Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TECNOLOGICO DE
MINATITLAN
MATERIA: “ESTADISTICA
INFERENCIAL”
DOCENTE DE LA MATERIA:
ELISEO AYALA IBARRA
NOMBRE DEL ESTUDIANTE:
ANGEL RAMIREZ PEREZ
GRUPO: 1 12:00-13:00
NUMERO DE CONTROL: 21230032
FECHA: 07-OCTUBRE-2022
ACTIVIDAD: FICHA 1
Estimación y perspectiva
En otras palabras, la estimación es un cálculo que se realiza a partir de la evaluación
estadística. Dicho estudio suele efectuarse sobre una muestra y no sobre toda
la población objetivo.
Para llevar a cabo una estimación, entonces, es necesario primero contar con una serie de
datos. Además, es común que los investigadores se sustenten en un marco teórico.
Por ejemplo, podemos estimar la inflación definiéndola como la diferencia entre los precios (de
la economía) del periodo A y los precios del periodo B. Entonces, se calcula una variación
porcentual entre los datos registrados en ambos puntos del tiempo.
Vale aclarar también que la estimación puede efectuarse sin rigurosidad matemática. Esto
suele suceder, por ejemplo, cuando se consulta a algunos expertos sobre cuánto va a crecer la
economía en el presente año. Entonces, sin haber trabajado un cálculo econométrico, el
analista lanza una cifra (o un rango), posiblemente con base en los indicadores que se vienen
observando, como el consumo de cemento.
Usos de la estimación
La estimación puede ser utilizada para diversos fines como los siguientes:
Calcular el valor de una variable determinada con base en otras. Por ejemplo, estimar la
balanza comercial si contamos con los datos de las exportaciones e importaciones de un país.
Realizar proyecciones de una variable. Esto puede ser posible a partir de datos históricos. Por
ejemplo, tomando el modelo de las expectativas adaptativas puede estimarse la inflación
esperada por los consumidores en función a los incrementos de precios en el pasado.
Calcular el valor contable o valorar un activo, tomando en cuenta que tiene un periodo de vida
útil. Por ejemplo, imaginemos que una maquinaria costó 5.000 euros y se estima que durará
cinco años. Entonces, transcurridos cuatro años solo valdrá una quinta parte, 1.000 euros,
debido al desgaste. Todo, suponiendo que su valor residual sea de 0 euros.
La estimación, en España, también está muy relacionada al cálculo del Impuesto sobre la renta
de las personas físicas (IRPF).
La Estadística descriptiva y la teoría de la Probabilidad van a ser los pilares de un nuevo
procedimiento (Estadística Inferencial) con los que se va a estudiar el comportamiento global
de un fenómeno. La probabilidad y los modelos de distribución junto con las técnicas
descriptivas, constituyen la base de una nueva forma de interpretar la información suministrada
por una parcela de la realidad que interesa investigar. En el siguiente esquema representa el
tema a tratar y que será desarrollado a continuación.
Características estimadores
1) Sesgo. Se dice que un estimador es insesgado si la Media de la distribución del estimador
es igual al parámetro.
Estimadores insesgados son la Media muestral (estimador de la Media de la población) y la
Varianza (estimador de la Varianza de la población):
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 Cuasivarianza
la Media de las Varianzas muestrales es igual a 9.5, esto es, coincide con la Varianza de la
población ya que la Cuasivarianza es un estimador insesgado.
2) Consistencia. Un estimador es consistente si aproxima el valor del parámetro cuanto mayor
es n (tamaño de la muestra).
Algunos estimadores consistentes son:
Ejemplo
En una población de 500 puntuaciones cuya Media (m) es igual a 4.9 han hecho tres muestreos
aleatorios (número de muestras= 100) con los siguientes resultados:
vemos que el muestreo en que n=100 la Media de las Medias muestrales toma el mismo valor
que la Media de la población.
3) Eficiencia. Diremos que un estimador es más eficiente que otro si la Varianza de la
distribución muestral del estimador es menor a la del otro estimador. Cuanto menor es la
eficiencia, menor es la confianza de que el estadístico obtenido en la muestra aproxime al
parámetro poblacional.
Ejemplo
La Varianza de la distribución muestral de la Media en un muestreo aleatorio (número de
muestras: 1000, n=25) ha resultado igual a 0.4. La Varianza de la distribución de Medianas ha
resultado, en el mismo muestreo, igual a 1.12, (este resultado muestra que la Media es un
estimador más eficiente que la Mediana).
Estimación puntual
La estimación de parámetros tiene por finalidad asignar valores a los parámetros poblacionales
a partir de los estadísticos obtenidos en las muestras. Dicho de otra manera, la finalidad de la
estimación de parámetros es caracterizar las poblaciones a partir de la información de las
muestras (por ejemplo, inferir el valor de la Media de la población a partir de los datos de la
muestra).
La estimación puntual consiste en atribuir un valor (la estimación) al parámetro poblacional. Si
la muestra es representativa de la población, podemos esperar que los estadísticos calculados
en las muestras tengan valores semejantes a los parámetros poblacionales, y la estimación
consiste en asignar los valores de los estadísticos muestrales a los parámetros poblacionales.
Los estadísticos con que obtenemos las estimaciones se denominan estimadores.
Ejemplo
Se desea estimar la Media de las puntuaciones del curso 2003/4, pero solo se dispone de 50
puntuaciones seleccionadas aleatoriamente. La Media de la muestra (el estimador), es igual a
5.6 y atribuimos este valor (la estimación) a la Media del curso completo.
Resumiendo:
Cuasi-varianza muestral:
S2n−1=(x1−¯x)2+⋯+(xn−¯x)2n−1,Sn−12=(x1−x¯)2+⋯+(xn−x¯)2n−1,
que corresponde a la varianza de la muestra, pero dividiendo por n−1n−1, en lugar de dividir
por nn. En el capítulo de estadística descriptiva, ya comentamos que el R, por defecto, al
calcular la desviación típica de una muestra, mediante el comando sd, calcula directamente la
cuasi-varianza y luego obtiene la raiz cuadrada.
La evaluación del estimador sobre la muestra fija da lugar a una estimación puntual.
Cálculo de la media muestral tomando la muestra fija (x1,x2,x3)=(2,7,1)
(x1,x2,x3)=(2,7,1).¯x=2+7+13=103x¯=2+7+13=103
7.2.1 Propiedades de los estimadores
Estamos diciendo que un estimador es una aproximación de un parámetro teórico o
desconocido de una población. Para estimar la media de la altura de una población, podemos
seleccionar una muestra y calcular la media aritmética de la muestra. Ahora bien, también
tendría sentido usar como estimador el siguiente:min(x1,x2,…,xn)+max(x1,x2,…,xn)2min(x1,x2,
…,xn)+max(x1,x2,…,xn)2¿Cuál de los dos se aproxima más al verdadero valor desconocido?
En principio, no habría manera de saberlo, puesto que deberíamos conocer el valor teórico (el
desconocido). Por eso, interesa estudiar propiedades de los estimadores, que nos permitan
decidir entre usar unos u otros para los casos concretos.
Cuando estimamos un parámetro de forma puntual, podemos saber con certeza, cual es ese
valor. Imaginemos una población de 30 personas de las que seleccionamos una muestra de 20
para las que conocemos sus edades. Estimar de forma puntual la media de edad, sería tan
sencillo como sumar esos 20 datos y dividirlos entre el total de la muestra estadística.
Propiedades deseables de un estimador
Las propiedades deseables de un estimador son las siguientes: