You are on page 1of 32

Estimación

:
El proceso de estimación en inferencia estadística puede ser descrito como el proceso de estimar un parámetro a partir del estadístico correspondiente, tal como usar una media muestral (Estadístico) para estimar la media poblacional, (parámetro). La estimación de parámetros puede ser: • • Puntual o Por Punto. Por Intervalo.

Estimación Puntual:
Objetivo. Dar un valor numérico que aproxime en forma muy cercana al parámetro poblacional. La estimación puntual de un parámetro de una población es un solo valor numérico de un estadístico que corresponde a este parámetro. Un estadístico utilizado para aproximar a un parámetro de una población se denomina Estimador del Parámetro. El número obtenido cuando se evalúa el estimador para una muestra particular, se denomina Estimación del Parámetro. Sea X una variable aleatoria de interés con distribución de probabilidad f (x).

θ : Parámetro Desconocido.
: f (X1, X2, X3,…,Xn) m. a. de tamaño n. Estadístico.

Estimador. Por ejemplo: es un posible estimador de µ.

µ=θ

1

: : Estimador puntual de µ, porque al evaluarlo para una muestra es concreto, da un solo numero o punto. : Estimación puntual de µ. Otros Parámetros de Interés: P: Proporción Poblacional (proporción binomial). “Proporción de elementos con cierta característica de interés en un universo dado.”

= Estimador puntual de P.

X: Nº de elementos en la muestra con característica de interés.

σ2 : Varianza Poblacional.

Estadístico: Estimador puntual de σ2.

σ : Desviación estándar de una población.

Estimador puntual de σ.

µ1 - µ2: Diferencia de dos medias poblacionales.
Estimador puntual de µ1 - µ2. Diferencia entre las medias de dos muestras aleatorias independientes. P1 – P2

2

Estimador puntual para P1 – P2 Diferencia entre dos proporciones muéstrales, basadas en dos muestras aleatorias independientes.

Razón de dos varianzas poblacionales.

Estimador puntual de Sea X una variable aleatoria con media µ desconocida y varianza σ2. X1, X2,…, Xn m. a. de tamaño n.

θ=µ = f (X1, X2,…, Xn)

Estimadores posibles para µ

¿Cuál es el mejor? Antes de responder a esta pregunta debemos decidir que propiedades son deseables en un estimador puntual. Obviamente queremos que el estimador produzca estimaciones que puedan esperarse sean próximas en valor al parámetro que se esta estimando.

Propiedades De Los Estimadores Puntuales:
3

la magnitud del sesgo es: 4 . para el cual Si el estimador es sesgado.• • • • Insesgabilidad Eficiencia Consistencia Suficiencia Estimador In sesgado: Sea si E ( un estimador puntual de un parámetro θ. es un estimador insesgado Distribución muestral de un estimador insesgado. De lo contrario se dice que es sesgado. entonces ) = θ. Distribución muestral de un estimador sesgado positivamente.

(σ: Desviación estándar poblacional). Xn una m. Medida usual de la precisión de una estimación puntual.Sesgo = Suponga que X es una variable aleatoria con media µ y varianza σ2. Error cuadrado medio (ECM) de un estimador . Es posible probar que la media muestral y la varianza 2 2 muestral S son estimadores insesgados de µ y σ respectivamente. de tamaño n de X. Error estándar de un estimador de un parámetro θ. a. 5 . X3. Se puede demostrar que: Si es un estimador puntual insesgado de θ. entonces: Ya que el sesgo Varianza de Error de estimación. X4. sea X1. Sin embargo S1 (Desviación estándar muestral) es un estimador sesgado de σ.…. X2.

