Sunteți pe pagina 1din 33

w

w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 3
1.- INTRODUCCION Y MOTIVACION
La principal razn de que el Mtodo Estadstico se haya desarrollado ampliamente en los
ltimos aos dentro de las Ciencias Experimentales es que stas estn sujetas a
razonamientos de tipo inductivo que van de lo particular a lo general. Sacaremos
conclusiones sobre un grupo de individuos a partir de la informacin que nos proporciona
un subconjunto ms o menos amplio de los mismos. De acuerdo con MARTIN ANDRES
y LUNA CASTILLO (1990), El nico mtodo cientfico para validar tales extensiones
es el Mtodo Estadstico, pues precisamente esa es la causa de su existencia.
La expansin del Mtodo Estadstico es tal que, de todas las disciplinas que nuestros
alumnos han de estudiar a lo largo de toda la enseanza secundara, la Estadstica es
prcticamente la nica que tendrn como asignatura en la mayor parte de las carreras
universitarias que puedan elegir en el futuro; desde las tpicamente consideradas
experimentales, como la Medicina o la Biologa, hasta carreras consideradas como de letras
como la Psicologa, la Sociologa o incluso la Geografa. Aquellos que decidan no tomar el
camino de la Universidad se encontrarn cada vez ms frecuentemente con conceptos
procedentes de la Ciencia Estadstica como por ejemplo el de error mximo admisible o el
de nivel de confianza en cualquier encuesta sociolgica de las que habitualmente aparecen
en la prensa.
El primer concepto importante que hemos de transmitir a nuestros alumnos es la diferencia
existente entre lo que son las estadsticas como meras colecciones de datos y lo que es el
Mtodo Estadstico considerado como una disciplina cientfica con entidad propia.
Es comn escuchar la frase No creo en las estadsticas, incluso entre profesionales
cercanos a la disciplina. Efectivamente las estadsticas como posible ayuda a la toma de
decisiones dependen de quin y como se hayan tomado los datos y de si las respuestas
que dan los encuestados se ajustan a su opinin real. En este sentido los datos pueden ser
susceptibles de creencia puesto que uno puede dudar de la intencin del encuestado. El
Mtodo Estadstico, tal y como est concebido en la actualidad, forma parte del saber
cientfico y es aceptado lo mismo que lo es, por ejemplo, la Teora de la Relatividad en
Fsica; no es, por tanto, terreno de las creencias y seguir siendo aceptado como vlido
hasta que alguien proponga una nueva teora que lo modifique.
Recapitulando sobre lo expuesto, la Estadstica se configura como la tecnologa del mtodo
cientfico que proporciona instrumentos para la toma de decisiones cuando estas se
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 4
adoptan en ambientes de incertidumbre, siempre que esta incertidumbre pueda ser
cuantficada en trminos de probabilidad. (MARTIN PLIEGO, 1994).
El procedimiento de toma de decisiones, o de aprendizaje, en el mbito cientfico se resume
en la figura 1, y consiste bsicamente en plantear una hiptesis, contrastarla mediante
datos experimentales y modificarla si no puede ser aceptada. Es precisamente en el paso
de contraste en el que el Mtodo Estadstico juega un papel fundamental y aunque
cualquier cientfico puede realizar una investigacin sin estadstica, sin embargo es mucho
ms fiable si el resultado est basado en mtodos estadsticos. No se concibe la
investigacin aplicada actual sin la utilizacin de la Estadstica en el proceso de induccin.
El cuadro 1 muestra los pasos fundamentales del mtodo cientfico en relacin con el
mtodo estadstico.
Hiptesis
H
1
Deduccin
Consecuencias
de H
1
datos
induccin
hiptesis
modificada
H
2
La hiptesis H reemplaza a la H
2
1
Figura 1: El proceso de aprendizaje.
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 5
Estudiaremos cada uno de los apartados mencionados aunque no necesariamente en el
orden en el que aparecen en el cuadro anterior.
Se plantea ahora un problema que suscita polmica entre los profesionales de las
Estadstica, el enfoque que debe darse a la explicacin de los conceptos fundamentales.
Figura 2: El Mtodo Estadstico es una parte importante de la investigacin cientfica
actual.
MTODO CIENTFICO
1.- PLANTEAR UNA IDEA (HIPOTESIS)
2.- CONTRASTAR LA IDEA
a) Establecer la poblacin o poblaciones a estudiar.
b) Decidir el mtodo para la recoleccin de los datos.
c) Suponer un modelo, especificando las distribuciones de las poblaciones en
estudio.
d) Formular las hiptesis de inters en trminos de los parmetros del modelo.
e) Calcular el tamao muestral necesario para conseguir los objetivos tan
eficientemente como sea posible. El clculo requiere el conocimiento de la mnima
diferencia en la que el investigador est interesado, as como un estimador de la
variabilidad subyacente.
f) Recoger los datos.
g) Revisar si el modelo supuesto puede considerarse una aproximacin
razonable.
h) Revisin del anlisis si las suposiciones de partida del modelo no son ciertas.
i) Analizar los datos.
j)Escribir las conclusiones en lenguaje simple (no estadstico).
3.- REVISAR LA IDEA SI NO SE ACEPTA A PARTIR DEL
