UNIVERSIDAD NACIONAL AMAZONICA
DE MADRE DE DIOS
MADRE DE DIOS CAPITAL DE LA
BIODIVERSIDAD DEL PERÚ
CARRERA PROFESIONAL DE CONTABILIDAD Y
FINANZAS
SEMESTRE : 2018 - II
ASIGNATURA : ESTADISTICA II
ALUMNO : LUIS FERNANDO MAMANI CAJIA
DOCENTE : SOLEDAD PAUCAR SULLCA
PUERTO MALDONADO
2018
ESTIMACION DE PARAMETROS
1. INTRODUCCION A LA ESTADISTICA INFERENCIAL
La estadística inferencial es una parte de la estadística que comprende
los métodos y procedimientos que por medio de la inducción determina
propiedades de una población estadística, a partir de una parte de esta.
Su objetivo es obtener conclusiones útiles para hacer deducciones sobre
una totalidad, basándose en la información numérica de la muestra.
Se dedica a la generación de los modelos, inferencias y predicciones
asociadas a los fenómenos en cuestión teniendo en cuenta la aleatoriedad
de las observaciones. Se usa para modelar patrones en los datos y extraer
inferencias acerca de la población bajo estudio. Estas inferencias pueden
tomar la forma de respuestas a preguntas sí/no (prueba de hipótesis),
estimaciones de unas características numéricas (estimación), pronósticos
de futuras observaciones, descripciones de asociación (correlación) o
modelamiento de relaciones entre variables de Sam (análisis de
regresión). Otras técnicas de modelamiento incluyen análisis de
varianza, series de tiempo y minería de datos
2. CONCEPTO DE ESTIMACIÓN PUNTUAL DE
PARÁMETROS.
La estimación de parámetros tiene por finalidad asignar valores a los
parámetros poblacionales a partir de los estadísticos obtenidos en las
muestras. Dicho de otra manera, la finalidad de la estimación de
parámetros es caracterizar las poblaciones a partir de la información de
las muestras (por ejemplo, inferir el valor de la Media de la población a
partir de los datos de la muestra).
3. PROPIEDADES DESEABLES DE ESTIMADORES.
a) Estimador insesgado
Si tenemos un gran número de muestras de tamaño n y obtenemos el
valor del estimador en cada una de ellas, sería deseable que la media
de todas estas estimaciones coincidiera con el valor de μ.
Se dice que un estimador es insesgado si su esperanza matemática
coincide con el valor del parámetro a estimar.
b) Estimador eficiente
Se dice que los estimadores son eficientes cuando generan una
distribución muestral con el mínimo error estándar, es decir, entre dos
estimadores insesgados de un parámetro dado es más eficiente el de
menor varianza.
c) Estimador consistente
Un estimador se dice consistente cuando su valor tiende hacia el
verdadero valor del parámetro a medida que aumenta el tamaño de la
muestra. Es decir, la probabilidad de que la estimación sea el verdadero
valor del parámetro tiende a 1.
d) Estimador suficiente
Se dice de un estimador que es suficiente cuando es capaz de extraer
de los datos toda la información importante sobre el parámetro
.
4. TEOREMA DEL LÍMITE CENTRAL.
El teorema del límite central o teorema central del límite indica que, en
condiciones muy generales, si Sn es la suma de n variables aleatorias
independientes y de varianza no nula pero finita, entonces la función de
distribución de Sn «se aproxima bien» a una distribución normal
(también llamada distribución gaussiana, curva de Gauss o campana de
Gauss). Así pues, el teorema asegura que esto ocurre cuando la suma
de estas variables aleatorias e independientes es lo suficientemente
grande.
5. DISTRIBUCIÓN MUESTRAL DE LA: MEDIA,
PROPORCIÓN, VARIANZA, RAZÓN DE
VARIANZAS, DIFERENCIA DE DOS MEDIAS,
DIFERENCIA DE DOS PROPORCIONES, RAZÓN
DE VARIANZAS
DISTRIBUCION MUESTRAL DE LA MEDIA
La distribución muestral de la proporción muestral es la
distribución de los valores de las proporciones muéstrales de
todas las posibles muestras del mismo tamaño n tomadas de la
misma población.
PROPIEDADES:
1) La media de las medias muéstrales en una actividad de
muestreo con apego a las bases técnicas, es igual a la
media de la población. Entre el valor de la media
muestral y el valor de la media de la población, no existe
diferencia significativa.
E( x̄ ) = μ.
2) El error estándar de la muestra es igual al valor de la
desviación estándar de la población dividida entre la raíz
cuadrada de “n”. No existe diferencia significativa entre
ambos valores.
𝑂2
V( x̄ ) = 𝑛
3) La distribución del muestreo de la media o de la
proporción, cuando ha sido realizada técnicamente y el
número de observaciones es de treinta o más, tiene un
comportamiento normal o aproximadamente normal.
x̄ − 𝛍.
Z= 𝑶
√𝒏
DISTRIBUCION MUESTRAL DE LA
PROPORCION
La distribución muestral de la proporción muestral es la
distribución de los valores de las proporciones muéstrales de
todas las posibles muestras del mismo tamaño n tomadas de la
misma población.
PROPIEDADES:
1) La esperanza de la proporción muestral es igual a la
proporción poblacional.
E(𝑝̅ ) = p.
2) La varianza de la proporción muestral es igual a la
proporción poblacional por 1 menos la proporción
poblacional sobre el tamaño de muestra.
𝒑(𝟏−𝒑)
̅) =
V(𝒑 𝒏
3) Cuando el tamaño de la muestra es suficientemente
grande, la distribución de la variable se aproxima a la
distribución normal estándar por el teorema de límite
central.
DISTRIBUCION MUESRAL DE LA VARIANZA
Si 𝑆 2 es la varianza de una muestra aleatoria de tamaño
n, obtenida de una población normal con varianza, La
distribución muestral del estimador de la Varianza, (la
Cuasi varianza) es:
(𝒏 − 𝟏)𝑺𝟐 𝟐
→ 𝑿 𝒏−𝟏
𝑶𝟐
DISTRIBUCION MUESTRAL DE LA
RAZON DE VARIANZAS
2 2
Si 𝑆 𝑦 𝑆 son las varianzas de dos muestras aleatorias
1 2
independientes de tamaños n1 y n2, obtenidas de dos
2 2
poblaciones normales con varianza respectiva O y O , la
1 2
distribución muestral de la razón de varianza es:
𝟐 𝟐 𝟐 𝟐
𝑺 /𝑶 𝑺 𝑶
F= 𝟏𝟐 𝟏𝟐 = 𝟏 𝟐
𝟐 𝟐 → 𝑭(𝒏𝟏 −𝟏)(𝒏𝟐 −𝟏)
𝑺 /𝑶 𝑺 𝑶
𝟐 𝟐 𝟐 𝟏
6. CONCEPTO DE ESTIMACIÓN POR INTERVALO.
La estimación por intervalos consiste en establecer el intervalo de
valores donde es más probable se encuentre el parámetro. La obtención
del intervalo se basa en las siguientes consideraciones:
a) Si conocemos la distribución muestral del estimador podemos obtener
las probabilidades de ocurrencia de los estadísticos muestrales.
b) Si conociéramos el valor del parámetro poblacional, podríamos
establecer la probabilidad de que el estimador se halle dentro de los
intervalos de la distribución muestral.
c) El problema es que el parámetro poblacional es desconocido, y por
ello el intervalo se establece alrededor del estimador. Si repetimos el
muestreo un gran número de veces y definimos un intervalo alrededor
de cada valor del estadístico muestral, el parámetro se sitúa dentro de
cada intervalo en un porcentaje conocido de ocasiones. Este intervalo es
denominado "intervalo de confianza".
7. CÁLCULO DEL TAMAÑO DE MUESTRA PARA LA
ESTIMACIÓN PARÁMETROS.
En todos los estudios es preciso estimar las posibles perdidas de pacientes por
razones diversas (pérdida de información, abandono, no respuesta….) por lo que se
debe incrementar el tamaño muestral respecto a dichas pérdidas.
El tamaño muestral ajustado a las pérdidas se puede calcular:
Muestra ajustada a las pérdidas = n (1 / 1–R)
n = número de sujetos sin pérdidas
R = proporción esperada de pérdidas
Así por ejemplo si en el estudio anterior esperamos tener un 15% de pérdidas el
tamaño muestral necesario seria: 48 (1 / 1-0.15) = 56 pacientes en cada grupo.
