Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Probabilidad y Estadistica - Estimacion
Probabilidad y Estadistica - Estimacion
ESTADÍSTICA
Unidad 6
Estimación
ESTADÍSTICA UNNOBA
Tipos de estimación
Podemos hacer dos tipos de estimaciones concernientes
a parámetros o características de una población: una
estimación puntual y una estimación por intervalo.
Estimadores puntuales
Cualquier estadístico de la muestra que se utilice para esti-
mar un parámetro poblacional se conoce como estimador.
Cuando se discuten los métodos y conceptos generales de in-
ferencia, es conveniente disponer de un símbolo genérico pa-
ra el parámetro de interés. Se utilizará la letra griega 𝜃 para
este propósito.
El objetivo de la estimación puntual es seleccionar un solo
número, con base en los datos muestrales, que represente un
valor sensible de 𝜃.
Una estimación puntual de un parámetro θ es un número único
que puede ser considerado como un valor sensible de θ .
El estadístico seleccionado se llama estimador puntual de θ.
ESTADÍSTICA UNNOBA
Estimadores puntuales
Ejemplos:
La media de la muestra 𝑥 puede ser un estimador de
la media de la población μ.
La varianza muestral s2 puede ser un estimador de
la varianza poblacional 𝜎 2 .
La proporción de la muestra se puede utilizar como
un estimador de la proporción de la población.
Se suele anotar 𝜇 = 𝑥 el indica que se trata de un
valor estimado, en este caso con la media muestral.
ESTADÍSTICA UNNOBA
Estimadores puntuales
Estadístico de la
Parámetro de
Población en la que muestra que se
la población Estimación
se está interesado utilizará como
a estimar
estimador
Promedio de Promedio de ausencias 6% de
ausencias por por enfermedad en los ausencias
Empleados de una
enfermedad últimos tres meses por
fábrica
anual enfermedad
𝜇 𝑋 𝜇=𝑋
Proporción en una
Proporción
muestra de 50
que están
Adolescentes en una adolescentes que están 𝑝 =74%
estudiando
comunidad dada estudiando
37
𝑝
50
ESTADÍSTICA UNNOBA
Insesgamiento
Eficiencia
Consistencia
Suficiencia
ESTADÍSTICA UNNOBA
Estimadores insesgados
Se dice que un estimador puntual 𝜃 es un estimador
insesgado de 𝜃 si
E(𝜃)=θ para todo valor posible de 𝜃.
Sesgo de 𝜃 = 𝐸 𝜃 −𝜃.
ESTADÍSTICA UNNOBA
Estimadores insesgados
Ejemplo 6.1
Cuando X es una variable aleatoria binomial con pará-
metros n y p, la proporción muestral 𝑝 = X/n es un
estimador insesgado de p.
Demostración
X
E p E
n
1
n
E X
1
n
np p
ESTADÍSTICA UNNOBA
Estimadores insesgados
Ejemplo 6.2
Sea 𝑥1 , 𝑥2 , … , 𝑥𝑛 una muestra aleatoria simple de una
distribución normal con media μ y varianza 𝝈𝟐
n
x i
1. La media de una muestra, x , es un estimador
i 1
n
insesgado de μ .
x x
n 2
i
2. La varianza muestral s 2 i 1
es un estimador
n 1
insesgado de 𝝈𝟐
ESTADÍSTICA UNNOBA
Estimadores insesgados
Ejemplo 6.2
Demostración
n
xi 1 n 1 n
1. E. X E i 1
n n i 1 n i 1
1 n
n i 1
1
E xi E xi n
n
ESTADÍSTICA UNNOBA
Estimadores insesgados
Ejemplo 6.2
n
2
Demostración n xi
xi2 i 1 y recordan-
1
2. Escribimos s2
n 1 i 1 n
Var X E X 2 E X E X 2 Var X E X
2 2
ESTADÍSTICA UNNOBA
Estimadores insesgados
Ejemplo 6.2
Demostración
2. n
2
n xi
2
E s E
E xi E xi
n n
1 1 1
2
xi
2 i 1
2
n 1 i 1 n
n 1 i 1 n i 1
2
1 n
1 n
1 n
V X E X V xi E xi
2
n 1 i 1 n i 1 n i 1
1 2 1 2 1 2 2
n 1
n n 2
n
n
n
n
1
n 1
n 1 2 2
ESTADÍSTICA UNNOBA
x x
n 2
i
este estimador es
E s n 1 2
1
s
2 i 1 2
n n sesgado.
