Vous êtes sur la page 1sur 17

PROGRAMACION

INTERVALOS DE CONFIANZA PARA


DATOS CONICIDOS EN MATLAB

ALUMNO ALCANTARA SAGASTEGUI DAVID


CAMPOS VELASQUEZ AMADOR
LOPEZ MELENDEZ YOSVIN KEVIN
CHAVEZ SIFUENTES MIRKO
CADILLO PAREDES JULIO
MENDOZA CHINCHAYHUARA KELVIN

DOCENTE: REYNA ROJAS Kene

Ciclo III/unidad: 2/2019


NUEVO CHIMBOTE
AGRADECIMIENTO

En primer lugar, damos infinitamente gracias a Dios, por habernos dado fuerza y valor
para realizar este trabajo.

Agradecemos también la confianza y el apoyo brindado por parte de nuestros padres,


sin duda alguna en el trayecto de nuestra vida nos han demostrado su cariño y
comprensión.

Y un especial agradecimiento al profesor kene Reyna rojas quien con su ayuda y


comprensión han sido parte fundamental de este trabajo.

Finalmente, a cada uno de lo que integramos a este grupo porque cada una con nuestras
valiosas aportaciones hicimos posible este proyecto y por la gran calidad humana que
hemos demostrado con nuestra amistad.

Programación Página 2
INDICE

Caratula …………………………...……………………………….…....1

Agradecimiento … …………………………………………...................2

Índice ……………..... ……………………………………………….….3

Resumen ………..…...……………………………………………….….4

Introducción .... …………………………………………………….…...5

Marco teórico ..………..…………………………………………….…....6

Intervalo de confianza ...……………...……………………….….….6

Nivel de confianza …….………………………………….……….......7

Métodos de construcción de intervalos de confianza ……...…….…....7

Aplicación del intervalo de confiaza para datos conocidos ………..…10

Aplicación del intervalo de confiaza para datos desconocidos ..…..…12

Resultados …….……………………………………………………….….13

Conclusión ……..……………………………………………………….….14

Anexos ………….……………………………………………………….….15

Bibliografía ……….…………………………………………………….….16

Programación Página 3
RESUMEN

Programación Página 4
INTRODUCCIÓN

Actualmente se debe estar bien consciente de que las poblaciones son generalmente muy
grandes como para ser estudiadas en su totalidad. Su tamaño requiere que se seleccione
muestras las cuales se pueden utilizar para hacer inferencias sobre poblaciones. Por
ejemplo si un gerente de una tienda minorista desea saber sobre sus ventas diarias
promedios por cliente durante el año anterior, podría encontrar difícil calcular el promedio
de las ventas a cientos o quizás miles de clientes que pasaron por la tienda. Seria muchos
más fácil estimar la media poblacional con la media de una muestra representativa.

Nos interesa saber que tan bueno es Matlab para análisis y simulaciones estadísticas ya
que hay dos tipos de estimadores que se utilizan más comúnmente para este propósito: un
estimador puntual y un estimador por intervalo. Un estimador puntual utiliza un
estadístico para estimar el parámetro en un solo valor o punto. El estimador puntual por
ser un solo número, no proporciona por sí mismo información alguna sobre la precisión
y confiabilidad de la estimación.

Y a la vez Matlab proporciona funciones y aplicaciones para describir, analizar y


modelar datos. Puede usar gráficos y gráficos descriptivos para el análisis de datos
exploratorios y ajustar las distribuciones de probabilidad a los datos. Los algoritmos de
regresión y clasificación le permiten hacer inferencias a partir de datos y construir
modelos predictivos.

Programación Página 5
MARCO TEÓRICO:

Intervalos de confianza:
Con el objetivo de estimar un parámetro poblacional, un intervalo de confianza es
un rango de valores (calculado a partir de una muestra) en el cual se encuentra el
verdadero valor del parámetro con una probabilidad determinada. A la
semiamplitud de dicho intervalo se le llamará error de estimación.

La probabilidad de que el verdadero valor del parámetro se encuentre en el


intervalo construido se denomina nivel de confianza y se denota 1−∝. La
probabilidad de equivocarnos se llama nivel de significación y se simboliza por
∝.

