Académique Documents
Professionnel Documents
Culture Documents
Unidad 2. Estimacin
Licenciatura en matemticas
3er semestre
Unidad 2. Estimacin
Estadstica I
Clave:
05142316/06142316
ndice
Presentacin de la unidad ........................................................................................................... 4
Propsitos de la unidad................................................................................................................ 4
Competencia especfica ............................................................................................................... 4
Estimacin ....................................................................................................................................... 4
Distribuciones de muestreo y teorema central del lmite .................................................... 5
Distribuciones de muestreo relacionadas con la normal ................................................ 5
El teorema del lmite central .................................................................................................. 21
la aproximacin de la normal a la distribucin binomial............................................... 26
Actividad 1. Distribucin simtrica. .............................................................................................. 29
Actividad 2. La distribucin normal .............................................................................................. 29
Mtodos de construccin de estimadores ............................................................................ 29
Momentos ................................................................................................................................... 30
Mxima verisimilitud ............................................................................................................... 30
Propiedades de los estimadores.............................................................................................. 30
Sesgo ........................................................................................................................................... 30
Eficiencia relativa ..................................................................................................................... 31
Consistencia .............................................................................................................................. 31
Suficiencia.................................................................................................................................. 32
Actividad 3. La distribucin binomial ........................................................................................... 32
Estadstica y estimadores .......................................................................................................... 32
Estimacin puntual .................................................................................................................. 33
Estimacin por intervalos ...................................................................................................... 33
Estimacin por intervalos ............................................................. Error! Marcador no definido.
Intervalo aleatorio .................................................................................................................... 34
Intervalo de confianza ............................................................................................................. 34
Actividad 4. Teorema central del lmite ....................................................................................... 40
Mtodo pivotal de intervalos de confianza........................................................................ 40
Mtodo general de intervalos de confianza ...................................................................... 40
Intervalos con muestras grandes ........................................................................................ 41
Evidencia de Aprendizaje. Nivel de confianza ........................................................................... 41
Presentacin de la unidad
Esta segunda unidad entra de lleno la rama de la estadstica inferencial. Uno de los
principales objetivos que se persiguen en la estadstica inferencial es la posibilidad de
hacer generalizaciones, sacar conclusiones basadas en la probabilidad acerca de una
poblacin determinada. Todo esto permitir la toma de decisiones con base a la
informacin que puede arrogar una muestra dada de esa poblacin por estas
caractersticas es la ms usada en los trabajos de investigacin.
La estadstica inferencial permite inferir a partir de los valores que arrojen las muestras
extradas de una poblacin, como se ver en el desarrollo de esta unidad, el estudio de la
estadstica inferencial permitir hacer estimaciones. Estimar no es otra cosa que hacer
una buena aproximacin de los valores de las caractersticas principales de la poblacin
de inters. Para fines de este curso se estudiaran las estimaciones, los estimadores, y los
mtodos para construirlos.
Propsitos de la unidad
Utilizar los diferentes tipos de estimacin, as como los mtodos para generar
estimadores, con la finalidad de describir, e interpretar la informacin obtenida.
Competencia especfica
Estimacin
La segunda unidad es bastante extensa. Son muy diversos los temas que abarca. El
primer tema, dedicado a las distribuciones de muestreo y teorema central del lmite, por si
solo sera una unidad completa. As las cosas se har por lo tanto nfasis en los aspectos
ms relevantes de cada tema.
De tal forma que la estimacin por tanto, es un proceso en el cual se utilizan parmetros
de una muestra para estimar los parmetros de la poblacin. La estimacin se realiza
utilizando estimadores. La media muestral sera un estimador de la media poblacional.
El teorema de lmite central se abordara en el tema 2.1.1. Pero antes es necesario sealar
un tema que resulta til, esto es las distribuciones de muestreo relacionadas con la
normal.
A lo largo de la presente unidad te podrs dar cuenta que los temas tratados en ella estn
relacionados con la distribucin normal. En algunos casos se parte de la hiptesis de que
la distribucin en cuestin se aproxima a la normal o que bajo ciertas circunstancias se
puede considerar como una distribucin normal. As en el punto siguiente 2.1.2. Referido
al teorema del lmite central, se parte del hecho de que la media muestral se distribuir de
manera cercana a la distribucin normal.
