S.E.P. S.E.S.
TecNM
Instituto Tecnológico Nacional de México
Instituto Tecnológico de Aguascalientes.
Estadística Inferencial
Unidad II
Resumen de la Unidad
Alumno(a):
Delgado Landeros Christian Alejandro.
02/10/2023. Aguascalientes, Ags.
Introducción
En este trabajo hablare sobre los parámetros sobre los cuales se hablo
en esta unidad de estadística.
Destacando los temas y formulas utilizadas para la resolución de
problemas de esta misma unidad. Recabando todos los datos vistos y
la información obtenida.
3.1.1. Necesidad de la estimación
Las fábricas a menudo necesitan evaluar las características de rendimiento de un
producto considerando aspectos como la resistencia, el peso o la durabilidad
promedio. La estimación incluye: evaluar inventarios, estimar los costos del
proyecto, evaluar nuevas fuentes de energía, predecir el desempeño del trabajo y
estimar los tiempos objetivo para las tareas asignadas.
3.2. Características de un buen estimador. Propiedades de los Estimadores
• Un estimador es una regla que establece cómo calcular una estimación
basada en las mediciones contenidas en una muestra.
• Estimador Insesgado. Un estadístico es un estimador insesgado del
parámetro, sí θ ) = θ
Eficiencia Relativa. Si se consideran todos los estimadores insesgados posibles de
algún parámetro θ, aquel con la varianza más pequeña es el estimador más
eficiente.
Estimador Consistente. El estimador insesgado θˆ para θ es un estimador
consistente de θ si ) 0 ˆ ) y lím V( ˆ lim E( n→∞ θ = θ n→∞ θ =
3.3. Estimación puntual
El método de máxima verosimilitud encuentra un conjunto de valores, denominados
estimaciones de máxima verosimilitud, en los que la función de logaritmo de
verosimilitud alcanza su máximo local. Los estimadores son los parámetros de
efectos fijos, los componentes de varianza y la varianza residual.
Para obtener el valor de θ que maximiza la función de verosimilitud se utiliza el
método de
localización de máximos y mínimos siguiente:
Paso 1. Calcule la primera derivada de la función y resuelva la ecuación que se
obtiene al
igualar a cero dicha derivada.
Paso 2. Investigue si los valores encontrados de θ encontrados en el paso 1 son
máximos o
mínimos locales.
• Calcule la segunda derivada y evalúela en cada valor encontrado en el paso
1
• Si la segunda derivada es menor que cero entonces L(θ ) tiene un máximo
• Si la segunda derivada es mayor que cero entonces L(θ ) tiene un mínimo
3.3.2. Métodos del Momento
El método de los momentos consiste en igualar el primer momento de una población
con los momentos correspondientes de una muestra, obteniendo así tantas
ecuaciones como sean necesarias para resolver y obtener el primer parámetro
desconocido de la población.
El k-ésimo momento de la muestra de un conjunto de observaciones x1 x2 xn , , ,
es la
media de sus k-ésimas potencias y se representa por medio de , mk ; en forma
simbólica:
Por lo tanto el método de momentos consiste en solucionar el sistema de
ecuaciones
para obtener los p parámetros de la población
3.4. Intervalos de confianza para la media
3.4.1. Intervalo de confianza para µ, conociendo σ. i x es la media de una muestra
aleatoria de tamaño n de una población con varianza conocida σ 2 , el intervalo de
confianza del (1−α ) 100% para µ es n x z n x z
3.4.2 Intervalo de confianza para µ, con σ desconocida ( n ≥ 30 ). Si x y s son la
media y la desviación estándar de una muestra aleatoria de tamaño n de una
población normal con varianza desconocida σ 2 , el intervalo de confianza del (1 −
α )100% para µ es
3.4.3 Intervalo de confianza para µ, con σ desconocida ( n < 30 ). Si x y s son la
media y la desviación estándar de una muestra aleatoria de tamaño n de una
población normal con varianza desconocida σ 2 , el intervalo de confianza del (1 −
α )100% para µ es
3.5 Estimación por Intervalos de Confianza para la Diferencia entre Dos Medias
El intervalo de confianza para la diferencia de medias es un intervalo que
proporciona un valor máximo y un valor mínimo entre los cuales se encuentra el
valor de la diferencia de las medias de dos poblaciones con un determinado nivel
de confianza.
3.5.1 Intervalos de Confianza para la Diferencia entre Dos Medias, µ1 - µ2 ;
conociendo σ y σ . Si 1 x2 x y son las medias de muestras aleatorias independientes
de tamaños n1 y n2 poblaciones con varianzas conocidas σ y σ , el intervalo de
confianza del (1- α )100% para µ1 - µ2 es
3.5.2. Intervalo de confianza para µ1 - µ2; σ y σ desconocidas (n1 y n2 ≥ 30) Si 1
x2
3.5.3 Intervalo de confianza para µ1 - µ2; σ = σ pero desconocidas (n1 y n2 < 30)
Si 1 x2 x
3.5.4 Intervalo de confianza para µ1 - µ2; σ ≠ σ y desconocidas (n1 y n2 < 30).
3.5.5 Intervalo de confianza para observaciones pareadas ( µD = µ1 - µ2). Si d y s
son la media y la desviación estándar de las diferencias normalmente distribuidas
de n pares aleatorios de mediciones, un intervalo de confianza del (1- α )100% para
µD = µ1 - µ2 es:
3.6 Intervalo de confianza para P (muestras grandes). Si ˆ p = x / n
Es la proporción de éxitos en una muestra aleatoria de tamaño n, y qˆ = 1 − ˆ p , un
intervalo de confianza aproximado del (1 − α ) 100% para el parámetro binomial P
es:
3.7 Intervalo de confianza para P1 − P2 (muestras grandes). Si 1 p2 pˆ y ˆ son
las proporciones de éxitos en muestras aleatorias de tamaños 1 n2 n y ,
respectivamente, 1 p1 qˆ = 1 − ˆ y qˆ 1 pˆ , 2 = − 2 un intervalo de confianza
aproximado del (1- α )100% para la diferencia entre los dos parámetros binomiales,
P1 − P2 es:
3.8 Intervalo de confianza para σ . Si es la varianza de una muestra aleatoria de
tamaño n de una población normal, un intervalo de confianza del (1 − α)100% para
es:
3.9 Intervalo de Confianza para. Si s y s son las varianzas de dos
muestras independientes de tamaños n1 y n2, respectivamente, de poblaciones
normales, entonces un intervalo de confianza de (1 - α)100% para σ / σ es:
3.10. Determinación del tamaño de muestra
El tamaño de muestra permite a los investigadores saber cuántos individuos son
necesarios estudiar, para poder estimar un parámetro determinado con el grado de
confianza deseado, o el número necesario para poder detectar una determinada
diferencia entre los grupos de estudio, suponiendo que existiese realmente.
3.10.1. Basado en la media de la Población
El tamaño muestral necesario para estimar una media poblacional depende
del nivel de confianza y precisión deseados, además la varianza de la variable
en la población.
3.10.2. Basado en la proporción de la Población
El tamaño muestral necesario es directamente proporcional a la varianza de la
variable en la población. Esto quiere decir que, cuanto más dispersos sean los
valores de la variable (mayor varianza), mayor será el tamaño muestral necesario
para un mismo nivel de confianza y precisión.
3.10.3. Basado en la diferencia entre las medias de la Población
El tamaño muestral necesario para estimar la comparación de dos medias
depende del nivel de confianza de la estimación, de la potencia del estudio, de
la variabilidad de la variable medida y de la magnitud de la diferencia que se
quiere por detectar.
Conclusión
Podemos observar que una variante en la desviación puede hacer que todo los
cálculos requieran de una diferente manera de resolverse mediante las formulas
proporcionadas en este archivo, e importante recalcar que es necesario entender
bien a que tipo de situaciones se está Analizando para poder identificar el tipo de
intervalo que se va a tener que buscar.
