ACTIVIDAD 3

TALLER DE ESTIMACIONES TEÓRICO

ESTADISTICA INFERENCIA
NRC: 6115

PRESENTADO POR:
MIREYA VANEGAS DUEÑAS ID: 587206
YENY YORMARY DIAZ ID: 570903

DOCENTE:
JOHN JAIRO CRUZ BELTRAN

CORPORACIÓN UNIVERSITARIA MINUTO DE DIOS

FACULTAD DE CIENCIAS ADMINISTRATIVAS
BOGOTA D.C
2019
1. Hacer un cuadro sinóptico o mapa conceptual sobre los tipos de estimaciones. (Elaboración propia)
2. ¿En qué consiste una estimación estadística?

Permite Estimar qué va a ocurrir respecto a algo (o qué está ocurriendo, o qué ocurrió), a
pesar de ser un elemento muy claramente estadístico, está muy enraizado en nuestra
cotidianidad. Dentro de ello, además hacemos estimaciones dentro de un intervalo de
posibilidades. Por ejemplo: “creo que terminaré la tarea en unos 5-6 días”. Lo que hacemos en
el terreno del análisis de datos es aplicar matizaciones técnicas a este hábito. Vamos a dedicar
este documento al concepto de estimación, comenzando con la estimación puntual. Después
nos ocuparemos de desarrollar un modelo de estimación por intervalo donde identificaremos
los elementos fundamentales, con su significado y símbolo. Y, por último, habrá que
desarrollar cómo se calculan esos

3. Determine los criterios para seleccionar un buen

estimador.

1. Insesgado. Ésta es una propiedad deseable para un buen estimador. El término insesgado se
refiere al hecho de que una media de la muestra es un estimador no sesgado de una media de
la población porque la media de la distribución muestral de las medias de las muestras
tomadas de la misma población es igual a la media de la población misma. Podemos decir que
un estadístico es un estimador insesgado (o no sesgado) si, en promedio, tiende a tomar
valores que están arriba del parámetro de la población que se está estimando con la misma
frecuencia y la misma extensión con la que tiende a asumir valores abajo del parámetro
poblacional que se está estimando.

2. Eficiencia. Otra propiedad deseable de un buen estimador es que sea eficiente. La eficiencia
se refiere al tamaño del error estándar del estadístico. Si comparamos dos estadísticos de una
muestra del mismo tamaño y tratamos de decidir cuál de ellas es un estimador más eficiente,
escogeríamos la estadística que tuviera el menor error estándar o la menor desviación estándar
de la distribución muestral.

3. Consistencia. Una estadística es un estimador consistente de un parámetro de población si

al aumentar el tamaño de la muestra, se tiene casi la certeza de que el valor de la estadística se
aproxima bastante al valor del parámetro poblacional. Si un estimador es consistente, se
vuelve más confiable al tener tamaños de muestra más grandes. Si usted se pregunta acerca de
la posibilidad de aumentar el tamaño de la muestra para obtener más información sobre un
parámetro poblacional, averigüe primero si su estadístico es un estimador consistente o no. Si
no lo es, desperdiciará tiempo y dinero al tomar muestras más grandes.

4. Suficiencia. Un estimador es suficiente si utiliza tanta información de la muestra que

ningún otro estimador puede extraer información adicional acerca del parámetro de población
que se está estimando.

4. Determine que es una estimación puntual y realice un

ejemplo.

La estimación puntual consiste en atribuir un valor (la estimación) al parámetro poblacional.

Si la muestra es representativa de la población, podemos esperar que los estadísticos
calculados en las muestras tengan valores semejantes a los parámetros poblacionales, y la
estimación consiste en asignar los valores de los estadísticos muestrales a los parámetros
poblacionales. Los estadísticos con que obtenemos las estimaciones se denominan
estimadores.

Ejemplo: Se desea estimar la Media de las puntuaciones del curso 2003/4, pero solo se
dispone de 50 puntuaciones seleccionadas aleatoriamente. La Media de la muestra (el
estimador), es igual a 5.6 y atribuimos este valor (la estimación) a la Media del curso
completo. Podemos utilizar como estimadores de la Media de la población otros estadísticos
de tendencia central como la Moda o la Mediana, pero NO todos los estimadores son
apropiados. Los estimadores deben satisfacer ciertos requisitos, y por esta razón, interesa
conocer sus propiedades a fin de utilizar los que sean adecuados según las circunstancias de la
estimación.

5) ¿Qué es un intervalo de confianza?

Un intervalo de confianza es un rango de valores, derivado de los estadísticos de la muestra,

que posiblemente incluya el valor de un parámetro de población desconocido. Debido a su
naturaleza aleatoria, es poco probable que dos muestras de una población en particular
produzcan intervalos de confianza idénticos. Sin embargo, si usted repitiera muchas veces su
muestra, un determinado porcentaje de los intervalos de confianza resultantes incluiría el
parámetro de población desconocido.
Un intervalo de confianza nos va a permitir calcular dos valores alrededor de una media
muestral (uno superior y otro inferior). Estos valores van a acotar un rango dentro del cual,
con una determinada probabilidad, se va a localizar el parámetro poblacional.