Por tanto resulta indispensable saber lo que es una distribucin normal. Para entender
mejor este tipo de distribucin se aborda primeramente otras distribuciones que son
mucho ms sencillas y sern de gran ayuda para el entendimiento.
Distribucin uniforme.-
En estadstica para muchos problemas, resulta muy til graficar el dato contra su
probabilidad. Cuando las probabilidades de los datos son las mismas se obtiene una
distribucin uniforme, un claro ejemplo de esto es el lanzamiento de un dado de seis
caras (normal, no truqueado), cuyo espacio muestral es: = {1, 2, 3, 4, 5,6} y la
probabilidad para cada uno de los eventos, es idntica = 1/6. La grafica para este ejemplo
es:
En este ejemplo todas las caras del dado tienen la misma probabilidad de salir al ser
lanzado. Por lo que la grfica es uniforme.
Distribucin simtrica.-
Ejemplo 1.
Es importante recordar que al lanzar dos dados, decimos que el nmero que cae es la
suma de los nmeros que aparecen en las caras de ambos dados. Este nmero es
nuestra variable aleatoria X. Por ejemplo, si en uno de los dados hay un 1 y en el otro
un 3, decimos que cay un cuatro. Cuando se lanzan dos dados no todos los nmeros
tienen la misma probabilidad de caer.
Nos vamos a encontrar entonces con que: para que la suma de ambos sea dos, solo
existe una posibilidad y esta es que los dados caigan uno. Ya que si alguno de los dos
cae con un valor superior a 1, sera imposible lograr que la suma de ambos fuese igual a
Estos resultados los vamos a reportar en una tabla que llamaremos distribucin de
probabilidad.
Distribucin normal.-
La curva es simtrica. Es decir que tiene un punto medio que la divide en dos partes
iguales.
El rea bajo la curva acotada en dos puntos, representa la probabilidad de que un evento
cualquiera tenga un valor entre esos dos puntos.
El rea total bajo la curva es igual a la unidad. Recurdese la definicin de integral (como
el rea bajo la curva) en general en cualquier distribucin de probabilidad al calcular el
rea bajo la curva el valor obtenido ser uno.
Por tanto cada mitad de la curva tendr un valor igual a 0.5. En otras palabras, el rea
bajo la curva de cada mitad igual a 0.5.
El rea bajo la curva se puede subdividir utilizando la media como referente y cualquier
otro punto, generalmente se utilizan las desviaciones estndar. As se dice que un punto
esta en funcin del numero de desviaciones estndar que diste de la media.
Ecuacin de la normal
Estas tablas estn referidas a una curva normal estandarizada (, ). Una distribucin
normal estndar, cero, uno, se indica mediante la siguiente notacin: N (0,1). En donde el
cero corresponde al valor de la media = 0 y el uno al valor de la desviacin tpica = 1.
Los valores: 1, 2,3 hacen referencia a las desviaciones estndar, es decir se esta a una
desviacin estndar de la media, a dos a tres etc. en la tabla se van a reportar valores de
, que corresponden a los valores antes mencionados, as que se tendrn valores de =
1,2,3 (y todos los valores intermedios). El valor reportado en la tabla representa el rea
bajo la curva y esta es la probabilidad de que ocurra el evento. De tal forma que si se
busca el valor para = 1, se tiene que es 0.3413, esta es el rea bajo la curva que va
desde la media hasta = 1 y tambin indica que la probabilidad de que ocurra un evento
entre la media y = 1 es del 34.13% (0.3413).
Como la curva es simtrica los valores sern los mismos si se trata de reas bajo la curva
que van de la media hasta = 1.
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
Ejemplo 2.
Supngase que se desea conocer el rea bajo la curva acotada entre los valores de =
1y =2
Solucin:
Se recurre a la tabla . Se busca el valor del rea bajo al curva descendiendo por la
columna de . Como ya se vio anteriormente, el valor reportado para = 1 en la tabla
es de 0.3413 (34.13%). y para = 2 se tiene un valor de 0.4772. estos valores
representan que:
Ejemplo 3.
