1

Paso 2 Distribuciones muestrales y estimación

Sandra Patricia Mira Vanegas

Inferencia Estadística: 551112_4

Tutor: Víctor Manuel Mendoza Rodríguez

Universidad Nacional Abierta y a Distancia UNAD

Escuela Ciencias de la Educación – ECEDU
Licenciatura en matemáticas
Abril de 2022
 2

Parte A

Consultar la definición de cada uno de los siguientes conceptos, cuándo y para qué se

usan.

Estimación, estimación puntual, estimación real y estimador del parámetro objetivo.

En este tipo de estimación se busca, con base en los datos muéstrales, un único valor

estimado para el parámetro.

Una estimación puntual consiste en establecer un valor concreto (es decir, un punto) para

el parámetro. El valor que escogemos para decir “el parámetro que nos preocupa vale X” es el

que suministra un estadístico concreto. Como ese estadístico sirve para hacer esa estimación, en

lugar de estadístico suele llamársele estimador. Así, por ejemplo, utilizamos el estadístico

“media aritmética de la muestra” como estimador del parámetro “media aritmética de la

población”. Esto significa: si quieres conocer cuál es el valor de la media en la población,

estimaremos que es exactamente el mismo que en la muestra que hemos manejado.

En el libro Estadística Matemática Con Aplicaciones de los autores ackerly, D.,

Mendenhall, W., & Scheaffer, R. lo ilustran, así como se muestra en la imagen

 3

Estimación de intervalo y sesgo.

Se denomina sesgo de un estimador a la diferencia entre la esperanza del estimador y el

verdadero calor del parámetro a estimar. Es deseable que un estimador se inesgado 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 inesgado de la misma, ya que su esperanza es igual a la medida de la

población.

Error de estimación, colas de la densidad de probabilidad y límite probabilístico en el error

de estimación.

Error de la estimación: Es una medida de su precisión que se corresponde con la amplitud

del intervalo de confianza. Cuanta más precisión se desee en la estimación de un parámetro, más

estrecho deberá ser el intervalo de confianza y, por tanto, menor el error, y más sujetos deberán

incluirse en la muestra estudiada. Llamaremos a esta precisión E, según la fórmula E = θ2 - θ1.

Intervalos de confianza.

En esta se determina un intervalo dentro del cual se encuentra el valor del parámetro, con

una probabilidad determinada

Un intervalo de confianza en una técnica de estimación utilizada en inferencia estadística

que permite acotar un par o varios pares de valores, dentro de los cuales se encontrará la

estimación puntual buscada. Un intervalo de confianza nos va permitir calcular dos valores

alrededor de una medida muestral. Estos valores van a acotar un rango dentro del cual, con una

determinada probabilidad, se va a localizar el parámetro poblacional.

 4

Es conveniente hacer un resumen de las dos secciones anteriores. Por un lado, al estudiar

el caso de la media de valores de una distribución normal, se ha visto cómo dicho estimador tiene

distribución y se ha llegado a la conclusión de que un intervalo de confianza al 95% para dicho

estimador es donde, recuérdese, es una estimación de la desviación estándar

norte(m,σ/√ norte )N(μ,σ/n)¯X±1.96s/√ norte X¯±1.96s/ns/√ norte s/n¯XX¯

En el caso general, se sabe que la distribución de un estimador razonable es

aproximadamente, luego generalizando el razonamiento aplicado a la distribución normal, se

puede concluir que un intervalo de confianza al 95% para estimador es , donde es una estimación

de la desviación estándar

de .^θθ^norte(θ,σ/√ norte )N(θ,σ/n)^θθ^^θ±1.96σ^θθ^±1.96σθ^σ^θσθ^^θθ^

De todos modos, el intervalo está construido a partir de una aproximación a la

distribución de , que se ha construido de dos maneras distintas:^θ±1.96σ^θθ^±1.96σθ^^θθ^

Teóricamente, según la cual es normal (y de donde procede dicho intervalo).

De una manera ḿas clean a través de la técnica del plugin o de los remuestreos.

