PROBLEMAS DE

ESTIMACIÓN
DE UNA Y DOS
MUESTRAS
SEMANA 2
ING. ALEJANDRA R. ALDANA
 AGENDA

• 9.1 INTRODUCCIÓN
• 9.2 INFERENCIA ESTADÍSTICA
• 9.3 MÉTODO DE ESTIMACIÓN CLÁSICO
• 9.4 UNA SOLA MUESTRA: ESTIMACIÓN DE LA MEDIA
9.1
INTRODUCCIÓN
• EL PROPÓSITO DE ESTAS
PRESENTACIONES ES
ESTABLECER LAS BASES QUE
PERMITAN A LOS
ESTADÍSTICOS SACAR
CONCLUSIONES ACERCA DE
LOS PARÁMETROS DE
Esta foto de Autor desconocido está bajo licencia CC BY-NC-ND

POBLACIONES TOMADAS DE
DATOS EXPERIMENTALES.
 9.2 INFERENCIA ESTADÍSTICA

• LA INFERENCIA ESTADÍSTICA CONSTA DE LOS MÉTODOS MEDIANTE LOS CUALES

SE HACEN INFERENCIAS O GENERALIZACIONES ACERCA DE UNA POBLACIÓN.
• MÉTODO CLÁSICO DE ESTIMACIÓN DE UN PARÁMETRO DE LA POBLACIÓN, DONDE LAS
INFERENCIAS SE BASAN ESTRICTAMENTE EN INFORMACIÓN OBTENIDA DE UNA
MUESTRA ALEATORIA SELECCIONADA DE LA POBLACIÓN,
• MÉTODO BAYESIANO, EL CUAL UTILIZA EL CONOCIMIENTO SUBJETIVO QUE YA SE
POSEE SOBRE LA DISTRIBUCIÓN DE PROBABILIDAD DE LOS PARÁMETROS
DESCONOCIDOS JUNTO CON LA INFORMACIÓN QUE PROPORCIONAN LOS DATOS DE LA
MUESTRA.

• LA INFERENCIA ESTADÍSTICA SE PUEDE DIVIDIR EN DOS ÁREAS PRINCIPALES:

ESTIMACIÓN Y PRUEBAS DE HIPÓTESIS.
ESTIMACIÓN

• CONJUNTO DE TÉCNICAS
QUE PERMITEN DAR UN
VALOR APROXIMADO DE
UN PARÁMETRO DE LA
POBLACIÓN A PARTIR DE
LOS DATOS
PROPORCIONADOS POR
UNA MUESTRA.
 9.3 MÉTODOS DE ESTIMACIÓN CLÁSICOS

• LA ESTIMACIÓN PUNTUAL DE ALGÚN PARÁMETRO DE LA POBLACIÓN Θ ES UN SOLO

VALOR DE UN ESTADÍSTICO . POR EJEMPLO, EL VALOR  DEL ESTADÍSTICO , QUE SE
CALCULA A PARTIR DE UNA MUESTRA DE TAMAÑO N, ES UNA ESTIMACIÓN PUNTUAL
DEL PARÁMETRO DE LA POBLACIÓN Μ. DE MANERA SIMILAR, ES UNA ESTIMACIÓN
PUNTUAL DE LA VERDADERA PROPORCIÓN P PARA UN EXPERIMENTO BINOMIAL.
• NO SE ESPERA QUE UN ESTIMADOR LOGRE ESTIMAR EL PARÁMETRO DE LA
POBLACIÓN SIN ERROR.
• NO SE ESPERA QUE  ESTIME Μ CON EXACTITUD, LO QUE EN REALIDAD SE ESPERA ES
QUE NO ESTE MUY ALEJADA. PARA UNA MUESTRA ESPECIFICA.
 9.3 MÉTODOS DE ESTIMACIÓN CLÁSICOS

• ES CIERTO QUE LA EXACTITUD DE LA ESTIMACIÓN AUMENTA CUANDO LAS

MUESTRAS SON GRANDES; PERO INCLUSO ASÍ NO TENEMOS RAZONES PARA
ESPERAR QUE UNA ESTIMACIÓN PUNTUAL DE UNA MUESTRA DADA SEA
EXACTAMENTE IGUAL AL PARÁMETRO DE LA POBLACIÓN.
• HAY MUCHAS SITUACIONES EN QUE ES PREFERIBLE DETERMINAR UN INTERVALO
DENTRO DEL CUAL ESPERARÍAMOS ENCONTRAR EL VALOR DEL PARÁMETRO. TAL
INTERVALO SE CONOCE COMO ESTIMACIÓN POR INTERVALO.
• UNA ESTIMACIÓN POR INTERVALO DE UN PARÁMETRO DE LA POBLACIÓN Θ ES UN
INTERVALO DE LA FORMA
 ESTIMACIONES POR INTERVALO
La probabilidad (1 – α), de que nuestro parámetro est
entre los limites.