Supngase que se desea conocer el rea bajo la curva acotada entre los valores de =
1 y = 2 como se ilustra en al siguiente figura.
Solucin:
Por ser simtrica la curva el rea de la media hasta = 1 tiene el mismo valor que de la
media a = 1. Como los valores ya se haban obtenido en le ejemplo anterior se tiene:
En este caso el rea buscada se encuentra al sumar las dos reas encontradas.
De tal forma que se tiene:
Resultado:
Puntuaciones tipificadas
xi
z =
A estos valores se les llamara valores normalizados y a la curva obtenida, curva normal
estandarizada.
Ejemplo 4
Una puntuacin tipificada se puede definir como la expresin de una puntuacin origen a
la nueva puntuacin z. las puntuacin tipificada consiste en indicar la cantidad de
Ejemplo 5:
Se desea realizar un estudio estadstico sobre el ingreso mensual (en miles de pesos) en
una poblacin juvenil. Si se toma una muestra de tamao n=1000 personas. Esta se
distribuye normalmente. La = 2 = 0.5.
Se desea saber cul es la probabilidad de que una persona tenga un ingreso mensual
superior a 3 (tres mil pesos)
Solucin:
xi
z =
xi son los valores : 0.5, 1.0, 1.5, 2.0, 2.5, 3.0, 3.5
Sustituyendo los valores en la frmula:
0.5 2 1.5
z = = = 3.0
0.5 0.5
1.0 2 1.0
z = = = 2.0
0.5 0.5
1.5 2 0.5
z = = = 1.0
0.5 0.5
22 0
z = = = 0.0
0.5 0.5
2.5 2 0.5
z = = = 1.0
0.5 0.5
3.0 2 1.0
z = = = 2.0
0.5 0.5
3.5 2 1.5
z = = = 3.0
0.5 0.5
Como el rea total bajo la curva es uno. Y el rea total bajo la mitad de ella es 0.5 y como
se desea el rea posterior a = 2
Se realiza la resta:
Resultado:
2.28%
Distribucin binomial.-
Existen muchas situaciones donde es propia una distribucin binomial. El mas claro
ejemplo es el experimento de lanzar una moneda al aire, cuyo resultado arroja guila
sol. Tanto en la naturaleza como en la vida cotidiana se encuentran ejemplos de carcter
dual: masculino-femenino, da-noche. Entre muchos otros.
Ejemplo 6:
Se desea saber cul ser la probabilidad de que ambas monedas caigan sol.
Para este ejemplo se define la variable aleatoria discreta:
= .
= .
En otro experimento el inters podra ser cuantas guilas caen. Por lo tanto el xito seria
el nmero de guilas y no el nmero de soles como en esta ocasin.
!
P(x) = () o P(x) = !()!
Dnde:
P(x)= probabilidad de que sucedan x xitos en n intentos.
!
() = !()!
=
=
=
= 1 =
Ejemplo 7:
Solucin:
Con la informacin del problema se tienen los valores de las siguientes variables:
4
= = 0.4
10
6
= = 0.6
10
=2
=5
= 52 =3
Sustituyendo en la frmula:
5!
P(2) = (0.4)2 (0.6)52
2!(52)!
Resolviendo por partes:
5! = 120
2! = 2
3! = 6
(0.4)2 = 0.16
(0.6)3 = 0.216
Sustituyendo se tiene:
120
(2) = (0.16)(0.216)
26
(2)= 0.3456
(2)= 0.346
Dnde:
Media= =
Varianza= 2 =
Desviacin estndar= =
Estas relaciones sern de mucha utilidad cuando se vea el subtema 2.1.3. Referido a la
aproximacin de la normal a la binomial.
Este teorema es algo parecido a lo visto en la ley de los grandes nmeros, solo que en los
grandes nmeros se hablaba de realizar muchas veces el experimento aleatorio y aqu se
trata tomar muchas muestras entre ms muestras se tomen mucho ms cercana ser la
forma a la de una distribucin normal.
La distribucin de las medias seguir una distribucin Normal con la misma media que la
distribucin original cuando se tomen muestras lo suficientemente grandes.
s = /
=
/
o
=
Ejemplo 8
Solucin:
Para este ejemplo vamos a utilizar el principio del teorema del lmite central que
establece que la media muestral ser la misma que la media de la poblacin .