Un intervalo de confianza nos proporciona unos límites entre los cuales confiamos
que se encuentre el valor desconocido del parámetro. Esta confianza de inclusión
se mide mediante un porcentaje, de tal manera que si este es el 𝛽% , entonces, si
obtenemos un gran número de intervalos como el anterior, tenemos la confianza
de que el 𝛽% de ellos se contendrá el valor exacto del parámetro desconocido.

Un intervalo de confianza para el parámetro 𝜃de una población es de la forma


𝐿1 ≤ 𝜃 ≤ 𝐿2 donde 𝜃 es el valor del parámetro desconocido, y 𝐿1 , 𝐿2 son
funciones de los valores muestrales, que únicamente serán números cuando
hayamos obtenido una muestra y sustituido sus valores en las funciones 𝐿1 , 𝐿2 .

En el proceso de construcción de un intervalo de confianza se pueden distinguir


dos etapas, que, para una mejor comprensión, podrían determinarse teórica y
práctica.

En la primera (etapa teórica), establecemos formalmente el intervalo aleatorio


[𝐿1 , 𝐿2 ], de tal manera que 𝑃(𝐿1 ≤ 𝜃 ≤ 𝐿2 ) = 𝛽 . En esta etapa podemos hablar
de la probabilidad de que el intervalo contenga el valor del parámetro 𝜃.

Programación Página 6
En la segunda etapa, tomamos una muestra de la población a la que pertenece el
parámetro, y sustituida en 𝐿1 𝑦 𝐿2 , obtenemos dos números.

Una vez realizada la sustitución, no es posible hablar de la probabilidad de que el


valor desconocido del parámetro se encuentre comprendido entre ambos números,
ya que, evidentemente, el parámetro lo estará o no. Sin embargo, como nosotros
no sabemos si lo está, tenemos un coeficiente de confianza del 𝛽% de lo que esté.
También se dice que el nivel de confianza es 𝛼 = 1 − 𝛽

Expuesto el fundamento de la estimación por intervalos, para determinar un


intervalo de confianza suele utilizarse el método general de Neyman, o el método
de la cantidad pivotal. Sin embargo, cuando la población es normal o sigue
cualquier distribución aproximable por lo normal, existen métodos puntuales de
cálculo de intervalos de confianza para los parámetros poblacionales.

Dato:

1. Estimación por intervalos:

La idea es construir un intervalo numérico (conjunto de números comprendidos


entre dos números) de acuerdo a una probabilidad dada para establecer que dentro
de él, se halla el parámetro poblacional que nos interesa.

En otras palabras, no decimos cuánto vale exactamente el parámetro, sino que él


está dentro de un intervalo dado.

En el gráfico adjunto, tenemos la media poblacional 𝜇 , dentro del intervalo cuyos


extremos son los números a y b.

𝜇
2. Nivel ade confianza: b

Es la probabilidad de que el parámetro se encuentre dentro del intervalo dado.

Los niveles de confianza usuales son del 90% , 95% y del 99%

1. Nivel de confianza de 95 %

Programación Página 7
Significa que de 100 casos, cabe esperar que en 95 de ellos, el parámetro se halle
dentro del intervalo construido. También se espera que en 5 de ellos, el parámetro
se halle fuera del intervalo, ya sea a la derecha,

𝜇
a b
O hacia la izquierda.

a b
2. Nivel de confianza de 99 %
En forma análoga se interpreta el nivel de confianza de 99%. De 100 casos, se
espera que en 99 de ellos, el parámetro se halle dentro del intervalo y en 1 de ellos
se halle fuera del intervalo ya sea a la derecha o a la izquierda.

Del mismo modo también hay un nivel de confianza del 90%

3. Conjuntos de intervalos de confianza:

Una mejor comprensión de la incertidumbre asociada con una estimación nos la


proporciona un conjunto de intervalos de confianza.

ⱷ La distribución de confianza:
Un resumen completo de todos los intervalos de confianza se puede proporcionar
mediante la distribución de confianza . esta es una curva que posse la propiedad
de que el área bajo ella entre dos puntos es igual al nivel de confianza para ese par
de límites de confianza .
Los intervalos de confianza son más útiles que los simples contrastes de
significación
Un conjunto de intervalos de confianza proporciona toda la información que se
puede obtener con un contraste de significación y aún más

Métodos de construcción de intervalos de confianza:


Expuesto el fundamento de la estimación de intervalos, para obtener un intervalo de
confianza básicamente daremos dos métodos. El primero, el método pivotal o método del
pivote basado en la posibilidad de obtener una función del parámetro desconocido y cuya
distribución muestral no dependa del parámetro. El segundo, el método general de
Neyman, basado en la distribución de un estimador puntual del parámetro

Programación Página 8
Método pivotal:
Sea una población representada por la variable aleatoria X con una función de densidad
𝑓(𝑥, 𝜃)en donde 𝜃 es un parámetro desconocido, que toma valores en el espacio
paramétrico.

