas de
interés mediante la observación de su comportamiento actual.

Tipos de estimaciones
Podemos hacer dos tipos de estimaciones concernientes a una población:

1. Estimación puntual: es un solo número que se utiliza para estimar un

parámetro de población desconocido. A menudo, una estimación puntual
es insuficiente debido a que sólo tienen dos opciones: es correcta o está
equivocada. Si le dicen solamente que la afirmación sobre la inscripción
está equivocada, no sabe qué tanto está mal y no puede tener la certeza
de que la estimación es confiable.
 2. Estimación de intervalo: es un conjunto de valores que se utiliza para
estimar un parámetro de la población. Una estimación de este tipo indica
el error de dos maneras: por la extensión del intervalo y por la
probabilidad de que el verdadero parámetro poblacional se encuentre
dentro del intervalo.

Estimador y estimaciones
Un estimador es un estadístico de la muestra utilizado para estimar un
parámetro poblacional. La media de la muestra x puede ser un estimador de la
media de la población µ, y la proporción de la muestra se puede utilizar como
un estimador de la proporción de la población. También es posible emplear el
rango de la muestra como un estimador del rango de la población. una
estimación es un valor específico observado de un estadístico. Hacemos una
estimación si tomamos una muestra y calculamos el valor que toma nuestro
estimador en esa muestra.

Criterios para seleccionar un buen estimador

Podemos evaluar la calidad de un estadístico como estimador mediante el uso

de cuatro criterios:

 Insesgado: es una propiedad deseable para un buen estimador. Se

refiere al hecho de que una media de la muestra es un estimador no
sesgado de una media de la población porque la media de la distribución
muestral de las medias de las muestras tomadas de la misma población
es igual a la media de la población misma.
 Eficiencia: Se refiere al tamaño del error estándar del estadístico. Si
comparamos dos estadísticos de una muestra del mismo tamaño y
tratamos de decidir cuál de ellas es un estimador más eficiente,
escogeríamos la estadística que tuviera el menor error estándar o la
menor desviación estándar de la distribución muestral.
 Consistencia. Un estadístico es un estimador consistente de un
parámetro de población si al aumentar el tamaño de la muestra, se tiene
casi la certeza de que el valor del estadístico se aproxima bastante al
valor del parámetro poblacional. Si un estimador es consistente, se
vuelve más confiable al tener tamaños de muestra más grandes.
  Suficiencia: Un estimador es suficiente si utiliza tanta información de la
muestra que ningún otro estimador puede extraer información adicional
acerca del parámetro de población que se está estimando.

Estimaciones puntuales

La media de la muestra x es el mejor estimador de la media de la población µ.

Es insesgada, consistente, el estimador más eficiente y, siempre y cuando la
muestra sea suficientemente grande, su distribución muestral puede ser
aproximada por medio de la distribución normal. Si conocemos la distribución
muestral de x, podemos obtener conclusiones respecto a cualquier estimación
que podamos hacer a partir de la información muestral. Podemos obtener la
media de la muestra, x, sumando todos los resultados Σx, y dividiendo esta
suma entre n, el número de cajas muestreadas:

Estimación puntual de la varianza y la desviación estándar de

la población

El estimador más utilizado para estimar la desviación estándar de la población

σ, es la desviación estándar de la muestra, s.

Estimación puntual de la proporción de la población

La proporción de unidades de una población dada que tiene una característica
de interés particular se denota por p. Si conocemos la proporción de unidades
de una muestra que tiene la misma característica (denotada por pˆ) podemos
utilizar esta pˆ como estimador de p. Se puede demostrar que pˆ tiene todas las
características deseables analizadas; es insesgado (no sesgado), consistente,
eficiente y suficiente.
EJEMPLO:

El Greensboro Coliseum estudia la posibilidad de ampliar su capacidad de

asientos y necesita conocer tanto el número promedio de personas que asisten
a los eventos como la variabilidad de este número. Los datos se refieren a la
asistencia (en miles) a nueve eventos deportivos seleccionados al azar.
Encuentre las estimaciones puntuales de la media y la varianza de la población
de la que se tomó la muestra. 8.8 14.0 21.3 7.9 12.5 20.6 16.3 14.1 13.0

SOLUCION

Estimaciones de intervalo: conceptos básicos

Una estimación de intervalo describe un conjunto o rango de valores dentro del

cual es posible que esté un parámetro de la población. Para medir la extensión,
o dispersión, de nuestra distribución de medias muestrales, podemos utilizar la
siguiente fórmula y calcular el error estándar de la media:

Estimaciones de intervalo e intervalos de confianza

En estadística, la probabilidad que asociamos con una estimación de intervalo

se conoce como nivel de confianza. Esta probabilidad indica qué tanta
confianza tenemos de que la estimación de intervalo incluya al parámetro de
población. Una probabilidad más alta implica una mayor confianza. En la
estimación, los niveles de confianza que se utilizan con más frecuencia son 90,
95 y 99%, pero somos libres de aplicar cualquier nivel de confianza. Entonces,
los límites de confianza son los límites superior e inferior del intervalo de
confianza.

Relación entre nivel de confianza e intervalo de confianza

Altos niveles de confianza producen intervalos de confianza grandes, y éstos,
de hecho, dan estimaciones bastante imprecisas.

