Documentos de Académico
Documentos de Profesional
Documentos de Cultura
NOMBRE DE PROFESOR:
GAMBOA ONTIVEROS RAQUEL
CUATRIMESTRE:
SEPTIEMBRE-DICIEMBRE DE 2021
TEMA:
ACTIVIDAD 2.4.2 INVESTIGACIÓN.
PROBABIBILIDAD Y ESTADÍSTICA
GRUPO:
ERM31
NOMBRE DEL ALUMNO:
JORGE JONATHAN TEMOXTLE AGUILAR
MATRICULA:
19310921
Estimación
Consiste en encontrar un valor para , denotado por 0 , que sea función de la muestra aleatoria y que permita modelar o
describir de manera adecuada el fenómeno aleatorio. En otras palabras, sea una variable poblacional con densidad ( fx;
) , siendo desconocido, el problema consiste en, seleccionada una muestra aleatoria encontrar el estadístico que mejor
estime el parámetro , este estadístico se denotará por .
Por ejemplo, si se pretende estimar la talla media de un determinado grupo de individuos, puede extraerse una muestra y ofrecer
como estimación puntual la talla media de los individuos.
Vemos a continuación dos métodos para obtener la estimación puntual de un parámetro:
•Método de Momentos
•Método de Máxima Verosimilitud.
Por intervalo
Debemos recordar que, para estimar cualquier parámetro poblacional, recurrimos a muestras;
si las muestras han sido seleccionadas de forma aleatoria y son suficientemente grandes, los
resultados van a ser representativos de lo que ocurre en la población, pero siempre van a tener
cierto grado de error por imprecisión. Del análisis de los resultados de nuestra muestra
obtendremos una estimación puntual (por ejemplo, media, proporción, diferencia de medias,
diferencia de proporciones, etc.), que será solo una de las múltiples estimaciones puntuales
teóricas, obtenidas del análisis de otras posibles muestras seleccionadas a partir de la
población.
Ejemplo
En una empresa está establecido que si una máquina opera correctamente, como máximo
un 5% de su producción es defectuosa. Si se elige aleatoriamente una muestra de 40
artículos producidos por una máquina y 15 de ellos son defectuosos, ¿existe razón para
pensar que la máquina está averiada?.
Las proporciones muestrales para muestras de tamaño 40 en una máquina normal se
distribuyen según
Por ello la forma más prudente de facilitar cualquier estimación es presentarla como un
rango de valores entre los que puede estar el parámetro poblacional a estimar. Este rango
constituye lo que denominamos “intervalo de confianza”. Habitualmente estimamos
intervalos con un 95% de confianza, que interpretaremos como que el parámetro
poblacional tiene una probabilidad del 95% de encontrarse dentro de esos límites.
Estimación punctual
Aunque es una forma muy común para expresar las estimulaciones deja espacio para muchas otras preguntas, por
ejemplo, no nos dice de cuanta información se basa la estimulación, ni nos dice nada sobre el tamaño de la muestra y el
tamaño posible del error. Así tal vez se tendría que completar un estimulador punto A con el tamaño de una muestra y
el valor de var (θ) o con alguna otra información.
Muestral del estimulador puntual, una de las formas es:
p(θ^∆,<θ<θ^∆ )=1-∝
Donde Z, acento circunflejo son valores enfocados de teta de acento circunflejo y lo cual es igual: 1-∝
Para una probabilidad especifica de un numero alfa nos referimos aθ^∆,θ<θ2Confianza (1-∝) 100% para teta.
También 1-∝ se llama grado de confianza y los puntos terminales del intervalo se llaman límites de confianza interior y
superior.
Por ejemplo cuando ∝=0.05 el grado de confianza es 0.95 por lo que tenemos un valor de confianza de 95%. Los
estimadores de intervalo de un parámetro dado no son únicos.
P ( 〖 θ 〗 ^∆,θ<θ_2) = 1-∝ =1-∝ grado de confianza
= (1-∝) 100% intervalo de confianza
∝=0.05
Grado de confianza -0.95
Cálculo del punto crítico
Si Z ~ N(0,1), el punto crítico, zα/2, es el que cumple p(Z < zα/2) = 1 - α/2.
indica que un parámetro de población (tal como la media, la desviación estándar, etc.) es
igual a un valor hipotético. La hipótesis nula suele ser una afirmación inicial que se basa
en análisis previos o en conocimiento especializado.
I Las pro´ximas elecciones municipales en Getafe otorgar´a dos escan˜os al partido
“Vientos de Pueblo”. Los partidos pol´ıticos quieren contrastar esa afirmacio´n para
posibles pactos pre–electorales.
H0 : NE = 2 vs NE 6= 2 .
I Una compan˜´ıa recibe un gran cargamento de piezas. So´lo acepta el env´ıo si no hay m
´as de un 5% de piezas defectuosas.
H0 : p ≤ 0,05 vs HA : p > 0,05 .
Hipótesis alternativa
indica que un parámetro de población es más pequeño, más grande o diferente del valor
hipotético de la hipótesis nula. La hipótesis alternativa es lo que usted podría pensar que
es cierto o espera probar que es cierto.
Ejemplo Se tienen dos monedas, una correcta (es decir la probabilidad de cara/cruz es
1/2) y una trucada (con probabilidad de cara igual a 3/4). Se decide jugar con una de las
dos monedas seleccionada al azar, pero antes de empezar a jugar se permite realizar un
experimento de dos tiradas. El objetivo es contrastar la hip´otesis (H0) de p = 1/2.
Escriba el espacio muestral:
X = {(c,c),(c,x),(x,c),(x,x)}.
¿Cu´al(es) resultado(s) le har´ıan pensar que la hip´otesis es falsa?
R = {(c,c)}.
Error de tipo I
Cuando la hipótesis nula es falsa y usted no la rechaza, comete un error de tipo II. La
probabilidad de cometer un error de tipo II es β, que depende de la potencia de la prueba.
Puede reducir el riesgo de cometer un error de tipo II al asegurarse de que la prueba tenga
suficiente potencia. Para ello, asegúrese de que el tamaño de la muestra sea lo
suficientemente grande como para detectar una diferencia práctica cuando esta realmente
exista.
Verdad acerca de la población
Decisión basada en la H0 es verdadera H0 es falsa
muestra
No rechazar H0 Decisión correcta Error tipo II - no rechazar
(probabilidad = 1 - α) H0 cuando es falsa
(probabilidad = β)
Rechazar H0 Error tipo I - rechazar Decisión correcta
H0 cuando es verdadera (probabilidad = 1 - β)
(probabilidad = α)
Estadistico de prueba