PROCEDIMIENTO EXPERIMENTAL.
Cuadro 1: El mtodo cientfico y su relacin con la Estadstica.Se han sealado en cursiva
los pasos del mtodo directamente relacionados con la Estadstica, que van desde la
recogida de los datos hasta el anlisis de los mismos.
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 6
Trataremos de exponer nuestro punto de vista al respecto antes de comenzar con la
explicacin propiamente dicha. Dos son los enfoque predominantes, si bien pueden
considerarse posturas intermedias; el primer bloque estara formado por aquellos que
consideran la Estadstica como una especialidad ms de las Matemticas sin caractersticas
diferenciales claras con respecto al resto de las disciplinas; el segundo bloque estara
formado por aquellos que piensan que la Estadstica tiene entidad propia como disciplina
cientfica en la que las Matemticas han de entenderse simplemente como una herramienta.
Como profesionales de la Estadstica Aplicada, nos inclinamos por la segunda de las
posibilidades si bien no se debe olvidar el fondo terico de la disciplina y las herramientas
matemticas bsicas, que se entendern como un medio y no como un fin en si mismas.
Trataremos de explicar esta postura ms ampliamente en los prrafos que siguen.
La Estadstica como disciplina tiene fundamentalmente un carcter inductivo en
contraposicin al carcter deductivo de las Matemticas, el objeto ltimo de la misma es
sacar conclusiones sobre una poblacin a partir de la informacin que proporciona una
muestra de la misma, y no el desarrollo de los teoremas propiamente dichos que sera
objeto de la denominada Estadstica Matemtica. Un ejemplo similar sera el de la Fsica,
con un campo propio, y el de los mtodos matemticos aplicados a la Fsica que forman
parte de las Matemticas.
El objeto de la Estadstica Aplicada son los Mtodos Estadsticos, los resultados y su
aplicacin en otras disciplinas cientficas; la obtencin terica de dichos mtodos utiliza
herramientas matemticas (Clculo, Algebra o Geometra) o conceptos de Clculo de
Probabilidades. Siguiendo a WOLFOWITZ (1969)
1
:
Excepto quizs unos pocos de los ms profundos teoremas, y quizs ni
siquiera esos, la mayor parte de los teoremas de la Estadstica no
sobreviviran en las Matemticas si el sujeto de la propia estadstica (la
aplicacin) desapareciera. Para sobrevivir al sujeto deben responder ms
a las necesidades de aplicacin.
De lo que debemos protegernos es del desarrollo de una teora que, por
una parte, tiene poca o ninguna relacin con los problemas reales de la
Estadstica, y que, por otra parte, cuando se ve como Matemtica pura, no
es lo suficientemente interesante, por si misma, ni para sobrevivir.
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 7
Tambin en este sentido TUKEY (1962)
2
, que podra ser considerado como el padre de la
aproximacin exploratoria del anlisis de datos, apunta lo siguiente:
La mxima ms importante a la que el anlisis de datos debe prestar
atencin, y una de las que muchos estadsticos parecen haber olvidado, es
sta: Mucho mejor una respuesta aproximada a una pregunta correcta,
que es a menudo vaga, que una respuesta exacta a la pregunta errnea,
que puede hacerse siempre de forma precisa. El anlisis de datos debe
progresar aproximando respuestas, en el mejor de los casos, ya que su
conocimiento de lo que es realmente el problema ser en el mejor de los
casos aproximado.
Todo lo dicho pone de manifiesto que hay distintas formas de entender las cosas
probablemente debido a la conjuncin de la parte inductiva en la esencia de la disciplina y
la parte deductiva en su desarrollo. Es la parte deductiva (matemticas) la que ha situado a
la Estadstica, hasta hace pocos aos, como una especialidad de la licenciatura de
Matemticas, y es probablemente la parte inductiva la que ha hecho que en esas mismas
facultades fuera considerada como la hermana pobre, o cuando menos, como algo extrao
y diferente, por los matemticos tradicionales.
El proceso futuro que seguir la Estadstica como disciplina cientfica pasar, sin duda, por
la separacin de las Matemticas, como lo hizo en su momento la Fsica, que tiene su
propia entidad aunque utilice el mtodo matemtico como herramienta. De hecho, ya es
posible cursar estudios de Estadstica (tanto de primer como de segundo ciclo) en
Facultades de Estadstica separadas de las de Matemticas. (Aunque desgraciadamente en
la mayora de los casos siguen controlados por los matemticos).
Es esta misma disyuntiva es la que ha colocado los conceptos de Estadstica necesarios en
las Enseanzas Medias dentro de la asignatura de Matemticas, y la que ha hecho que
muchos de los profesores, con formacin matemtica tradicional, prefieran relegarla a un
segundo plano cuando, en realidad, es la nica parte del programa que prcticamente todos
los que tomen el camino universitario van a estudiar.
En Facultades Aplicadas (Medicina, Biologa, Economa, Psicologa, Geografa, Derecho,
Biblioteconoma, Traduccin y documentacin, etc ... ) enseamos Estadstica Aplicada, es
decir, los resultados ms relevantes que permiten al alumno resolver problemas que se