Eso unifica las dos definiciones de intervalo de confianza empleadas a lo largo del

capítulo, es decir, aquella según la cual el intervalo de confianza contiene al valor verdadero del

parámetro con cierto nivel de garantías por un lado y aquella según la cual es el rango de

esperado del estimador al repetir el experimento cierto número de veces. Que ambas definiciones

coinciden no es obvio; lo hacen en tanto que es posible garantizar la normalidad de los errores y

aplicar el razonamiento anterior, que a decir de Fisher (véase (Efron and Hastie 2016 ) )

es obviamente correcto .
 5

De hecho, como la normalidad de la distribución del error solo puede garantizarse para

valores de muy grandes, en ocasiones, el intervalo de confianza estándar, es decir, , es incorrecto

(o muy mejorable). Existe teoría que queda fuera del alcance de este libro acerca de la

construcción de intervalos de confianza más finos en esos casos. norten^θ±1.96σ^θθ^±1.96σθ^

No obstante, no son necesarios valores de muy grandes siempre para que los intervalos de

confianza basados en remuestreos (véase el capítulo 11.2 de (Efron and Hastie 2016 ) )

proporciónn intervalos de confianza razonables. Existen otros argumentos distintos del planteado

hoy aquí que lo justifican en otros casos. Por ejemplo, que es posible construir

transformaciones ad hoc de los datos que los normalicen de manera que pueda volver a aplicar el

ranzonamiento obviamente correcto de Fisher.norten

Así que en general, es bastante seguro construir intervalos de confianza —y ahora sí, en

el sentido de que contienen el valor vedadero del parámetro con un nivel de certeza dado— a

partir de cuantiles de la distribución de obtenidos por remuestreos.^θ

Parte B

Punto 5

Un fabricante de fibras sintéticas desea estimar la tensión de ruptura media de una fibra.

Diseña un experimento en el que se observa las tensiones de ruptura, en libras, de 16 hilos del

proceso seleccionados aleatoriamente. Las tensiones son 20.8, 20.6, 21.0, 20.9, 19.9, 20.2, 19.8,

19.6, 20.9, 21.1, 20.4, 20.6, 19.7, 19.6, 20.3, 20.7. Supóngase que la tensión de ruptura de una

fibra se encuentra modelada por una distribución normal con desviación estándar de 0.35 libras.
 6

Construir un intervalo de confianza estimado del 98% para el valor real de la tensión de

ruptura promedio de la fibra.

Utilizamos la formula

μ= x ± z ( )
σ
√n
Sacamos los datos

z=valor crítico=2,32

valores de confianza=98 %

n=16

x=20,3

σ =0.35 l

z=2,32

remplazamos los valores en la formula

μ= x ± z
( √σn )
μ=20,3± 2,32
( 0,35
√ 16 )

μ=20,3± 2,32 ( 0,354 )

μ=20,3± 2,32 ( 0,0875 )

μ=20,3± 0,203

μ=20,3± 0,203
 7

Referencias Bibliográficas

Efron, B. y T. Hastie. 2016. Inferencia estadística de la era informática: algoritmos,

evidencia y ciencia de datos . https://doi.org/10.1017/CBO9781316576533  .

Enciclopedia de Matemáticas. 2021. "Momentos, método de (en la teoría de la

probabilidad)". http://encyclopediaofmath.org/index.php?

title=Moments,_method_of_(in_probability_theory)&oldid=47882  .

Manzano, A. (2014). Estimación estadística. Recuperado de

http://asignatura.us.es/dadpsico/apuntes/EstimacionEstadistica.pdf

Pearson, Karl. 1894. "Contribuciones a la teoría matemática de la evolución". Transacciones

filosóficas de la Royal Society of

London 3. https://doi.org/10.1098/rsta.1894.0003  .

Perry, Patricio. 2015. "Estimación rápida basada en momentos para modelos

jerárquicos". Journal of the Royal Statistical Society: Serie B (Metodología

estadística) , abril. https://doi.org/10.1111/rssb.12165  .

Rápido, Trevor. 2020. "Regularización de Ridge: un concepto esencial en la ciencia de

datos". http://arxiv.org/abs/2006.00371  .

Sköld, M. 2006. Métodos estadísticos intensivos en

computación. https://www.math.kth.se/matstat/gru/sf2955/Kompendium/

kompendium_sf2955.pdf  .