Este documento discute las aplicaciones de la estimación puntual y por intervalo en la ingeniería y gestión empresarial. Explica que la estimación estadística permite predecir eventos futuros y tomar mejores decisiones al anticipar las condiciones del negocio. También destaca que aunque la generación de información estadística tiene un costo, este es estratégico ya que mejora notablemente la gestión. Finalmente, explica que las estimaciones por intervalo son mejores que las puntuales porque consideran un rango de valores en lugar de un solo punto
Este documento discute las aplicaciones de la estimación puntual y por intervalo en la ingeniería y gestión empresarial. Explica que la estimación estadística permite predecir eventos futuros y tomar mejores decisiones al anticipar las condiciones del negocio. También destaca que aunque la generación de información estadística tiene un costo, este es estratégico ya que mejora notablemente la gestión. Finalmente, explica que las estimaciones por intervalo son mejores que las puntuales porque consideran un rango de valores en lugar de un solo punto
Este documento discute las aplicaciones de la estimación puntual y por intervalo en la ingeniería y gestión empresarial. Explica que la estimación estadística permite predecir eventos futuros y tomar mejores decisiones al anticipar las condiciones del negocio. También destaca que aunque la generación de información estadística tiene un costo, este es estratégico ya que mejora notablemente la gestión. Finalmente, explica que las estimaciones por intervalo son mejores que las puntuales porque consideran un rango de valores en lugar de un solo punto
Aplicaciones de la estimacin puntual y por intervalo
en ingeniera en gestin empresarial
Haciendo referencia a varias funciones de la estadstica, prcticamente como una definicin de la misma, habla acerca de que la estadstica se ocupa de la recoleccin, organizacin, presentacin, anlisis e interpretacin de datos. La recoleccin de los datos puede ser una de las tareas ms arduas, desde la eleccin de las fuentes de esos datos, pasando por la elaboracin de instrumentos y levantado de informacin hasta su tabulacin y cifrado, prosigue con el esfuerzo por organizar y presentar esos datos de una manera significativa y descriptiva, colocndolos de una manera lgica que revele rapidamente el mensaje que contienen. Posteriormente ya que han sido correctamente organizados y presentados, el estadista deber analizarlos e interpretarlos para obtener informacin que facilite la toma de decisiones y ayude en la solucin de problemas.
Es ah donde radica esa utilidad para el administrador de una empresa, en que
a travs de la aplicacin de procedimientos estadsticos precisos, pueden predecirse algunos sucesos futuros con cierto grado de exactitud y eso beneficiar profundamente a la empresa. Anticipando algunas condiciones del negocio antes de que ocurran. Por ejemplo si la empresa puede estimar como van a estar sus ventas en algn momento del futuro cercano, puede hacer planes ms exactos y efectivos acerca del presente; tomando decisiones relacionadas con los volmenes de inventario, requerimientos de materia prima, contratacin de empleados y otra serie de aspectos de operacin del negocio.
Y si bien la generacin de toda esa informacin tiene un costo, el mismo es
estratgico, ya que contribuir notablemente a una mejor gestin. Peter Drucker "el padre del management" afirma que las mediciones son la clave. Si usted no puede medirlo, no puede controlarlo. Si no puede controlarlo, no puede gestionarlo. Si no puede gestionarlo, no puede mejorarlo. La falta sistemtica o ausencia estructural de estadsticas en las organizaciones impide una administracin cientfica de las mismas.
Estimacin por intervalo
Las estimaciones puntuales no son una buena opcin cuando constituyen el centro del objetivo, aunque solucionan problemas de procedimiento, por lo que son absolutamente necesarias.
EJEMPLO.- Estimacin por Intervalo de confianza para con
desconocida El administrador de una planta industrial generadora de energa desea estimar, por intervalo, la cantidad de carbn que se consumi por trmino medio semanalmente durante ao pasado. Para ello toma una muestra de 10 semanas. El consumo medio fue de 11.400 toneladas, la desviacin estndar muestral 700 toneladas. Cul ser el intervalo de confianza del 95% para el consumo medio semanal durante el ao pasado? (Supongamos normalidad). Tenemos X como la distribucin de toneladas de carbn consumidas cada semana del ao pasado por la planta de energa y su media y su desviacin estndar desconocidas X (,) Aunque n < 30, suponemos que la media muestral, X, sigue una distribucin normal X N ( ,S S / n) x = x = Para estimar la desviacin estndar poblacional vamos a utilizar la desviacin estndar muestral S que es 700 toneladas. Por lo tanto, el intervalo de confianza del 95% para el consumo promedio de toneladas de carbn en cada semana del ao pasado, es decir para , ser: = = 11 400 500 76 = 10 700 11 400 2 262 2 1 . , . , n S X t(n , ) (10.899 ; 11.901) Utilizamos la t-Student porque la desviacin estndar poblacional es desconocida. En las tablas, 2 262 20 05 10 1 ) , , t( , = , una t-Student con 10 1 = 9 grados de libertad que deja su derecha un rea de 0,025. = 0,05 porque el nivel de confianza es de 1 = 0,95 Con una confianza del 95%, el consumo promedio semanal de carbn durante el ao pasado por esta planta de energa estar entre 10.899 toneladas y 11.901 toneladas. Si extraemos varias muestras del mismo tamao y calculamos un intervalo de confianza para cada muestra, el 95% de todos los intervalos van a incluir al consumo promedio poblacional de toneladas de carbn por semana durante el ao pasado por la planta de energa.
