Daena: International Journal of Good Conscience. 5(1) 237-255.

ISSN 1870-557X

237

Estimaciones Estadsticas: Un Acercamiento Analtico (Statistical Estimations: An Analitical Approach)

Badii, M.H. & A. Guillen*
Resumen. En la presente investigacin se describen la nocin de la estimacin estadstica, tanto de tipo puntual con de forma de intervalo. Se presentan los criterios que debe reunir un estimador bueno. Se notan con ejemplos, la forma de calcular la estimacin del intervalo para la media, la proporcin y de la diferencia entre dos medias y los intervalos de confianza para los errores probables. Palabras claves. Estadstica, estimacin, muestreo. Abstract. The notion of statistical estimation both in terms of point and interval is described. The criteria of a good estimator are noted. The procedures to calculate the intervals for the mean, proportions and the difference among two means as well as the confidence intervals for the probable errors in statistics are provided. Keywords. Estimations, sampling, statistics.

Introduccin El material sobre teora de probabilidad constituye la base de la inferencia estadstica, rama de la estadstica que tiene que ver con el uso de los conceptos de la probabilidad para tratar con la toma de decisiones en condiciones de incertidumbre. La inferencia estadstica est basada en la estimacin, y en la prueba de hiptesis. Tanto en la estimacin como en la prueba de hiptesis, se hace inferencias acerca de ciertas caractersticas de las poblaciones a partir de la informacin contenida en las muestras (Badii & Castillo, 2007, 2009). En este trabajo introducimos mtodos que nos permiten estimar con precisin razonable la porcin de la poblacin y la media de la poblacin. Calcular la porcin exacta o la media exacta sera una meta imposible de obtener, pero, a pesar de ello, seremos capaces de hacer una estimacin, de hacer una afirmacin con respecto al error que probablemente acompaar a tal estimacin, y de poner en marcha algunos controles para evitar lo ms que se puede de dicho error. Como tomadores de decisiones, en ocasiones, nos veremos forzados, a confiar en nuestros presentimientos. Sin embargo, en otras situaciones, en las cuales se tenga disponible informacin y podamos aplicar los conceptos de la estadstica, podemos desempeamos de mejor manera (Badii et al., 2007a, 2007b).

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

238

Estimadores Pueden dividirse los procedimientos de estimacin en dos tipos, estimacin puntual y estimacin por intervalo. Supongamos que en un ecosistema de pinos se estima la altura media de las plantas mediante un solo nmero, por ejemplo 8.75 metros, o podramos afirmar que la altura de los rboles vara en un intervalo de 6.45 a 10.15 metros. El primer tipo se llama estimacin puntual, ya que se puede asociar al nico nmero que presenta la estimacin, un punto sobre una recta. El segundo tipo se llama estimacin por intervalo, porque se tienen dos puntos que definen un intervalo sobre una recta. Consideramos ambos mtodo de estimacin. Un procedimiento de estimacin puntual utiliza la informacin de una muestra para llegar a un solo nmero, o punto, que se estima el parmetro de inters. La estimacin real se efecta mediante un estimador. Un estimador es una regla que expresa cmo calcular la estimacin, basndose en la informacin de la muestra y se enuncia, en general, mediante la media muestral. Si la media de la distribucin de muestreo de un estadstico es igual que la del correspondiente parmetro de la poblacin, el estadstico se llama un estimador sin sesgo del parmetro (x = ) si no, se llama un estimador sesgado (x ). Los correspondientes valores de tales estadsticos se llaman estimaciones sin sesgo y sesgadas, respectivamente. Por ejemplo, la media muestral: m = Xi / n (1) es un estimador puntual de la media poblacional y explica exactamente cmo puede obtenerse el valor numrico de la estimacin, una vez conocido los valores muestrales x1, x2, ...xn. Por otra parte, un estimador por intervalo, utiliza los datos de una muestra para determinar dos puntos que pretenden abarcar el valor real del parmetro estimado. es un estimador de un parmetro y si la media de la distribucin de es , es Si decir, si E estimador sesgado, se indican en las Figuras 1 a y b. Ntese que la distribucin ) = , entonces se dice que es no sesgado. Las distribuciones muestrales muestr( para un estimador no sesgado y un al para el estimador sesgado est desplazada hacia . la derecha de la . Este estimador sesgado sobreestimar probablemente

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

239

a) Estimador no-sesgado.

b) Estimador sesgado.

