Professional Documents
Culture Documents
Y
ESTIMACION POR INTERVALOS
1
INTRODUCCIÓN
2
1. ESTIMACIÓN PUNTUAL
Con esto queremos decir que empleamos la expresión dada mediante T para
obtener valores próximos al valor del parámetro.
3
2. PROPIEDADES DE UN ESTIMADOR
TEOREMA
Demostración:
4
Estudiaremos un ejemplo que nos muestra como las dos propiedades anteriores
pueden no ser suficientes paradeterminar el mejor estimador:
Ejemplo:
Sea X1, X2, ..., Xn una muestra aleatoria de una población de media
Supongamos que tenemos que escoger uno de los dos estimadores. Para ello
debemos tomar aquel que tenga menor error cuadrático medio. Trabajando con
las fórmulas podemos observar que va a depender del valor de la media.
Para precisar estos criterios estudiaremos el error cuadrático medio en sus partes
y así iniciamos el estudio de la diferencia - E(T).
También podemos decir que un estimador insesgado es aquel que tiene sesgo
igual a cero.
TEOREMA:
Sea X1, X2, ..., Xn una muestra aleatoria de cierta distribución de media y
varianza . Entonces:
5
b) T2=S2 es un estimador insesgado de .
Una vez que tenemos dos estimadores con el mismo sesgo deberíamos tener
otra regla que nos permita elegir uno en lugar del otro, así llegamos a
la SEGUNDA REGLA DE PROCEDIMIENTO:
6
Tenemos que tener en cuenta otras propiedades de los estimadores consistencia
y eficiencia.
Ejemplo:
7
Consideraremos que la variable aleatoria definida sigue una binomial con lo
que : ; x=0,1,2,...,10.
0´0 0´0000
0´1 0´0112
0´2 0´0881
0´3 0´2001
0´4 0´2508
0´5 0´2051
0´6 0´1115
0´7 0´0368
0´8 0´0055
0´9 0´0001
1´0 0´0000
8
También podríamos haber tomado otros valores de distintos a los de la tabla
anterior y de esta manera sería más preciso considerar la función L( ) como
una función continua definida en el intervalo [0,1]. Esta función la llamaremos
función de verosimilitud y formalmente queda definida como:
4
L( )=210 (1- )6; 0 1.
Sea X una variable aleatoria con función de densidad f(x, ) determinada por
el parámetro . Supongamos que de la población extraemos una muestra de
tamaño n que proporciona los datos x1, x2, ...xn. Con estos datos formamos el
producto f(x1, )f(x2, )...f(xn, ). Este producto se llama función de máxima
verosimilitud.
9
La expresión de en términos de la muestra aleatoria X1, X2, ..., Xn se
llama estimador de máxima verosimilitud de .
4. = , proporción muestral.
10
EJERCICIOS SOBRE EL USO DE LOS ESTIMADORES
4. EL ERROR ESTÁNDAR
Un mismo estimador ofrece distintos valores para distintas muestras del mismo
tamaño extraídas de la misma población. Por lo tanto deberíamos tener una
medida de la variabilidad del estimador respecto del parámetro que se trata de
estimar. Esta variabilidad se mide en términos de la desviación estándar del
estimador, la cual recibe el nombre de error estándar.
11
PARÁMETRO ESTIMADOR ERROR ESTIMADOR DEL
ESTÁNDAR ERROR
N
=
Nos proponemos determinar dos números entre los cuales se halla el parámetro
estudiado con cierta certeza.
Ejemplo
= 0´95.
12
En realidad hay infinitos pares de números para los que se cumple la ecuación
anterior. De éstos vamos a escoger el par de números que se hallan situados
simétricamente respecto de cero en la distribución normal. Llegamos a que
O lo que es lo mismo .
13
En el ejemplo el nivel de confianza es del 95%.En general el nivel de confianza
se expresa en la forma 100(1- )%. (1- )=0´95. El valor representa la
probabilidad de que el parámetro quede fuera del intervalo y en este caso es
0´05. Esta situación la representaremos en el siguiente gráfico:
Ejemplo:
14
160 libras. Supongamos que la distribución de los pasajeros sea normal con
desviación estándar 36. Calcula el intervalo del 95% de confianza.
Al observar los intervalos podemos notar que a medida que se aumenta el nivel
de confianza la longitud del intervalo también aumenta como podemos ver en
la figura.
Para que un intervalo sea tomado en cuenta con algún interés, el nivel de
confianza debe ser alto.
En el ejemplo diremos que tenemos una confianza o certeza del 95% de que el
verdadero peso promedio de los pasajeros del avión está entre 147,12 y 172´88
libras.
VARIANZA
CONOCIDA
O VARIANZA
DESCONOCIDA Y
N>30
POBLACIÓN EJERCICIO2
NORMAL
VARIANZA
DESCONOCIDA Y
N<30
16
DIFERENCIA POBLACIONES EJERCICIO3
NORMALES
INDEPENDIENTES.
VARIANZAS
CONOCIDAS.
DE POBLACIONES EJERCICIO4
NORMALES
MEDIAS INDEPENDIENTES.
VARIANZAS
IGUALES
DESCONOCIDAS
SE RECOMIENDA EJERCICIO5
EL USO DE ESTA
PROPORCIÓN FÓRMULA EN
MUESTRAS DE
TAMAÑO
GRANDE
b=
17
6. TAMAÑO DE LA MUESTRA PARA ESTIMAR MEDIAS Y
PROPORCIONES.
El tamaño de la muestra que debemos escoger para hacer una estimación del
parámetro con las características especificadas (de nivel de confianza y error de
estimación.) es un problema de gran importancia ya que:
El tamaño que debe tener la muestra depende del nivel de confianza propuesto,
así como del máximo error que estemos dispuestos a admitir entre el valor
estimado y el valor real del parámetro que corresponde al error de estimación.
18
El tamaño de la muestra depende de dos elementos básicos (supuesta dada la
varianza) que hay que sopesar cuando se va a tomar una decisión al respecto;
se trata del nivel de confianza y del error de estimación y tenemos:
n=
19
n=
20
EJERCICIOS SOBRE EL ERROR ESTÁNDAR
21
del instructor no parece correcta ya que el valor 5 minutos se
encuentra fuera del intervalo.)
23
resultados fueron los siguientes: 11´02, 11´14, 10´78, 11´59, 11´58,
11´19, 11´71, 11´27, 10´93, 10´94. ¿Cuántas cajas debe escoger para
que se cumplan los requisitos propuestos? (Sol. Debemos tomar la
varianza estimada y al ser n<30 el valor de t, al sustituir en la
fórmula obtenemos n=34).
24
7. Se desea realizar una encuesta entre la población juvenil de una
determinada localidad para determinar la proporción de jóvenes
que estaría a favor de una nueva zona de ocio. El número de jóvenes
de dicha población es N=2.000. Determinar el tamaño de muestra
necesario para estimar la proporción de estudiantes que están a
favor con un error de estimación de 0´05 y un nivel de confianza del
95%.(Sol. Como no nos dan ninguna estimación de la proporción,
tomaremos 0´5. El valor de n es 322).
25