Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESTADÍSTICA
UNIDAD IV
Diego Vera
27.237.750
2. Distribuciones muestrales:
4. Estimador puntual.
En cada una de las distintas muestras que pueden ser extraídas de una
población se pueden calcular estadísticos como la media aritmética o la
proporción de elementos que presentan cierta característica; por ejemplo, la
media de estaturas o la proporción de licenciados universitarios. Cuando los
elementos son escogidos de manera aleatoria, los estadísticos pueden tomar
distintos valores en cada una de las muestras, cada uno de ellos con distinta
probabilidad. Los valores de la media en diferentes muestras aleatorias se
encuentran con mayor probabilidad cerca del valor de la media poblacional, y
son menos probable que se encontrasen muy alejados de ella.
𝑚− 𝜇
𝑚∗ =
𝜎 / √𝑛
Ejemplo
Si los individuos de una población tienen un peso medio de 70 kg, con una
desviación típica de 10 kg, ¿cuál es la probabilidad de que la media de peso de
los 121 pasajeros de un avión, que se supone que representan una muestra al
azar, esté entre 72 y 73 kg?
La variable tipificada sigue una distribución N(0,1) cuyas áreas bajo la curva se
encuentran tabuladas.
las áreas bajo la curva que quedan a la izquierda de un cierto valor de la variable.
El área bajo la curva comprendida entre m*A y m*B es entonces el área a la
izquierda de m*B menos el área a la izquierda de m*A.
𝑚− 𝜇
𝑚𝑡∗ =
𝑠 / √𝑛
Este nuevo estadístico t contiene la media muestral m y la varianza muestral
s2, esta última con su propia distribución muestral. El cociente entre ambas
ya no sigue la distribución normal estándar, sino otra distribución denominada
t de Student, que depende de los grados de libertad de la muestra (número
de elementos que contiene menos uno, n−1). Cuanto mayor es el tamaño de
la muestra, más se parece esta distribución a la normal estándar, por lo que
a menudo se emplea esta última en muestras grandes incluso si la varianza
poblacional es desconocida.
∗
(𝑚1 − 𝑚2 ) − (𝜇1 − 𝜇2 )
(𝑚1 − 𝑚2 ) =
√𝜎12 /𝑛1 + 𝜎22 /𝑛2
Ejemplo
Una manera análoga para la resolución del ejemplo anterior, para (m1−m2) *
B = 1,64 se localiza en la tabla la columna 1,00 y la fila 0,64, en cuya
intersección aparece el área 0,949497. En la tabla no aparecen valores
negativos de la variable, pero como la curva normal estándar es simétrica
respecto al valor 0, se deduce que el área a la izquierda de (m1−m2) * A =
−1,64 es igual al área a la derecha del valor +1,64; esta última se puede
obtener como el área total bajo la curva, que es 1, menos el área a la
izquierda de +1,64, es decir, 1−0,949497 = 0,050503.
𝑇 = 𝜏(𝑋1 , 𝑋2 , … , 𝑋𝑛 )
𝜃̂ = 𝜏(𝑋1 , … , 𝑋𝑛 )
Tomemos el ejemplo simple de una moneda de la cual ignoramos si está
adulterada o no. La probabilidad de caer sobre ''cara'' es el parámetro
desconocido . Nos proponemos realizar lanzamientos de la moneda,
lo que modelaremos por una muestra de tamaño de la ley de Bernoulli de
parámetro . El número de ''caras'' obtenido en los lanzamientos es una
variable aleatoria que sigue la ley binomial . El cociente entre esta
variable aleatoria y (la frecuencia) es un estimador de . Realicemos ahora
los lanzamientos de la moneda denotando cada vez por si ha salido
''cara'', y 0 si no. Una realización de la muestra es por ejemplo:
0, 1, 1, 0, 1, 1, 1, 0, 0, 1.
Para esta realización, la frecuencia empírica toma el valor 0.6, el cual
propondremos como estimación de . Evidentemente, 10 nuevos lances de la
misma moneda podrán conducir a una realización diferente de la muestra y a
otra estimación de .
4. Estimador Puntual
Para obtener una estimación puntual se usa un estadístico que recibe el nombre
de estimador o función de decisión. Algunos ejemplos de estadísticos son:
̅= 𝝁
𝑿
La desviación típica muestral que sirve de estimación para la desviación
típica de la población.
𝑺=𝟔
Ante situaciones así, se hace más factible seleccionar una muestra estadística.
Por ejemplo, 500 personas. Y sobre dicha muestra, calcular la media. Aunque
seguiríamos sin saber el verdadero valor poblacional, podríamos suponer que
este se va a situar cerca del valor muestral. A esa media le sumamos el margen
de error y tenemos un valor del intervalo de confianza. Por otro lado, le restamos
a la media ese margen de error y tendremos otro valor. Entre esos dos valores
estará la media poblacional.
Si 𝑋̅1 , 𝑋̅2 , 𝑠1 2 𝑦 𝑠2 2 son las medias y las varianzas de dos muestras aleatorias
de tamaño n1 y n2, respectivamente, tomadas de dos poblaciones normales e
independientes con varianzas desconocidas pero iguales, entonces un
intervalo de confianza del 100(1 - ∞) por ciento para la diferencia entre medias
es:
1 1
𝜇1 − 𝜇2 = ( 𝑋̅1 − 𝑋̅2 ) ± 𝑡𝑠 √ +
𝑛1 𝑛2
En donde:
PARA OBTENER UNA MEJOR VISTA DEL MAPA CONCEPTUAL CLICK AQUÍ:
https://www.mindomo.com/mindmap/fd3a47e8989a47b2abee8b87772d07dd