1
-WOLFOWITZ, J. (1969): 'Reflections on the future of mathematical statistics'. en R. c. Bose et al.
(eds.) "Essays in Probability and Sraristics". University of North Carolina Press. Chapel Hill.
2
-TUKEY, J.W. (1962): 'The future of Data Analysis'. Annals of Mathematical Statistics, 33, 1-67.
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 8
encontrar en su ejercicio profesional, aprendiendo el lenguaje y las tcnicas bsicas que le
permitan comprender no slo las situaciones que se le plantean en el curso sino tambin
posibles situaciones futuras.
No es necesario ensear la parte deductiva completamente, ya que se trata de usuarios de
los mtodos, y no es preciso profundizar en aspectos meramente tcnicos que pertenecen
exclusivamente al mundo de las Matemticas. De alguna manera, el rigor conceptual para
transmitir la filosofa bsica de trabajo dentro del mtodo cientfico, sustituye al rigor
matemtico en la presentacin de resultados ya que los alumnos han de resolver problemas
de investigacin en su propia rama y no en Matemticas..
En Facultades de Matemticas y Estadstica el enfoque estar ms dirigido al aspecto
tcnico-matemtico, especialmente en las primeras. En las nuevas facultades de Estadstica
tendrn que aprender que el objeto es la aplicacin y que los resultados matemticos
necesarios para el desarrollo deductivo de los "Mtodos Estadsticos" son slo una
herramienta y no el objeto en si mismos.
La mayor parte de nuestros alumnos cursar estudios en Facultades Aplicadas por lo que
trataremos de centrar nuestra atencin en el "Mtodo Estadstico" y no en su deduccin
tcnica, si bien puede realizarse algn ejercicio para aplicar, en este contexto, los conceptos
aprendidos en el resto de la asignatura de Matemticas. Es posible, tambin utilizar
ejercicios en conexin con los profesores de otras asignaturas como Biologa, Geografa
Econmica, etc.
2.- INFERENCIA Y MUESTRAS
La Inferencia Estadstica es aquella rama de la Estadstica mediante la cual se trata de
sacar conclusiones de una poblacin en estudio, a partir de la informacin que
proporciona una muestra representativa de la misma. Tambin es denominada
Estadstica Inductiva o Inferencia Inductiva ya que es un procedimiento para generar nuevo
conocimiento cientfico.
La muestra se obtiene por observacin o experimentacin. La necesidad de obtener un
subconjunto reducido de la poblacin es obvia si tenemos en cuenta los costes econmicos
de la experimentacin o el hecho de que muchos de los mtodos de medida son
destructivos.
Toda inferencia inductiva exacta es imposible ya que disponemos de informacin parcial,
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 9
sin embargo es posible realizar inferencias inseguras y medir el grado de inseguridad si el
experimento se ha realizado de acuerdo con determinados principios. Uno de los
propsitos de la inferencia Estadstica es el de conseguir tcnicas para hacer inferencias
inductivas y medir el grado de incertidumbre de tales inferencias. La medida de la
incertidumbre se realiza en trminos de probabilidad.
Muestra
x
1
, x
2
, ... , x
n
Poblacin
(Distribucin de probabilidad)
Inferencia
Figura 3: Esquema de Inferencia Estadstica.
El primer concepto importante es el de poblacin, que es el conjunto de individuos sobre
los que se desea informacin. La poblacin ha de estar perfectamente definida a la hora de
comenzar el estudio. (paso 2-a de la descripcin del mtodo cientfico en el Cuadro 1). Por
ejemplo, en un ensayo clnico en el que se pretende demostrar la efectividad de un
tratamiento han de estar muy claros cuales son los criterios de inclusin de un paciente en
la poblacin (muestra) a estudiar.
De la poblacin se extrae un subconjunto que se denomina muestra. La muestra ha de ser
representativa de la poblacin, en el sentido de que debe tener una composicin similar en
cuanto a la proporcin de distintas caractersticas. Por ejemplo, una muestra para un
estudio de estaturas no incluir solamente individuos bajos o altos, sino individuos de
ambas clases en proporciones similares a las de la poblacin. La representatividad de la
muestra queda garantizada con la eleccin correcta del mtodo de muestreo, que se
estudiarn en el punto siguiente.
Sobre cada uno de los individuos medimos una o varias caractersticas que denominamos
variables. As a cada poblacin le corresponde una variable aleatoria que denotaremos
con X. En la teora de la Estadstica quedan identificadas Poblacin y variable aleatoria
asociada. As en toda la teora de la Inferencia poblacin significar el conjunto de
individuos a estudiar, pero tambin la variable aleatoria asociada a la caracterstica que
medimos sobre los individuos.
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 10
En general, trataremos con poblaciones infinitas, entendiendo que en la prctica "poblacin
infinita" significa lo mismo que "poblacin muy grande" ya que conceptualmente la mayor
parte de las poblaciones no pueden ser consideradas infinitas.
En general, supondremos un modelo de distribucin de probabilidad para la variable
aleatoria en estudio que resuma las caractersticas de la misma (apartado 2c del mtodo
cientfico en el Cuadro 1), aunque desconocemos los parmetros que trataremos de estimar
a partir de una muestra. Por ejemplo suponemos que X es N(, ) donde los dos
parmetros, o uno de ellos, son desconocidos. En algunos casos no es necesario
especificar tales distribuciones y las inferencias se hacen sobre caractersticas de la
distribucin que no son necesariamente parmetros.
La inferencia Estadstica puede dividirse en dos apartados de acuerdo con el
conocimiento sobre la distribucin en la poblacin.
De acuerdo con la forma en que se estudian los parmetros o caractersticas
desconocidas, la inferencia puede dividirse en dos apartados:
Estimacin:
Se intenta dar estimaciones de los parmetros desconocidos sin hacer hiptesis previas
sobre posibles valores de los mismos.
Estimacin puntual: Un nico valor para cada parmetro.
Estimacin por intervalos: Intervalo de valores probables para el parmetro.
Contraste de Hiptesis:
Se realizan hiptesis sobre los parmetros desconocidos y se desarrolla un procedimiento
para comprobar la verosimilitud de la hiptesis planteada.
Veamos los conceptos con un ejemplo concreto tomado de un estudio de investigacin
real. El estudio pertenece a otro ms amplio llevado a cabo en colaboracin por los
Departamentos de Qumica Analtica, Nutricin y Bromatologa , y Estadstica y
Matemtica Aplicada.
El objetivo original del trabajo consiste en estudiar los vinos jvenes embotellados de dos
Inferencia Paramtrica:
Se conoce la forma de la distribucin (Normal, Binomial, Poisson, etc .... ) pero se
desconocen sus parmetros. Se realizan inferencias sobre los parmetros desconocidos de
la distribucin conocida.
Inferencia No Parmetrica:
Forma y parmetros desconocidos. Se realizan inferencias sobre caractersticas que no
tienen porque ser parmetros de una distribucin conocida (Mediana, Estadsticos de
Orden).
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 11
denominaciones de origen, Ribera de Duero y Toro, mediante tcnicas de laboratorio
objetivas, con el fin de buscar las caractersticas que los diferencian y evitar los posibles
fraudes producidos por el intercambio debido a la proximidad geogrfica de ambas
denominaciones. Por el momento nos centraremos en una sola variable, el grado
alcohlico, y en una sola de las poblaciones, la de Ribera de Duero. Fijaremos adems un
momento del tiempo, la cosecha del ao 1986.
El primer paso de cualquier investigacin, la definicin clara de la poblacin en estudio,
se obtiene de los propios objetivos del mismo. Est udiaremos vinos jvenes
embot ellados de la denominacin de origen "Ribera de Duero" en la cosecha de
1986. La variable a medir es el grado alcohlico.
Seguramente todos hemos observado que en las botellas de vino aparece el grado
alcohlico de las mismas, que suele ser entre 12 y 12,5 grados. Es obvio que este valor
no es el contenido exacto de cada una de las botellas, sino que se trata de un contenido
medio. Supongamos que desconocemos ese contenido medio para la poblacin y
deseamos averiguarlo, para lo cual hemos de seleccionar una muestra de la poblacin. La
necesidad de seleccionar una muestra es clara ya que el anlisis del contenido alcohlico
implica la destruccin del individuo, la botella de vino.
Aunque la poblacin no puede ser infinita supondremos que lo es ya que el nmero de
botellas es muy grande y supondremos que la variable aleatoria sigue una distribucin
normal. La hiptesis sobre la distribucin de probabilidad ha de hacerse a priori,
teniendo en cuenta las caractersticas conocidas de la poblacin en estudio (hay que
t ener en cuent a que se trata solamente de un modelo para ajustar la realidad.) El
ejemplo parece lgico utilizar una distribucin normal ya que es posible suponer que los
posibles valores del grado alcohlico se concentran de forma simtrica en torno a un
valor medio, y que la probabilidad de encontrar valores decrece a medida que aumenta la
distancia a dicho valor medio. (Figura 4).
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 12
Si tuviramos, por ejemplo, la distribucin de los salarios de los empleados de una
Empresa dedicada a la fabricacin de automviles, en principio no podemos suponer la
distribucin normal ya la distribucin es probablemente asimtrica con una cola hacia
los salarios altos determinada por los salarios de los ejecutivos.
Las distribuciones de
salarios no suelen ser normales.
Salarios obreros Salarios ejecutivos
Figura 4: Dist ribucin poblacional de los salarios de una empresa.
En la mayor parte de las investigaciones reales suponemos que las variables o
transformaciones de las mismas (logaritmos, etc, ...) tienen distribuciones
aproximadamente normales.
El paso siguiente consiste en determinar posibles valores para los parmetros
desconocidos, para lo cual hemos de obtener una muestra representativa de la poblacin.
La obtencin de una muestra representativa se trata en el punto siguiente.

