Propósitos de Formación

 Conocer los elementos de una muestra aleatoria.

 Analizar los distintos métodos de estimación.
 Estudiar la estimación por intervalos de confianza.

Estimación Puntual. Estimación por

Intervalos de Confianza
Unidad 2 de la asignatura, en la que se trata la Estimación Puntual y la
Estimación por Intervalos de Confianza.

https://d30vhku4ueogxj.cloudfront.net/422fcfe64daebc622dc7ca0658e248f6Unidad2.mp4

Estimación Puntual
¿Cuáles son los elementos de una muestra aleatoria?

Nuestro interés se centra en acercar valores estimados a los valores

reales de los parámetros poblacionales por medio de métodos de
estimación, teniendo en cuenta las propiedades de éstos en lo que a calidad
y errores se refiere.

1. PARÁMETRO:
Es un valor poblacional generalmente desconocido. Los más usados son:

 μ: media poblacional
 σ2: varianza poblacional
 ρ: proporción poblacional
 τ: total poblacional
 máx. (xj): máximo poblacional
 mín (xj): mínimo poblacional

2. EJEMPLO:
Es una función de observables que no contienen parámetros desconocidos no
contiene parámetros desconocidos.
3. LOCALIZACIÓN VIA GPRS:
Es un estadístico de valores muestrales que se usa para estimar parámetros
poblacionales:

Estimación Puntual
¿Qué métodos de estimación existen?

La estadística provee técnicas que permiten obtener conclusiones generales a partir de un conjunto limitado
(aunque representativo) de datos. Cuando inferimos no tenemos garantía de que la conclusión que
obtenemos sea exactamente correcta. Sin embargo, la estadística permite cuantificar el error asociado a la
estimación.
El objetivo de la estimación puntual es usar una muestra para obtener números que, en algún sentido, sean los
que mejor representan a los verdaderos valores de los parámetros de interés.

Un estimador puntual de un parámetro θ es un valor que puede ser considerado

representativo de θ y se indicará θ ˆ. Se obtiene a partir de alguna función de la
muestra. Ejemplo: Con el fin de estudiar si un dado es o no equilibrado, se arroja
el dado 100 veces en forma independiente, obteniéndose 21 ases. ¿Qué valor
podría utilizarse, en base a esa información, como estimación de la
probabilidad de as? Parece razonable utilizar la frecuencia relativa de ases. En
este caso, si llamamos p a la probabilidad que queremos estimar:
Un estimador puntual de un parámetro θ es un valor que puede ser considerado
representativo de θ y se indicará θ ˆ. Se obtiene a partir de alguna función de la
muestra. Ejemplo: Con el fin de estudiar si un dado es o no equilibrado, se arroja
el dado 100 veces en forma independiente, obteniéndose 21 ases. ¿Qué valor
podría utilizarse, en base a esa información, como estimación de la
probabilidad de as? Parece razonable utilizar la frecuencia relativa de ases. En
este caso, si llamamos p a la probabilidad que queremos estimar:
DE LOS MOMENTOS
Consiste en igualar los momentos poblacionales respecto al origen, con los
correspondientes momentos muestrales.

DE MÁXIMA VEROSIMILITUD
Consiste en tomar como estimación del parámetro estudiado el valor que haga
máxima la probabilidad de obtener la muestra observada.

POR ANALOGÍA
Consiste en aplicar la misma expresión formal del parámetro poblacional a la
muestra , generalmente , estos estimadores son de cómoda operatividad , pero en
ocasiones presentan sesgos y no resultan eficientes . Son recomendables , para
muestras de tamaño grande al cumplir por ello propiedades asintóticas
de consistencia.

¿Qué determina el Teorema Central del Límite?

Si una población tiene media μ y desviación típica σ, y tomamos muestras

de tamaño n (n > 30, o cualquier tamaño si la población es "normal"), las
medias de estas muestras siguen aproximadamente la distribución
siguiente:
X ≈ N (μ, σ2/√n).