Ejemplo 9
Solucin:
y al igual que en el ejemplo anterior vamos a utilizar el principio del teorema del lmite
central que establece que la media muestral ser la misma que la media de la
poblacin .
( > 80)
= 80
= = 70
10 10
= = = =2
25 5
=
/
Nos queda:
8070 10
= 2
= 2
=5
As se tiene que:
P (x>80) = P (z>5 )
Como ya se haba indicado, se debe buscar en tablas, el rea bajo la curva normal.
Ahora bien es necesario recordar que la curva es simtrica y que el rea total bajo de
ella es = 1. As que el rea bajo cada mitad de la curva es = 0.5.
En seguida se muestra la tabla que se habr de usar para resolver este ejemplo:
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
Como el rea bajo la curva de la mitad de la derecha es = 0.5 y solo nos interesa saber
el rea que es superior a = 2 se tiene que:
Por lo tanto lo que nos est diciendo el resultado es que la probabilidad de que la muestra
tomada promedie una calificacin superior a 80 es muy baja, apenas del 2%.
Ejemplo 10
Solucin
b) Multiplicamos 0.4129 por 11500 y obtenemos 4748.35 que seran los 4748
alumnos con promedio superior a 8.6 en la UNADM
Ya en el tema anterior donde se vio el teorema central del lmite se estableci que
conforme va en aumento el tamao de las muestras las distribuciones tienden hacia una
distribucin normal.
Se obtienen histogramas para la distribucin binomial que (al igual que para los
anteriores) tienden hacia una distribucin normal, a medida que aumentan los valores de
(nmero de ensayos) y ( ) se aproxima a un valor de
= o.5.
Ahora bien cuando se tiene un problema con distribucin binomial, si este se puede
resolver ms fcilmente mediante la aproximacin hacia una distribucin normal. Se debe
que tomar en cuenta que como la distribucin binomial es del tipo discreto y la distribucin
normal es del tipo continuo, se tiene que hacer un ajuste llamado ajuste por continuidad.
Los valores de este factor de ajuste son 0.5.
caso1: se utilizara el valor de +0.5 cuando la probabilidad buscada tenga las expresiones:
> . ( ), ( > )
(, . ) 5,
(, . ) 5.
Para encontrar el valor de que se buscara en las tablas se tendr que resolver la
siguiente ecuacin:
x 0.5
=
Dnde:
Media= =
Varianza= 2 =
Desviacin estndar= =
Ejemplo 11
En una escuela se toma una muestra aleatoria de tamao = 100 alumnos. La escuela
tiene una poblacin mixta compuesta de hombres y mujeres. La poblacin de mujeres es
del 5%. Se desea saber cual seria la probabilidad de encontrar 3 o mas mujeres en la
muestra tomada.
Solucin:
100% = ( 3 ) + ( 3 ).
De donde:
(, . ) 5,
y
(, . ) 5.
Sustituyendo datos:
100 0.05 = 5, 5
100 0.95 = 95 5.
Media= =
Sustituyendo:
= = 100 0.05 = 5
Desviacin estndar= =
Sustituyendo:
Estas son las que se utilizaran para encontrar los valores que se sustituyan en la
ecuacin que nos permita calcular el valor de z.
x 0.5
=
2.5
z= 2.18 = -1.15
Buscando en la tabla de , el rea encontrada es: 0.3749
Este valor corresponde al rea que va de 3 hasta la =5, por lo tanto hay que sumar el
resto del rea que correspondera a los valores superiores a 5.
( 3) = 87.49%
Existen dos tipos de estimacin: la estimacin puntual y la estimacin por intervalos que
se vern ms adelante en el tema 2.4, de esta unidad. Respecto a la estimacin puntual o
por punto, existen algunos mtodos que se utilizan para realizar dicha estimacin: el
mtodo de estimacin por momentos y el mtodo de estimacin mximo verosmil. Que
se vern en seguida.
Momentos
Mxima verisimilitud
Estos estimadores tienen ciertas propiedades, entre las que se destacan: el sesgo, la
eficiencia, la consistencia y la suficiencia. A continuacin se pasara a revisar dichas
propiedades.