Los valores del grado alcohloico


se concentran,
con mayor probabilidad
en torno a un valor medio.
Figura 4: Distribucin poblacional del grado alcohlico de los vinos
de Ribera de Duero.
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 13
3.- MUESTREO
Aunque la teora que ser desarrollada ms tarde est referida solamente a muestras
aleatorias simples, realizaremos aqu una rpida revisin de posibles mtodos para la toma
de muestras que podemos encontrarnos en la prctica.
Los pasos a seguir para la recoleccin de una muestra son los siguientes:
- Definir la poblacin en estudio especificando las unidades que la componen, el rea
geogrfica donde se realiza el estudio (si procede) y el periodo de tiempo en el que se
realizar el mismo.
- Definir el marco: listado o descripcin de los elementos que forman la poblacin.
- Definir la unidad de muestreo: Ciudades, calles, hogares, individuos, etc ...
- Definir las variables a medir o las preguntas que se harn si se trata de una encuesta.
- Seleccionar el mtodo de muestreo: Probabilstico o No Probabilstico, aunque son los
primeros los que nos permiten la estimacin correcta de parmetros.
- Calcular el tamao necesario para obtener une determinada precisin en la
estimacin. Este punto se ver con ms detalle en el apartado dedicado a la estimacin por
intervalos.
- Elaborar el plan de muestreo que guiar el trabajo de campo.
En cuanto al tipo de muestreo, algunas de las caractersticas ms importantes de los
muestreos probabilsticos ms usuales se detallan a continuacin:
MUESTREO ALEATORIO SIMPLE (MAS)
Se trata de un procedimiento de muestreo (sin
reemplazamiento), en el que se seleccionan n unidades
de las N en la poblacin, de forma que cualquier posible
muestra del mismo tamao tiene la misma probabilidad
de ser elegidas.
Se realizan n selecciones independientes de forma que en
cada seleccin los individuos que no han sido elegidos tengan la misma probabilidad de
serlo.
El procedimiento habitual consiste en numerar todos los elementos de la poblacin y se
seleccionan muestras del tamao deseado utilizando una tabla de nmeros aleatorios o un
programa de ordenador que proporcione nmeros aleatorios.
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 14
Recurdese que "al azar" no significa "de cualquier manera", para que el procedimiento de
muestreo sea vlido es necesario utilizar correctamente el proceso de generacin de
nmeros aleatorios.
Entre las ventajas de este procedimiento esta la compensacin de valores altos y bajos con
lo que la muestra tiene una composicin similar a la de la poblacin, es adems un
procedimiento sencillo y produce estimadores de los parmetros desconocidos prximos a
los valores reales de los mismos.
El principal inconveniente de este tipo de muestreo es que necesita un marco adecuado y
amplio que no siempre es fcil de conseguir y que no contiene informacin a priori sobre
la poblacin que podra ser til en la descripcin de la misma.
MUESTREO SISTEMATICO
- Se ordenan los individuos de la poblacin y se numeran.
- Se divide la poblacin en tantos grupos como individuos
se quieren tener en la muestra. Se selecciona uno al azar
en el primer grupo y se elige el que ocupa el mismo lugar
en todos los grupos.
-La ventaja principal es que es ms sencillo y ms barato
que el muestreo aleatorio simple, adems, se comporta
igual si no hay patrones o periodicidades en los datos.
-La aparicin de patrones desconocidos puede llevar a importantes errores en la estimacin
de los parmetros.
Este tipo de muestreo puede utilizarse, por ejemplo, en encuestas telefnicas programadas
mediante ordenador.
MUESTREO POR CONGLOMERADOS
-Se divide la poblacin en grupos de acuerdo con su
proximidad geogrfica o de otro tipo. (conglomerados).
Cada grupo ha de ser heterogneo y tener representados
todos las caractersticas de la poblacin.
Por ejemplo, los conglomerados en un estudio sobre la
situacin de las mujeres en una determinada zona rural
pueden ser los municipios de la zona.
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 15
-Se selecciona una muestra de conglomerados al azar y se toma el conglomerado completo
o una muestra del mismo.
-Necesitan menos informacin previa sobre los individuos particulares.
-Soluciona el problema de los patrones en los datos.
-Si el nmero de bloques no es muy grande se puede incurrir en errores de estimacin si
se han incluido conglomerados atpicos.
-Los conglomerados que se realizan teniendo en cuenta proximidad geogrfica pueden no
tener un significado importante en la poblacin (no responden a una caracterstica real).
- Este tipo de muestreo se utiliza fundamentalmente para reducir los costes de toma de
muestras al tomar grupos de individuos completos.
MUESTREO ESTRATIFICADO
-Se divide la poblacin en grupos homogneos (estratos)
de acuerdo con las caractersticas a estudiar. Por ejemplo,
en un estudio de las caractersticas socioeconmicas de
una ciudad los estratos pueden ser los barrios de la
misma, ya que los barrios suelen presentar caractersticas
diferenciales.
-Se selecciona una muestra aleatoria de cada estrato tratando de que todos los estratos de
la poblacin queden representados.
-Permite utilizar informacin a priori sobre la estructura de la poblacin en relacin con las
variables a estudiar.
-Obtiene representantes de todos los estratos de la poblacin.
-Diferentes opciones de seleccin del tamao de la muestra en los estratos:
-El mismo nmero en cada estrato.
-Proporcional. (La ms comn)
-Optima.
NOTAS:
-El problema ms importante en la realizacin de una investigacin por muestreo es
encontrar el marco adecuado (Lista de los elementos de la poblacin que pueden ser
incluidos en la muestra).
-En algunos casos es necesario encontrar una poblacin identificable mayor que la
poblacin de inters y que incluya a la misma. Por ejemplo, si queremos realizar una
encuesta sobre los trabajadores de la construccin de la ciudad de Salamanca y no
disponemos de una lista de los mismos, podemos tomar una lista de los cabezas de
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 16
familias trabajadores o de las viviendas ocupadas. El nico problema adicional es que la
encuesta ser ms cara.
4.- ESTADISTICOS Y DISTRIBUCIONES MUESTRALES
Todo lo que veremos a continuacin est pensado para poblaciones infinitas (muy
grandes) y con muestreo aleatorio simple. El muestreo aleatorio simple garantiza una
muestra representativa de la poblacin y la obtencin de observaciones independientes.
Dada una poblacin X, el proceso de muestreo consiste en obtener, al azar, un valor de la
variable X, x
1
; El valor obtenido puede ser cualquiera de los de la poblacin, luego los
posibles valores para x
1
son todos los de X, y por tanto x
1
puede considerarse como una
realizacin particular (observacin) de una variable aleatoria X
1
con la misma distribucin
que X.
A continuacin obtenemos, independientemente de la primera observacin, un valor x
2
que puede considerarse como una realizacin particular de una variable aleatoria X
2
con la
misma distribucin que X e independiente de X
1
. Obsrvese que la poblacin no se
modifica al extraer uno de sus individuos ya que es infinita. (Si la poblacin es finita
podra utilizarse un muestreo con reemplazamiento).
El proceso contina hasta obtener una muestra de tamao n, n observaciones x
1
, x
2
, ... , x
n
de n variables aleatorias X
1
, X
2
, ... , X
n
independientes e idnticamente distribuidas.
Definicin: Sea X una variable aleatoria con f.d.p F, y sean X
1
, X
2
, ... , X
n
, n variables
aleatorias independientes con la misma f.d.p F que X. Se dice que X
1
, X
2
, ... , X
n
, son una
muestra aleatoria de tamao n de F o bien n observaciones independientes de X.
Hemos utilizado letras minsculas, como en descriptiva, para denotar las observaciones
particulares de una muestra, y letras maysculas para denotar las variables aleatorias de las
que se han tomado. A lo largo de la exposicin terica ambas sern intercambiables y
sern utilizadas indistintamente para representar a las correspondientes variables aleatorias.
Otra forma de ver la muestra es como una variable aleatoria multivariante con funcin de
densidad de probabilidad es el producto de las funciones de densidad de cada una de las
componentes (ya que son independientes)
f(X
1
, X
2
, ... , X
n
) = f(X
1
) f(X
2
) ... f(X
n
)
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 17
donde las funciones de densidad son iguales a la de X. Esta forma de entender la muestra
supera el mbito de un curso introductorio.
Una vez obtenida la muestra la describimos en trminos de algunas de sus caractersticas
fundamentales como la media, la desviacin tpica, etc ... A tales caractersticas las solemos
denominar estadsticos.
Definicin: Un estadstico es una funcin de los valores muestrales que no depende de
ningn parmetro poblacional desconocido.
Un estadstico es tambin una variable aleatoria ya que es una funcin de variables
aleatorias. Por ejemplo la media muestral
X
X
i
i1
n