Intervalo de confianza = media +- margen de error

6) Establezca como es el cálculo de estimaciones de intervalo de la media poblacional y
busque un ejemplo de cualquier fuente de consulta.

n ← Tamaño de la muestra

x ← Media de la muestra

𝜎← Desviación estándar de la población

x _← Media de la muestra

s ← Desviación estándar de la muestra

𝜎x =𝜎/√𝑛

Ejemplo: En una prueba de seguridad automovilística realizada por el Centro de

Investigación Carretera de Carolina del Norte, la presión promedio de las llantas para una
muestra de 62 llantas fue 24 libras por pulgada cuadrada y la desviación estándar fue 2.1
libras por pulgada cuadrada. a) ¿Cuál es la desviación estándar estimada para esta
población? (Existen cerca de un millón de automóviles registrados en Carolina del Norte).
b) Calcule el error estándar estimado de la media.

s = 2.1 n = 62 x = 24

a)𝜎 ˆ = s = 2.1 psi

b)𝜎 ˆ x=𝜎ˆ/n 2.1/√62 = 0.267 ps

c) x ± 1.96𝜎ˆ x = 24 ± 1.96(0.267) = 24 ± 0.523 = (23.48, 24.52) psi

7) Establezca como es el cálculo de estimaciones de intervalo de la proporción busque
un ejemplo de cualquier fuente de consulta.

Los especialistas en estadística, a menudo, utilizan una muestra para estimar la proporción
de ocurrencias de un evento en una población.

𝜇 = 𝑛𝑝

𝜎 = √𝑛𝑝𝑞

donde,

• n = número de ensayos o intentos

• p = probabilidad de éxito

• q = 1 - p = probabilidad de falla

Cuando se sondeó una muestra de 70 ejecutivos de ventas respecto al bajo desempeño

durante noviembre en la industria de ventas al menudeo, el 66% pensó que la disminución
en las ventas se debía a las temperaturas inusualmente altas, haciendo que los
consumidores retrasaran sus compras de artículos de invierno. a) Estime el error estándar
de la proporción de ejecutivos de ventas que culpan al clima caliente de las bajas ventas. b)
Encuentre los límites de confianza superior e inferior para esta proporción dado un 95% de
nivel de

𝑛 = 70 𝑝 = 0.66 𝑎)𝜎 ˆ 𝑝 = √𝑝𝑞/𝑛 = √0.66(0.34)/ 70 = 0.0566

𝑝ˆ ± 2.58𝜎ˆ 𝑝ˆ = 0.42 ± 2.58(0.0403) = 0.42 ± 0.104 = (0.316, 0.524)

8) Mira el vídeo del siguiente enlace y realizar un breve resumen explicativo

del mismo. https://www.youtube.com/watch?v=cMqgG_lBC2U

Estimación puntual y por intervalo

Al calcular una característica proporcional, por ejemplo la media poblacional o la

varianza poblacional esta característica se va a llamar parámetro porque pertenece a la
población y por lo general esta característica es desconocida,.en la práctica se utiliza un
método de muestreo se tomó una muestra y en la muestra se calcula la misma
característica de interés por ejemplo si en el anterior nos interesaba la media poblacional
en la otra calculamos la media muestral el valor que obtenemos de la muestra es lo que
vamos a llamar estadístico el cual se utilizará para hacer estimaciones del parámetro de
esta manera se determina la estimación puntual que consiste en tomar el número
estadístico de la muestra como el valor más acertado o más aproximado. la estimación
por intervalo tómala estimación puntual y le suma una cantidad y le resta la misma
cantidad para construir un intervalo de confianza para ese parámetro de interés este
depende del problema en el que se esté trabajando la ventaja de la estimación por
intervalo es que cualquier alejamiento de nuestro estadístico en relación al parámetro va a
ser una equivocación así que es más susceptible la equivocación ya que éste nos permite
tener un límite inferior y un límite superior ya que va a incluir el parámetro desconocido
de la población por este motivo la estimación por intervalo es más útil ya que tiene más
información que la estimación puntual.

9) Consulte qué es una distribución normal En estadística y sus gráficas

Esta distribución es frecuentemente utilizada en las aplicaciones estadísticas. Su propio

nombre indica su extendida utilización, justificada por la frecuencia o normalidad con la que
ciertos fenómenos tienden a parecerse en su comportamiento a esta distribución. Muchas
variables aleatorias continuas presentan una función de densidad cuya gráfica tiene forma de
campana.

Una distribución normal de media µ y desviación típica σ se designa por N (µ, σ). Su gráfica
es la campana de Gauss:

El área del recinto determinado por la función y el eje de abscisas es igual a la unidad. Esto es
porque la probabilidad de que un suceso ocurra entre todas las posibilidades es un 100%, o sea
10) ¿En qué consiste el teorema del límite central en
estadística?

El teorema describe la distribución de la media de una muestra aleatoria proveniente de una

población con varianza finita. Cuando el tamaño de la muestra es lo suficientemente grande, la
distribución de las medias sigue aproximadamente una distribución normal. El teorema se
aplica independientemente de la forma de la distribución de la población. Muchos
procedimientos estadísticos comunes requieren que los datos sean aproximadamente
normales. El teorema de límite central le permite aplicar estos procedimientos útiles a
poblaciones que son considerablemente no normales. El tamaño que debe tener la muestra
depende de la forma de la distribución original. Si la distribución de la población es simétrica,
un tamaño de muestra de 5 podría producir una aproximación adecuada. Si la distribución de
la población es considerablemente asimétrica, es necesario un tamaño de muestra más grande.

Referencias:

Recuperado_de_file:///C:/Users/Yeny%20D%C3%ADaz/Desktop/Estadistica_para_Admi
nistracion_y_Econom.pdf