Figura 1. Distribucin de estimacin no sesgado y sesgado. La segunda propiedad deseable de un estimador es que la extensin o alcance (medida por la variancia) de la distribucin muestral del estimador, sea lo ms pequea posible. Esto asegura que hay una probabilidad alta de que una estimacin individual se encuentra cerca de la . Se indican las distribuciones muestrales para dos estimadores, uno con una variancia pequea y otro con una variancia mayor, en las Figuras 2 a y b, respectivamente. Si utiliza el trmino varianza de un estimador, la media de las distribuciones muestrales de variancia se calcula como:

s = [(n - 1) / n]

(2)

Donde, es la varianza de la poblacin y n es el tamao de la muestra. La varianza de la muestra es una estimacin sesgada de la varianza de la poblacin. Usando la varianza modificada, tenemos:

= s

n 2 s n 1

(3)

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

240

a) Estimador con varianza pequea.

b) Estimador con varianza mayor.

Figura 2. Comparacin de la variabilidad de estimadores.

$ 2 es una estimacin sin sesgo de la . Sin Encontramos s = , de manera que s $ es una estimacin sesgada de la . embargo, s

Si las distribuciones de muestreo de dos estadsticos tienen la misma media (o esperanza), el de menor varianza se llama un estimador eficiente de la media, mientras que el otro se llama un estimador ineficiente. Los valores correspondientes de los estadsticos se llaman estimacin eficiente o estimacin ineficiente, respectivamente. Si consideramos todos los posibles estadsticos cuyas distribuciones de muestreo tienen la misma media, aquel de varianza mnima se llama el estimador de mxima eficiencia, o sea, el mejor estimador. La bondad de un estimador por intervalo se analiza de manera muy similar a la de un estimador puntual. Se seleccionan muestras del mismo tamao, respectivamente, y se determina el intervalo de estimacin para cada proceso. Este mtodo generar un gran nmero de intervalos, en vez de puntos. Una buena estimacin por intervalo contendr, con xito, el valor real del parmetro para una fraccin grande del tiempo. Tal fraccin se denomina coeficiente de confianza para el estimador; el estimador mismo se llama, a menudo, intervalo de confianza.

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

241

Criterios de seleccin del estimador Algunas estadsticas son mejores estimadores que otras. Afortunadamente, podemos evaluar la calidad de una estadstica como estimador mediante el uso de cuatro criterios: 1. Ausencia de sesgo. Se refiere al hecho de que una media de muestra es un estimador no sesgado de una media de poblacin porque la media de la distribucin de muestreo de las medias de muestras tomadas de la misma poblacin es igual a la media de la poblacin misma. Podemos decir que una estadstica es un estimador sin sesgo o imparcial si, en promedio, tiende a tomar valores que estn por encima del parmetro de la poblacin que se est estimado con la misma frecuencia y la misma extensin con la que tiende a asumir valores por debajo del parmetro de poblacin que se est estimando. 2. Eficiencia. La eficiencia se refiere al tamao del error estndar de la estadstica. Si comparamos dos estadsticas de una muestra del mismo tamao y tratamos de decidir cul de ellas es un estimador ms eficiente, escogeramos la estadstica que tuviera el menor error estndar o la menor desviacin estndar de la distribucin de muestreo. 3. Consistencia. Una estadstica es un estimador coherente de un parmetro de la poblacin si al aumentar el tamao de la muestra, se tiene casi la certeza de que el valor de la estadstica se aproxima bastante al valor del parmetro de la poblacin. Si un estimador es coherente, se vuelve ms confiable si tenemos tamaos de muestra ms grandes. 4. Suficiencia. Un estimador es suficiente si utiliza una cantidad de la informacin contenida en la muestra que ningn otro estimador podra extraer informacin adicional de la muestra sobre el parmetro de la poblacin que se esta estimando. Presentamos estos criterios con anticipacin para hacerlo consciente del cuidado que los estadsticos deben tener a la hora de seleccionar un estimador. Una estadstica de muestra dada no siempre es el mejor estimador de su parmetro de poblacin correspondiente. Considere una poblacin distribuida de manera simtrica, en la que los valores de la mediana y de la media coinciden. En este caso, la media de la muestra sera un estimador sin sesgo de la mediana de la poblacin debido a que asumira valores que en promedio seran iguales a mediana de la poblacin. Tambin la media de la muestra sera un estimador consistente de la mediana de la poblacin puesto que, conforme aumenta el tamao de la muestra, el valor de la media de la muestra tendr a acercarse bastante a la mediana de la poblacin. Y la media de la muestra sera un estimador ms eficiente de la mediana de la poblacin que la mediana de la muestra misma, ya que en muestras grandes, la media de la muestra tiene una desviacin estndar menor que la de la mediana de la