Por qu estimar por intervalo
Por un lado, una estimacin puntual es una mala opcin. Que el parmetro tenga exactamente el valor del estimador es una casualidad de difcil ocurrencia. Queremos estimar el tiempo medio que una persona pasa entre una respiracin y la siguiente cuando duerme. Acotamos la poblacin: nos preocupan los adultos (al menos 18 aos de edad) europeos. Demasiados millones como para pensar que podemos abordar a toda la poblacin. As que seleccionamos una muestra aleatoria simple de 350 habitantes del continente con 18 o ms aos. El tiempo medio en la muestra es de 5 segundos. Si hacemos una estimacin puntual diremos que el tiempo medio en la poblacin es tambin de 5 segundos. Imaginemos que somos capaces de conocer el valor real en la poblacin. Es 5,2 segundos. Hemos acertado? Qu significa 5 segundos? En principio, son 5 segundos exactamente. Esto lo diferencia de, por ejemplo, 5,0013 o de 4,9987. Sin embargo, la gran mayora de las personas seguramente aceptaran cualquiera de ambas aproximaciones como un acierto meritorio, pues solo se alejan de 5 en 13 diezmilsimas, una cantidad demasiado pequea como para penalizar el estudio y afirmar que no acert. Si nos comportamos de ese modo es que no estamos haciendo una estimacin puntual, sino considerando un intervalo alrededor de 5 que marca la desviacin admisible o una especie de cuanta mxima de error que nos permite afirmar que realmente se trata de un acierto. Demasiado enrevesado no crees? Si la estimacin puntual es utilizar un punto, no podemos estar utilizando un intervalo y seguir hablando de estimacin puntual. As pues, 5 segundos es un error, pues no coincide exactamente con el valor del parmetro, que es 5,2. Le daremos ms o menos importancia, pero la estimacin no acert en el valor real. Con poco que pensemos sobre esto, la conclusin es muy clara: en sentido estricto, las estimaciones puntuales yerran. Lo que hacemos o deseamos hacer en la prctica son estimaciones por intervalo. Consiste en utilizar el clebre ms o menos. Diremos, en nuestro ejemplo, que el tiempo medio que una persona dormida ocupa entre dos respiraciones es ms o menos 5 segundos. No obstante, desde el campo de la estadstica, ese ms o menos es demasiado impreciso. Est incompleto. Es necesario responder a ms o menos qu? Hay que manejar
alguna precisin. Por ejemplo: ms o menos 0,4 segundos. Si la estimacin es
as, entonces estamos concluyendo con un intervalo: el tiempo medio es de 5 0,4 = {4,6 ; 5,4}.
EJEMPLO.- Estimacin puntual
En un ejemplo clsico, solemos afirmar que las escopetas de feria estn diseadas para errar, para desviarse. Si esa desviacin es fija, es decir, si esa desviacin es una tendencia a errar hacia un sentido concreto, entonces hablamos de sesgo. Si no es fija, entonces se trata de una variacin aleatoria. Observa la figura 1. El objetivo es dar al centro de la diana. El rea de disparos A muestra una variacin aleatoria, pero sin sesgo pues apunta correctamente alrededor del objetivo. El rea B muestra un sesgo claro: todos los disparos dan en un mismo punto y ese punto no es el centro de la diana, estamos errando. El rea C ejemplifica una mezcla de ambos: existe sesgo y variacin aleatoria, puesto que los disparos impactan en un rea con cierta dispersin aleatoria pero concentrada en torno a un punto desplazado del objetivo.
Los estimadores siempre suministran dispersin aleatoria. Como sabemos del
monogrfico sobre muestreo, el conjunto de todas las muestras de un mismo diseo que provienen de una misma poblacin suministran valores diferentes. Esta circunstancia indica que existe una variacin aleatoria con la que hay que vivir porque es inevitable. Pero todava sera peor. Es posible que el estimador escogido tenga sesgo, es decir, que no solo est variando alrededor de un
punto, sino que el punto sobre el que vara no es el valor poblacional,
verdadero u objetivo de nuestro inters. Esto si es evitable. As que los estimadores que utilizamos intentamos que sean insesgados, es decir, que carezcan de sesgo. El recurso que utilizamos para ello es el valor esperado, es decir, la media aritmtica de la distribucin muestral del estimador. Ya lo viste en el monogrfico sobre muestreo. El valor esperado es, como dice la expresin, el valor que esperamos. Cabe elegir un estimador tal que el valor esperado coincida con el parmetro. Esto ocurre si utilizamos la media aritmtica de la muestra como estimador de la media aritmtica de la poblacin, pues E(XX ) = . Tambin ocurre con las proporciones, pues E(p) = . Pero no ocurre as con la varianza (y, por tanto, tampoco con la desviacin tipo) pues E(S 2 ) 2 . Esto ya lo hemos abordado en el monogrfico sobre muestreo. Lo que hacemos entonces es escoge otro estimador. En el muestreo aleatorio simple donde las poblaciones son de gran tamao, es la cuasivarianza el estadstico escogido como estimador de la varianza poblacional, pues E(S 2 )= 2 , es decir, la cuasivarianza es un estimador insesgado de la varianza poblacional.