DISTRIBUCIÓN DE LA VARIANZA MUESTRAL

DISTRIBUCIÓN DE LA PROPORCIÓN MUESTRAL

 EJEMPLO

Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1 y
si sale cruz el valor 0. Cada lanzamiento es una variable
independiente que se distribuye según el modelo de Bernoulli, con media
0,5 y varianza 0,25. Calcular la probabilidad de que en estos 100
lanzamientos salgan más de 60 caras.

La variable suma de estas 100 variables independientes se distribuye, por

tanto, según una distribución normal.

La media es: Media = 100 * 0,5 = 50

La varianza es: Varianza = 100 * 0,25 = 25

5 es la raíz cuadrada de 25, o sea la desviación típica de esta distribución.

CONTINUACIÓN DEL EJEMPLO

Para ver la probabilidad de que salgan más de 60 caras calculamos la

variable normal tipificada equivalente:

Para ver la probabilidad de que salgan más de 60 caras calculamos la

variable normal tipificada equivalente, Por lo tanto:

P (X > 60) = P (Y > 2,0) = 1- P (Y < 2,0) = 1 – 0,9772 = 0,0228

Es decir, la probabilidad de que al tirar 100 veces la moneda salgan más
de 60 caras es tan sólo del 2,28%.

Estimación por Intervalos de Confianza

¿Qué casos de intervalos de confianza encontramos en
Poblaciones Normales?

A continuación se muestra el cálculo para distintos supuestos de intervalos

de confianza en Poblaciones Normales.
Intervalos de Confianza en Poblaciones Normales

I.C para la Media conocida la

varianza

I.C para la Media desconocida la

varianza

I.C para la Varianza conocida la

media

I.C para la Varianza desconocida

la media:

I.C para la diferencia de medias

de muestras pareadas:

I.C para la diferencia de medias

de muestras independientes

Estimación por Intervalos de Confianza

¿Qué casos de intervalos de confianza encontramos en
Poblaciones Normales?

A continuación se presentan algunos ejemplos en relación al cálculo de

intervalos de confianza en poblaciones normales:
 EJEMPLO: INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA
POBLACIÓN CUALQUIERA CONOCIDA LA VARIANZA

En una población cuya distribución se desconoce, se obtiene una

muestra(m.a.s.) de 2000 valores de la que resulta una media de 225 y una
desviación típica de 10 . Suponiendo que la varianza muestral coincide
con la poblacional , estimar un intervalo para la media de la población con
un nivel de confianza del 95%

Tendríamos 1- α =0.95 luego α=0.05 ; S=10=σ n=2000

Aplicando la siguiente fórmula

con más de 0.95 de confianza.

EJEMPLO: INTERVALO DE CONFIANZA PARA LA MEDIA DE UNA POBLACIÓN

NORMAL CON VARIANZA CONOCIDA

Realizar la estimación de µ del ejemplo 1 considerando ahora que la población es normal

Tendríamos 1-α =0.95 luego α=0.05 ;S=10=Ϭ (muestra grande n>30);n=2000 ; X=225 ;

población normal

Aplicando el intervalo anterior el resultado sería : µ pertenece a [224'56 , 225'44] con el

95 % de confianza

Intervalos de Confianza para la Proporción

e Intervalo Aproximado para la Media de
una Distribución Cualquiera
¿Qué casos de intervalos de confianza encontramos en
Poblaciones Normales?

En el contexto de estimar un parámetro poblacional, un intervalo de

confianza es un rango de valores (calculado en una muestra) en el que se
encuentra el verdadero valor del parámetro, con una probabilidad
determinada. 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 significancia y
se simboliza α.

Intervalos de Confianza para la Proporción

Si v.a toma valores 0 y 1, el estimador de máxima verosimilitud del parámetro p
es:

Intervalo de Confianza para la Proporción:

Intervalo de Confianza para la Diferencia de Proporciones:

Intervalo aproximado para la media de una distribución
cualquiera:
Aplicando el Teorema Central del Límite, tenemos que

Podemos encontrar un valor Zα/2

Así, despejando a μ conocido, tenemos que:

Intervalo de confianza para una proporción

A continuación se presenta un ejemplo en relación al cálculo de intervalos de

confianza para una proporción:

EJEMPLO:

En un estudio de prevalencia de factores de riesgo en una cohorte de 412 mujeres

mayores de 15 años en la Región Metropolitana, se encontró que el 17.6% eran
hipertensas. Un intervalo de 95% de confianza para la proporción de mujeres hipertensas
en la Región Metropolitana está dado por:

Luego, la proporción de hipertensas varía entre (0,139 , 0,212) con una confianza de 95%
Teorema del Límite Central
El siguiente vídeo trata de explicar el significado del Teorema Central del
Límite.

Mira este vídeo y trata de resolver el ejercicio que te proponemos a

continuación.

https://d30vhku4ueogxj.cloudfront.net/691e755fb53f06d0c9374b51e66e2df6
2.TeoremadelLmiteCentral.mp4

Ejercicio
Selecciona solo la opción que consideres correcta

¿Qué es el Teorema del Límite Central?

a) En dicho teorema se enuncian los límites mínimo y máximo de un intervalo de

confianza.
b) Permite deducir la distribución de probabilidad asociada a una
variable aleatoria constituida como suma de otras variables que verifican
unos requisitos.
¡EXCELENTE!
Esta es la respuesta correcta. Los requisitos son: el número de variables
aleatorias n es suficientemente grande (n -> ∞), se trata de variables
aleatorias independientes en probabilidad (con misma distribución de
probabilidad), y sus esperanzas y varianzas son finitas y conocidas.

Intervalo de Confianza para la Media de las

Diferencias
El siguiente vídeo trata de explicar a través de un ejemplo el intervalo de
confianza, en este caso, para la Diferencia de Medias.
 Lee esta noticia y trata de resolver el ejercicio que te proponemos a
continuación.

https://d30vhku4ueogxj.cloudfront.net/4158580d7dc138d5a40c3e012fde503
d2.1IntervalodeconfianzaparalaMediadelasdiferencias.mp4

Ejercicio
Selecciona solo la opción que consideres correcta

¿Con un intervalo de confianza del 95% se comprueba que

en el Grupo 1 se pierde más peso que en el Grupo 2?

a) Sí.
b) No.

¡EXCELENTE!
Esta es la respuesta correcta. En un 95% de probabilidad de que 1’91 esté
a 1’96σ x1-x2 .

Caso Práctico
Lee este caso práctico y contesta a las preguntas formuladas:

EJERCICIO 1:
De una población en la que se analiza la variable aleatoria ζ, con función de
probabilidad f(x;θ), se extraen m.a.s de tamaño n. Se eligen dos estimadores del
parámetro θ, tales que:

E(θ*1) = 2θ y V(θ*1) = 3θ2

E(θ*2) = θ + 1 y V(θ*2) = 4θ2

CUESTIONES
a) ¿son insesgados?
b) Proponer, a partir de los estimadores anteriores, otros dos que sean insesgados
compararlos según el criterio de eficiencia.

EJERCICIO 2:
Una vez obtenido el intervalo: μ ε [10 -0’784; 10 + 0’784] = [9’216; 10’784]0’95

CUESTIONES

a) Aumentar la confianza de la estimación hasta el 99%, manteniendo constante la

precisión.

b) Aumentar al doble la precisión de la estimación obtenida, manteniendo

constante la confianza de la estimación en el 95%.

Vídeos de repaso
Parámetros , estadísticos y estimadores.

https://youtu.be/Hd6rmhof_Iw

https://youtu.be/SJL3wLC62EM

https://youtu.be/VQJpcYPfEI4

- https://www.youtube.com/watch?v=BeBOn9_gln4

Tipos de muestreo y tamaño de la muestra.

https://youtu.be/gl9EEbT7viM

https://www.youtube.com/watch?v=zGtk_Ii9VBs

https://www.youtube.com/watch?v=oc8i9g144Y0
Buenas noches tutor y compañeros
Doy respuesta a las dinamizadoras

Preguntas Dinamizadoras Unidad 2

Pregunta 1 determine si alguna de las propiedades de los estimadores puntuales
está mal definido

1. El estimador insesgado es la media de las medidas de una muestra

2. El estimador más eficiente es el que contenga la varianza más grande de la
muestra
3. Un estimador es consistente si al aumentar el tamaño de la muestra el valor
del estadístico se parece más al tamaño del parámetro
4. Un estimador es suficiente cuando proporciona la mayor cantidad de
información del parámetro

RTA
El estimador insesgado es la media de las medias de una muestra
Un estimador es insesgado si sus esperanzas son iguales al parámetro que él desea
estimar, por ende está mal definida esta propiedad.

2 El estimador más eficiente es el que contenga la varianza más grande de la

muestra.
Un estimador es más eficiente o más preciso que otros estimadores, si su varianza
es más pequeña que la de los otros estimadores, por lo cual, está mal definida esta
propiedad.

3 Un estimador es consistente si al aumentar el tamaño de la muestra el valor del

estadístico se parece más al tamaño del parámetro.
Se considera un estimador consistente cuando su valor asintóticamente tiende
aumentar el tamaño de la muestra, razón por la cual, está mal definida esta
propiedad.

4 Un estimador es suficiente cuando proporciona la mayor información del

parámetro.
Un estimador es suficiente cuando no da lugar a una pérdida de información,
también es suficiente cuando describe la información del parámetro que él desea
estimar, entonces esta propiedad SI está bien definida.

Pregunta 2
En una empresa de electrodomésticos se toma una muestra. De 50 n everas de las
cuales se mide su capacidad encontrando una media de 65 litros con una
desviación estándar de 4.2. litros. El departamento de calidad indica que el nivel
de confianza para todas sus medidas debe ser de 95% a partir de ello se determinó
que los límites de confianza de la capacidad en litros para las siguientes neveras
construidas deben ser de 63.84 litros para el interior y de 66.16 litros para el
superior ¿esto es cierto? (Adjunto respuesta)

Referencias de apoyo

- https://youtu.be/Hd6rmhof_Iw

- https://youtu.be/SJL3wLC62EM

- http://halweb.uc3m.es/esp/Personal/personas/amalonso/esp/Tablas.pdf

Quedo atenta a comentarios.

Maja

Buena noche compañera Angélica María anexo a la respuesta 1 de las

dinamizadoras que La Estimación Puntual hace parte importante de la inferencia
estadística, ésta consiste en encontrar estimadores, con características especiales,
para los parámetros, de tal forma que se pueda determinar la calidad del mismo.
Dichas características de calidad se pueden clasificar en dos: exactitud y precisión,
la primera relacionada con que en promedio los valores de la estimación tienden
hacia el valor del parámetro, y la segunda con la variabilidad del estimador.
Maja

Buena noche compañera katia, me permito anexar a su respuesta lo

siguiente:

Un estimador insesgado es aquel cuya esperanza matemática coincide con el

valor del parámetro que se desea estimar; en caso de no coincidir se dice
que el estimador tiene sesgo, la razón de buscarlo es que el parámetro que
deseamos estimar esté bien estimado, es decir, si queremos estimar la media
de goles por partido de determinado jugador de fútbol, hemos de utilizar una
fórmula que nos proporcione un valor lo más aproximado posible al valor
real, en caso de que la esperanza del estimador no coincida con el verdadero
valor del parámetro se dice que el estimador tiene un sesgo.
El sesgo se mide como la diferencia entre el valor de la esperanza del estimador y el
valor verdadero.

Quedo atenta.

Maja