You are on page 1of 14

TALLER NO 4

ESTIMACION PUNTUAL E INTERVALO

MARIA ALEJANDRA VARGAS RAMIREZ 000321231


FABIAN HERMIDA CORREA 000381883

CORPORACIÓN UNIVERSITARIA MINUTO DE DIOS – UNIMINUTO


PROGRAMA ADMINISTRACIÓN EN SALUD OCUPACIONAL
NEIVA-HUILA
2017

1
TALLER NO 4
ESTIMACION PUNTUAL E INTERVALO

MARIA ALEJANDRA VARGAS RAMIREZ 000321231


FABIAN HERMIDA CORREA 000381883

Tutor

LUIS ARIEL NINCO NINCO


Licenciado en Matemáticas y Física, Magíster en Física.

CORPORACIÓN UNIVERSITARIA MINUTO DE DIOS – UNIMINUTO


PROGRAMA ADMINISTRACIÓN EN SALUD OCUPACIONAL
NEIVA-HUILA
2017

2
Tabla de contenido
INTRODUCCION. .................................................................................................................................. 4
OBJETIVOS ........................................................................................................................................... 5
ESTIMACION PUNTUAL E INTERVALOS ............................................................................................... 6
ESTIMADOR INSESGADO .................................................................................................................. 10
ESTIMACION EFICIENCIA ................................................................................................................... 11
ESTIMADOR CONSISTENCIA .............................................................................................................. 11
ESTIMADOR SUFICIENTE ................................................................................................................... 12
CONCLUSION ..................................................................................................................................... 13

3
INTRODUCCION

Nos muestra como conocer y saber calcular las estimaciones puntuales y por intervalo
para la media ya sea conocida o no la desviación estándar poblacional, así como las
estimaciones para la probabilidad de éxito en una binomial. En el caso en que
conozcamos todos los elementos de una población, es sencillo calcular todos los
parámetros asociados; sin embargo, en la mayoría de casos no será así, y necesitaremos
estimar algunos de ellos a partir de los parámetros de la muestra

4
OBJETIVOS

 Entender los conceptos de estimación puntual y estimación por intervalos.


 Calcular las estimaciones para la media poblacional, tanto en el caso en que la desviación
estándar poblacional sea conocida como en el caso de que sea desconocida.
 Calcular las estimaciones (puntuales y por intervalos) para la probabilidad de éxito de una
binomial.
 Saber interpretar correctamente los resultados de las estimaciones por intervalos

5
ESTIMACION PUNTUAL E INTERVALOS

ESTIMACION PUNTUAL ESTIMACION INTERVALOS


 Una estimación puntual del valor  Un estimador por intervalos de un
de un parámetro poblacional parámetro poblacional es un intervalo
desconocido (como puede ser la en el que hay una probabilidad
media µ , o la desviación estándar determinada de encontrar dicho
σ ), es un número que se utiliza parámetro.
para aproximar el verdadero valor  Estimación de la media y
de dicho parámetro poblacional. diferencias de medias
A fin de realizar tal estimación,  Estimación de la proporción y
tomaremos una muestra de la diferencia de proporciones
población y calcularemos el  Estimación de la varianza y
parámetro muestral asociado (x cociente de varianza
para la media, s para la  Dada una población X, que sigue una
desviación estándar, etc.). El distribución cualquiera con media µ y
valor de este parámetro muestral desviación estándar σ .
será la estimación puntual del
parámetro poblacional.  Sabemos (por el TCL) que, para
valores grandes de n , la media
muestral x sigue una distribución
aproximadamente normal con media
µ x = µ y desviación estándar n x σ
=σ.
 Por otra parte, el Teorema de
Chebyshev nos dice que, en una
distribución normal,
aproximadamente un 95% de los
datos estaban situados a una
distancia inferior a dos desviaciones
estándar de la media.