Sesgo de s E s
n 1 2
2 2
2
n
2
n 2 2 n 2 2
= notar que el sesgo tiende a
n n
cero cuando n
ESTADÍSTICA UNNOBA
Estimadores eficientes
Otra propiedad deseable de un buen estimador es que
sea eficiente.
La eficiencia se refiere al tamaño de la varianza del esta-
dístico.
Si comparamos dos estadísticos de una muestra del mis-
mo tamaño y tratamos de decidir cuál de ellas es un esti-
mador más eficiente escogeríamos el estadístico que tu-
viera el menor varianza.
La eficiencia de un estimador insesgado es la razón
entre la mínima varianza posible de alcanzar y la varian-
za del estimador.
ESTADÍSTICA UNNOBA
Estimadores eficientes
Entonces, entre todos los estimadores insesgados se elige
el de menor varianza. A éstos se los conoce como:
estimadores insesgados de varianza mínima de θ.
ESTADÍSTICA UNNOBA
Estimadores consistentes
Un estadístico es un estimador consistente de un pará-
metro de población θ si al aumentar el tamaño de la mues-
tra, se tiene casi la certeza de que el valor del estadístico
𝜃 se aproxima bastante al valor del parámetro poblacional.
Esto es:
lim 𝑃 𝜃 − 𝜃 > 𝜀 = 0
𝑛→∞
Estimadores consistentes
Condición suficiente pero no necesaria para consistencia
lim 𝑠𝑒𝑠𝑔𝑜 𝜃 = 0 𝑦 lim 𝑉𝑎𝑟 𝜃 = 0
𝑛→∞ 𝑛→∞
x x
n 2
i
s2 i 1
es consistente
n
ESTADÍSTICA UNNOBA
Estimadores suficientes
Un estimador es suficiente si utiliza toda la informa-
ción acerca de θ que está contenida en la muestra.
Definición:
Dada X1,X2, ...,Xn , una muestra aleatoria de una distri-
bución f(x;θ), entonces T(X1,X2,...,Xn ), sin ser función
de θ es un estadístico suficiente para θ, si la distri-
bución condicional de las Xi dado el valor de T, no
depende de θ .
ESTADÍSTICA UNNOBA
Estimadores suficientes
𝑉 𝑋 𝑛. 𝑝. 1 − 𝑝 𝑝. 1 − 𝑝
𝜎𝑝 = 𝑉 𝑋 𝑛 = 2
= 2
=
𝑛 𝑛 𝑛
𝑋
Como p es desconocido se sustituye por 𝑝 = , entonces
𝑛
𝑝. 1 − 𝑝
𝜎𝑝 =
𝑛
ESTADÍSTICA UNNOBA
𝜎 𝜎
𝑃 𝑥 − 1,96 < 𝜇 < 𝑥 + 1,96 = 0,95
𝑛 𝑛
Intervalos de confianza
Interpretación:
Decir que un evento A tiene una probabilidad de 0,95 es de-
cir que si el experimento en el cual se definió A se realiza una
y otra vez, a la larga A ocurrirá el 95% del tiempo.
Esto se traslada a la interpretación del intervalo de confianza.
Como en el ejemplo anterior, si se obtiene una muestra y se
calcula un intervalo de confianza del 95% para μ , luego se
obtienen una segunda muestra, una tercera y así sucesiva-
mente y se repite el cálculo para cada una de ellas.
Entonces el 95% de los intervalos calculados contendrá al
verdadero valor de μ
ESTADÍSTICA UNNOBA
Intervalos de confianza
Interpretación:
ESTADÍSTICA UNNOBA
Ejemplo 6.5
Para una población con una varianza conocida de 185, una mues-
tra de 64 individuos lleva a 217 como estimación de la media.
a) Encuentre el error estándar de la media.
b) Establezca una estimación de intervalo que incluya la media
de la población el 68.26% del tiempo.
c) Calcule la longitud del intervalo calculado en b)
d)Calcule un intervalo de confianza para la media del 95% y
calcule su longitud.
e) Cuál sería el tamaño de la muestra necesario para que la lon-
gitud sea la misma que en c) con el mismo nivel de confianza que
en d)
ESTADÍSTICA UNNOBA
Ejemplo 6.5
Para una población con una varianza conocida de 185, una mues-
tra de 64 individuos lleva a 217 como estimación de la media.
a) Encuentre el error estándar de la media.