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

242

muestra. Al mismo tiempo, la mediana de la muestra de una poblacin distribuida simtricamente sera un estimador imparcial y consistente de la media de la poblacin, pero no el ms eficiente estimador porque en muestras grandes su error estndar es mayor que el de la media de la muestra. Estimacin puntual Como ya se mencion las medias muestrales, los totales muestrales y las proporciones muestrales tienen distribuciones de muestreo, con propiedades comunes. Las estadsticas mismas son estimadores no sesgadas de sus equivalentes poblacionales, y sus distribuciones de muestreo son aproximadamente normales cuando el tamao de muestras es grande. Este fenmeno no restringe solamente a las estadsticas discutidas en este trabajo. Muchas otras estadsticas, sobre todo las obtenidas a partir de sondeos de opiniones, tienen distribuciones muestrales que no pueden definir claramente para tamaos de muestra pequeos, pero poseen distribuciones muestrales que tienen forma de montculo, casi aproximadamente normales, cuando el tamao de muestra es grande. Por tal razn, el procedimiento para evaluar la bondad (es decir, la confiabilidad o exactitud) de cualquier estos estimadores, es lo mismo para cualquier otro estimador. Por ejemplo, supngase que se desea estimar un parmetro poblacional . Adems, supondremos que la utilizando un estimador, representado por el smbolo
es aproximadamente normal, y que es un estimador no distribucin muestral de sesgado de , y que se conoce la desviacin estndar del estimador, o que se puede

aproximarla, y se la presenta por el smbolo . Si se selecciona una muestra aleatoria para calcular una estimacin de , de n observaciones de la poblacin, y se utiliza qu tan exacta ser la estimacin?
, que se tiene en la Figura 3, nos La grfica de la distribucin muestral normal de ayudar a contestar esta pregunta. Supngase que la estimacin se encuentra en el punto marcado por una flecha. Tal estimacin particular se ubica a la derecha de , y - ). El valor absoluto de esta desviacin, por lo tanto, sobrestima en una cantidad ( - , se llama error de estimacin. denotado por

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

243

Figura 3. Distribucin de muestreo de un estimador . Ejemplo 1. En una comunidad vegetal, se determin la tasa de crecimiento anual de una especie de cedro. Se seleccion una muestra aleatoria de n = 50 rboles, y se registr la tasa de crecimiento para cada uno. La media y la desviacin estndar de las 50 tasas eran: x = 9.1% y s = 0.24. Estime la media de la tasa de crecimiento para la comunidad, y evale la exactitud de la estimacin. Solucin: Para este ejemplo, el parmetro que se desea estimar, es una media es la media muestral x , y la estimacin poblacional . El estimador puntual puntual de es x = 9.1%. Ya que la media muestral satisface el estimador no sesgado de la , y su distribucin de muestreo es aproximadamente normal, para valores grandes del tamao de muestra n, la cota para el error de estimacin es. Cota para el error de estimacin = 1.96 x = 1.96 n = 1.96(0.24) 50 = 0.07

En resumen, la estimacin de la media de la tasa de crecimiento en la comunidad, es 9.1%. Qu tan exacta es esta estimacin? No lo sabemos realmente. Puede sobrestimar o puede subestimar la media de la tasa de crecimiento. Lo que s se sabe es que, la probabilidad de que el error sea menor que 0.07%, ser aproximadamente 0.95 (Figura 4). As, la cota para el error de estimacin, 0.07%, proporciona una medida de la exactitud para la estimacin efectuada en esta comunidad.