Sesgo
A grosso modo se puede decir que un estimador es insesgado cuando coincide con los
parmetros poblacionales, trtese de la media o cualquier otro. Por el contrario un
estimador se considera sesgado o con sesgo, cuando no coincide con los parmetros
poblacionales, ya sea que se trate de la media, la desviacin estndar o cualquier otro.
Eficiencia relativa
El termino eficiencia es de cierta manera de mucho uso cotidiano, pongamos por ejemplo
a un trabajador de una empresa. Qu significa que este trabajador sea eficiente?, una
posible respuesta es que el trabajador cumpla con las tareas que se le han asignado en
los tiempos estipulados. Es decir el trabajador debe cumplir con ciertas caractersticas, de
manera anloga un estimador ser eficiente si cumple con ciertas caractersticas
estadsticas.
Consistencia
Suficiencia
Estadstica y estimadores
En la unidad uno de este curso de estadstica se vieron los diferentes tipos de medidas:
medidas de posicin, de asociacin y de tendencia central. En todas ellas se trabaj con
varios parmetros estadsticos, cabe recordar algunos: la media, la desviacin estndar
entre otros. Ahora bien como se seal, estos parmetros pueden referirse a la poblacin
o aun muestra representativa (aleatoria) de dicha poblacin.
Cuando se utiliza el parmetro x , se est haciendo una estimacin del parmetro . Por
tal motivo algunos autores sealan que: x estima a .
Los estimadores son los agentes para realizar una estimacin y como ya se ha indicado,
en estadstica se tienen dos tipos de estimaciones
Estimacin puntual
Ya en el prrafo anterior se vio lo que es una estimacin por intervalos, se vio la definicin
y se trat de entender su diferencia con la estimacin puntual.
Intervalo aleatorio
Como ya se vio se tienen bsicamente dos tipos de estimacin, estas son la puntual y la
estimacin por intervalos. Un intervalo como se vio en el subtema anterior se puede
asemejar al concepto de rango (rango=valor mximo valor mnimo). Estos valores
mximo y mnimo, en intervalos se les llaman lmite superior y lmite inferior. Ahora bien
se le llama intervalo aleatorio, al intervalo que se construye y al menos uno de sus lmites
es una variable aleatoria.
Dnde:
Intervalo de confianza
Se han revisado los dos tipos de estimacin, se vio que una estimacin por intervalos
consta de dos valores, un valor mximo y un valor mnimo y que en estimacin se les
conoce como lmite superior y lmite inferior respectivamente. Cuando se trata de un
Los intervalos de confianza estn asociados a cierto nivel de confianza, por ejemplo: un
90% o expresado en forma decimal un 0.90 de confianza.
El intervalo de confianza por tanto expresa un cierto nivel de probabilidad, esto implica
que existe un riesgo de error conocido. Por otra parte el intervalo de confianza
proporcionar valores enfocados en el valor estadstico muestral, pero el parmetro
poblacional tambin se ubica dentro del intervalo.
Como ya se haba visto en el subtema 2.1.1 la curva es simtrica y el rea total bajo de
ella es igual a 1. Representa el 100% de probabilidad. Donde, 1- es el nivel de
confianza. Esta acotado por los valores de . Las zonas antes de y despus de .
son las colas de la distribucin y representan el riesgo de error. Sumar las dos colas da
Por ejemplo si se tiene que 1- es del 90% (0.9), esto implica que es del 10% (0.01).
Es decir se tiene el 10% de probabilidad de que los valores medios de la muestra estn a
1.65 desviaciones estndar (el 5% de la cola izquierda) y a +1.65 (el otro 5% que
corresponde a la cola derecha) desviaciones estndar, de la media. Esto se puede
comprender mucho mejor con la siguiente imagen:
O bien
s
( )
Dnde:
= = = error muestral
=Desviacin estndar
= tamao de la muestra
Generalmente se trabajan los problemas con un nivel de confianza dado, por ejemplo del:
90%, 95% y 99%. Que equivalen respectivamente a: 0.9, 0.95, 0.99.