2
X V X
n
n
X
185
64
1,7
ESTADÍSTICA UNNOBA
1 0.6826
z z0 ,1587 1
2
ESTADÍSTICA UNNOBA
x z 2 ; x z
n 2 n
x z 2 ; x z w 2 z 3,4
n 2 n 2 n
d)Calcule un intervalo de confianza para la media del 95% y
calcule su longitud.
2
w 2 . z n 2 . z
2 n 2 w
si w 3,4 y z 1,96
2
2
185
n 2 . 1,96 245,91 n 246
3,4
ESTADÍSTICA UNNOBA
La distribución t
Cuandon es pequeño no es probable que s se aproxime a
σ.
El resultado en el cual están basadas las inferencias in-
troduce una nueva familia de distribuciones de proba-
bilidad llamada familia de distribuciones t (student)
Una distribución t está regida por sólo un parámetro,
llamado número de grados de libertad de la distribu-
ción, abreviado como gl.
Este parámetro se denota con la letra griega 𝝂.
ESTADÍSTICA UNNOBA
Propiedades de la distribución t
ESTADÍSTICA UNNOBA
Propiedades de la distribución t
ESTADÍSTICA UNNOBA
Propiedades de la distribución t
Notación
Ejemplo 6.6
Como parte del proceso de asignar el presupuesto del año
siguiente, el administrador de la planta generadora de ener-
gía eléctrica debe estimar la cantidad de carbón que reque-
rirá para este año.
Basados en una muestra aleatoria de 10 semanas de ope-
ración de la planta seleccionadas de los últimos cinco años
que produjo un consumo medio de 11.400 toneladas se-
manales, con una desviación estándar de la muestra de 700
toneladas por semana y suponiendo que la distribución es
aproximadamente normal. Estimar un intervalo para el
consumo medio de carbón, cuando se quiere estar 95%
seguro de que el consumo medio se encuentre dentro de
dicho intervalo.
ESTADÍSTICA UNNOBA
Ejemplo 6.5
b) Establezca una estimación de intervalo que incluya la media
de la población el 68.26% del tiempo.
𝑝−𝑝
𝑃 −𝑧𝛼 2 < < 𝑧𝛼 2 ≈ 1−𝛼
𝑝. 1 − 𝑝
𝑛
ESTADÍSTICA UNNOBA
𝑝 1−𝑝 𝑝 1−𝑝
𝑝 − 𝑧𝛼 2 ; 𝑝 + 𝑧𝛼 2
𝑛 𝑛
ESTADÍSTICA UNNOBA
Ejemplo 6.7
Un psicólogo social reconocido, entrevistó a 150 ejecu-
tivos de alto nivel y encontró que 42% de ellos no podía
sumar fracciones correctamente.
a) Estime el error estándar de la proporción.
b) Construya un intervalo de confianza del 99% para la
proporción verdadera de ejecutivos de alto nivel que no
puede sumar fracciones correctamente.
Solución:
ESTADÍSTICA UNNOBA
Ejemplo 6.8
Se seleccionó una muestra aleatoria de 539 familias de
una ciudad del medio oeste estadounidense y se deter-
minó que 133 de éstas poseían por lo menos un arma de
fuego. Utilizando un nivel de confianza de 95%, calcule e
interprete un límite de confianza inferior para la propor-
ción de todas las familias en esta ciudad que poseen por
lo menos un arma de fuego.
Solución: 133
𝑝= = 0,247
539
0,247. (1 − 0,247)
𝜇 > 0,247 − 1,64.
539
𝜇 >0,216
ESTADÍSTICA UNNOBA
La función Ji cuadrada
La distribución ji cuadrada es una distribución de pro-
babilidad continua con un solo parámetro , llamado
𝝂 número de grados de libertad, con posibles valores de
1, 2, 3, . . .
La función Ji cuadrada
Notación.
ESTADÍSTICA UNNOBA
La función Ji cuadrada
ESTADÍSTICA UNNOBA
Ejemplo 6.9
Se hicieron las siguientes observaciones de tenacidad a
la fractura de una placa base de acero maraging con
18% de níquel (en k/pulg pulg, dadas en orden cre-
ciente):
Ejemplo 6.9
22
1 2
𝑠= 𝑥𝑖 − 77,33 = 5,037
21
𝑖=1
2 2
𝜒0,005;21 =41,40 y 𝜒0,995;21 =8,033