…. el de menor varianza se llama Estimador mas Eficiente de θ. entonces: es un mejor Eficiencia Relativa = Si consideramos todos los posibles estimadores insesgados de algún parámetro θ. a. = f (X1. No dice que un solo valor sea Eficiencia Relativa: La eficiencia relativa entre dos estimadores respectivos ECM ( ) y ECM ( ) se define como: y de un parámetro θ. Є Cantidad aleatoria. Xn) m. ) es exactamente correcto. Estimador Consistente: 6 . X2. es insesgado.El error de estimación Є es la distancia entre el estimador y su parámetro. con ECM Si la eficiencia relativa es menor que 1 entonces concluimos que estimador de θ que Si y son dos estimadores insesgados de θ. supone que el valor promedio de Nota: La condición de que (promedio de los valores de exactamente correcto. Es decir.

….Si es un estimador insesgado de θ. Estimación Por Intervalo. entonces estimador consiente de µ. decimos que es consistente para θ. Por ejemplo: Si X N (µ. si: La consistencia es una propiedad de muestras grandes. σ2) y X1. Xn es un Es una muestra aleatoria de tamaño n de X. a. de tamaño n. Es un estimador insesgado de µ. basado en una m. Los estimadores cuyo ECM (o varianza si el estimador es insesgado) tiende a cero cuando el tamaño de la muestra tiende al infinito. X2. 7 . son consistentes.

Usualmente. Objetivo: Encontrar un estimador por intervalo que genere intervalos angostos que contengan a θ (parámetro) con una alta probabilidad. 0<α<1 El intervalo resultante: L≤θ≤U Se llama intervalo de confianza del 100 (1 – α) % para el parámetro θ. U: Limite de confianza superior. L: Limite inferior de confianza. U] que incluye a θ con un grado de certidumbre establecido. L y U se denominan extremos inferior y superior del intervalo de confianza. 8 . U: Estadísticos (variables aleatorias). Un intervalo de confianza de θ. debemos encontrar L y U tal que: P (L ≤ θ ≤ U) = 1 – α La probabilidad 1 – α se le llama Coeficiente de Confianza. θ ≤ U Intervalo de confianza superior del 100 (1 – α) % Donde U se elige de modo que: P (θ ≤ U) = 1 . 1 – α es la probabilidad de que el intervalo contenga al parámetro. se expresa en porcentaje: 100 (1 – α) %. Los estimadores por intervalo se denominan comúnmente intervalos de confianza. es un intervalo [L.α Estimación Por Intervalo de µ.Un estimador por intervalo es una regla que especifica un método que utiliza las mediciones de la muestra para calcular dos números que forman los extremos del intervalo. L. (Intervalo de confianza de dos lados). En ocasiones un intervalo de confianza de un lado podría ser útil. L ≤ θ Intervalo de confianza inferior del 100 (1 – α) %. Para construir un estimador por intervalo del parámetro θ desconocido.

) X 1. Si usamos Distribución de • . Nótese que la v.…. (I) 9 . conocida la varianza (σ2). X3. primero hallaremos una variable aleatoria (v. Queremos determinar L y U de forma que P (L ≤ θ ≤ U) = 1 – α Consideremos la participación de la curva normal estándar. De donde: • A falta de esta (De población normal). si n es suficiente grande: * Si se cumplen las condiciones del TLC. a. a.Intervalo de confianza sobre la media (µ). Xn de tamaño n. Si la muestra es seleccionada de una población normal. como estimador puntuales de µ. Aproximadamente. Aproximadamente. Construir un intervalo de confianza del 100 (1 – α) % para la media µ de una población denotada por X. a. Para construir un intervalo de confianza de µ. X2. Contiene al parámetro µ y su distribución es normal estándar (o al menos aproximadamente normal estándar).) cuya expresión contenga a µ y cuya distribución se conozca al menos aproximadamente. con varianza σ2 conocida a partir de una muestra aleatoria (m.

Estimador puntual de μ 10 . • Si σ2 no se conoce (y σ) reemplazar σ por S en (I). Suponer: • Población normal con medida μ y σ2 (varianza) desconocida.… Xn Media Muestral N (μ. X • Muestra aleatoria de tamaño n. siempre que n sea grande (n ≥ 30).Formula exacta cuando la población muestreada tiene distribución normal y varianza σ2 conocida. X2. Intervalo de confianza sobre la medida (μ). muestra pequeña. σ2 desconocida. X1. σ2) Varianza Muestral • n pequeña (< 30). Buena aproximación. Construir un intervalo de confianza del 100 (1 – α) % para μ.

