Sunteți pe pagina 1din 8

Cálculo de

Cálculo de
Cálculo de

Estimaci

• Parámetro: es un valor numér


población.

• Estadístico: es un valor numér


muestra.

• Estimador puntual: es el es
determinada y que se usa para e
Es

Apuntes.-

Hasta ahora: conocidos los p


calculado la probabilidad
cierto resultado (media o pro
Propiedades d
Pero lo más usual es que: cono
queramos obtener algún con
población.insesgado:
Estimador Eso es la es
ESTIMA
aquel e
coincide con el valor del parámetr

Ejemplos: lo son la media muestra

Estimador eficiente: es aquel es

Ejemplos: tanto la media mue


Propiedades de

una com

Cuatro tiradores han efectuado 10 dispar


en una estimación, efectuada por un
podemos interpretar las propiedades de

Estimadores pu

Apuntes.-

para la media de una población μ, s

para la varianza de la población σ


muestral
Estimador insesgado Estimador sesgado
y no eficiente y no eficiente
Estimaci

En la estimación puntual se obtiene


poblacional; pero ese método no perm
depositarse en el resultado de dicha in
Para resolver ese problema se utiliza la
Estimació
obtener un intervalo (intervalo de con
conocida (nivel de confianza) de
Apuntes.-
poblacional.

• Intervalo de confianza: intervalo (


Así, si nos referimos a la media μ, se tr
conocida de que contenga al verdad
P(a
• Nivel de confianza: es la probabilid
intervalo de confianza. Generalmente
Ejemplo.- Si se nos pide que estimem
delEs95%, se tratará, a partir de una
decir: P ( am<
podamos asegurar que está contenida
• EnNivel
tal caso,
de la probabilidad ode de
significación querieμ
será por lo tanto
poblacional no el riesgo asumido
pertenezca con
al interval
Pr– zα/2 < Z ≤ zα/2  = 1 – α
Valores cr
1 - α 0,8 0,9 0,95 0,99
α 0,2 0,1 0,05 0,01
α/2 0,1 0,05 0,025 0,005
zα/2 1,28 1,64 1,96 2,58

Intervalo

X–µ
de confianza
Por tanto se aproxima a una N(0, 1)
σ
n
 – 
X–µ
Entonces: Pr– z α/2 < ≤ z α/2  = 1 – α. Y de aquí se obtiene

• Sea una población de partida N(µ,




σ
n

• Tomamos una muestra aleatoria de


σ –
La variable aleatoriaX sigue unaN(µ,
n
Intervalo de confianz
p^ – p
En consecuencia se aproxima a una N(0, 1) para n muy grande
p(1 – p)
n

• Sea una población donde pretende



Entonces:Pr– zα/2 <


p^ – p
p(1 – p) α/2
n

≤ z  = 1 –α


• Tomamos una muestra aleatoria d


Por tanto: Prp^ – zα/2

Entoncesp^ se distribuye en el m
p(1 – p)
n
< p ≤ ^p + zα/2
p(1 – p)
n 
=1–α

^
Intervalo de confianz
Como p es desconocido podemos tomar p como valor estimado próximo a p:

 p^ (1 – p)
^ ^p (1 – ^p)
Prp^ – zα/2 < p ≤ p^ + zα/2 =1–α
 n n 

 ^
p^ (1 – p)
Luego IC = p^ ± zα/2 
 n 
Si n es muy grande, lo que equivale a decir np > 5 y n(1 – p) > 5, el intervalo de
confianza para el parámetro p de una B(n, p) viene dado por

IC = p^ ± zα/2

Intervalo de confianz
n 
^
p^ (1 – p)

x
α y p^ = n
donde z α/2 es el valor crítico para el nivel de confianza

Tamaño d

• Una forma de aumentar la confianza


tiene el inconveniente de que aument

• Otra forma es aumentar el tamaño


depende de n.

• ¿Hasta dónde debe aumentar n para

Por ejemplo: el intervalo de confianza para



de confianza 1 – α viene dado por IC = 

S-ar putea să vă placă și