A medida que el cliente va estableciendo un intervalo de confianza cada vez

más estrecho, el administrador de la tienda consiente en un nivel de confianza
cada vez más bajo. Note, también, que cuando el intervalo de confianza es
demasiado amplio, como en el caso en que la entrega tarda un año, la
estimación puede tomar un valor real muy pequeño

Uso de muestreo y estimación de intervalos de confianza

A menudo resulta difícil o costoso tomar más de una muestra de una población.
Con base en una sola muestra estimamos el parámetro de la población.
Debemos tener cuidado, entonces, en la interpretación de los resultados de
este proceso.

Cálculo de estimaciones de intervalo de la media a partir de

muestras grandes

Cuando no conocemos la desviación estándar de la población, utilizaremos la

desviación estándar de la muestra para estimar la desviación estándar de la
población:

El símbolo para representar el valor estimado es σˆ, que se conoce como

sigma gorro.

Cuando tenemos un tamaño de población finito y nuestra muestra constituye

más del 5% de la población, utilizaremos la fórmula para derivar el error
estándar de la media de poblaciones finitas:
Ya que estamos calculando el error estándar de la media mediante una
estimación de la desviación estándar de la población, volvemos a escribir esta
ecuación de modo que los símbolos sean correctos:

EJEMPLO

Se toma una muestra de 60 individuos a partir de una población de 540. De

esta muestra, se encuentra que la media es 6.2 y la desviación estándar es
1.368. a) Encuentre la estimación del error estándar de la media. b) Construya
un intervalo del 96% de confianza para la media.

SOLUCION

Cálculo de estimaciones de intervalo de la proporción a partir

de muestras grandes

Los especialistas en estadística, a menudo, utilizan una muestra para estimar

la proporción de ocurrencias de un evento en una población. En el capítulo 5
introdujimos el concepto de proporción en la distribución binomial, una
distribución de datos discretos, no continuos. Presentamos, también, las dos
fórmulas para derivar la media y la desviación estándar de la distribución
binomial:
Teóricamente, la distribución binomial es la distribución correcta a utilizar en la
construcción de intervalos de confianza para estimar una proporción de
población, µ =np muestra que la media de la distribución binomial es igual al
producto del número de ensayos, n, por la probabilidad de obtener un éxito, p;
esto es, np es igual al número medio de éxitos. Para cambiar este número de
éxitos a la proporción de éxitos, dividimos np entre n y obtenemos sólo el valor
de p. La media, que se encuentra al lado izquierdo de la ecuación se convierte
en µpˆ, es decir, en la media de la distribución de muestreo de la proporción de
éxitos.

En términos estadísticos, la desviación estándar de la proporción de éxitos en

una muestra se expresa en símbolos como:

Se conoce como el error estándar de la proporción.

Estimaciones de intervalos con la distribución t

El uso de la distribución t para hacer estimaciones se requiere siempre que el

tamaño de la muestra sea menor o igual que 30 y la desviación estándar de la
población no se conozca. Además, al utilizar la distribución t, suponemos que la
distribución poblacional es normal o aproximadamente normal.

Características de la distribución t

Sin derivar la distribución t de manera matemática, podemos entender en forma

intuitiva la relación que existe entre la distribución t y la distribución normal.
Ambas son simétricas. En general, la distribución t es más plana que la
distribución normal y hay una distribución t diferente para cada tamaño posible
de muestra.

Una distribución t es menor en la media y mayor en las colas que una

distribución normal. La figura también muestra cómo la distribución de Student
tiene, proporcionalmente, una parte mayor de su área en las colas que la
distribución normal; por esto será necesario alejarse más de la media de una
distribución t para poder incluir la misma área bajo la curva.

Uso de la tabla de distribución t

La tabla de los valores de la distribución t (tabla 2 del apéndice) difiere en su
construcción de la tabla z que usamos antes. Estas diferencias son:

1. La tabla t es más compacta y muestra áreas y valores de t sólo para

algunos porcentajes (10, 5, 2 y 1%).
2. La tabla t no se concentra en la probabilidad de que el parámetro de
población que se está estimando se encuentre dentro del intervalo de
confianza. En lugar de ello, mide la probabilidad de que el parámetro de
población que estamos estimando no esté dentro de nuestro intervalo de
confianza (es decir, la probabilidad de que esté fuera).

3. Al utilizar la tabla t es que debemos especificar los grados de libertad

que se manejan.

La única diferencia entre el proceso utilizado para hacer esta estimación y los
procedimientos para resolver los problemas anteriores es el uso de la
distribución t como la distribución adecuada. Recuerde que en cualquier
problema de estimación donde el tamaño de la muestra sea menor o igual que
30, la desviación estándar de la población no se conozca y la población en
cuestión sea normal o aproximadamente normal, utilizamos la distribución t.

Determinación del tamaño de muestra en estimación

Se presentará cierto grado de error de muestreo por no estudiar a la población

completa. Siempre que tomamos una muestra, perdemos algo de información
útil de la población. Si queremos tener un alto nivel de precisión debemos
muestrear la población lo suficiente para asegurarnos que obtuvimos la
información requerida. El error de muestreo se puede controlar si
seleccionamos una muestra con el tamaño adecuado. En general, cuanta más
precisión se quiera, más grande será el tamaño necesario de la muestra.

Examinemos algunos métodos útiles en la determinación del tamaño necesario

de muestra para cualquier nivel específico de precisión: