Y
ESTIMACION POR INTERVALOS
1. 1.ESTIMACIN PUNTUAL
Si a partir de las observaciones de una muestra se calcula un solo valor
como estimacin de un parmetro de la poblacin desconocido, el
procedimientose denomina estimacin puntual.
Por ejemplo queremos estimar la nota media de los alumnos de bachiller
en la asignatura de matemticas que notaremos . Sea X la variable
aleatoria que indica la nota obtenida por cada estudiante. Tomamos una
muestra de tamao n y denotamos la nota media de la muestra. Si al tomar
una muestra de 100 estudiantes obtenemos que la media es 62, este
nmero lo tomaramos como estimativo de . Decimos que 62 es una
estimacin puntual de .
Un estimador puntual T de un parmetro es cualquier estadstica que nos
permita a partir de los datos muestrales obtener valores aproximados del
parmetro .
Para indicar que T es un estimador del parmetro escribimos =T .
Con esto queremos decir que empleamos la expresin dada mediante T
para obtener valores prximos al valor del parmetro.
Es muy probable que haya error cuando un parmetro es estimado. Es
cierto que si el nmero de observaciones al azar se hace suficientemente
grande, stas proporcionaran un valor que casi sera semejante al
parmetro; pero a menudo hay limitaciones de tiempo y de recursos y se
tendr que trabajar con unas cuntas observaciones. Para poder utilizar la
informacin que se tenga de la mejor forma posible, se necesita identificar
las estadsticas que sean buenos estimadores. Hay cuatro criterios que se
suelen aplicar para determinar si una estadstica es un buen estimador:
Insesgamiento, eficiencia,consistencia y suficiencia
2. PROPIEDADES DE UN ESTIMADOR
Existe una propiedad que comprende conjuntamente las
propiedades de insesgamiento y eficiencia. Se trata del error cuadrtico
medio.
Sea T un estimador del parmetro . El error cuadrtico medio de
T, denotado ECM(T), se define como el valor esperado de (T- )2 .
ECM(T) = E[(T- )2]
Cul es la informacin que nos proporciona el error cuadrtico
medio?
Nos referimos al promedio de los cuadrados de las
observaciones. Si ste es pequeo, debemos aceptar que hay una
tendencia para que los valores (T- ) sean pequeos, y as lo ser
TEOREMA:
Sea X1, X2, ..., Xn una muestra aleatoria de cierta distribucin de
media y varianza . Entonces:
a)
a)T1= es un estimador
insesgado de .
b) b)T2=S2 es un estimador insesgado de .
La propiedad de insesgamiento nos garantiza que las estimaciones
que hagamos con el estimador se encuentran alrededor del parmetro en
cuestin, de esto podemos deducir la siguienteREGLA DE PROCEDIMIENTO:
REGLA 1 : Si tenemos T1 y T2 estimadores del parmetro y uno
de ellos es insesgado, entonces escoja el insesgado.
Continuando con el ejemplo escogeramos la media muestral
como mejor estimador de la media.
Los siguientes grficos ilustran el significado de estimador
insesgado y estimador sesgado
Una vez que tenemos dos estimadores con el mismo sesgo
deberamos tener otra regla que nos permita elegir uno en lugar del otro,
as llegamos a la SEGUNDA REGLA DE PROCEDIMIENTO :
REGLA 2 : Si tenemos T1 y T2 estimadores del parmetro ambos
insesgado, entonces escoja el de menor varianza.
Tenemos que tener en cuenta otras propiedades de los
estimadores consistencia y eficiencia.
La consistencia se refiere al comportamiento de un estimador, a
medida que la muestra se va tomando de un tamao mayor.
T es un estimador consistente para , si se cumple que ,
cuando n tiende a infinito.
Es decir un estimador es consistente si a medida que aumenta el
tamao de la muestra, la probabilidad de que se acerque al parmetro va
siendo mayor.
Un estimador T del parmetro es suficiente cuando es capaz de
sustraer de la muestra toda la informacin que sta contengaacerca del
parmetro.
Los estimadores de mayor uso como la media muestral, la
varianza muestral y la proporcin muestral son buenos estimadores.
La pregunta que nos podemos hacer es cmo se obtiene un
estimador? Los mtodos ms comunes son el de mxima verosimilitud,
mtodo de los momentos muestrales y mtodo de los mnimos cuadrados.