n
es una variable aleatoria de la que tenemos una sola observacin
x
x
i
i1
n

n
Vemoslo con un ejemplo sencillo
Supongamos que disponemos de una poblacin finita en la que disponemos de 4
individuos que toman los valores {1, 2, 3, 4}.
Supongamos que obtenemos una muestra sin reemplazamiento de tamao 2. Las distintas
posibilidades son
{1, 2} {1, 3} {1, 4} {2, 3} {2, 4} {3, 4}
Obtendremos, dependiendo de la muestra elegida, las siguientes medias respectivamente:
1.5 2 2.5 2.5 3 3.5
Es claro que la media muestral no es un valor fijo sino que puede considerarse tambin
como una variable aleatoria de la que tenemos una sola observacin, la media de la muestra
concreta seleccionada.
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 18
Dicha variable tendr una distribucin de probabilidad asociada. (En este caso una
distribucin discreta que toma los valores 1.5, 2, 2.5, 3 y 3.5 con probabilidades 1/6, 1/6,
2/6, 1/6, 1/6, respectivamente.
Definicin: A la distribucin de un estadstico calculado a partir de los valores tomados
de una muestra se la denomina distribucin muestral del estadstico.
En la mayor parte de los casos supondremos que nuestra poblacin tiene distribucin
normal y que los estadsticos que vamos a utilizar son la media y la desviacin tpica (o la
cuasi desviacin tpica).
5.- DISTRIBUCIONES MUESTRALES DE LA MEDIA Y LA
DESVIACION TIPICA.
Sea X
1
, X
2
, ... , X
n
, una muestra aleatoria de una poblacin X en la que
E(X) = Var(X)=
2
Entonces el valor esperado (media) y la varianza del estadstico "media muestral" son
E(X )
Var(X )

2
n
Desv(X )

n
La comprobacin del resultado es obvia si tenemos en cuenta que la esperanza de la suma
de varias variables aleatorias independientes es la suma de las esperanzas, y que la varianza
es la suma de las varianzas, y adems que si multiplicamos una variable por una constante,
la varianza queda multiplicada por la constante al cuadrado. Entonces
E(X ) E
1
n
X
i
i1
n




_
,

1
n
E(X
i
)
1
n
n
i1
n


Var( X ) Var
X
i
n
i1
n




_
,

1
n
2
Var X
i
( )
i1
n

2
n
2

2
n
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 19
Si adems, la poblacin es normal, es decir, X N( , ) entonces la media muestral es
tambin normal X N( , ).
Basta tener en cuenta las propiedades de la normal que ya se vieron en su momento.
El resultado es importante en estimacin ya que, aunque la media poblacional y la media
muestral no coincidan, los posibles valores de la media muestral se concentran de forma
simtrica alrededor de la media poblacional, adems, la dispersin es menor a medida que
aumenta el tamao muestral.

La distribucin muestral de la
media es normal
X N( , )
X
Figura 6: Distribucin muestral de las medias.
La distribucin muestral asociada a varianzas y cuasivarianzas es un poco ms compleja y
su obtencin supera los objetivos del curso, de forma que nos limitaremos a exponerlas.
Sea X
1
, X
2
, ... , X
n
, una muestra aleatoria simple de una poblacin X N(,
2
), entonces
la variable aleatoria
(X
i
X )
2
i1
n

2
sigue una ji-cuadrado con n-1 grados de libertad.
Del resultado anterior se deduce que las variables
n S
2

2
y
(n 1)

S
2

2
donde siguen ambas una ji-cuadrado con n-1 grados de libertad.
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 20
6.- EL TEOREMA CENTRAL DEL LIMITE.
Lo que hemos visto hasta el momento parece bastante restrictivo ya que hemos supuesto,
de entrada, que la distribucin en la poblacin es normal, pero existen muchos casos en los
que no es posible suponer distribucin Normal. El siguiente resultado permite trabajar con
la normal para la distribucin muestral de medias aunque la poblacin no lo sea, y es
conocido como Teorema Central del Lmite.
Sea X
1
, X
2
, ... , X
n
, una muestra aleatoria de una poblacin X con una distribucin de
probabilidad no especificada para la que la media es E(X) = y la varianza Var(X)=
2
finita. La media muestral tiene una distribucin con media y varianza
2
/n que tiende
a una distribucin normal cuando n tiende a infinito.
La demostracin del resultado excede los lmites de un curso introductorio.
La aproximacin a la distribucin normal es mejor para n grande ya que se trata de una
aproximacin y no de una distribucin exacta como en el caso de poblaciones normales.
En Estadstica consideramos n grande cuando es mayor de 30.
Una consecuencia directa del teorema es que la suma de los valores muestrales sigue una
distribucin normal de media n y varianza n
2
.
El teorema de De Moivre que se explic en el apartado de la normal puede entenderse
tambin como un caso particular del Teorema Central del Lmite.
Sea una poblacin en la que se mide una v.a. X con distribucin binomial B(1,p), es decir,
toma el valor 1 con probabilidad p y el valor 0 con probabilidad q, tiene una media p y una
varianza pq. Una distribucin B(n,p) puede entenderse como la suma de n binomiales
B(1,p), luego aplicando el TCL, si n es grande la distribucin B(n,p) se puede aproximar
por una normal que tiene como media a np y como varianza npq.
7.- ESTIMADORES Y PROPIEDADES DESEABLES DE
LOS ESTIMADORES.
Supongamos ahora que disponemos de una poblacin en la que se mide una variable X
con distribucin de forma conocida y parmetros desconocidos, por ejemplo una normal
con media y varianzas desconocidas como en el caso prctico que plantebamos
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 21
anteriormente.
De la poblacin se extrae una muestra aleatoria simple de tamao n, X
1
, X
2
, ... , X
n
. Se trata
de calcular, a partir de los valores muestrales, una funcin de los mismos que proporcione
un valor