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

244

Figura 4. Cota para el error de estimacin del Ejemplo 1. Estimaciones de intervalo Una estimacin de intervalo describe un intervalo de valores dentro del cual es posible que est un parmetro de poblacin. Consideramos el concepto de intervalo de confianza, cmo se obtiene un tal intervalo para una media poblacional a partir de una muestra aleatoria de n observaciones. Se puede determinar un estimador por intervalo, utilizando cualquier estimador puntual que sea no sesgado y que posea una distribucin muestral aproximadamente normal. Para ver cmo puede determinarse un intervalo de confianza para , en la Figura 5. Supngase que tuviramos examinemos la distribucin muestral de que sacar una muestra aleatoria de n observaciones de la poblacin y utilizar los datos de la muestra para calcular una estimacin de . Se indica una estimacin puntual particular, indicada por una flecha en la Figura 5, que se cae dentro de 1.96 de la . 1.96 ), incluye a la . La estimacin Puede observarse que el intervalo de (
, caer dentro de 1.96 de la con una probabilidad igual a 0.95. Sean y puntual la media y la desviacin estndar (error estndar) de la distribucin de muestreo de un estadstico. Entonces, si la distribucin de muestreo es aproximadamente normal podemos esperar hallar un estadstico muestral real que est en los intervalos s ,, s 2 , o s 3 alrededor del 68.27%, 95.45% y 99.73% del tiempo, respectivamente. Por esa razn, llamamos a esos porcientos los intervalos de

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

245

confianza. Los nmeros extremos de estos intervalos se llaman entonces los lmites de confianza (68.27%, 95.45% y 99.73%) o lmites fiduciales.

Figura 5. Un intervalo de confianza para la .

1.96ds y 2.58ds son los lmites de confianza 95% y 99% para Anlogamente, . El porcentaje de confianza se suele llamar nivel de confianza. Los nmeros la (1.96, 2.58, etc.) en los lmites de confianza se llaman coeficientes de confianza o valores crticos, y se denotan por Zc. De los niveles de confianza podemos deducir los coeficientes de confianza y viceversa (Tabla 1).
Tabla 1. Clculo de valores de Zc (coeficiente de confianza) correspondiente a varios niveles de confianza. Nivel confianza Zc de 99.73 3.00 99 2.58 98 2.33 96 2.05 95.45 95 2.00 1.96 90 80 68.27 50% 0.6745

1.645 1.28 1.00

En general, si queremos que el coeficiente de confianza sea igual a (1 - ), se emplea el valor z igual a z / 2 , que limita un rea de /2 en el extremo superior de la distribucin z (Figura 5). Se puede encontrar este valor tambin en la tabla de la

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

246

distribucin normal en cualquier libro estadstico. Entonces, un intervalo de confianza de (1 - )100% para es
z/2 I.C. =

Ejemplo 2. Encuentre un intervalo de confianza de 90% para la media de la tasa de crecimiento de rboles de cedro, en una comunidad vegetal. Solucin: Ya hemos notado que el estimador puntual x de la media poblacional , tiene una distribucin de muestreo que satisface las propiedades requeridas. Por lo tanto, un intervalo de confianza de 90% para la media de la tasa de crecimiento , es I.C. = x z 0.05 x = x 1.645

Al sustituir x = 9.1% y n = 50, y utilizar s = 0.24% para aproximar la , obtendremos: I.C. = 9.1 (1.645) 0.24 50 = 9.1 0.0558