Este método básicamente consiste en la obtención de una cantidad pivotal o simplemente


pivote que verifique las condiciones siguientes:

a. El pivote 𝑇( 𝑋1 , … … . , 𝑋𝑛 ; 𝜃) es una función de las observaciones muestrales y


del parámetro 𝜃 , de tal manera que para cada muestra solo dependerá del 𝜃
b. La distribución muestral del pivote 𝑇( 𝑋1 , … … . , 𝑋𝑛 ; 𝜃) no depende de 𝜃

Dicho en otras palabras:

Una función𝑇(𝑋1 , … … , 𝑋𝑛 ; 𝜃) cuya distribución es conocida (y, por tanto, no dependerá


de 𝜃 ) se dice que es un pivote para 𝜃

Entonces, dado un pivote 𝑇 , una afirmación pirobalística de la forma 𝑃(𝑡1 < 𝑇 < 𝑡2 ) =
1−∝ da lugar a un intervalo de confianza para 𝜃 de 100(1−∝)%.

Programación Página 9
APLICACIÓN DE INTERVALOS DE CONFIANZA PARA
LA MEDIA CON VARIANZA CONOCIDOS

 Primer caso:

INTERVALO DE CONFIANZA PARA LA MEDIA CON VARIANZA


CONOCIDA

Si x es la media muestral de una muestra aleatoria de tamaño n de una población con


varianza conocida σ2 , un intervalo de confianza para μ del

100(1− α) por ciento está dado por

Donde zα/ 2 es el punto de la distribución normal estándar que corresponde al porcentaje


α / 2.

ERROR EN LA ESTIMACION

El intervalo de confianza de (1-α) 100% proporciona una precisión de la exactitud de la


estimación puntual. Si ᶙ es realmente el valor central del intervalo, entonces χ estima a ᶙ
sin error.

La mayor parte de las veces, sin embargo, X no será exactamente igual a ᶙ y la estimación
puntual no es exacta.

El tamaño de este error será: Iμ - XI y se puede tener una confianza del (1- α) 100% de
que esta diferencia no excederá el valor

Programación Página 10
. Esto se puede ver con facilidad si se dibuja el diagrama de un intervalo de confianza
hipotético como el de la figura siguiente:

Teniendo en cuenta lo dicho podemos enunciar el siguiente teorema, Teorema Si X es


un estimador de ᶙ, entonces se puede tener una confianza del (1- α) 100% de que el error
no excederá una cantidad específica

DETERMINACION DEL TAMAÑO MUESTRAL

Una cuestión interesante a la que nos referimos implícitamente al tratar la elección de α,


es ¿cuál debe ser el tamaño muestral necesario para que, fijado un nivel de confianza, se
alcance una precisión (o longitud) deseada en el intervalo?
La longitud del intervalo es:

Despejando n de la ecuación anterior se obtiene:

OBSERVACIONES

a) Para muestras tomadas de una población normal, o para muestras de tamaño n ≥


30, sin importar la forma que tenga la población, el intervalo de confianza dado
por (1) proporciona buenos resultados.

b) Sin embargo, para muestras pequeñas tomadas de poblaciones que no son


normales, no es posible esperar que el nivel de confianza 1− α sea exacto.

Programación Página 11
APLICACIION DE INTERVALO DE CONFIANZA PARA LA
MEDIA 𝝁 DE UNA DISTRIBUCIÓN NORMAL SIENDO 𝝈
DESCONOCIDA

Dado el desconocimiento de 𝜎 en la distribución poblacional N (𝜇 ; 𝜎) la


cantidad pivotal a la que se recurre es

√𝑛(𝑥̅ − 𝜇) 𝑥̅ − 𝜇
T (𝚾 ; 𝜇) = 1
= 2
,
√ 𝑛𝑠2 √𝑠
𝑛−1 𝑛−1

Con distribución de una variable aleatoria t de Student con n – 1 grados de libertad, siendo
el estadístico 𝑠 2 la varianza muestral.