= u(X
2
, ... , X
n
) que sustituya al parmetro desconocido de la poblacin , de
forma que ambos sean lo ms parecidos en algn sentido. A tal valor obtenido de la
muestra se le denomina estimador.
Un estimador es tambin una variable aleatoria. Se trata bsicamente de buscar
estimadores centrados alrededor del verdadero valor del parmetro y con la menor varianza
posible.
Por ejemplo, por simple analoga, si la distribucin en la poblacin es normal, la media
muestral puede considerase como un estimador de la media poblacional.
La distancia entre el estimador y el parmetro a estimar puede medirse mediante los que se
denomina el error cuadrtico medio, que se define como el valor esperado de la diferencia
entre el estimador y el verdadero parmetro.
ECM(

) E(

)
El ECM es importante ya que puede escribirse como
ECM(

) Var(

) + [ E(

)]
2
una es la varianza del estimador y otra el cuadrado del sesgo (concepto que veremos
posteriormente).
Consideraremos criterios adicionales para seleccionar estimadores. Las propiedades
deseables que ha de tener un estimador para considerarse adecuado son las siguientes:
-Ausencia de sesgo-
Se dice que un estimador es insesgado (o centrado) si la esperanza del estimador coincide
con el parmetro a estimar. E(

) . En caso contrario se dice que es sesgado y a la
cantidad b() [ E(

)] se la denomina sesgo.
La propiedad es importante ya que los posibles valores del estimador fluctan alrededor
del verdadero parmetro. Por ejemplo, si utilizamos la media muestral como estimador de
la media poblacional en una distribucin normal, se trata de un estimador insesgado ya que
la esperanza de su distribucin muestral es la media poblacional . El hecho de que
adems, tenga distribucin normal, es importante en la prctica, ya que aunque la media
muestral y la poblacional no coinciden exactamente, los valores de aquella fluctan de
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 22
forma simtrica alrededor de esta, son valores prximos con probabilidad alta y la
dispersin disminuye cuando aumenta el tamao muestral.
-Consistencia-
Se dice que un estimador

es consistente si se aproxima cada vez ms al verdadero valor
del parmetro a medida que se aumenta el tamao muestral. Ms formalmente, un
estimador es consistente si Pr

>
[ ]
0 cuando n , para > 0. o dicho
de otra forma la distribucin del estimador se concentra ms alrededor del verdadero
parmetro cuando el tamao muestral aumenta.
La media muestral es un estimador consistente de la media poblacional en una distribucin
normal, ya que, la varianza de la misma

2
n
tiende a cero para n , de forma que la
distribucin se concentra alrededor del verdadero valor cuando n crece.
-Eficiencia-
Es claro que un estimador ser tanto mejor cuanto menor sea su varianza, ya que se
concentra ms alrededor del verdadero valor del parmetro. Se dice que un estimador
insesgado es eficiente si tiene varianza mnima.
Una cota inferior para la varianza viene dada por la denominada cota de Cramer-Rao.
Sea X
1
, X
2
, ... , X
n
. una muestra aleatoria simple de una distribucin con densidad f(x;
). Sujeto a ciertas condiciones de regularidad en la funcin de densidad, cualquier
estimador insesgado verifica que
Var(

)
1
nE
ln f(X; )




_
,

2




1
]
1
1
A la cantidad I
n
() nE
ln f(X; )




_
,

2




1
]
1
1
se la denomina cantidad de informacin
de Fisher asociada a una muestra aleatoria simple de tamao n.
8.-METODOS DE ESTIMACION
Mtodo de los Momentos
-Consiste en igualar los momentos muestrales y los poblacionales. Prcticamente no se
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 23
usa en la investigacin actual.
Mtodo de los Mnimos Cuadrados
-Consiste en minimizar la suma de cuadrados de los errores (diferencias entre valores
observados y esperados tras suponer que las observaciones se obtienen como la suma de
una parte sistemtica o controlada y una parte aleatoria no controlada o fuente de error).
El mtodo es ampliamente utilizado cuando se trabaja con modelos de regresin y tcnicas
relacionadas.
Ejemplo: Estimacin de la media de una poblacin normal.
Cada observacin experimental x
i
puede suponerse como la suma de una constante (la
media ) y un error experimental aleatorio (
i
)
x
i
= +
i
con
i
= x
i
- con distribucin N(0, ).
El mtodo de los mnimos cuadrados consiste en minimizar la suma de cuadrados de los
errores (Diferencias entre valores observados y esperados)
D
i
2
i1
n

(x
i
)
2
i1
n

Derivando con respecto a e igualando la derivada a cero


D

2(x
i
)(1) 0
i1
n

(x
i
) 0
i1
n



x
i
i1
n

n
x
obtenemos la media muestral como estimador de la poblacional.
Mtodo de la Mxima Verosimilitud
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 24
- Consiste en sustituir los parmetros por aquellos valores que maximizan el logaritmo de
la funcin de verosimilitud de la muestra (funcin de densidad conjunta de todos los
valores muestrales en el supuesto de que son independientes).
Ejemplo: Media y varianza de una poblacin normal
Los valores muestrales X
1
, ... , X
n
se supone que son variables aleatorias independientes
y todas con distribucin N(, ). La funcin de densidad conjunta ser el producto de las
funciones de densidad de cada una de ellas.

L(x
1
, K, x
n
/ , )
1
2

1
2
(x
i
)
2

2
e
i1
n

1
2



_
,

n

1
2
(x
i
)
2

2
i1
n

e
Tomando logaritmos
ln L n ln( 2) +
1
2
(x
i
)
2

2
i1
n

Derivando con respecto a y y resolviendo el sistema se obtienen como estimadores


para la media y la varianza

x
x
i
i1
n

n


2
S
2

(x
i
i1
n

x )
2
n
Propiedades de los estimadores Mximo-verosmiles
Los estimadores mximo-verosmiles juegan un papel importante en Estadstica debido a
que se obtienen mediante un mtodo simple y tienen buenas propiedades con respecto a
sesgo eficiencia y consistencia.
Bajo ciertas condiciones de regularidad se verifica:
-Si existe un estimador insesgado y de varianza mnima, cuya varianza alcance la cota de
Cramer-Rao, este estimador es mximo verosmil y es la nica solucin de la ecuacin de
verosimilitud.
-Si el estimador es sesgado, su sesgo tiende a cero al aumentar el tamao de la muestra,
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 25
adems es asintticamente eficiente (Eficiente para n grande).
- Existe una solucin de la ecuacin de verosimilitud que proporciona un estimador
consistente y asintticamente normal. N(,
1
I
n
()
). Donde
1
I
n
()
es la varianza
mnima o cota de Cramer-Rao.
9.-ESTIMADORES PUNTUALES DE LOS PARAMETROS
DE UNA POBLACION NORMAL
Sea una muestra aleatoria simple, X
1
, X
2
, ...... , X
n
de una poblacin con distribucin
N( , ).
-Estimador de la media

x
i
i1
n

n
Se trata de un estimador eficiente (insesgado y de varianza mnima).
La distribucin muestral de la media es :
x N( ,

n
)
La cantidad ES
S
n
estima a la desviacin tpica de la media

n
y se denomina
error estndar de la media, por esta razn se dice que el error estndar de la media mide la
variabilidad de la media en el muestreo.
-Estimador de la Varianza
Varianza muestral (estimador sesgado).