As se ve que la media de la tasa de crecimiento se encuentra entre 9.0442% y 9.1558%. Podemos asegurar que este intervalo particular contiene a la ? No, pero si hay expectativas de que as es. Si se utiliza el intervalo de confianza para estimar la , la probabilidad de que un intervalo contenga la , es 0.90. A parte de intervalos de confianza bilaterales, es posible determinar tambin intervalos de confianza unilaterales para loa parmetros. Un intervalo de confianza unilateral inferior para un parmetro estimar que es mayor que algn lmite inferior de confianza (LIC). Un intervalo de confianza unilateral superior estimar que es menor que algn limite superior de confianza (LSC). El valor z que hay que utilizar para un intervalo de confianza unilateral de (1 - )100%, z, localiza en un solo extremo de la distribucin normal, como se ve en la Figura 6. Se indican lmites de confianza unilaterales inferior y superior para , en la Tabla 2.

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

247

Figura 6. Localizacin de z para un IC unilateral de (1 - ) 100%.

Tabla 2. Lmite de confianza unilaterales para la . Coeficiente de confianza 0.90 0.10 z 1.28 LIC LSC

1.28

+ 1.28

0.95

0.05

1.645

1.645

+ 1.645

0.99

0.01

2.33

2.33

+ 2.33

Ejemplo 3. Ejemplares cultivados en 40 estanques, eran x =10.3 gramos y s = 0.31 gramos. Como solamente interesa el lmite superior del peso, hallar un intervalo de confianza unilateral superior de 95% para el peso medio de camarones. Solucin: Puesto que el coeficiente de confianza es 0.95, = 0.05 y z0.05 = 1.645. Por tanto, el intervalo de confianza unilateral de 95%, para es: I.C. = x z 0.05 x = x 1.645

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

248

Al sustituir x = 10.3, n = 40 y s = 0.31, para aproximar la , el intervalo de confianza unilateral sera: LSC = 10.3 + (1.645) 0.31 40 = 10.3806

La probabilidad de que el intervalo de confianza unilateral contenga a la , es 0.95. Estimar el intervalo de la media para estimar la media de la poblacin vienen dados por x 1.96 X ( = 0.05). En trminos generales, los lmites de confianza para estimar la media de la poblacin vienen dados por X zc X , donde zc se puede leer en las tablas correspondientes en los libros estadsticos. I.C. = x z / 2 Donde: I.C. = intervalo de confianza. z/2 = valor z que corresponde al rea /2 en el extremo superior de una distribucin normal estndar z. n = tamao muestral = desviacin estndar de la poblacin muestreada Si el muestreo es de una poblacin finita, el intervalo de confianza se calcula por. Si el estadstico tiene la media ( x ) de la muestra, entonces los lmites de confianza

(4)

I.C. = x z / 2 En lo que: N = tamao de la poblacin conocido.

N n N 1

(5)

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

249

n = tamao de la muestra. Ejemplo 4. Un investigador de un laboratorio de alimentos para cachorros desea estimar la vida media de alimento enlatada en condiciones normales. Se conoce que la desviacin estndar de la vida de la poblacin es de seis meses. Suponga que seleccionamos una sola muestra aleatoria de 100 latas con un valor promedio 21 de meses de vida y una desviacin muestral de 6 meses. Si el investigador utiliza 10,000 latas al ao, cul es el intervalo de confianza cuando = 0.05? Solucin: Calcularemos el error estndar de la media haciendo el uso de la ecuacin 3.

x =

6 100

= 0.6

Con un nivel de 95% de confianza se encuentra la media de la distribucin de muestreo

LSC = x + 1.96 x = 21 + 1.96(0.6) = 22.18 meses y LIC = x 1.96 x = 21 1.96(0.6) = 19.82 meses De esta manera podemos informar que la vida media de alimento se encuentra entre 18.82 y 22.18 meses con 95% de confianza. Ejemplo 5. El departamento de servicio social de una empresa est interesado en estimar el ingreso media anual de 700 familias que viven en una rea metropolitana. Se tom una muestra con las siguientes caractersticas.

n = 50 = tamao de muestra x = $ 11,800 media de la muestra

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

250

s = $ 950 desviacin estndar de la muestra En base a estos datos, calcular la desviacin estndar estimada de la poblacin. Solucin: La desviacin estndar de la poblacin se calcula como:

=s=

(x x)
n 1

Ahora podemos estimar el error estndar de la media para un tamao de poblacin finita como:

x =

N n N 1

Como estamos calculando el error estndar de la media mediante una estimacin de la desviacin estndar de la poblacin, volvemos a escribir esta ecuacin de modo que quede simbolizada correctamente:

x =

x
n

N n 950 700 50 = x = $129.57 N 1 700 1 50

El lmite de confianza de 90% se calcula como: LSC = x + 1.64 x = 11,800 +1.64 ($129.57) = 12,012.50 LIC = x 1.64 x = $11,800 1.64 (129.57) = 11,587.50 El informe que podramos dar al departamento de servicio social sera: con una confianza de 90% estimamos que el ingreso anual promedio de las 700 familias se encuentra entre $11,587.50 y $12,012.50. Estimar la diferencia entre dos medias Un problema de igual importancia que la estimacin de las medias poblacionales, es la comparacin de dos medias. Por ejemplo, quiz se necesite estimar la diferencia entre dos ecosistemas o zonas ecolgicas de un pas, respecto a la riqueza en biodiversidad.

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

251

Para cada uno de estos ejemplos se postulan dos poblaciones, la primera con una media 1 y una variancia 1 , y la segunda con una media 2 y una variancia 2 . Se toma una muestra aleatoria de n1 mediciones de la poblacin 1, y n2 de la poblacin 2, y se supone que las muestras han sido seleccionadas independientemente. Por ltimo, 2 de los parmetros poblacionales, a partir de se calcula las estimaciones x1 , s12 , y x 2 , s 2 los datos muestrales.
2 2

La diferencia ( x1 x2 ) entre las medias muestrales es un estimador puntual no sesgado de la diferencia entre las medias poblacionales (1 - 2). Como sabemos la distribucin muestral del estimador ( x1 x2 ) ser aproximadamente normal para muestras grandes, con una media y una desviacin estndar dadas en la siguiente forma:

E( x1 x2 ) = 1 2

(6)

(x x ) =
1 2

12
n1

2 2

(7)

n2

La cota para el error del estimador puntual de (1 - 2) = 1.96

12
n1

2 2

n2

Se puede obtener un intervalo de confianza bilateral para (1 - 2), con 1 - coeficiente de confianza, utilizando la siguiente frmula: Intervalos de confianza de (1 - )100% para (1 - 2) en el caso de muestras grandes I.C.= ( x1 x 2 ) z / 2

12
n1

2 2

(8)

n2

2 2 Se pueden utilizar las varianzas muestrales s1 y s 2 , cuando se desconocen estos parmetros.

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

252

Estimar intervalo de la proporcin Los estadsticos, a menudo, utilizan una muestra para estimar la porcin de un evento en una poblacin. Las frmulas para la media y la desviacin estndar de la distribucin binomial son: = np

= npq
En las que: n = nmero de ensayos o intentos p = probabilidad de xito q = 1 p = probabilidad de fracaso Para calcular la media de la distribucin de muestreo de la porcin de xito dividimos np entre n y obtenemos solo el valor p. La media, que se encuentra al lado izquierdo de la ecuacin se convierte en x , es decir, en la media de la distribucin de muestreo de la proporcin de xitos: p = p De forma similar podemos modificar la frmula para la desviacin estndar de la distribucin binomial, npq , que mide la desviacin estndar que existe en el nmero de xitos. Para cambiar el nmero de xitos a la porcin de xitos, dividimos npq entre n y obtenemos pq / n . En trminos estadsticos, la desviacin estndar para la porcin de xitos en una muestra se simboliza como:

p =

pq n

Ejemplo 6. Considerando que solo 40% de maestros de una universidad prefieren la planificacin de sus actividades, se seleccion una muestra aleatoria de tamao 75 de poblacin de maestros. Calcular el error estndar estimado de la porcin con una precisin de 99%.