11 .Reacomodando: P (L ≤ θ ≤ U) = 1 – α Intervalo de confianza de dos lados del 100 (1 – α) % para μ.

es el valor t con n – 1 grados de libertad que deja una área de a la A la formula anterior a menudo se le denomina formula del intervalo de confianza para la media en muestras pequeñas. Intervalo de confianza de un lado del 100 (1 – α) % en μ.Donde derecha. aunque es valido para muestras de cualquier tamaño. 12 .

Estimación de σ2. de tamaño n es seleccionada de una población normal con media μ y varianza σ2 desconocidas. 13 .…. X2. Estimador puntual de µ. Estimador puntual de σ2. Construir un intervalo de confianza del 100 (1 – α) % para σ2. Xn. Va a utilizar para construir el intervalo de confianza para σ2. m. a. a. X N (μ. Suponga que una m. σ2) X1. Son estadísticos.

1. respectivamente a la derecha. Intervalos de confianza bilaterales del 100 (1-α) % para σ2.α/2. 14 .α Limite de confianza Donde son los valores X2 con n-1 grados de libertad que dejan áreas de α/2.Reacomodando: P (L ≤ θ ≤ U) = 1.

Una muestra aleatoria de tamaño n es seleccionada al azar y se observa el numero de elementos X (x≤n) en la muestra que tiene la característica de interés.Extrayendo Raíz Cuadrada Intervalos de Confianza bilateral del 100 (1-α) % para σ Intervalo De Confianza Para Una Proporción P Supóngase que estamos interesados en estimar la proporción P de elementos que presentan la característica de interés en un universo dado. Sabemos que: Cuando n es grande (?) Aproximadamente. Estandarizando: Aproximadamente. 15 .

Dividiendo numerador y denominador entre n. tenemos: 16 . tenemos: Estimador puntual de P Es un estimador integrado de P. V.a a utilizar para construir el intervalo de confianza del 100 (1-α) % para P Considerando la partición de la curva normal estándar.

17 . Dos muestras aleatorias independientes de tamaño n 1 y n2 son seleccionadas. Considérese dos poblaciones con medias μ1 y μ2 y varianzas σ12 y σ22 (conocidas) respectivamente. • • Puntual. una de dada población. Por intervalo.Pero: Reacomodando: Al sustituir P por en el error estándar (lo que resulta un error estándar estimado) tenemos que: El intervalo de coeficiente bilateral del 100 (1 – α) % aproximado en P es: Estimación De La Diferencia Entre Dos Medias.

si X1 y X2 son normales o aprox.. es la estimulación puntual de μ1.. . 18 . son las medidas muéstrales.a de tamaño n1 de X1.. X22.μ2..μ2 es X11.μ2.a Z es normal estimada. X1 y X2 denotan las poblaciones de interés.a de tamaño n2 de X2. Normal estándar si n1 y n2 son grandes (TLC).. La distribución de la v. La distribución maestral de es normal si X1 y X2 están distribuidas de forma normal o aproximadamente normal si se completa las condiciones del TLC.…X2n2 donde m. X12. El valor numérico Estimador puntual de μ1.. m.X1n1 X21.Un estimador lógico de μ1..

μ2 del centro de la desigualdad: De donde: 19 .De donde: Sustituyendo Z: Aislar algebraicamente μ1.