^
2
S
2

(x
i
x)
2
i1
n

n
Cuasi-varianza muestral (estimador insesgado)
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 26

^
2
S
^
2

(x
i
x)
2
i1
n

n 1
Distribuciones muestrales asociadas
(x
i
x)
2
i1
n

2

n1
2
nS
2

2

n1
2
(n 1)S
^
2

2

n1
2
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 27
10.- ESTIMADORES DE LOS PARAMETROS DE LAS
DISTRIBUCIONES DISCRETAS MAS USUALES
Se dispone de una muestra de tamao n en la que el resultado de la observacin es una
variable dicotmica (dos posibles resultados). Una variable cualitativa con ms de dos
resultados puede reducirse a una dicotmica sin ms que agrupar algunas de las
categoras.
Se trata de estimar la probabilidad p de xito en la poblacin.
La variable X= nmero de xitos en las n pruebas, puede tener distintas distribuciones
dependiendo de las condiciones en las que se toma la muestra.
-BINOMIAL
Si se toman muestras de poblaciones infinitas o se realiza un muestreo con
reemplazamiento de una poblacin finita. Se realizan n pruebas y se contabiliza el nmero
de xitos en las n pruebas. El estimador de la proporcin de xito es

p
n de xitos
n

X
n
Aproximando X mediante una distribucin normal, la distribucin muestral del estimador
de la probabilidad de xito para muestras grandes es

p
X
n
N(p,
pq
n
)
-HIPERGEOMETRICA
Si se toman muestras sin reemplazamiento de una poblacin finita de tamao N conocido.

p
n de xitos
n

X
n
Aproximando X mediante una distribucin normal, la distribucin muestral del estimador
de la probabilidad de xito para muestras grandes es

p
X
n
N(p,
pq
n
N n
N 1
)
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 28
11.- EJEMPLO
En el apartado 2 comenzamos a exponer un ejemplo sobre una investigacin real para
estudiar el grado alcohlico de los vinos jvenes de la denominacin de Ribera de Duero.
Habamos caracterizado la poblacin que queramos estudiar y los objetivos del estudio. El
paso siguiente consiste en tomar una muestra, ms tarde trataremos el tema del tamao de
muestra necesario para obtener una determinada precisin. La tabla siguiente contiene una
muestra aleatoria simple de 14 observaciones.
RIBERA DE DUERO
12,8 12,8 12,5 11,9 12,5 12,1 12,2 12,6 13,0 12,4 12,6 12,2 12,8 13,0
Tabla 1: Grado alcohlico de 14 vinos de la denominacin de Ribera de Duero.
La primera hiptesis que hicimos era que la poblacin es normal. Si disponmos de una
muestra representativa, la disdtribucin de frecuencias de la muestra obtenida debe ser
aproximadamnte simtrica. Aunque es muy difcil asegurar la posible normalidad con una
muestra de slo 14 observaciones, una primera comprobacin puede realizarse mediante
un Box-Plot.
11,8
12
12,2
12,4
12,6
12,8
13
13,2
grado
Box Plot
El Box plot presenta un aspecto aproximadamente simtrico sin muchas observaciones
extremas por lo que, en principio, no hay ninguna razn para suponer una distribucin no
normal.
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 29
Los estimadores de los principales parmetros aparecen en la tabla siguiente junto con
otras caractersticas tiles para describir la muestra. El estimador de la media de la
poblacin es 12.529; este valor probablemente no coincide con la media de la
poblacin,;sin embargo, teniendo en cuenta la distribucin muestral de medias, es con
probabilidad alta, cercano a la misma. La variabilidad de la media en el muestreo se estima
mediante el error estndar de la media, que en este caso es 0.09.
El estimador de la varianza es 0.115; el estimador es insesgado ya que ha sido calculado
utilizando n-1.
Otro indicio de que la distribucin es aproximadamente simtrica y, por tanto, no muy
alejada de la normal, es que la diferencia entre la media y la mediana es muy pequea.
12,529
,338
,090
14
11,900
13,000
0
,115
,027
12,550
Mean
St d. Dev.
St d. Er r or
Count
Minimum
Maximum
# Missing
Variance
Coef . Var.
Median
grado
Descript ive St at ist ics
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 30
12.- ESTIMACION POR INTERVALOS
INTRODUCCION
Dada una muestra aleatoria X
1
, X
2
, ... , X
n
, de una poblacin con funcin de densidad f(x;
) Un intervalo de confianza, de extremos L
1
y L
2
, para el parmetro de la poblacin
es un par ordenado de funciones reales de las n medidas de la muestra

I

L
1
(X
1
,K,X
n
);L
1
(X
1
,K,X
n
)
[ ]
construidas de forma que la probabilidad de que los extremos contengan al verdadero
valor del parmetro es un valor prefijado 1 - . Al nmero 1 - se le denomina nivel
de confianza.
El nivel de confianza suele ser 0,95 (95%) 0,99 (99%). La interpretacin prctica es
sencilla, por ejemplo si el nivel de confianza es del 95%, significa que en el 95% de las
veces que repitieramos el experimento, el intervalo de confianza calculado contendra al
verdadero valor del parmetro y en el 5% restante el intervalo no contendra el verdadero
valor.
Una vez que el intervalo de confianza ha sido particularizado para una muestra concreta, el
intervalo obtenido contiene o no contiene al verdadero valor del parmetro, con
probabilidad 1, por esa razn, cuando ya tenemos un valor concreto hablamos de confianza
y no de probabilidad. Confiamos en que el intervalo que hemos calculado sea del 95% que
contiene el verdadero valor.
INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA
POBLACION NORMAL DE VARIANZA CONOCIDA
Supongamos que disponemos de una poblacin en la que tenemos una v.a. con
distribucin N( , ) con conocida (de estudios previos, por ejemplo).
Obtenemos una muestra de tamao n y deseamos estimar la media de la poblacin.
El estimador puntual de la misma es la media muestral cuya distribucin muestral es
conocida
X N(,

n
)
la cantidad
Z
X

n
tendr distribucin normal estndar.
Sobre la distribucin N(0 , 1) podremos seleccionar dos puntos simtricos -
z
/2
y z
/2
, tales que
P(z
/2
Z z
/ 2
) 1
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 31
x
/2 /2
1
0
-z
/ 2
z
/ 2
Figura 1: Seleccin de los puntos crticos para el cculo del intervalo de confianza.
Sustituyendo Z por su valor en este caso particular
P(z
/2

n
z
/ 2
) 1
Despejando la media muestral y la varianza
P x z
/ 2

n
x + z
/ 2

n


_
,
1
que verifica las condiciones de la definicin.
As, el intervalo de confianza para la media puede escribirse como
I