Por la simetría de esta distribución respecto al origen de coordenadas, se llega, al igual


que en el caso anterior de la N (0; 1), a que intervalo de longitud mínima es el formato
por los valores opuestos [-t, t]. Por tanto, siguiendo el método del pivote, para un intervalo
de nivel de confianza 1- se determinará, en primer lugar, el valor t tal que

P [-t ≤ t(n - 1) ≤ t] = 1 - 

Y, posteriormente,
𝑥̅ − 𝜇
P [-t ≤ 2
≤ t] = 1 - 
√𝑠
𝑛−1

Donde, después de transponer términos, queda

𝑠2 𝑠2
P [𝑥̅ -t√𝑛−1 ≤ 𝜇 ≤ 𝑥̅ + t√𝑛−1] = 1 - 

Siendo, por consiguiente, el intervalo de confianza de longitud mínima para la media 𝜇


el definido por los límites.

𝑠2 𝑠2
[𝑥̅ -t√𝑛−1; 𝑥̅ + t√𝑛−1 ]

Programación Página 12
RESULTADOS

El siguiente seudocódigo es para encontrar el intervalo de confianza al 95%

Leer n
escribir('ingrese datos:');
para i←1 hasta n hacer
leer v(i)
fin_para
s←0;
para i←1 hasta n hacer
s←s+v(i);
fin_para
prom←s/n;
s1←0;
para i←1 hasta n hacer
s1←s1+(v(i)-prom)^2;
fin para
varianza←s1/n;
t←2.1447869;
u1←prom-(t*varianza)/n^(1/2);

u2←prom+(t*varianza)/n^(1/2);

escribir('Valor de Promedio');

escribir(prom);

escribir('limite inferior:');

escribir(u1);

escribir('limite superior:');

escribir(u2);

Programación Página 13
CONCLUSIONES

 Concluimos que Matlab es una herramienta multifuncional e indispensable en la


carrera de ingeniería.
 Al realizar programas en Matlab se puede optimar el tiempo.

Programación Página 14
ANEXOS:

Resumen de fórmulas para estimar los intervalos de confianza:

Descripción Intervalo de confianza

Estimación de  con sigma conocida, muestra   X  Z / 2 / n


grande n>30

Estimación de  con sigma desconocida, muestra   X  Z / 2 s / n


grande n>30, se toma la desv. Est. de la muestra S

Estimación de  con muestras pequeñas, n < 30   X  t / 2 s / n


y sigma desconocida

Estimación de la  (n  1) s 2 (n  1) s 2
2 
  
, n 1 1 , n 1
2 2

Estimación de la proporción  p(1  p)


sp 
n

  p  Z / 2 s p

Tamaño de muestra

Para estimar n en base a un error máximo n  Z / 2  2 /( X   ) 2


2

( X  )

Para estimar n en base a un error máximo n  Z / 2  (1   ) /( p   ) 2


2

Programación Página 15
Si se especifica un intervalo total de error, el error Utilizar   0.5 que es peor caso
( p   ) máximo es la mitad del intervalo

BIBLIOGRAFÍA

-Introducción a la Inferencia Estadística Castello Minolli, Editorial El Coloquio

-Fernández, F. Andrade, L. y Álvarez, I. (2013). Experimentos de enseñanza y


razonamiento estadístico en situaciones de probabilidad e inferencia estadística (reporte
de investigación). Bogotá: Universidad Pedagógica Nacional.

- Olivo, R. y Batanero, C. (2007). Un estudio exploratorio de dificultades de


comprensión de intervalo de confianza. Revista Unión, 12, 37-51.

-Canavos, G. C. Probabilidad y Estadística Aplicaciones y Métodos, México: McGraw-


Hill Interamericana de México, S. A.

-Montgomery D. C. y Runger G. C. Probabilidad y Estadística Aplicadas a la


Ingeniería, 2a. ed. México: Editorial Limusa S. A.

-Castro A. B. Probabilidades y Estadística Básicas, Quito: Escuela Politécnica Nacional

-Pérez López C. MATLAB y sus Aplicaciones en las Ciencias y la Ingeniería, Madrid:


Pearson Educación, S. A.

-Rodríguez Ojeda L. MATLAB Conceptos Básicos y Programación, Tutorial, ICM


ESPOL

Programación Página 16
Programación Página 17