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

253

Solucin: El error estndar estimado de la porcin se calcula como:

p =

pq = n

(0.4)(0.6) = 0.057 75

el lmite de confianza se determina como: LSC = p + 2.58 p = 0.4 + 2.58 (0.057) = 0.547 = Lmite superior de confianza LIC = p 2.58 x = (0.4) - 2.58 (0.057) = 0.253 = Lmite Inferior de confianza Por tanto, estimamos, a partir de nuestra muestra de 75 empleados que, con 99% de confianza, creemos que la porcin de la poblacin total de maestros que planifican sus propias actividades est entre 0.253 y 0.547. IC de la diferencia entre dos medias proporcionales Si el estadstico es la proporcin de xitos en una muestra de tamao n sacada de una poblacin binomial en la que p es la proporcin de xitos, entonces los lmites de confianza para p se dan por p zc p, donde p es la proporcin de xitos en la muestra de tamao n. Si el muestreo es de una poblacin infinita o finita con reposicin, los intervalos de confianza son:

p zc

pq = p zc n

p(1 p ) n

(9)

Si el muestreo es de una poblacin finita de tamao np y sin reposicin, los intervalos de confianza son:

p zc

pq n p n n np 1

(10)

IC para desviaciones estndares y el error probable

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

254

Los lmites de confianza para la desviacin estndar de una poblacin normalmente distribuida (), estimados a travs de una muestra con desviacin estndar igual a la s, vienen dados por: s z c s = s z c

2n

(11)

Los lmites de confianza 50% de los parmetros de poblacin correspondientes a un estadstico S vienen dados por s 0.6745s. La cantidad 0.6745s se conoce como el error probable de la estimacin. Conclusiones La primera fase de la estadstica se trata de coleccionar, ordenar y presentar los datos o hechos numricos. La segunda parte de la estadstica se encarga de analizar, sintetizar (hacer inferencias y realizar interpretacin) y finalmente publicar los datos que han sido presentados en forma de grafica y/o de manera tabular. Es precisamente en la seccin del anlisis estadstico en donde el investigador debe modificar los datos, es decir hacer estimaciones de los datos brutos. Para hacer estimaciones, uno debe estar bien familiarizado con los criterios estadsticos que se debe reunir y considerar en el proceso de la estimacin, ya que las estimaciones sesgadas nos conducen a las inferencias y decisiones errneas. Es precisamente con este punto en la mente que se avoco a realizar la presente investigacin.
Referencias Badii, M.H. & J. Castillo. (eds.). 2007. Tcnicas Cuantitativas en la Investigacin. UANL, Monterrey. Badii, M.H. & J. Castillo. 2009. Muestreo Estadstico: Conceptos y Aplicaciones. UANL, Monterrey. Badii, M.H., J. Castillo, A. Wong & J. Landeros. 2007a. Precisin de los ndices estadsticos: tcnicas de jacknife & bootstrap. InnOvaciOnes de NegOciOs. 4(1): 63-78. Badii, M.H., J. Castillo, J. Landeros & K. Cortez. 2007b. Papel de la estadstica en la investigacin cientfica. InnOvaciOnes de NegOciOs. 4(1): 107-145. Badii, M.H., J. Castillos, R. Foroughbakhch & K. Cortez. 2007c. Probability and scientific research. Daena, 2(2): 358-369. Fuino, Y. 1980. Aproxmate binomial confidence limits. Biomtrica 67: 677-681. Ghosh, B.K. 1979. A comparison of some aproxmate confidence intervals for the bionamial parameter. J. Amer. Statist. Assoc. 74: 894-900. Pfanzagl, J. 1978. Estimation Confidence Intervals and regions. In kruskal and Tanur 259-267. Sutton, J. B. 1990. Values of the index of determination at the 5% significance level. Statistician 39: 461-463.

Daena: International Journal of Good Conscience. 5(1) 237-255. ISSN 1870-557X

255

*Acerca de los autores El Dr. Mohammad Badii es Profesor e Investigador de la Facultad de Administracin y Contadura Pblica de la U. A. N. L. San Nicols, N. L., Mxico, 66450. mhbadii@yahoo.com.mx La Dra. Amalia Guillen es egresada de la Facultad de Administracin y Contadura Pblica de la U. A. N. L. San Nicols, N. L., Mxico, 66450. a_guillen_g@hotmail.com