1
X z
/ 2

n
; X + z
/2

n


1
]
X t z
/ 2

n


1
]
en la prctica, de todos los posibles valores de X tenemos uno slo x y por tanto un
nico intervalo de todos los posibles para distintas muestras
I

1
x t z
/ 2

n


1
]
La importancia del intervalo de confianza para la estimacin est en el hecho de que el
intervalo contiene informacin sobre el estimador puntual (valor central del intervalo) y
sobre el posible error en la estimacin a travs de la dispersin y de la distribucin
muestral del estimador. Observese que el error en la estimacin est directamente
relacionado con la distribucin muestral del estimador y con la varianza poblacional, e
inversamente relacionado con el tamao muestral.
El grfico siguiente ilustra la interpretacin del nivel de confianza para el intervalo de
confianza para la media de una distribucin normal con varianza conocida. Para los
distintos posibles valores de la media, representados mediante su distribucin muestral,
obtenemos distintos intervalos de confianza. La mayor parte incluye al verdadero valor del
parmetro, pero el resto no. Concretamente el 95% lo incluye y el 5% no, si el nivel de
confianza es del 95%.
En la prctica disponemos de una nica repeticin del experimento, y por tanto de un
nico intervalo de confianza, el sealado en negro en el grfico, por ejemplo. Confiamos
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 32
en que nuestro intervalo sea de la mayora que con tiene al verdadero valor objetivo aunque
no tenemos la seguridad de que sea as, tenemos concretamente un riesgo del 5% de
equivocarnos.
x
2.5% 2.5%
95%
Figura 2: Interpretacin del nivel de conmfianza en el intervalo para la media de una
distribicin normal.
LONGITUD DEL INTERVALO Y ERROR EN LA ESTIMACIN
En la prctica hemos de tratar de que la longitud del intervalo de confianza sea lo ms
pequea posible, es decir, que el error en la estimacin sea lo mas pequeo posible.
long 2z
/ 2

n
Esto puede conseguirse modificando las distintas cantidades que aparecen en la frmula:
el nivel de confianza, a travs del valor crtico, la variabilidad y el tamao muestral.
Estudiaremos cada una por separado
-NIVEL DE CONFIANZA
La longitud del intervalo de confianza aumenta al aumentar el nivel de confianza ya que el
valor crtico de la distribucin es mayor. Si consideramos un nivel de confianza del 100%,
el intervalo de confianza ser ; + [ ] que, evidentemente contiene al verdadero valor
del parmetro pero no es de ninguna utilidad en la prctica. Si disminuimos el nivel de
confinza tambin disminuye la longitud, sin embargo conviene mantenerlo en unos lmites
razonables que suelen ser del 95% o del 99% en la mayor partede las aplicaciones.
-VARIANZA
La longitud del intervalo de confianza disminuye con la varianza, es decir, la estimacin
ser ms precisa cuanto menor sea la variabilidad en la poblacin, lo que significa que la
poblacin es ms homognea. En la prctivca es posible obtener estimaciones ms
precisas, por ejemplo, restringiendo la poblacin a conjunts lo m,s homogneos posible.
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 33
-TAMAO MUESTRAL
La longitud del intervalo de confianza disminuye al aumentar el tamao muestral, lo que
significa que se obtienen estimaciones ms precisas cuanto mayor sea el tamao muestral.
Debido a consideraciones prcticas de coste y tiempo, en general no es posible aumentar
indefinidamente el tamao muestral para obtener estimaciones ms precisas, es por ello
que en la prctica se selecciona el tamao muestral necesario para obtener una determinada
precisin, establecida a priori.
CALCULO DEL TAMAO MUESTRAL PARA ESTIMAR LA
MEDIA DE UNA POBLACION CON UNA DETERMINADA
PRECISION
Supngase que un investigador est interesado en estimar la media de una poblacin
normal de forma que la diferencia existente entre la media muestral que obtenfdr del
experimento y la media poblacional verdadera, est por debajo de un error prefijado de
antemano.
x E
x E x + E
Teniendo en cuenta el intervalo de confianza
P( x z
/ 2

n
x + z
/ 2

n
) 1
podemos escribir
E z
/ 2

n
Despejando n de la igualdad
E
2
z
/ 2
2

2
n
n
z
/ 2
2

2
E
2
obtenemos la expresin deseada para el tamao muestral.
Obsrvese que n ha sido calculado en el supuesto de que la variabilidad es conocida. Si no
es as, la variabilidad aproximada puede obtenerse de trabajos bibliogrficos o
experimentos previos o a partir una muestra piloto con unas pocas observaciones.
Obsrvese que en el clculo del tamao muestral se han igualado el error fijado a priori
con el error en la estimacin obtenido del intervalo de confianza y que este ltimo incluye
el nivel de confianza. En este aprtado un nivel de confianzadel 95%, por ejemplo,
implicaria que en el 95% de las veces que repitieramos el experimento con el tamao
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 34
muestral calculado, obtendramos un error por debajo del prefijado, mientras que en el 5%
restante obtendramos un error superior.
INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA
POBLACION NORMAL CON VARIANZA DESCONOCIDA
La situacin prctica ms habitual es aquella en la que no se conoce la varianza de la
poblacin, que habr que estimar a partir de los datos muestrales. Utilizaremos la cuasi-
varianza muestral como estimador por sus buenas propiedades.
La distribucin muestral asociada a la cuasi-varianza es la siguiente:
(n 1)

S
2

2

n1
2
Teniendo en cuenta la distribucin normal asociada a las medias y combinndola con la ji-
cuadrado, obtenemos una distribucin t de Student:
t
N(0,1)

n1
2
n 1

n
(n1)

S
2

2
n 1

X

S
n
t
n1
Siguiendo el mismo proceso que en el caso de la normal el intervalo de confianza resulta
I

1
X t t
n1,

S
n



1
]
1
Obsrvese la similitud con el intervalo calculado para la distribucin normal, salvo en el
valor crtico y en que la varianza ha sido estimada a partir de la muestra.
x
/2
/2
1
0
-t

x
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Estimacin Puntual - 35
Desde el punto de vista prctico esto implica que los valores crticos son un poco ms
grandes y, por tanto el intervalo tiene mayor longitud, este es el precio que debemos pagar
a cambio de no conocer la varianza de la poblacin.
Cuando el tamao muestral es grande, la distribucin t es muy similar a la normal, de
forma que pueden intercambiarse los valores crticos correspondientes. El intervalo de
confianza para la media en muestras grandes se puede escribir como
I

1
X t z
/ 2

S
n



1
]
1

S-ar putea să vă placă și