6
 Insesgado: Un estimador es Por tanto, ésta última fórmula nos

insesgado cuando la media de su da un intervalo de valores tal que la

distribución muestral asociada probabilidad de que la media de la

coincide con la media de la población µ esté contenida en él es

población. Esto ocurre, por de 0,95. Este tipo de intervalos se

ejemplo, con el estimador x , ya llaman intervalos de confianza de un

que µ x = µ y con estimador p´ ya parámetro poblacional. El nivel de

que p confianza (1 - α) del intervalo es la

 De varianza mínima: La probabilidad de que éste contenga al

variabilidad de un estimador parámetro poblacional. En el

viene determinada por el ejemplo anterior, el nivel de

cuadrado de su desviación confianza era del 95% (α = 0,05).

estándar. En el caso del estimador


x , su desviación estándar

Observar que cuanto mayor sea el


tamaño de la muestra n , menor
será la variabilidad del estimador
x y de p´, por tanto, mejor serán
nuestras estimaciones.

7
 I.C. media
 I.C. varianza
 I.C. proporciones
 I.C. diferencia de medias
 I.C. diferencia de proporciones

8
9
ESTIMADOR INSESGADO
Se dice que un estimador es insesgado si la Media de la distribución del estimador es igual al parámetro.

Estimadores insesgados son la Media muestral (estimador de la Media de la población) y la varianza


(estimador de la varianza de la población).

Ejemplo

En una población de 500 puntuaciones cuya Media (m) es igual a 5.09 han hecho un muestreo aleatorio
(número de muestras = 10000, tamaño de las muestras=100 ) y hallan que la media de las medias
muestrales es igual a 5.09, (la media poblacional y la media de las medias muéstrale coinciden). En
cambio, la Mediana de población es igual a 5 y media de las Medianas es igual a 5.1 esto es, hay
diferencia ya que la Mediana es un estimador sesgado.

10
ESTIMACION EFICIENCIA

Diremos que un estimador es más eficiente que otro si la varianza de la distribución maestral del
estimador es menor a la del otro estimador. Cuanto menor es la eficiencia, menor es la confianza
de que el estadístico obtenido en la muestra aproxime al parámetro poblacional.

Ejemplo

La varianza de la distribución muestral de la Media en un muestreo aleatorio (número de


muestras: 1000, n= 25) ha resultado igual a 0.4. La varianza de la distribución de Medianas ha
resultado, en el mismo muestreo, igual a 1.12, (este resultado muestra que la Media es un
estimador más eficiente que la Mediana).

ESTIMADOR CONSISTENCIA
Un estimador es consistente si aproxima el valor del parámetro cuanto mayor es n (tamaño de la
muestra).

Algunos estimadores consistentes son:

Ejemplo

En una población de 500 puntuaciones cuya Media (m) es igual a 4.9 han hecho tres muestreos
aleatorios (número de muestras= 100) con los siguientes resultados:

Vemos que el muestreo en que n=100 la Media de las medias muéstrales toma el mismo valor
que la Media de la población.

11
ESTIMADOR SUFICIENTE

Se dice que un estimador es suficiente cuando resume toda la información relevante contenida en
la muestra, de forma que ningún otro estimador pueda proporcionar información adicional sobre
el parámetro desconocido de la población. Por ejemplo, la media muestral sería un estimador
suficiente de la media poblacional, mientras que la moda no lo sería.

Decimos que un estimador es suficiente cuando es suficiente como estadístico, esto es, cuando
tiene tanta información sobre el parámetro como la propia muestra.

12
CONCLUSION

Es un conjunto de técnicas que permiten dar un valor aproximado de un parámetro de una


población a partir de los datos proporcionados por una muestra. El nivel de confianza con el que
deseamos trabajar dependerá la precisión de la estimación.

13
BIBLIOGRAFIA

http://www.uv.es/webgid/Inferencial/4_estimacin_puntual.html

file:///C:/Users/FIJACION/Documents/DOCUMENTOS%20ALEJA/UNI/SEXTO/ESTADISTICA%20INFERENCI
AL/estimacion%20estadistica.pdf

https://www.uoc.edu/in3/emath/docs/Estimacion_IC.pdf

http://www.uv.es/webgid/Inferencial/42_caractersticas_estimadores.html

https://es.slideshare.net/alexanderfloresvalencia/estimacion-puntual-propiedades-de-las-estimaciones-
estimacion-por-intervalos-de-confianza

14