Beruflich Dokumente
Kultur Dokumente
REFERENCIAS BIBLIOGRAFICAS
ALUMNA: CLAUDIA C. ROCA MARTINEZ
1. Devore, J.L. (2000). Probabilidad y Estadstica para Ingeniera y Ciencias,
Quinta Edicin, Thomson Learning.
2. Spiegel, M.R. (1970). Estadstica, Primera Edicin, Serie Schaum, Mc Graw
Hill.
3. Weimer, R.C. (1996). Estadstica, Segunda Edicin, CECSA.
Cusco Per
Julio 2016
INDICE GENERAL
INTRODUCCION
El objetivo ms importante de la Estadstica es obtener una inferencia con respecto a la
poblacin basndose en la informacin contenida en una muestra. Como las poblaciones
se describen mediante medidas numricas denominadas parmetros, el objetivo de la
mayora de las investigaciones estadsticas es deducir una inferencia con respecto a uno
o ms parmetros de la poblacin.
Se han estudiado, hasta el momento, las nociones fundamentales de distribucin de
probabilidades; se est en condiciones, entonces, de tratar los mtodos de inferencia
estadstica, los cuales comprenden los procedimientos para estimar parmetros de
poblaciones y probar si una afirmacin provisional sobre un parmetro poblacional se
ve apoyada o desaprobada ante la evidencia de la muestra.
Hablando en general, hay dos tipos de inferencia: la deductiva y la inductiva.
Una inferencia deductiva es un juicio o generalizacin que se basa en un razonamiento
o proceso dialctico a priori. Por ejemplo, se supone que dos monedas estn
perfectamente equilibradas y que entonces la probabilidad de cada una de caer "cara" es
= 0,5 (premisa). La media o nmero esperado de "caras" en la jugada de las monedas
deber ser 1 (conclusin). Si las premisas son ciertas, las conclusiones no pueden ser
falsas.
Una inferencia inductiva, por otra parte, es un juicio o generalizacin derivado de
observaciones empricas o experimentales; la conclusin sobre el nmero promedio de
"caras" con base en los resultados de una muestra de prueba. Si los resultados de las
pruebas son diferentes, la conclusin tambin ser diferente. No se requiere una
suposicin a priori sobre la naturaleza de las monedas. La inferencia estadstica es
primordialmente de naturaleza inductiva y llega a generalizaciones respecto de las
caractersticas de una poblacin al valerse de observaciones empricas de la muestra.
Es muy probable que una estadstica muestral sea diferente del parmetro de la
poblacin y slo por coincidencia sera el uno exactamente igual al otro. La diferencia
entre el valor de una estadstica muestral y el correspondiente parmetro de la poblacin
se suele llamar error de estimacin. Slo se sabra cul es el error si se conociera el
parmetro poblacional, pero ste por lo general se desconoce. La nica manera de tener
alguna certeza al respecto es hacer todas las observaciones posibles del total de la
es un estimador
puntual no viciado de m.
Un estimador por intervalo se construye sobre el concepto de un estimador puntual, pero
adems, proporciona algn grado de exactitud del estimador. Como el trmino lo
sugiere, un estimador por intervalo es un rango o banda dentro de la cual el parmetro
se supone va a caer.
La inferencia estadstica entrega las herramientas para realizar afirmaciones acerca de
un parmetro de la poblacin, basndose en el valor del respectivo estadstico
proveniente de una muestra. Para realizar estas inferencias es necesario conocer,
previamente, la distribucin de probabilidad del estadstico. A la distribucin de
probabilidad de un estadstico se le llama distribucin muestral.
Podemos tomar una muestra, calcular en ella un estadstico (promedio o porcentaje, por
ejemplo) y luego hacer afirmaciones respecto del correspondiente parmetro. Esto se
conoce con el nombre de estimacin de parmetros, y se puede hacer de dos formas:
La estimacin que tiene valor estadstico para promedio o media y para el porcentaje de
la poblacin es esta ltima, que explicaremos a continuacin.
I.1.- PROPIEDADES DE UN BUEN ESTIMADOR
Para poder utilizar la informacin que se tenga de la mejor manera posible, se necesita
identificar las estadsticas que sean buenos estimadores, cuyas propiedades son:
Insesgabilidad:
, estimador de
, la
Es decir: es eficiente
mnima.
Consistencia: Si es un estimador muestral calculado a partir de una muestra
de tamao n y si
entonces
es un estimador consistente de
y su esperanza
admitido que tiende a cero, o sea que es tan pequeo como se quiera), tienda a
cero cuando el nmero de elementos de la muestra tienda a infinito. En
smbolos:
si n
Equivalentemente:
si n
Es decir, para que el estimador sea consistente, es necesario que la probabilidad
de
tender n a infinito.
Suficiencia: Un estimador suficiente del parmetro q es aquel que agota toda la
informacin pertinente sobre q que se puede disponer en la muestra. Por
ejemplo, si se toma una muestra de n = 30 valores con el fin de estimar m ,
pueden utilizarse como estimadores la primera, la dcimo quinta o la ltima
observacin, o el promedio entre la primera y la quinta observacin. Pero estos
estimadores no son suficientes pues no contienen toda la informacin disponible
de la muestra. La media aritmtica
1, el intervalo
de confianza ser:
Dnde:
Es el lmite inferior del intervalo de confianza.
Es el lmite superior del intervalo de confianza.
K es una constante no negativa. Es el llamado multiplicador correspondiente a 1 - a .
a es la probabilidad de que el intervalo no incluya al verdadero valor del parmetro.
1 - a es el nivel de confianza, es una medida de la fiabilidad de la estimacin. Por
ejemplo, si se toma a = 10%, entonces 1 - a = 90% y se dice que se tiene un intervalo de
confianza del 90% y que la probabilidad de que el intervalo contenga al verdadero valor
del parmetro es del 90%. Es decir, que si repetidamente se muestra y se construye tal
intervalo una y otra vez, 90 de cada 100 de estos intervalos, contendr al parmetro y 10
de ellos no.
Se puede pensar que 1 significa certeza, seguridad y a significa riesgo. La seguridad
menos el riesgo, es decir 1 - a da, por lo tanto, el coeficiente de confianza de nuestras
afirmaciones.
En el caso anterior, se tiene una confianza de que 90 de cada 100 intervalos que se
extraigan como muestra, contendrn el verdadero valor del parmetro. Pero una vez
II.1.- GENERALIDADES