Para 0<α<1 tenemos una probabilidad de 1 – α de seleccionar una muestra aleatoria

que produzca un interval que contenta nuestro parámetro

• El intervalo ΘL < θ < ΘU que se calcula a partir de la muestra seleccionada, se llama

entonces intervalo de confianza
• La fracción 1 – α se denomina coeficiente de confianza o grado de confianza,
• los extremos, ΘL y ΘU se denominan límites de confianza inferior y superior.
 POR EJEMPLO..
• Así, cuando a = 0.05, tenemos un intervalo de confianza del 95%, y cuandoα = 0.01
obtenemos un intervalo de confianza mas amplio del 99%. Cuanto mas amplio sea el
intervalo de confianza, mas confiaremos en que contiene el parámetro desconocido.
• Desde luego, es mejor tener un 95% de confianza en que la vida promedio de cierto
transistor de un televisor esta entre los 6 y los 7 años, que tener un 99% de confianza en
que este entre los 3 y los 10 años.
De manera ideal, preferimos un intervalo corto con un grado de confianza alto. Algunas
veces las restricciones en el tamaño de nuestra muestra nos impiden tener intervalos
cortos sin sacrificar cierto grado de confianza
9.4 UNA SOLA MUESTRA: ESTIMACIÓN DE LA
MEDIA

Si a = 0.05

¿Cuánto es mi nivel de
confianza?

¿Cuánto vale a/2?

¿Cuánto vale Z?
9.4 UNA SOLA MUESTRA: ESTIMACIÓN DE LA
MEDIA

Si a = 0.05

¿Cuánto es mi nivel de
confianza?
INTERVALO DE CONFIANZA DE μ (media)
CUANDO SE CONOCE σ2 (varianza)

Si a = 0.1

¿Cuánto es mi nivel de
confianza?

¿Cuánto vale a/2?

¿Cuánto vale Z?
 EJEMPLO

• SE ENCUENTRA QUE LA CONCENTRACIÓN PROMEDIO DE ZINC QUE

SE OBTIENE EN UNA MUESTRA DE MEDICIONES EN 36 SITIOS
DIFERENTES DE UN RÍO ES DE 2.6 GRAMOS POR MILILITRO.
CALCULE LOS INTERVALOS DE CONFIANZA DEL 95% Y 99% PARA LA
CONCENTRACIÓN MEDIA DE ZINC EN EL RÍO. SUPONGA QUE LA
DESVIACIÓN ESTÁNDAR DE LA POBLACIÓN ES DE 0.3 GRAMOS POR
MILILITRO.
 • EL INTERVALO QUE CALCULAMOS OFRECE UN
NOTAS ESTIMADO DE LA MEDIA POBLACIONAL. LA
IMPORTANTES: MAGNITUDE DE ESTE ERROR SERÁ EL VALOR
ABSOLUTE ENTRE LA DIFERENCIA DEL VALOR μ y x.
 EJEMPLO 2

• .QUE TAN GRANDE DEBE SER LA MUESTRA DEL EJEMPLO 9.2 SI

QUEREMOS TENER 95% DE CONFIANZA EN QUE NUESTRA
ESTIMACIÓN DE μ DIFERIRA POR MENOS DE 0.05?
LIMITES DE CONFIANZA UNILATERALES μ DE
CUANDO SE CONOCE EL VALOR DE σ2
 EJEMPLO 3

• EN UN EXPERIMENTO DE PRUEBAS PSICOLÓGICAS SE SELECCIONAN AL AZAR 25

SUJETOS Y SE MIDEN SUS TIEMPOS DE REACCIÓN, EN SEGUNDOS, ANTE UN
ESTÍMULO PARTICULAR. LA EXPERIENCIA SUGIERE QUE LA VARIANZA EN LOS
TIEMPOS DE REACCIÓN ANTE LOS DIFERENTES TIPOS DE ESTÍMULOS ES DE 4 S2 Y
QUE LA DISTRIBUCIÓN DEL TIEMPO DE REACCIÓN ES APROXIMADAMENTE
NORMAL. EL TIEMPO PROMEDIO PARA LOS SUJETOS FUE DE 6.2 SEGUNDOS.
CALCULE UN LÍMITE SUPERIOR DEL 95% PARA EL TIEMPO MEDIO DE REACCIÓN.
INTERVALO DE CONFIANZA DE μ (media)
CUANDO NO SE CONOCE σ2 (varianza)

Se utiliza una
distribución t
student con n-1
grados de
libertad.
 EJEMPLO 4

• EL CONTENIDO DE ÁCIDO SULFÚRICO DE 7 CONTENEDORES SIMILARES ES DE 9.8,

10.2, 10.4, 9.8, 10.0, 10.2, Y 9.6 LITROS. CALCULE UN INTERVALO DE CONFIANZA DEL
95% PARA EL CONTENIDO PROMEDIO DE TODOS LOS CONTENEDORES
SUPONIENDO UNA DISTRIBUCIÓN APROXIMADAMENTE NORMAL.