Estudiaremos el mtodo de mxima verosimilitud.
3. ESTIMACIN DE MXIMA VEROSIMILITUD.
La estimacin de mxima verosimilitud consiste en considerar todos
los valores posibles del parmetro de la poblacin y calcular la probabilidad de
que se obtenga ese estimador particular, dados todos los valores posibles del
parmetro.
Ejemplo:
Deseamos conocer la proporcin de estudiantes de cierta universidad que estn a favor de un cambio de sede.
4. = , proporcin muestral.
Este estimador se emplea para estimar , y se escribe .
5. T=N , total poblacional. Este estimador se emplea para estimar el
total poblacional y se escribe =N .
6. T=N , total poblacional. Este estimador se emplea para estimar el
total poblacional de individuos que poseen una determinada
caracterstica y se escribe =N .
EJERCICIOS SOBRE EL USO DE LOS ESTIMADORES
2.
3.
4.
5.
ESTIMADOR
ERROR ESTNDAR
=
N
=
5. ESTIMACIN POR INTERVALOS.
Nos proponemos determinar dos nmeros entre los cuales se halla el
parmetro estudiado con cierta certeza.
El procedimiento para obtener un intervalo (de confianza) para un
parmetro, la media , por ejemplo, requiere de la determinacin de un
estimador del parmetro y de la distribucin del estimador.
Ejemplo
Tratamos de obtener un intervalo de confianza para la media de una
poblacin normal.
Sabemos que si X sigue una normal de media y varianza entonces la
media muestral sigue una normal de la misma media y de varianza la varianza
poblacional partida por n, tamao de la muestra.
Vamos a determinar a y b tales que P[a< <b]=095.
Para calcular estos valores es necesario estandarizar X:
= 095.
Por lo tanto = 095.
En realidad hay infinitos pares de nmeros para los que se cumple la
ecuacin anterior. De stos vamos a escoger el par de nmeros que se
hallan situados simtricamente respecto de cero en la distribucin normal.
Llegamos a que
y
A partir de estas ecuaciones obtenemos a = y b = .
Con lo que obtendramos .
O lo que es lo mismo .
El intervalo se llama intervalo (aleatorio) de confianza para .
A partir de los datos muestrales podemos determinar el valor de y
obtenemos as un intervalo numrico. El valor 196 se debe a que pedamos
una probabilidad de 095. Para indicar el intervalo para cualquier valor de
probabilidad podemos utilizar la expresin . Expresin que puede
simplificarse .
, se llama longitud del intervalo.
Un intervalo de confianza para un parmetro es un intervalo
construido alrededor del estimador del parmetro de tal manera que
podemos esperar que el verdadero valor del parmetro quede incluido en
dicho intervalo.
El nivel de confianza de un intervalo es una probabilidad(expresada en
porcentaje) que representa la seguridad de que el intervalo encierra el
verdadero valor del parmetro .
NORMAL
DISTRIBUCIN JI CUADRADO
T
DISTRIBUCIN F
EJERCICIO1
POBLACIN
NORMAL
MEDIA
VARIANZA CONOCIDA
O VARIANZA
DESCONOCIDA Y N>30
EJERCICIO2
POBLACIN
NORMAL
DIFERENCIA
DE
MEDIAS
PROPORCIN
DIFERENCIA DE
PROPORCIONES
VARIANZA
DESCONOCIDA Y N<30
POBLACIONES
NORMALES
INDEPENDIENTES.
VARIANZAS
CONOCIDAS.
POBLACIONES
NORMALES
INDEPENDIENTES.
VARIANZAS IGUALES
DESCONOCIDAS
SE RECOMIENDA EL
USO DE ESTA
FRMULA EN
MUESTRAS DE
TAMAO GRANDE
SE RECOMIENDA EL
USO DE ESTA
FRMULA EN
MUESTRAS DE
TAMAO GRANDE
EJERCICIO3
EJERCICIO4
EJERCICIO5
EJERCICIO6
VARIANZA
COCIENTE DE
VARIANZAS
POBLACIONES
NORMALES
MUESTRAS
INDEPENDIENTES DE
POBLACIONES
NORMALES
EJERCICIO7
; b=
EJERCICIO8