Si las varianzas no se conocen y las dos poblaciones son normales. Suposiciones: • Poblaciones normales • Varianza desconocida. pero iguales. • Muestra aleatoria undipendientes de tamaños n1 y n2 20 . Intervalo De Confianza Para μ1. La forma del intercambio anterior se aplica si se conocen σ 12 y σ22. Si no esta dispuesto a suponer normalidad muestras grandes (≥ 30) permitirán el uso de S12 y S22 respectivamente.μ2 Con Varianza Desconocida. la distribución t resulta implicada como en el caso de una muestra.*intervalo de confianza aproximado a menos que las dos poblaciones sean normales.

a T se puede construir. X1n.…. X21. Con la suposición de σ12 = σ22 un intervalo de confianza para μ 1 . 21 .…. X12. X2n2 X11.• Muestras pequeñas. X22.μ2 basado en la v.

un intervalo de confianza de dos lados de100 (1 – α) % aproximado en μ1 .Sustituyendo T Reareglando: De donde: Intervalo de confianza del 100 (1 – α) % para μ1 . σ12= σ22 pero desconocidas. aunque es valida para muestras de cualquier tamaño y funciona satisfactoriamente cuando la población no es normal. mientras que la desviación de la normalidad no se exceda.μ2. A la forma anterior a menudo se le denomina formula del intervalo de confianza para μ 1 .μ2 es: 22 .μ2 en muestras pequeñas. Cuando no es razonable suponer que σ12= σ22.

De donde La construcción del intervalo de confianza anterior se bazo en la variable aleatoria: Intervalo de confianza para μ1 . X2n2 23 .….μ2 Observaciones pareadas Suponer: • Poblaciones normales • Muestras aleatorias dependientes. X11.…. X21. X12. X22. X1n.

Se puede construir un intervalo de confianza para μ1 .• -n1=n2=n n pequeña.μ2 con solo encontrar un intervalo de confianza para μD. 24 . D: denota una población de diferencia.

X11.μ2.….…. σ12 y σ22 no se conocen • Muestras aleatorias independientes.Uso de distribución t. X12. μ1 . X21. Sustituyendo y reacomodando tenemos: Intervalo de confianza de dos lados del 100 (1 – α) % en Intervalo de confianza sobre la razón de Varianzas de dos poblaciones normales Suponer: • Poblaciones normales. X2n2 25 . X1n. X22.

es estimar cada una por separado como se vio anteriormente y después estimar que estimaciones. Estimador puntual de σ22. podemos construir un intervalo de confianza basándonos en la variable aleatoria F. Si σ12 y σ22 son las varianzas de dos poblaciones normales. 26 .La forma mas lógica de estimar (estimador puntual) la razón de dos varianzas. es la razón de estas Estimador puntual de σ12.

Variable aleatoria a utilizar para construir el intervalo de confianza de 100 (1 .α) %. De la figura tenemos: 27 .

Reareglando: De donde: Donde es un valor f con .) Intervalo de confianza de dos lados (Bilateral) del 100 (1 – α) % para . grados es un valor de f similar de libertad que deja un área a la derecha de con grados de libertad (g. 28 . l.

Intervalo De Confianza Para La Diferencia De Dos Proporciones P1 – P2. X1: Nº de elementos en la muestra 1 con la característica de interés. P1 y P2 son parámetros binomiales. P1 – P2 Parámetro. X2: Nº de elementos en la muestra 2 con la característica de interés. Si toman muestras aleatorias independientes de tamaño n1 y n2 respectivamente. P1: Proporción de elementos con la característica de interés en un universo dado. Un estimador lógico de P1 – P2 es: Es posible probar que: 29 . P2: Proporción de elementos con la característica de interés en otro universo dado. la característica de interés deberá ser la misma. Si bien se trata de dos universos diferentes.

De donde: 30 .Se puede construir un intervalo de confianza para P 1 – P2 considerando la distribución muestral de : : Distribución muestral de Para n1 y n2 grandes.

De la curva normal estándar podemos escribir: Sustituyendo para Z. Reareglando: 31 .

¿ ? 32 .De donde un intervalo de confianza de dos lados del 100 (1 – α) % aproximado para P1 – P2 es: La construcción del intervalo de confianza para P1 – P2 se basa en la aproximación normal a la binomial que es adecuada para n1 y n2 grandes.