Para buscar el valor de , es necesario usar el nivel de confianza entre 2, dado que se
tiene una curva normal simtrica que tiene dos mitades. El nivel de confianza entre 2,
arroja un rea bajo la curva, este es el dato con el que se ha de buscar el valor de en las
tablas. Por ejemplo si se trabaja con un nivel de confianza del 99% o su equivalente 0.99,
no es este valor el que hay que buscar en tablas. Se busca la mitad, es decir 0.99/2 =
0.495, sea
1
= 0.495
2
Ejemplo 12
Se desea hacer un estudio con la poblacin estudiantil de una escuela para lo cual se
toma una muestra aleatoria. Obtenindose la siguiente informacin:
Solucin:
As:
Como se tiene que la distribucin es de tipo normal, y esta es simtrica, entonces para
cada mitad se tiene:
2
=0.005
1 = 0.99
1
= 0.495
2
Este es el valor que se utilizara para encontrar el valor de .
En seguida se muestra la tabla que se habr de usar para encontrar el valor de de este
ejemplo:
Es la misma tabla utilizada en el clculo del teorema central del lmite, solo que ahora se
comienza buscando el rea bajo la mitad de la curva, que para este ejemplo es del 0.495.
Una vez localizado este valor se obtiene el valor de correspondiente. Como se puede
observar en la tabla se marca el rea =0.495, siguiendo la fila se ve que corresponde a
un valor de = 2.5 pero como el valor de 0.495, esta en la columna que corresponde a
0.08 decimales, el valor total de z=2.58
Z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
10 10
IC = 55 2.58 ( ) = 55 2.58 ( )
49 7
IC = 55 3.68
= (51.31, 58.68)
Del resultado obtenido se desprende por lo tanto que existe la probabilidad del 99% de
que el valor de este en el intervalo comprendido entre: 51.31 58.68.
Cuando se trabaja con muestras de tamao grande, disminuye el error de muestreo y por
lo mismo el intervalo ser ms preciso. Tambin disminuir el error tpico y el intervalo
ser menos ancho.
Cabe mencionar que tambin se pueden construir intervalos de confianza usando otras
distribuciones diferentes a la distribucin normal. Pero ese tema ser parte de otro curso.
A travs de esta actividad utilizars las propiedades del teorema central del lmite central
para resolver problemas especficos.
Ya que se est abordando el intervalo de confianza, resulta pertinente decir que este se
puede construir mediante el uso del mtodo del pivote (mtodo pivotal). Este mtodo esta
basado en la determinacin de una expresin pivote. Esta expresin pivote es funcin de
las mediciones de la muestra y del parmetro poblacional desconocido. El parmetro
poblacional desconocido es el nico valor desconocido. En tanto el pivote presenta una
distribucin que no depende del parmetro poblacional.
Supngase que se tiene un estadstico r que presenta una distribucin normal. Se puede
construir un intervalo para (1 2) = 1 .
Recin se vio el mtodo del pivote, el cual consista en localizar una cantidad pivotal. Este
Este tema de los intervalos con muestras grandes ya se ha venido utilizando en los
temas anteriores, sobre todo en la construccin de intervalos de confianza. Es importante,
sin embargo dejar en claro que en la estadstica inferencial se tienen bsicamente dos
categoras para los tamaos de muestras, las categoras tamao grande y tamao
pequeo.
Cuando se tiene el primer caso es decir que el tamao de las muestras es grande, se
trabaja con la distribucin normal. (Esto ya se hizo en el subtema anterior)
Cuando se trata de muestras pequeas se utiliza otro tipo de distribucin, sobre todo la
distribucin t de Student (siempre y cuando la poblacin se distribuya normalmente).
Al trabajar con la distribucin normal se observa que sobre todo para muestras pequeas,
la aproximacin de la desviacin estndar de la muestra (o muestras) a la desviacin
estndar de la poblacin, es deficiente. Por ello la distribucin de Student es una
distribucin que tendera a una mayor dispersin en comparacin con la distribucin
normal.
Revisa el documento de actividades U2, donde se dan las instrucciones para resolver la
actividad.
Autorreflexines
Cierre de la unidad
Para saber ms
Te invito a revisar los siguientes links, para poder ampliar tus conocimientos revisados en
la unidad 2.
http://www.fca.unl.edu.ar/InferEst/EstimParam.htm
Fuentes de consulta